Войти
Наверх: Модель исследования и прогнозирования погоды моделирование следов урагана Рита. Внизу: распространение многомодельного ансамблевого прогноза Национального центра ураганов. Ансамблевое прогнозирование - это метод, используемый в численном прогнозировании погоды или внутри него. Вместо того, чтобы делать один прогноз наиболее вероятной погоды, составляется набор (или ансамбль) прогнозов. Этот набор прогнозов направлен на то, чтобы указать диапазон возможных будущих состояний атмосферы. Ансамблевое прогнозирование - это форма анализа Монте-Карло. Множественное моделирование проводится для учета двух обычных источников неопределенности в моделях прогноза: (1) ошибок, вносимых использованием несовершенных начальных условий, усиленных хаотической природой уравнения эволюции атмосферы, которые часто называют чувствительной зависимостью 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 ансамбля spread, 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 в большинстве основных оперативных центров прогнозирования погоды по всему миру, включая:
Экспериментальные ансамблевые прогнозы делаются в ряде университетов, таких как Вашингтонский университет, а ансамблевые прогнозы в США также генерируются ВМС США и ВВС. Существуют различные способы просмотра данных, такие как графики спагетти, средние значения по совокупности или почтовые марки, где можно сравнить ряд различных результатов прогона моделей.
Согласно предложению Эдварда Лоренца в 1963 году, это невозможно для долгосрочных прогнозов, сделанных более чем на две недели вперед, для прогнозирования состояния атмосферы с любой степенью навыка из-за хаотической природы жидкости задействованы уравнения динамики. 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. Хотя набор уравнений, известный как уравнения Лиувилля, существует для определения начальной неопределенности при инициализации модели, уравнения слишком сложны для выполнения в реальном времени, даже с использованием суперкомпьютеров. Практическое значение 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, то есть оценку типов погоды, которые могут произойти, с учетом неизбежных неопределенностей в исходных условиях прогноза и точности вычислительного представления уравнений. Эти неопределенности ограничивают точность модели прогноза примерно шестью днями в будущем. Первые оперативные ансамблевые прогнозы были составлены для субсезонных временных шкал в 1985 году. Однако было осознано, 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 неотъемлемой неопределенности, и предложил стохастическую динамическую модель, которая дает означает и отклонения состояния атмосферы. Хотя эти моделирование методом Монте-Карло продемонстрировали умение, в 1974 году выяснилось, что они дают адекватные прогнозы только тогда, когда ансамбль распределение вероятностей является репрезентативной выборкой распределения вероятностей в атмосфере. Лишь в 1992 году ансамблевые прогнозы начали готовить Европейский центр среднесрочных прогнозов погоды (ECMWF) и Национальные центры экологических прогнозов (NCEP).
Есть два основных источника неопределенности, которые необходимо учитывать при составлении ансамблевого прогноза погоды: неопределенность начальных условий и неопределенность модели.
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), использует комбинацию сингулярных векторов и ансамбль ассимиляции данных (EDA) для имитации начальной плотности вероятности. Возмущения сингулярного вектора более активны во внетропиках, а возмущения EDA более активны в тропиках. Ансамбль NCEP, Глобальная система ансамблевого прогнозирования, использует метод, известный как векторное разведение.
Неопределенность модели возникает из-за ограничений модели прогноза. Процесс представления атмосферы в компьютерной модели включает в себя множество упрощений, таких как разработка схем параметризации, которые вносят ошибки в прогноз. Было предложено несколько методов для представления неопределенности модели.
При разработке схемы параметризации вводится много новых параметров для представления упрощенных физических процессов. Эти параметры могут быть очень неопределенными. Например, «коэффициент уноса » представляет турбулентное перемешивание сухого окружающего воздуха в конвективное облако 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 climprediction.net, эти параметры часто поддерживаются постоянными глобально и на протяжении всей интеграции, в современных численных прогнозах погоды более распространено стохастическое изменение значений параметров во времени и Космос. Степень возмущения параметра можно определить с помощью экспертной оценки или путем непосредственной оценки степени неопределенности параметра для данной модели.
Традиционная схема параметризации стремится представить средний эффект движения субсеточного масштаба (например, конвективные облака) на разрешенное состояние масштаба (например, крупномасштабные поля температуры и ветра). Схема стохастической параметризации признает, что может быть много состояний масштаба подсетки, совместимых с конкретным разрешенным состоянием масштаба. Вместо прогнозирования наиболее вероятного движения в масштабе подсетки схема стохастической параметризации представляет одну возможную реализацию подсетки. Это достигается путем включения случайных чисел в уравнения движения. Это выборка из распределения вероятностей, присвоенного неопределенным процессам. Стохастическая параметризация значительно улучшила навыки моделей прогнозирования погоды и теперь используется в центрах оперативного прогнозирования по всему миру. Стохастические параметризации были впервые разработаны в Европейском центре среднесрочных прогнозов погоды.
Когда для создания прогноза используется много разных моделей прогнозов, такой подход называется многомодельным. ансамблевое прогнозирование. Этот метод прогнозирования может улучшить прогнозы по сравнению с подходом на основе одной модели. 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. Когда модели различных физических процессов комбинируются, например, комбинации моделей атмосферы, океана и волн, многомодельный ансамбль называется гипер-ансамблем.
Ансамблевой прогноз обычно оценивается путем сравнения среднего значения отдельных прогнозов для одной переменной прогноза с наблюдаемым значением этой переменной («ошибка»). Это сочетается с учетом 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. Другой инструмент, в котором используется ансамблевый разброс, - это метеограмма, которая 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 излишней уверенности прогнозиста в своем прогнозе. Эта проблема становится особенно серьезной для прогнозов погоды примерно на 10 дней вперед, особенно если в прогнозе не учитывается неопределенность модели.
Разброс ансамблевого прогноза показывает, насколько уверенным прогнозист может быть в своем прогнозе. Когда разброс по ансамблю невелик и решения прогноза согласованы в рамках нескольких прогонов модели, прогнозисты воспринимают прогноз в целом с большей уверенностью. 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 надежный, наблюдаемое состояние будет вести себя так, как если бы оно было получено из распределения вероятностей прогноза. Надежность (или калибровку) 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.
Также можно оценить надежность прогнозов конкретного погодного явления. Например, если 30 из 50 участников указали, что количество осадков превышает 1 см в течение следующих 24 часов, вероятность превышения 1 см может быть оценена как 60%. Прогноз будет считаться надежным, если, учитывая все прошлые ситуации, когда прогнозировалась 60% -ная вероятность, 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. Прогнозы на длинных шагах 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.
Если ансамблевые прогнозы должны использоваться для предсказания вероятностей наблюдаемых метеорологических 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 для 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 элементов в ансамбль вокруг среднего. Однако в 2004 г. было введено обобщение линейной регрессии (теперь известное как Неоднородная гауссовская регрессия ), в котором используется линейное преобразование ансамблевого разброса для получения ширины прогнозируемого распределения, и было показано, что это могут давать более точные прогнозы, чем прогнозы, основанные только на линейной регрессии. Это впервые доказало, что информация в виде распределения членов ансамбля вокруг среднего, в данном случае суммированного разбросом ансамбля, может быть использована для улучшения прогнозов относительно линейной регрессии. То, можно ли преодолеть линейную регрессию с помощью ансамблевого разброса таким образом, зависит от системы прогноза, переменной прогноза и времени выполнения заказа.
Помимо использования для улучшения прогнозов неопределенности, разброс ансамбля также может использоваться в качестве предиктора вероятного размера изменений в среднем прогнозе от один прогноз к другому. 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 более значительным изменениям среднего значения. Это имеет применение в торговых отраслях, для которых может быть важно понимание вероятных размеров будущих изменений прогнозов.
Эксперимент по исследованию и предсказуемости системы наблюдений (THORPEX) - это 10-летняя международная программа исследований и разработок, направленная на ускорение повышения точности от одного дня до двух недель. прогнозы 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 прогностической продукции.
Одним из его ключевых компонентов является Интерактивный большой глобальный ансамбль THORPEX (TIGGE), всемирная программа погодных исследований, призванная ускорить повышение точности прогнозов погоды со значительными воздействиями от 1 дня до 2 недель. прогнозы на благо человечества. Централизованные архивы данных прогнозов ансамблевых моделей из многих международных центров используются для обеспечения широкого обмена данными и проведения исследований.
