Численное прогнозирование погоды ( ЧПП ) использует математические модели атмосферы и океанов для прогнозирования погоды на основе текущих погодных условий. Хотя первая попытка была предпринята в 1920-х годах, только с появлением компьютерного моделирования в 1950-х годах численные прогнозы погоды дали реалистичные результаты. Ряд глобальных и региональных моделей прогнозов используется в разных странах мира с использованием текущих наблюдений за погодой, передаваемых с радиозондов , метеорологических спутников и других систем наблюдений в качестве входных данных.
Математические модели, основанные на одних и тех же физических принципах, могут использоваться для создания краткосрочных прогнозов погоды или долгосрочных прогнозов климата; последние широко применяются для понимания и прогнозирования изменения климата . Усовершенствования, внесенные в региональные модели, позволили значительно улучшить прогнозы траектории тропических циклонов и качества воздуха ; однако атмосферные модели плохо справляются с процессами, происходящими в относительно ограниченном пространстве, такими как лесные пожары .
Для обработки огромных наборов данных и выполнения сложных вычислений, необходимых для современного численного прогнозирования погоды, требуются одни из самых мощных суперкомпьютеров в мире. Даже с возрастающей мощностью суперкомпьютеров точность прогнозов численных моделей погоды длится всего около шести дней. Факторы, влияющие на точность численных прогнозов, включают плотность и качество наблюдений, используемых в качестве исходных данных для прогнозов, а также недостатки самих численных моделей. Для улучшения обработки ошибок в численных прогнозах были разработаны методы постобработки, такие как статистика выходных данных модели (MOS).
Более фундаментальная проблема заключается в хаотической природе дифференциальных уравнений в частных производных , управляющих атмосферой. Эти уравнения невозможно решить точно, а небольшие ошибки со временем растут (удваиваются примерно каждые пять дней). Сегодняшнее понимание состоит в том, что такое хаотическое поведение ограничивает точные прогнозы примерно 14 днями даже при наличии точных исходных данных и безупречной модели. Кроме того, частичные дифференциальные уравнения , используемые в модели должна быть дополнены параметризациями для солнечного излучения , влажные процессы (облаков и осадки ), теплообмена , почв, растительности, поверхностных вод, и влияния рельефа местности. В попытке количественно оценить большой объем неотъемлемой неопределенности, остающейся в численных прогнозах, с 1990-х годов используются ансамблевые прогнозы , чтобы помочь измерить достоверность прогноза и получить полезные результаты в более отдаленном будущем, чем это было возможно в противном случае. Этот подход анализирует несколько прогнозов, созданных с помощью отдельной модели прогноза или нескольких моделей.
История
История численного прогноза погоды началось в 1920 - е годы благодаря усилиям Льюиса Фрай Ричардсон , которые использовали процедуры , первоначально разработанные Бьеркнес [1] , чтобы произвести вручную шесть-часовой прогноз для состояния атмосферы над двумя точками в центральной Европе , на это потребуется не менее шести недель. [1] [2] Только после появления компьютеров и компьютерного моделирования время вычислений сократилось до уровня, меньшего, чем сам период прогноза. ENIAC был использован для создания первых прогнозов погоды через компьютер в 1950 году, основываясь на упрощенном приближение к атмосферным управляющим уравнениям. [3] [4] В 1954 году группа Карла-Густава Россби из Шведского метеорологического и гидрологического института использовала ту же модель для создания первого оперативного прогноза (т. Е. Обычного прогноза для практического использования). [5] Оперативное численное прогнозирование погоды в Соединенных Штатах началось в 1955 году в рамках Объединенной группы численного прогнозирования погоды (JNWPU), совместного проекта ВВС , ВМФ и Бюро погоды . [6] В 1956 году Норман Филлипс разработал математическую модель, которая могла реалистично отображать месячные и сезонные закономерности в тропосфере; это стало первой успешной климатической моделью . [7] [8] После работы Филлипса несколько групп начали работать над созданием моделей общей циркуляции . [9] Первая модель климата общей циркуляции, которая объединила океанические и атмосферные процессы, была разработана в конце 1960-х годов в лаборатории геофизической гидродинамики NOAA . [10]
По мере того, как компьютеры становились все более мощными, размер исходных наборов данных увеличивался, и были разработаны более новые атмосферные модели , чтобы воспользоваться преимуществами добавленной доступной вычислительной мощности. Эти новые модели включают больше физических процессов в упрощения уравнений движения при численном моделировании атмосферы. [5] В 1966 году Западная Германия и США начали составлять оперативные прогнозы на основе моделей примитивных уравнений , за ними последовали Великобритания в 1972 году и Австралия в 1977 году. [1] [11] Разработка моделей ограниченного района (региона). способствовал прогрессу в прогнозировании траекторий тропических циклонов, а также качества воздуха в 1970-х и 1980-х годах. [12] [13] К началу 1980-х годов модели начали включать взаимодействие почвы и растительности с атмосферой, что привело к более реалистичным прогнозам. [14]
Выходные данные прогнозных моделей, основанных на динамике атмосферы, не могут разрешить некоторые детали погоды у поверхности Земли. Таким образом, в 1970-х и 1980-х годах была разработана статистическая взаимосвязь между выходными данными численной модели погоды и соответствующими условиями на земле, известная как статистика выходных данных модели (MOS). [15] [16] Начиная с 1990-х годов, модельные ансамблевые прогнозы использовались, чтобы помочь определить неопределенность прогноза и расширить окно, в котором численное прогнозирование погоды будет жизнеспособным в более отдаленное будущее, чем это было возможно в противном случае. [17] [18] [19]
Инициализация
Атмосфера является жидкостью . Таким образом, идея численного прогнозирования погоды состоит в том, чтобы взять образец состояния жидкости в данный момент времени и использовать уравнения гидродинамики и термодинамики для оценки состояния жидкости в какой-то момент в будущем. Процесс ввода данных наблюдений в модель для генерации начальных условий называется инициализацией . На суше карты местности, доступные с разрешением до 1 километра (0,6 мили) во всем мире, используются для помощи в моделировании атмосферной циркуляции в регионах с суровым рельефом, чтобы лучше отображать такие особенности, как нисходящие ветры, горные волны и связанную с ними облачность, которая влияет на приходящую солнечную энергию. радиация. [20] Основными входными данными от национальных метеорологических служб являются наблюдения с устройств (называемых радиозондами ) на метеозондах, которые измеряют различные атмосферные параметры и передают их на стационарный приемник, а также с метеорологических спутников . Всемирная метеорологическая организация действует для стандартизации приборов, практика наблюдений и сроков этих наблюдений во всем мире. Станции либо отчет ежечасно в METAR отчеты, [21] или каждые шесть часов в SYNOP отчетов. [22] Эти наблюдения расположены неравномерно, поэтому они обрабатываются методами ассимиляции данных и объективного анализа, которые осуществляют контроль качества и получают значения в точках, используемых математическими алгоритмами модели. [23] Затем данные используются в модели в качестве отправной точки для прогноза. [24]
Для сбора данных наблюдений для использования в численных моделях используются различные методы. Сайты запускают радиозонды в метеозондах, которые поднимаются через тропосферу и далеко в стратосферу . [25] Информация с метеорологических спутников используется там, где традиционные источники данных недоступны. Commerce предоставляет отчеты пилотов по маршрутам самолетов [26] и отчеты судов по маршрутам доставки. [27] В исследовательских проектах используются самолеты-разведчики для полетов в интересующих погодных системах, таких как тропические циклоны, и вокруг них . [28] [29] Самолеты-разведчики также летают над открытыми океанами в холодное время года в системы, которые вызывают значительную неопределенность в прогнозах или, как ожидается, окажут сильное влияние на континент, расположенный ниже по течению, в течение трех-семи дней в будущем. [30] Морской лед начал использоваться в прогнозных моделях в 1971 году. [31] Попытки включить температуру поверхности моря в инициализацию модели начались в 1972 году из-за его роли в изменении погоды в более высоких широтах Тихого океана. [32]
Вычисление
Модель атмосферы - это компьютерная программа, которая производит метеорологическую информацию на будущее в заданных местах и на заданных высотах. В любой современной модели есть набор уравнений, известных как примитивные уравнения , которые используются для предсказания будущего состояния атмосферы. [33] Эти уравнения, наряду с законом идеального газа, используются для эволюции скалярных полей плотности , давления и потенциальной температуры, а также векторного поля скорости воздуха (ветра) в атмосфере во времени. Дополнительные уравнения переноса для загрязнителей и других аэрозолей также включены в некоторые модели с высоким разрешением на основе примитивных уравнений. [34] Используемые уравнения представляют собой нелинейные уравнения в частных производных, которые невозможно решить точно с помощью аналитических методов [35], за исключением нескольких идеализированных случаев. [36] Таким образом, численные методы позволяют получать приближенные решения. В разных моделях используются разные методы решения: некоторые глобальные модели и почти все региональные модели используют методы конечных разностей для всех трех пространственных измерений, в то время как другие глобальные модели и несколько региональных моделей используют спектральные методы для горизонтальных измерений и методы конечных разностей для вертикальных. [35]
Эти уравнения инициализируются на основе данных анализа, и определяются скорости изменения. Эти темпы изменения предсказывают состояние атмосферы на короткое время в будущем; приращение времени для этого прогноза называется временным шагом . Это будущее состояние атмосферы затем используется в качестве отправной точки для другого применения прогнозных уравнений, чтобы найти новые скорости изменения, и эти новые скорости изменения предсказывают атмосферу на еще одном временном шаге в будущее. Этот временной шаг повторяется до тех пор, пока решение не достигнет желаемого времени прогноза. Длина временного шага, выбранного в модели, связана с расстоянием между точками на расчетной сетке и выбирается для поддержания численной стабильности . [37] Временные шаги для глобальных моделей составляют порядка десятков минут, [38] в то время как временные шаги для региональных моделей составляют от одной до четырех минут. [39] Глобальные модели запускаются в разное время в будущем. UKMET единой модели выполняется шесть дней в будущее, [40] в то время как Европейский центр среднесрочных прогнозов погоды « Интегрированная система прогнозирования и охраны окружающей среды Канады » s Global Environmental Multiscale Модель как выбежать до десяти дней в будущем [41 ], а модель Глобальной системы прогнозов, управляемая Центром моделирования окружающей среды, рассчитана на шестнадцать дней в будущее. [42] Визуальный результат, создаваемый модельным решением, известен как прогностическая диаграмма или прог . [43]
Параметризация
Некоторые метеорологические процессы слишком мелкомасштабны или слишком сложны, чтобы их можно было явно включить в численные модели прогнозирования погоды. Параметризация - это процедура для представления этих процессов путем связывания их с переменными в масштабах, которые разрешает модель. Например, ячейки сетки в моделях погоды и климата имеют стороны длиной от 5 километров (3 миль) до 300 километров (200 миль). Типичное кучевое облако имеет масштаб менее 1 километра (0,6 мили), и для его физического представления уравнениями движения жидкости потребуется сетка даже более мелкого размера. Следовательно, процессы, которые представляют такие облака , параметризуются процессами различной сложности. В самых ранних моделях, если столб воздуха в сетке модели был условно нестабильным (по сути, нижняя часть была более теплой и влажной, чем верхняя), а содержание водяного пара в любой точке внутри колонны становилось насыщенным, то он перевернулся ( теплый влажный воздух поднимался бы вверх), и воздух в вертикальном столбе перемешался. Более сложные схемы признают, что конвекция может происходить только в некоторых частях ящика и что происходит увлечение и другие процессы. Погодные модели, которые имеют ячейки сетки размером от 5 до 25 километров (от 3 до 16 миль), могут явно представлять конвективные облака, хотя им необходимо параметризовать микрофизику облаков, которая возникает в меньшем масштабе. [44] Формирование крупномасштабных облаков ( слоистого типа) более физически обосновано; они образуются, когда относительная влажность достигает некоторого заданного значения. Необходимо учитывать процессы субсетевого масштаба. Вместо того, чтобы предполагать, что облака образуются при относительной влажности 100%, доля облачности может быть связана с критическим значением относительной влажности менее 100% [45], отражая изменение масштаба подсетки, которое происходит в реальном мире.
Количество солнечной радиации, достигающей земли, а также образование облачных капель происходят в молекулярном масштабе, поэтому их необходимо параметризовать, прежде чем их можно будет включить в модель. Атмосферное сопротивление, создаваемое горами, также должно быть параметризовано, поскольку ограничения в разрешающей способности контуров высот приводят к значительным недооценкам сопротивления. [46] Этот метод параметризации также применяется для поверхностного потока энергии между океаном и атмосферой, чтобы определить реальную температуру поверхности моря и тип морского льда, обнаруженного у поверхности океана. [47] Учитывается угол наклона Солнца, а также влияние нескольких облачных слоев. [48] Тип почвы, тип растительности и влажность почвы - все это определяет, сколько радиации идет на потепление и сколько влаги попадает в прилегающую атмосферу, и поэтому важно параметризовать их вклад в эти процессы. [49] В моделях качества воздуха параметризации учитывают атмосферные выбросы из нескольких относительно крошечных источников (например, дороги, поля, фабрики) в определенных ячейках сетки. [50]
Домены
Горизонтальная область модели является либо глобальной , охватывающей всю Землю, либо региональной , охватывающей только часть Земли. Региональные модели (также известные как модели ограниченной площади или LAM) позволяют использовать более мелкий интервал сетки, чем глобальные модели, поскольку доступные вычислительные ресурсы сосредоточены на определенной области, а не распространяются по земному шару. Это позволяет региональным моделям явно разрешать мелкомасштабные метеорологические явления, которые не могут быть представлены на более грубой сетке глобальной модели. Региональные модели используют глобальную модель для определения условий на границе своей области ( граничные условия ), чтобы позволить системам из-за пределов области региональной модели перемещаться в ее область. Неопределенность и ошибки в региональных моделях вносятся глобальной моделью, используемой для граничных условий границы региональной модели, а также ошибками, относящимися к самой региональной модели. [51]
Системы координат
Горизонтальные координаты
Горизонтальное положение может быть выражено непосредственно в географических координатах ( широте и долготе ) для глобальных моделей или в плоских координатах проекции карты для региональных моделей. Немецкая метеорологическая служба использует для своей глобальной модели ICON (икосаэдрическую негидростатическую модель глобальной циркуляции) сетку, основанную на правильном икосаэдре . Базовые ячейки в этой сетке представляют собой треугольники вместо четырех угловых ячеек в традиционной сетке широты и долготы. Преимущество состоит в том, что в отличие от широты и долготы ячейки везде на земном шаре имеют одинаковый размер. Недостатком является то, что уравнения в этой непрямоугольной сетке более сложные.
Вертикальные координаты
Вертикальная координата обрабатывается по-разному. В модели Льюиса Фрая Ричардсона 1922 года использовалась геометрическая высота () как вертикальную координату. Более поздние модели заменили геометрическиекоордината с системой координат давления, в которой геопотенциальные высоты поверхностей постоянного давления становятся зависимыми переменными , что значительно упрощает примитивные уравнения. [52] Эта корреляция между системами координат может быть сделана, поскольку давление уменьшается с высотой в атмосфере Земли . [53] Первая модель, используемая для оперативных прогнозов, однослойная баротропная модель, использовала одну координату давления на уровне 500 миллибар (около 5 500 м (18 000 футов)) [3] и, таким образом, была по существу двумерной. Модели с высоким разрешением, также называемые мезомасштабными моделями, такие как модель исследования и прогнозирования погоды, как правило, используют нормализованные координаты давления, называемые сигма-координатами . [54] Эта система координат получила свое название от независимой переменной используется для масштабирования атмосферного давления по отношению к давлению на поверхности, а в некоторых случаях также и к давлению в верхней части домена. [55]
Статистика вывода модели
Поскольку модели прогнозов, основанные на уравнениях динамики атмосферы, не полностью определяют погодные условия, были разработаны статистические методы, чтобы попытаться исправить прогнозы. Статистические модели были созданы на основе трехмерных полей, созданных с помощью численных моделей погоды, приземных наблюдений и климатологических условий для конкретных мест. Эти статистические модели все вместе называются статистикой выходных данных моделей (MOS) [56] и были разработаны Национальной метеорологической службой для своего набора моделей прогнозирования погоды в конце 1960-х годов. [15] [57]
Статистика выходных данных модели отличается от идеального прогностического метода, который предполагает, что выходные данные численного руководства по прогнозированию погоды идеальны. [58] MOS может корректировать локальные эффекты, которые не могут быть разрешены моделью из-за недостаточного разрешения сетки, а также смещения модели. Поскольку MOS запускается по соответствующей глобальной или региональной модели, ее производство известно как постобработка. Параметры прогноза в MOS включают максимальные и минимальные температуры, процентную вероятность дождя в течение нескольких часов, ожидаемое количество осадков, вероятность того, что осадки будут заморожены в природе, вероятность гроз, облачность и приземный ветер. [59]
Ансамбли
В 1963 году Эдвард Лоренц обнаружил хаотичность из гидродинамики уравнений , участвующих в прогнозировании погоды. [60] Чрезвычайно небольшие ошибки в температуре, ветре или других исходных данных, вводимых в числовые модели, будут усиливаться и удваиваться каждые пять дней, [60] делая невозможным для долгосрочных прогнозов, сделанных более чем на две недели вперед, предсказание состояние атмосферы с любой степенью прогнозирования . Кроме того, существующие сети наблюдений имеют плохой охват в некоторых регионах (например, над большими водоемами, такими как Тихий океан), что вносит неопределенность в истинное начальное состояние атмосферы. Хотя существует набор уравнений, известный как уравнения Лиувилля , для определения начальной неопределенности при инициализации модели, уравнения слишком сложны, чтобы работать в режиме реального времени, даже с использованием суперкомпьютеров. [61] Эти неопределенности ограничивают точность модели прогноза примерно пятью или шестью днями в будущем. [62] [63]
Эдвард Эпштейн признал в 1969 году , что атмосфера не может быть полностью описана с помощью одного прогноза перспективы из - за присущую неопределенность, и предложил использовать в ансамбль из стохастического Монта - Карло моделирования для получения средств и дисперсий для состояния атмосферы. [64] Хотя этот ранний пример ансамбля продемонстрировал умение, в 1974 году Сесил Лейт показал, что они производили адекватные прогнозы только тогда, когда распределение вероятностей ансамбля было репрезентативной выборкой распределения вероятностей в атмосфере. [65]
С 1990-х годов ансамблевые прогнозы использовались оперативно (как обычные прогнозы) для учета стохастической природы погодных процессов, то есть для устранения присущей им неопределенности. Этот метод включает анализ нескольких прогнозов, созданных с помощью отдельной модели прогноза, с использованием различных физических параметризаций или различных начальных условий. [61] Начиная с 1992 г. с ансамблевыми прогнозами, подготовленными Европейским центром среднесрочных прогнозов погоды (ЕЦСПП) и Национальными центрами экологического прогнозирования , модельные ансамблевые прогнозы использовались для определения неопределенности прогнозов и расширения окна, в котором численное прогнозирование погоды возможно в более отдаленном будущем, чем это возможно в противном случае. [17] [18] [19] Модель ECMWF, Система ансамблевого прогнозирования, [18] использует сингулярные векторы для моделирования начальной плотности вероятности , в то время как ансамбль NCEP, Глобальная система ансамблевого прогнозирования, использует метод, известный как селекция векторов . [17] [19] Метеорологическое бюро Великобритании составляет глобальные и региональные ансамблевые прогнозы, в которых возмущения к начальным условиям производятся с использованием фильтра Калмана . [66] В Глобальную и региональную систему ансамблевого прогнозирования Метеорологического бюро (MOGREPS) входят 24 члена ансамбля.
При подходе, основанном на одной модели, ансамблевой прогноз обычно оценивается с точки зрения среднего значения отдельных прогнозов относительно одной переменной прогноза, а также степени согласия между различными прогнозами в рамках ансамблевой системы, что представлено их общим разбросом. Разброс ансамбля диагностируется с помощью таких инструментов, как спагетти-диаграммы , которые показывают разброс одной величины на прогностических диаграммах для определенных временных шагов в будущем. Другой инструмент, в котором используется ансамблевый разброс, - это метеограмма , которая показывает разброс прогноза одной величины для одного конкретного места. Обычно разброс по ансамблю слишком мал, чтобы включать в себя фактически имеющуюся погоду, что может привести к неверной диагностике неопределенности модели синоптиками; [67] эта проблема становится особенно серьезной для прогнозов погоды примерно на десять дней вперед. [68] Когда разброс по ансамблю невелик и решения прогноза согласованы в рамках нескольких прогонов модели, прогнозисты воспринимают больше уверенности в среднем по ансамблю и прогнозу в целом. [67] Несмотря на такое восприятие, взаимосвязь «разброс – квалификация» часто бывает слабой или не обнаруживается, поскольку корреляция ошибок разброса обычно меньше 0,6 и только при особых обстоятельствах находится в диапазоне 0,6–0,7. [69] Взаимосвязь между ансамблевым разбросом и навыками прогнозирования существенно различается в зависимости от таких факторов, как модель прогноза и регион, для которого делается прогноз.
Точно так же, как многие прогнозы из одной модели могут использоваться для формирования ансамбля, несколько моделей также могут быть объединены для создания ансамблевого прогноза. Этот подход называется многомодельным ансамблевым прогнозированием , и было показано, что он улучшает прогнозы по сравнению с подходом на основе одной модели. [70] Модели в многомодельном ансамбле могут быть скорректированы с учетом их различных смещений, что представляет собой процесс, известный как суперсамблевое прогнозирование . Этот тип прогноза значительно снижает количество ошибок в выходных данных модели. [71]
Приложения
Моделирование качества воздуха
Прогнозирование качества воздуха пытается предсказать, когда концентрации загрязняющих веществ достигнут уровней, опасных для здоровья населения. Концентрация загрязнителей в атмосфере определяется их переносом или средней скоростью движения в атмосфере, их диффузией , химическим преобразованием и осаждением на земле . [72] В дополнение к информации об источнике загрязнителя и местности, эти модели требуют данных о состоянии потока жидкости в атмосфере, чтобы определить его перенос и распространение. [73] Метеорологические условия, такие как тепловая инверсия, могут препятствовать подъему приземного воздуха, задерживая загрязняющие вещества у поверхности [74], что делает точные прогнозы таких явлений критически важными для моделирования качества воздуха. Для моделей качества воздуха в городах требуется очень тонкая вычислительная сетка, требующая использования мезомасштабных погодных моделей с высоким разрешением; Несмотря на это, качество числовых прогнозов погоды является основной неопределенностью в прогнозах качества воздуха. [73]
Климатическое моделирование
Модель общей циркуляции (GCM) - это математическая модель, которая может использоваться в компьютерном моделировании глобальной циркуляции атмосферы планеты или океана. Модель общей циркуляции атмосферы (AGCM) по сути такая же, как и модель глобального численного прогноза погоды, а некоторые (например, та, которая используется в Объединенной модели Великобритании) могут быть настроены как для краткосрочных прогнозов погоды, так и для долгосрочных прогнозов климата. . Наряду с компонентами морского льда и поверхности суши, AGCM и океанические GCM (OGCM) являются ключевыми компонентами глобальных климатических моделей и широко применяются для понимания климата и прогнозирования изменения климата . Что касается аспектов изменения климата, то ряд сценариев антропогенных выбросов химических веществ может быть введен в модели климата, чтобы увидеть, как усиленный парниковый эффект повлияет на климат Земли. [75] Версии, разработанные для климатических приложений с временными шкалами от десятилетий до столетий, были первоначально созданы в 1969 году Сюкуро Манабе и Кирком Брайаном в Лаборатории геофизической гидродинамики в Принстоне, штат Нью-Джерси . [76] При запуске в течение нескольких десятилетий вычислительные ограничения означают, что модели должны использовать грубую сетку, которая оставляет неразрешенными взаимодействия меньшего масштаба. [77]
Моделирование поверхности океана
Передача энергии между ветром, дующим над поверхностью океана, и верхним слоем океана является важным элементом волновой динамики. [78] волны уравнение переноса спектральное используются для описания изменения волнового спектра над изменением рельефа. Он моделирует генерацию волн, движение волн (распространение в жидкости), обмеление волн , преломление , передачу энергии между волнами и рассеяние волн. [79] Поскольку приземные ветры являются основным механизмом воздействия в уравнении переноса спектральных волн, модели океанских волн используют информацию, полученную с помощью моделей численного прогнозирования погоды, в качестве входных данных для определения того, сколько энергии передается из атмосферы в слой на поверхности океана. . Наряду с рассеиванием энергии через белые шапки и резонансом между волнами, приземные ветры из численных моделей погоды позволяют более точно предсказывать состояние морской поверхности. [80]
Прогнозирование тропических циклонов
Прогнозирование тропических циклонов также основывается на данных, предоставляемых численными моделями погоды. Существуют три основных класса моделей управления тропическими циклонами : Статистические модели основаны на анализе поведения шторма с использованием климатологии и коррелируют положение и дату шторма для составления прогноза, который не основан на физических характеристиках атмосферы в данный момент. Динамические модели - это численные модели, которые решают основные уравнения потока жидкости в атмосфере; они основаны на тех же принципах, что и другие модели численного прогноза погоды для ограниченной области, но могут включать специальные вычислительные методы, такие как уточненные пространственные области, которые движутся вместе с циклоном. Модели, в которых используются элементы обоих подходов, называются статистико-динамическими моделями. [81]
В 1978 году начала действовать первая модель отслеживания ураганов, основанная на динамике атмосферы - подвижная мелкоячеистая (MFM) модель. [12] В области прогнозирования траекторий тропических циклонов , несмотря на постоянно совершенствующееся руководство по динамическим моделям, которое происходило с увеличением вычислительной мощности, численное прогнозирование погоды показало свои навыки только в 1980-х годах , и до 1990-х годов, когда оно постоянно превосходило статистические или статистические показатели. простые динамические модели. [82] Прогнозирование интенсивности тропического циклона на основе численного прогноза погоды по-прежнему является проблемой, поскольку статистические методы по-прежнему демонстрируют более высокую квалификацию по сравнению с динамическим наведением. [83]
Моделирование лесного пожара
На молекулярном уровне существует два основных конкурирующих процесса реакции, участвующих в разложении целлюлозы или древесного топлива при лесных пожарах . Когда в целлюлозном волокне мало влаги, происходит улетучивание топлива; в этом процессе будут образовываться промежуточные газообразные продукты, которые в конечном итоге станут источником горения . Когда присутствует влага или когда от волокна отводится достаточно тепла, происходит обугливание . В химической кинетики обеих реакций показывают , что существует точка , в которой уровень влаги достаточно низко-и / или обогрев скорости достаточно высоки, для процессов горения , чтобы стать самодостаточным. Следовательно, изменения скорости, направления, влажности, температуры или скорости ветра на разных уровнях атмосферы могут оказать значительное влияние на поведение и рост лесного пожара. Поскольку лесной пожар действует как источник тепла для атмосферного потока, лесной пожар может изменять локальные модели адвекции , создавая петлю обратной связи между огнем и атмосферой. [84]
Упрощенная двумерная модель распространения лесных пожаров, в которой конвекция использовалась для представления эффектов ветра и ландшафта, а также лучистый теплоперенос в качестве доминирующего метода переноса тепла привела к реакционно-диффузионным системам уравнений в частных производных . [85] [86] Более сложные модели объединяют численные модели погоды или модели вычислительной гидродинамики с компонентом лесных пожаров, которые позволяют оценить эффекты обратной связи между огнем и атмосферой. [84] Дополнительная сложность в последнем классе моделей приводит к соответствующему увеличению требований к мощности их компьютеров. Фактически, полное трехмерное рассмотрение горения посредством прямого численного моделирования в масштабах, соответствующих атмосферному моделированию, в настоящее время нецелесообразно из-за чрезмерных вычислительных затрат, которые потребуются для такого моделирования. Цифровые погодные модели имеют ограниченные навыки прогнозирования при пространственном разрешении менее 1 километра (0,6 мили), что вынуждает сложные модели лесных пожаров параметризовать огонь, чтобы рассчитать, как ветры будут локально изменены лесным пожаром, и использовать эти измененные ветра для определения скорость локального распространения огня. [87] [88] [89] Хотя такие модели, как FIRETEC в Лос-Аламосе , определяют концентрации топлива и кислорода , расчетная сетка не может быть достаточно точной, чтобы разрешить реакцию горения, поэтому необходимо сделать приближения для распределения температуры внутри каждого ячейки сетки, а также для самих скоростей реакции горения.
Смотрите также
- Физика атмосферы
- Атмосферная термодинамика
- Модель прогноза тропических циклонов
- Типы атмосферных моделей
Рекомендации
- ^ a b c Линч , Питер (март 2008 г.). «Истоки компьютерного прогнозирования погоды и моделирования климата» (PDF) . Журнал вычислительной физики . 227 (7): 3431–44. Bibcode : 2008JCoPh.227.3431L . DOI : 10.1016 / j.jcp.2007.02.034 . Архивировано из оригинального (PDF) 08.07.2010 . Проверено 23 декабря 2010 .
- ^ Линч, Питер (2006). «Прогноз погоды с помощью числового процесса». Появление численного прогноза погоды . Издательство Кембриджского университета . стр. 1 -27. ISBN 978-0-521-85729-1.
- ^ а б Чарни, Джул ; Фьёртофт, Рагнар ; фон Нейман, Джон (ноябрь 1950). «Численное интегрирование уравнения баротропной завихренности» . Теллус . 2 (4): 237. Bibcode : 1950TellA ... 2..237C . DOI : 10.3402 / tellusa.v2i4.8607 .
- ^ Кокс, Джон Д. (2002). Наблюдатели за бурей . John Wiley & Sons, Inc. стр. 208 . ISBN 978-0-471-38108-2.
- ^ а б Харпер, Кристина; Уччеллини, Луи В .; Калнай, Евгения; Кэри, Кеннет; Морон, Лорен (май 2007 г.). «2007: 50 лет оперативному численному прогнозированию погоды» . Бюллетень Американского метеорологического общества . 88 (5): 639–650. Bibcode : 2007BAMS ... 88..639H . DOI : 10.1175 / BAMS-88-5-639 .
- ^ Американский институт физики (25 марта 2008 г.). «Моделирование общей циркуляции атмосферы» . Архивировано из оригинала на 2008-03-25 . Проверено 13 января 2008 .
- ^ Филлипс, Норман А. (апрель 1956 г.). «Общая циркуляция атмосферы: численный эксперимент». Ежеквартальный журнал Королевского метеорологического общества . 82 (352): 123–154. Bibcode : 1956QJRMS..82..123P . DOI : 10.1002 / qj.49708235202 .
- ^ Кокс, Джон Д. (2002). Наблюдатели за бурей . John Wiley & Sons, Inc. стр. 210 . ISBN 978-0-471-38108-2.
- ^ Линч, Питер (2006). «Интеграции ENIAC». Появление численного прогноза погоды . Издательство Кембриджского университета . стр. 206 -208. ISBN 978-0-521-85729-1.
- ^ Национальное управление океанических и атмосферных исследований (22 мая 2008 г.). «Первая климатическая модель» . Проверено 8 января 2011 .
- ^ Лесли, LM; Дитахмейер, GS (декабрь 1992 г.). «Численный прогноз погоды в ограниченной области в реальном времени в Австралии: историческая перспектива» (PDF) . Австралийский метеорологический журнал . 41 (SP): 61–77 . Проверено 3 января 2011 .
- ^ а б Шуман, Фредерик Г. (сентябрь 1989 г.). «История численного прогноза погоды в Национальном метеорологическом центре» . Погода и прогнозирование . 4 (3): 286–296. Bibcode : 1989WtFor ... 4..286S . DOI : 10,1175 / 1520-0434 (1989) 004 <0286: HONWPA> 2.0.CO; 2 .
- ^ Стейн, Д.Г. (1991). Моделирование загрязнения воздуха и его применение VIII, Том 8 . Birkhäuser. С. 241–242. ISBN 978-0-306-43828-8.
- ^ Сюэ, Юнкан; Феннесси, Майкл Дж. (1996-03-20). «Влияние свойств растительности на прогноз погоды в США летом» (PDF) . Журнал геофизических исследований . 101 (D3): 7419. Bibcode : 1996JGR ... 101.7419X . CiteSeerX 10.1.1.453.551 . DOI : 10.1029 / 95JD02169 . Архивировано из оригинального (PDF) 10 июля 2010 года . Проверено 6 января 2011 .
- ^ а б Хьюз, Гарри (1976). Руководство по прогнозированию выходной статистики модели (PDF) . Центр экологических технических приложений ВВС США. С. 1–16.
- ^ Best, DL; Прайор, SP (1983). Системы статистики вывода моделей аэрометеорологического обслуживания . Центр глобальной погоды ВВС. С. 1–90.
- ^ а б в 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 .
- ^ а б в «Система ансамблевого прогнозирования (EPS)» . ЕЦСПП . Архивировано из оригинала на 2010-10-30 . Проверено 5 января 2011 .
- ^ а б в 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 .
- ^ Стенсруд, Дэвид Дж. (2007). Схемы параметризации: ключи к пониманию численных моделей прогнозирования погоды . Издательство Кембриджского университета. п. 56. ISBN 978-0-521-86540-1.
- ^ Национальный центр климатических данных (2008-08-20). «Ключ к данным приземных метеорологических наблюдений METAR» . Национальное управление океанических и атмосферных исследований . Проверено 11 февраля 2011 .
- ^ «Формат данных SYNOP (FM-12): приземные синоптические наблюдения» . UNISYS . 2008-05-25. Архивировано из оригинала на 2007-12-30.
- ^ Кришнамурти, Теннесси (январь 1995 г.). «Численный прогноз погоды». Ежегодный обзор гидромеханики . 27 (1): 195–225. Bibcode : 1995AnRFM..27..195K . DOI : 10.1146 / annurev.fl.27.010195.001211 .
- ^ «Система вариационного усвоения данных WRF (WRF-Var)» . Университетская корпорация атмосферных исследований . 2007-08-14. Архивировано из оригинала на 2007-08-14.
- ^ Гаффен, Дайан Дж. (2007-06-07). «Радиозондовые наблюдения и их использование в исследованиях, связанных с SPARC» . Архивировано из оригинала на 2007-06-07.
- ^ Баллиш, Брэдли А .; В. Кришна Кумар (ноябрь 2008 г.). «Систематические различия в температурах самолетов и радиозондов» (PDF) . Бюллетень Американского метеорологического общества . 89 (11): 1689–1708. Bibcode : 2008BAMS ... 89.1689B . DOI : 10.1175 / 2008BAMS2332.1 . Проверено 16 февраля 2011 .
- ^ Национальный центр буев данных (28 января 2009 г.). «Схема ВМО с судов, добровольно проводящих наблюдения (СДН)» . Национальное управление океанических и атмосферных исследований . Проверено 15 февраля 2011 .
- ^ 403-е крыло (2011 г.). «Охотники за ураганами» . 53-я эскадрилья метеорологической разведки . Архивировано из оригинала на 2012-06-24 . Проверено 30 марта 2006 .
- ^ Ли, Кристофер (2007-10-08). «Дрон, датчики могут открыть путь в Око бури» . Вашингтон Пост . Проверено 22 февраля 2008 .
- ^ Национальное управление океанических и атмосферных исследований (12 ноября 2010 г.). «NOAA отправляет высокотехнологичный исследовательский самолет, чтобы улучшить прогнозы зимних штормов» . Проверено 22 декабря 2010 .
- ^ Стенсруд, Дэвид Дж. (2007). Схемы параметризации: ключи к пониманию численных моделей прогнозирования погоды . Издательство Кембриджского университета . п. 137. ISBN 978-0-521-86540-1.
- ^ Хоутон, Джон Теодор (1985). Глобальный климат . Архив издательства Кембриджского университета. С. 49–50. ISBN 978-0-521-31256-1.
- ^ Пилке, Роджер А. (2002). Мезомасштабное метеорологическое моделирование . Академическая пресса . стр. 48 -49. ISBN 978-0-12-554766-6.
- ^ Пилке, Роджер А. (2002). Мезомасштабное метеорологическое моделирование . Академическая пресса . стр. 18 -19. ISBN 978-0-12-554766-6.
- ^ а б Стрикверда, Джон К. (2004). Конечно-разностные схемы и уравнения в частных производных . СИАМ. С. 165–170. ISBN 978-0-89871-567-5.
- ^ Пилке, Роджер А. (2002). Мезомасштабное метеорологическое моделирование . Академическая пресса . п. 65 . ISBN 978-0-12-554766-6.
- ^ Пилке, Роджер А. (2002). Мезомасштабное метеорологическое моделирование . Академическая пресса . стр. 285 -287. ISBN 978-0-12-554766-6.
- ^ Sunderam, VS; ван Альбада, Дж. Дик; Питер, Массачусетс; Слоут, Дж. Дж. Донгарра (2005). Вычислительная наука - ICCS 2005: 5-я Международная конференция, Атланта, Джорджия, США, 22–25 мая 2005 г., Труды, часть 1 . Springer. п. 132. ISBN 978-3-540-26032-5.
- ^ Цвифльхофер, Вальтер; Крейц, Норберт; Европейский центр среднесрочных прогнозов погоды (2001 г.). Развитие теракомпьютеров: материалы девятого семинара ЕЦСПП по использованию высокопроизводительных вычислений в метеорологии . World Scientific. п. 276. ISBN. 978-981-02-4761-4.CS1 maint: несколько имен: список авторов ( ссылка )
- ^ Чан, Джонни CL и Джеффри Д. Кеперт (2010). Глобальные перспективы тропических циклонов: от науки к смягчению последствий . World Scientific. С. 295–296. ISBN 978-981-4293-47-1. Проверено 24 февраля 2011 .
- ^ Холтон, Джеймс Р. (2004). Введение в динамическую метеорологию, Том 1 . Академическая пресса. п. 480. ISBN 978-0-12-354015-7. Проверено 24 февраля 2011 .
- ^ Браун, Молли Э. (2008). Системы раннего предупреждения о голоде и данные дистанционного зондирования . Системы раннего предупреждения о голоде и данные дистанционного зондирования . Springer. п. 121. Bibcode : 2008fews.book ..... B . ISBN 978-3-540-75367-4. Проверено 24 февраля 2011 .
- ^ Аренс, К. Дональд (2008). Основы метеорологии: приглашение в атмосферу . Cengage Learning. п. 244. ISBN 978-0-495-11558-8.
- ^ Нарита, Масами и Широ Омори (6 августа 2007 г.). «3.7 Улучшение прогнозов осадков с помощью оперативной негидростатической мезомасштабной модели с конвективной параметризацией Каина-Фрича и микрофизикой облаков» (PDF) . 12-я конференция по мезомасштабным процессам . Проверено 15 февраля 2011 .
- ^ Фриерсон, Дарган (14 сентября 2000 г.). «Схема параметризации диагностического облака» (PDF) . Вашингтонский университет . С. 4–5. Архивировано из оригинального (PDF) 01.04.2011 . Проверено 15 февраля 2011 .
- ^ Стенсруд, Дэвид Дж. (2007). Схемы параметризации: ключи к пониманию численных моделей прогнозирования погоды . Издательство Кембриджского университета. п. 6. ISBN 978-0-521-86540-1.
- ^ МакГаффи, К. и А. Хендерсон-Селлерс (2005). Праймер для моделирования климата . Джон Уайли и сыновья. п. 188. ISBN 978-0-470-85751-9.
- ^ Мельникова, Ирина Н. и Александр В. Васильев (2005). Коротковолновое солнечное излучение в атмосфере Земли: расчет, наблюдение, интерпретация . Springer. С. 226–228. ISBN 978-3-540-21452-6.
- ^ Стенсруд, Дэвид Дж. (2007). Схемы параметризации: ключи к пониманию численных моделей прогнозирования погоды . Издательство Кембриджского университета. С. 12–14. ISBN 978-0-521-86540-1.
- ^ Бакланов, Александр, Сью Гриммонд, Александр Махура (2009). Метеорологические модели и модели качества воздуха для городских территорий . Springer. С. 11–12. ISBN 978-3-642-00297-7. Проверено 24 февраля 2011 .CS1 maint: несколько имен: список авторов ( ссылка )
- ^ Уорнер, Томас Томкинс (2010). Численное прогнозирование погоды и климата . Издательство Кембриджского университета . п. 259. ISBN. 978-0-521-51389-0.
- ^ Линч, Питер (2006). «Основные уравнения». Появление численного прогноза погоды . Издательство Кембриджского университета . стр. 45 -46. ISBN 978-0-521-85729-1.
- ^ Аренс, К. Дональд (2008). Основы метеорологии: приглашение в атмосферу . Cengage Learning. п. 10. ISBN 978-0-495-11558-8.
- ^ Янич, Зависа; Галл, Роберт; Пайл, Мэтью Э. (февраль 2010 г.). «Научная документация для решателя NMM» (PDF) . Национальный центр атмосферных исследований . С. 12–13. Архивировано из оригинального (PDF) 23 августа 2011 года . Проверено 3 января 2011 .
- ^ Пилке, Роджер А. (2002). Мезомасштабное метеорологическое моделирование . Академическая пресса . стр. 131 -132. ISBN 978-0-12-554766-6.
- ^ Баум, Марша Л. (2007). Когда поражает природа: погодные катаклизмы и закон . Издательская группа "Гринвуд". п. 189. ISBN. 978-0-275-22129-4.
- ^ Глан, Гарри Р .; Лоури, Дейл А. (декабрь 1972 г.). «Использование статистики выходных данных модели (MOS) в объективном прогнозировании погоды» . Журнал прикладной метеорологии . 11 (8): 1203–1211. Bibcode : 1972JApMe..11.1203G . DOI : 10,1175 / 1520-0450 (1972) 011 <1203: TUOMOS> 2.0.CO; 2 .
- ^ Гультепе, Исмаил (2007). Туман и облака пограничного слоя: видимость и прогноз тумана . Springer. п. 1144. ISBN 978-3-7643-8418-0. Проверено 11 февраля 2011 .
- ^ Барри, Роджер Грэм; Чорли, Ричард Дж. (2003). Атмосфера, погода и климат . Психология Press. п. 172. ISBN. 978-0-415-27171-4. Проверено 11 февраля 2011 .
- ^ а б Кокс, Джон Д. (2002). Наблюдатели за бурей . John Wiley & Sons, Inc., стр. 222–224 . ISBN 978-0-471-38108-2.
- ^ а б Манусос, Питер (19 июля 2006 г.). «Системы ансамблевого прогнозирования» . Центр гидрометеорологического прогнозирования . Проверено 31 декабря 2010 .
- ^ Вейкманн, Клаус; Джефф Уитакер; Андрес Рубичек; Кэтрин Смит (2001-12-01). «Использование ансамблевых прогнозов для получения улучшенных среднесрочных (3–15 дней) прогнозов погоды» . Центр климатической диагностики . Архивировано из оригинала на 2010-05-28 . Проверено 16 февраля 2007 .
- ^ Чакраборти, Ариндам (октябрь 2010 г.). «Навыки среднесрочных прогнозов ЕЦСПП в 2008 году в год тропической конвекции» . Ежемесячный обзор погоды . 138 (10): 3787–3805. Bibcode : 2010MWRv..138.3787C . DOI : 10.1175 / 2010MWR3217.1 .
- ^ Эпштейн, 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 .
- ^ Лейт, CE (июнь 1974 г.). «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 .
- ^ «МОГРЕПС» . Метеорологический офис . Архивировано из оригинала на 2012-10-22 . Проверено 1 ноября 2012 .
- ^ а б Уорнер, Томас Томкинс (2010). Численное прогнозирование погоды и климата . Издательство Кембриджского университета . С. 266–275. ISBN 978-0-521-51389-0.
- ^ Палмер, штат Теннесси ; Shutts, ГДж; Hagedorn, R .; Доблас-Рейес, Ф.Дж.; Юнг, Т .; Лейтбехер, М. (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 .
- ^ Гримит, Эрик П .; Масса, Клиффорд Ф. (октябрь 2004 г.). «Переосмысление взаимосвязи ансамблевого распространения и навыков с вероятностной точки зрения» (PDF) . Вашингтонский университет . Архивировано из оригинального (PDF) 12 октября 2008 года . Проверено 2 января 2010 .
- ^ Чжоу, Бинбинь; Ду, июнь (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 .
- ^ Cane, D .; Милелли, М. (12 февраля 2010 г.). «Многомодельный метод SuperEnsemble для количественных прогнозов осадков в регионе Пьемонте» (PDF) . Опасные природные явления и науки о Земле . 10 (2): 265. Bibcode : 2010NHESS..10..265C . DOI : 10,5194 / nhess-10-265-2010 . Проверено 2 января 2011 .
- ^ Дейли, Аарон и Паоло Заннетти (2007). Загрязнение атмосферного воздуха (PDF) . Арабская школа науки и технологий и Институт EnviroComp. п. 16 . Проверено 24 февраля 2011 .
- ^ а б Бакланов Александр; Расмуссен, Аликс; Фэй, Барбара; Бердж, Эрик; Финарди, Сандро (сентябрь 2002 г.). «Возможности и недостатки моделей численного прогнозирования погоды в предоставлении метеорологических данных для прогнозирования загрязнения воздуха в городах». Загрязнение воды, воздуха и почвы: в центре внимания . 2 (5): 43–60. DOI : 10,1023 / A: 1021394126149 . S2CID 94747027 .
- ^ Маршалл, Джон; Пламб, Р. Алан (2008). Атмосфера, океан и динамика климата: вводный текст . Амстердам: Elsevier Academic Press. стр. 44 -46. ISBN 978-0-12-558691-7.
- ^ Австралийское статистическое бюро (2005 г.). Ежегодник, Австралия, выпуск 87 . п. 40 . Проверено 18 февраля 2011 .
- ^ 200-летие Национального управления по исследованию океанов и атмосферы (22 мая 2008 г.). «Первая климатическая модель» . Национальное управление океанических и атмосферных исследований . Проверено 20 апреля 2010 .
- ^ Бриджмен, Ховард А., Джон Э. Оливер, Майкл Х. Гланц (2006). Глобальная климатическая система: закономерности, процессы и телесвязи . Издательство Кембриджского университета. С. 284–289. ISBN 978-0-521-82642-6. Проверено 18 февраля 2011 .CS1 maint: несколько имен: список авторов ( ссылка )
- ^ Чаликов Д.В. (август 1978). «Численное моделирование взаимодействия ветров и волн». Журнал гидромеханики . 87 (3): 561–82. Bibcode : 1978JFM .... 87..561C . DOI : 10.1017 / S0022112078001767 .
- ^ Линь, Пэнчжи (2008). Численное моделирование водных волн . Психология Press. п. 270. ISBN 978-0-415-41578-1.
- ^ Бендер, Лесли С. (январь 1996 г.). «Модификация физики и чисел в модели океанских волн третьего поколения» . Журнал атмосферных и океанических технологий . 13 (3): 726–750. Bibcode : 1996JAtOT..13..726B . DOI : 10,1175 / 1520-0426 (1996) 013 <0726: Моцпан> 2.0.CO; 2 .
- ^ Национальный центр ураганов (июль 2009 г.). «Техническое резюме моделей отслеживания и интенсивности Национального центра ураганов» (PDF) . Национальное управление океанических и атмосферных исследований . Проверено 19 февраля 2011 .
- ^ Франклин, Джеймс (20 апреля 2010 г.). «Проверка прогнозов Национального центра ураганов» . Национальный центр ураганов . Проверено 2 января 2011 .
- ^ Раппапорт, Эдвард Н .; Франклин, Джеймс Л .; Avila, Lixion A .; Бейг, Стивен Р .; Бевен II, Джон Л .; Блейк, Эрик С .; Берр, Кристофер А .; Цзин, Цзянь-Гво; Джакинс, Кристофер А .; Knabb, Ричард Д .; Ландси, Кристофер В .; Майнелли, Мишель; Мэйфилд, Макс; МакАди, Колин Дж .; Паш, Ричард Дж .; Сиско, Кристофер; Стюарт, Стейси Р.; Триббл, Ахша Н. (апрель 2009 г.). «Достижения и проблемы в Национальном центре ураганов». Погода и прогнозирование . 24 (2): 395–419. Bibcode : 2009WtFor..24..395R . CiteSeerX 10.1.1.207.4667 . DOI : 10.1175 / 2008WAF2222128.1 .
- ^ а б Салливан, Эндрю Л. (июнь 2009 г.). «Моделирование распространения пожаров на поверхности дикой природы, 1990–2007 гг. 1: Физические и квазифизические модели». Международный журнал лесных пожаров . 18 (4): 349. arXiv : 0706.3074 . DOI : 10,1071 / WF06143 . S2CID 16173400 .
- ^ Асенсио, М. И. и Л. Феррагут (2002). «На модели лесного пожара с радиацией». Международный журнал численных методов в инженерии . 54 (1): 137–157. Bibcode : 2002IJNME..54..137A . DOI : 10.1002 / nme.420 .
- ^ Мандель, Ян, Линн С. Беннетум , Джонатан Д. Бизли, Дженис Л. Коэн , Крейг С. Дуглас, Минджон Ким и Энтони Водачек (2008). «Модель лесного пожара с усвоением данных». Математика и компьютеры в моделировании . 79 (3): 584–606. arXiv : 0709.0086 . Bibcode : 2007arXiv0709.0086M . DOI : 10.1016 / j.matcom.2008.03.015 . S2CID 839881 .CS1 maint: несколько имен: список авторов ( ссылка )
- ^ Кларк, Т.Л., М.А. Дженкинс, Дж. Коэн и Дэвид Пэкхэм (1996). «Совместная модель атмосферного пожара: конвективное число Фруда и динамическая аппликатура» . Международный журнал лесных пожаров . 6 (4): 177–190. DOI : 10,1071 / WF9960177 .CS1 maint: несколько имен: список авторов ( ссылка )
- ^ Кларк, Терри Л., Жениться на Энн Дженкинс, Дженис Коэн и Дэвид Пэкхэм (1996). «Совместная модель атмосферного пожара: конвективная обратная связь по динамике линии пожара» . Журнал прикладной метеорологии . 35 (6): 875–901. Bibcode : 1996JApMe..35..875C . DOI : 10,1175 / 1520-0450 (1996) 035 <0875: ACAMCF> 2.0.CO; 2 .CS1 maint: несколько имен: список авторов ( ссылка )
- ^ Ротермель, Ричард К. (январь 1972 г.). «Математическая модель для прогнозирования распространения пожаров при лесных пожарах» (PDF) . Лесная служба США . Проверено 28 февраля 2011 .
дальнейшее чтение
- Бенистон, Мартин (1998). От турбулентности к климату: численные исследования атмосферы с иерархией моделей . Берлин: Springer. ISBN 978-3-540-63495-9.
- Калнай, Евгения (2003). Атмосферное моделирование, усвоение данных и предсказуемость . Атмосферное моделирование . Издательство Кембриджского университета. п. 364. Bibcode : 2002amda.book ..... K . ISBN 978-0-521-79629-3.
- Роулстон, Ян и Норбери, Джон (2013). Невидимый во время бури: роль математики в понимании погоды . Издательство Принстонского университета. ISBN 978-0691152721.
- Томпсон, Филипп (1961). Численный анализ и прогноз погоды . Нью-Йорк: Компания Macmillan.
- Министерство торговли США; National Oceanic; Атмосферное управление; Национальная метеорологическая служба, ред. (1979). Справочник национальной метеорологической службы № 1 - Факсимильная связь . Вашингтон, округ Колумбия: Министерство торговли.
Внешние ссылки
- Обновление суперкомпьютера NOAA
- NOAA Суперкомпьютеры
- Лаборатория воздушных ресурсов
- Центр численной метеорологии и океанографии флота
- Европейский центр среднесрочных прогнозов погоды
- Метеорологическое бюро Великобритании