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 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 обработки, которые происходят в относительно ограниченном пространстве, например, при лесных пожарах.
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 численного прогноза погоды началось в 1920 - е годы благодаря усилиям Льюиса Фрай Ричардсон, которые использовали процедуры, первоначально разработанные Бьеркнес к продукции вручную шесть-часовой прогноз для состояния атмосферы над двумя точками в центральной Европе, принимая на минимум шесть недель на это. Лишь с появлением 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. 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). Оперативное численное прогнозирование погоды в Соединенных Штатах началось в 1955 году в рамках Объединенного подразделения численного прогнозирования погоды (JNWPU), совместного проекта ВВС, ВМС и Бюро погоды США. В 1956 году Норман Филлипс разработал математическую модель, которая могла реалистично отображать месячные и сезонные закономерности в тропосфере; это стало первой успешной климатической моделью. После работы Филлипса несколько групп начали работать над созданием моделей общей циркуляции. Первая модель климата общей циркуляции, сочетающая в себе океанические и атмосферные процессы, была разработана в конце 1960-х годов в лаборатории геофизической гидродинамики NOAA.
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. В 1966 году Западная Германия и США начали составлять оперативные прогнозы на основе моделей примитивных уравнений, за ними последовали Соединенное Королевство в 1972 году и Австралия в 1977 году. Разработка моделей ограниченного района (региональных) способствовала прогрессу в прогнозировании траектории тропических циклонов. а также качество воздуха в 1970-х и 1980-х годах. К началу 1980-х годов модели начали включать взаимодействие почвы и растительности с атмосферой, что привело к более реалистичным прогнозам.
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). Начиная с 1990-х годов, модельные ансамблевые прогнозы использовались, чтобы помочь определить неопределенность прогнозов и расширить окно, в котором численное прогнозирование погоды будет жизнеспособным в более отдаленное будущее, чем это было возможно в противном случае.
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. 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 отчитываются либо ежечасно в сводках METAR, либо каждые шесть часов в сводках SYNOP. Эти наблюдения расположены нерегулярно, поэтому они обрабатываются методами ассимиляции данных и объективного анализа, которые осуществляют контроль качества и получают значения в местах, используемых математическими алгоритмами модели. Затем данные используются в модели в качестве отправной точки для прогноза.
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. Информация с метеорологических спутников используется там, где традиционные источники данных недоступны. Commerce предоставляет отчеты пилотов по маршрутам самолетов и судовые отчеты по маршрутам доставки. В исследовательских проектах используются самолеты-разведчики для полетов в интересующих погодных системах, таких как тропические циклоны, и вокруг них. Самолеты-разведчики также летают над открытыми океанами в холодное время года в системы, которые вызывают значительную неопределенность в прогнозах или, как ожидается, будут оказывать сильное воздействие на континент, расположенный ниже по течению, в течение трех-семи дней в будущем. Морской лед начал использоваться в прогнозных моделях в 1971 году. 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.
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. Эти уравнения - вместе 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 загрязнителей и других аэрозолей также включены в некоторые модели с высоким разрешением на основе примитивных уравнений. Используемые уравнения представляют собой нелинейные уравнения в частных производных, которые невозможно решить точно с помощью аналитических методов, за исключением нескольких идеализированных случаев. 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.
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. Шаг по времени для глобальных моделей составляет порядка десятков минут, а для региональных моделей - от одной до четырех минут. Глобальные модели запускаются в разное время в будущем. UKMET единой модели выполняется шесть дней в будущее, 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, и Глобальная система прогноза Модель, управляемая Центром экологического моделирования, рассчитана на шестнадцать дней в будущее. Визуальный результат, создаваемый модельным решением, известен как прогностическая диаграмма или прог.
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. 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%, отражающим изменение субсеточного масштаба, 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. Этот метод параметризации также применяется для поверхностного потока энергии между океаном и атмосферой, чтобы определить реальную температуру поверхности моря и тип морского льда, находящегося у поверхности океана. Учитывается угол наклона Солнца, а также влияние нескольких облачных слоев. 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. В моделях качества воздуха параметризации учитывают атмосферные выбросы из нескольких относительно крошечных источников (например, дороги, поля, фабрики) в определенных ячейках сетки.
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.
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.
Вертикальная координата обрабатывается по-разному. В модели Льюиса Фрая Ричардсона 1922 года в качестве вертикальной координаты использовалась геометрическая высота (). Более поздние модели заменили геометрическую координату системой координат давления, в которой геопотенциальные высоты поверхностей постоянного давления стали зависимыми переменными, что значительно упростило примитивные уравнения. Эта корреляция между системами координат может быть сделана, поскольку давление в атмосфере Земли уменьшается с высотой. Первая модель, используемая для оперативных прогнозов, однослойная баротропная модель, использовала одну координату давления на уровне 500 миллибар (около 5 500 м (18 000 футов)) 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. Эта система координат получила свое название от независимой переменной, используемой для масштабирования атмосферного давления по отношению к давлению на поверхности, а в некоторых случаях также и к давлению в верхней части области.
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 вместе называются статистикой выходных данных моделей (MOS) и были разработаны Национальной метеорологической службой для своего набора моделей прогнозирования погоды в конце 1960-х годов.
Статистика выходных данных модели отличается от идеального прогностического метода, который предполагает, что выходные данные численного руководства по прогнозированию погоды идеальны. 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 называется постобработкой. 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 приземные ветры.
В 1963 году Эдвард Лоренц обнаружил хаотичность из гидродинамики уравнений, участвующих в прогнозировании погоды. Чрезвычайно малые ошибки в температуре, ветре или других исходных данных, вводимых в численные модели, будут усиливаться и удваиваться каждые пять дней, что делает невозможным для долгосрочных прогнозов - тех, которые сделаны более чем за две недели, - предсказать состояние атмосферы с помощью любая степень 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. Эти неопределенности ограничивают точность модели прогноза примерно пятью или шестью днями в будущем.
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. Хотя этот ранний пример ансамбля продемонстрировал умение, в 1974 году Сесил Лейт показал, что они производят адекватные прогнозы только тогда, когда распределение вероятностей ансамбля является репрезентативной выборкой распределения вероятностей в атмосфере.
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. Начиная с 1992 г. с ансамблевыми прогнозами, подготовленными Европейским центром среднесрочных прогнозов погоды (ЕЦСПП) и Национальными центрами экологического прогнозирования, модельные ансамблевые прогнозы использовались, чтобы помочь определить неопределенность прогнозов и расширить окно, в котором численное прогнозирование погоды жизнеспособен в более отдаленном будущем, чем это возможно в противном случае. Модель ECMWF, Система ансамблевого прогнозирования, использует сингулярные векторы для имитации начальной плотности вероятности, в то время как ансамбль NCEP, Глобальная система ансамблевого прогнозирования, использует метод, известный как селекция векторов. Метеорологическое бюро Великобритании составляет глобальные и региональные ансамблевые прогнозы, в которых возмущения начальных условий производятся с использованием фильтра Калмана. В Глобальную и региональную систему ансамблевого прогнозирования (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; эта проблема становится особенно серьезной для прогнозов погоды примерно на десять дней вперед. Когда разброс по ансамблю невелик и решения прогноза согласованы в рамках нескольких прогонов модели, синоптики ощущают большую уверенность в среднем по ансамблю и прогнозу в целом. 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 колеблется в пределах 0,6–0,7. 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 быть использованы 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. 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.
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. В дополнение к информации об источнике загрязняющих веществ и местности, этим моделям требуются данные о состоянии потока жидкости в атмосфере для определения его переноса и распространения. Метеорологические условия, такие как тепловая инверсия, могут препятствовать подъему приземного воздуха, задерживая загрязняющие вещества у поверхности, что делает точные прогнозы таких событий критически важными для моделирования качества воздуха. Для моделей качества воздуха в городах требуется очень мелкая вычислительная сетка, требующая использования мезомасштабных погодных моделей с высоким разрешением; Несмотря на это, качество числовых прогнозов погоды является основной неопределенностью в прогнозах качества воздуха.
Модель общей циркуляции (GCM) - это математическая модель, которую можно использовать 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. Версии, предназначенные 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. При запуске в течение нескольких десятилетий вычислительные ограничения означают, что модели должны использовать грубую сетку, которая оставляет неразрешенными взаимодействия меньшего масштаба.
Передача энергии между ветром, дующим над поверхностью океана, и верхним слоем океана является важным элементом волновой динамики. Спектральное волновое уравнение переноса используется 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. Поскольку приземные ветры являются основным вынуждающим механизмом в уравнении переноса спектральных волн, модели океанских волн используют информацию, полученную с помощью численных моделей 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.
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.
В 1978 году начала действовать первая модель отслеживания ураганов, основанная на динамике атмосферы - подвижная мелкоячеистая (MFM) модель. В области прогнозирования траектории 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 простые динамические модели.. Прогнозирование интенсивности тропического циклона на основе численного прогноза погоды по-прежнему является сложной задачей, поскольку статистические методы по-прежнему демонстрируют более высокую квалификацию по сравнению с динамическим управлением.
В молекулярном масштабе 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.
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. Более сложные модели объединяют численные модели погоды или модели вычислительной гидродинамики с компонентом лесных пожаров, что позволяет оценить эффекты обратной связи между огнем и атмосферой. 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 ветры для определения скорость локального распространения огня. Хотя такие модели, как FIRETEC в Лос-Аламосе, решают концентрацию топлива и кислорода, расчетная сетка не может быть достаточно точной, чтобы разрешить реакцию горения, поэтому должны быть сделаны приближения для распределения температуры в каждой ячейке сетки, а также для горения. сами показатели реакции.