Numerisk väderprognos - Numerical weather prediction

Vädermodeller använder differentialekvationssystem baserade på fysikens lagar , som i detalj är flytande rörelse , termodynamik , strålningsöverföring och kemi , och använder ett koordinatsystem som delar upp planeten i ett 3D -rutnät. Vindar , värmeöverföring , solstrålning , relativ luftfuktighet , fasförändringar av vatten och ythydrologi beräknas inom varje nätcell, och interaktionerna med närliggande celler används för att beräkna atmosfäriska egenskaper i framtiden.

Numerisk väderprognos ( NWP ) använder matematiska modeller av atmosfären och haven för att förutsäga vädret baserat på nuvarande väderförhållanden. Även om det först försökte på 1920 -talet, var det inte förrän vid datorsimulering på 1950 -talet som numeriska väderprognoser gav realistiska resultat. Ett antal globala och regionala prognosmodeller körs i olika länder över hela världen, med hjälp av aktuella väderobservationer som vidarebefordras från radiosonder , vädersatelliter och andra observationssystem som ingångar.

Matematiska modeller baserade på samma fysiska principer kan användas för att generera antingen kortsiktiga väderprognoser eller längre sikt klimatprognoser; de senare används i stor utsträckning för att förstå och projicera klimatförändringar . De förbättringar som gjorts av regionala modeller har möjliggjort betydande förbättringar av tropiska cyklonspår och prognoser för luftkvalitet ; Emellertid fungerar atmosfäriska modeller dåligt vid hantering av processer som sker i ett relativt trångt område, till exempel skogsbränder .

Att manipulera de stora datamängderna och utföra de komplexa beräkningar som krävs för modern numerisk väderprognos kräver några av de mest kraftfulla superdatorer i världen. Även med superdatorernas ökande kraft sträcker sig prognosförmågan hos numeriska vädermodeller till bara cirka sex dagar. Faktorer som påverkar noggrannheten i numeriska förutsägelser inkluderar densiteten och kvaliteten på observationer som används som input till prognoserna, tillsammans med brister i själva de numeriska modellerna. Efterbehandlingstekniker som modellutdatastatistik (MOS) har utvecklats för att förbättra hanteringen av fel i numeriska förutsägelser.

Ett mer grundläggande problem ligger i den kaotiska naturen hos de partiella differentialekvationer som styr atmosfären. Det är omöjligt att lösa dessa ekvationer exakt, och små fel växer med tiden (fördubblas ungefär var femte dag). Nuvarande förståelse är att detta kaotiska beteende begränsar korrekta prognoser till cirka 14 dagar även med exakta inmatningsdata och en felfri modell. Dessutom behöver de partiella differentialekvationerna som används i modellen kompletteras med parametrar för solstrålning , fuktiga processer (moln och nederbörd ), värmeutbyte , jord, vegetation, ytvatten och terrängeffekter. I ett försök att kvantifiera den stora mängd osäkerhet som finns kvar i numeriska förutsägelser har ensembleprognoser använts sedan 1990 -talet för att mäta förtroendet för prognosen och för att få användbara resultat längre in i framtiden än annars möjligt. Denna metod analyserar flera prognoser som skapats med en individuell prognosmodell eller flera modeller.

Historia

ENIAC: s huvudkontrollpanel vid Moore School of Electrical Engineering som drivs av Betty Jennings och Frances Bilas .

Den historia numeriska väder förutsägelse började på 1920-talet genom insatser av Lewis Fry Richardson , som använde procedurer som ursprungligen utvecklats av Vilhelm Bjerknes att producera för hand en sex-timmars prognos för tillståndet i atmosfären över två punkter i Centraleuropa, med på minst sex veckor att göra det. Det var inte förrän datorn och datorsimuleringarna kom som beräkningstiden reducerades till mindre än själva prognosperioden. Den Eniac användes för att skapa de första väderprognoser via dator 1950, baserat på en mycket förenklad approximation till den atmosfäriska styrande ekvationer. År 1954 använde Carl-Gustav Rossbys grupp vid Meteorologiska och hydrologiska institutet samma modell för att ta fram den första driftprognosen (dvs. en rutinprognos för praktisk användning). Operativ numerisk väderprognos i USA började 1955 under Joint Numerical Weather Prediction Unit (JNWPU), ett gemensamt projekt av US Air Force , Navy and Weather Bureau . År 1956 utvecklade Norman Phillips en matematisk modell som realistiskt kunde skildra månatliga och säsongsmönster i troposfären; detta blev den första framgångsrika klimatmodellen . Efter Phillips arbete började flera grupper arbeta med att skapa allmänna cirkulationsmodeller . Den första generella klimatmodellen för cirkulation som kombinerade både oceaniska och atmosfäriska processer utvecklades i slutet av 1960 -talet vid NOAA Geophysical Fluid Dynamics Laboratory .

I takt med att datorer har blivit mer kraftfulla har storleken på de ursprungliga datamängderna ökat och nyare atmosfäriska modeller har utvecklats för att dra nytta av den extra tillgängliga datorkraften. Dessa nyare modeller inkluderar fler fysiska processer i förenklingar av rörelseekvationerna i numeriska simuleringar av atmosfären. År 1966 började Västtyskland och USA producera operativa prognoser baserade på modeller med primitiva ekvationer , följt av Storbritannien 1972 och Australien 1977. Utvecklingen av begränsade areal (regionala) modeller underlättade framsteg i prognosen av spåren för tropiska cykloner samt luftkvalitet på 1970- och 1980 -talen. I början av 1980 -talet började modellerna inkludera jordens och vegetationens växelverkan med atmosfären, vilket ledde till mer realistiska prognoser.

Utsignalen från prognosmodeller baserade på atmosfärisk dynamik kan inte lösa vissa detaljer om vädret nära jordens yta. Som sådan utvecklades ett statistiskt samband mellan utmatningen av en numerisk vädermodell och de efterföljande förhållandena på marken under 1970- och 1980 -talen, känd som modellutmatningsstatistik (MOS). Från och med 1990 -talet har modellensembleprognoser använts för att definiera prognososäkerheten och förlänga fönstret där numeriska väderprognoser är livskraftiga längre in i framtiden än annars möjligt.

Initiering

Väderspaningsflygplan, som denna WP-3D Orion , tillhandahåller data som sedan används i numeriska väderprognoser.

Den atmosfär är en vätska . Som sådan är tanken med numerisk väderprognos att prova vätskans tillstånd vid en given tidpunkt och använda ekvationerna för vätskedynamik och termodynamik för att uppskatta vätskans tillstånd någon gång i framtiden. Processen med att mata in observationsdata i modellen för att generera initiala förhållanden kallas initialisering . På land används terrängkartor i upplösningar upp till 1 kilometer globalt för att modellera atmosfäriska cirkulationer inom områden med robust topografi, för att bättre skildra funktioner som nedåtgående vindar, bergsvågor och relaterad grumlighet som påverkar inkommande sol strålning. De viktigaste ingångarna från landbaserade vädertjänster är observationer från enheter (kallade radiosonder ) i väderballonger som mäter olika atmosfäriska parametrar och överför dem till en fast mottagare, liksom från vädersatelliter . Den World Meteorological Organization verkar för att standardisera instrumentering, observera praxis och timing av dessa iakttagelser runt om i världen. Stationer rapporterar antingen varje timme i METAR -rapporter eller var sjätte timme i SYNOP -rapporter. Dessa observationer är oregelbundet fördelade, så de bearbetas med dataassimilering och objektiva analysmetoder, som utför kvalitetskontroll och erhåller värden på platser som kan användas av modellens matematiska algoritmer. Data används sedan i modellen som utgångspunkt för en prognos.

En mängd olika metoder används för att samla observationsdata för användning i numeriska modeller. Webbplatser startar radiosonder i väderballonger som stiger genom troposfären och långt in i stratosfären . Information från vädersatelliter används där traditionella datakällor inte är tillgängliga. Commerce tillhandahåller pilotrapporter längs flygplan och fartygsrapporter längs sjöfartsvägar. Forskningsprojekt använder spaningsflygplan för att flyga i och runt vädersystem av intresse, till exempel tropiska cykloner . Rekognoseringsflygplan flygs också över de öppna haven under den kalla årstiden in i system som orsakar betydande osäkerhet i prognosvägledningen, eller som förväntas ha stor inverkan från tre till sju dagar in i framtiden över nedströms kontinent. Havsis initialiserades i prognosmodeller 1971. Ansträngningar för att involvera havsytemperaturen i modellinitialisering började 1972 på grund av dess roll i att modulera vädret på högre breddgrader i Stilla havet.

Beräkning

Ett prognostiskt diagram över 96-timmarsprognosen på 850 mbar geopotentialhöjd och temperatur från Global Forecast System

En atmosfärisk modell är ett datorprogram som producerar meteorologisk information för framtida tider på givna platser och höjder. Inom någon modern modell finns en uppsättning ekvationer, kända som primitiva ekvationer , som används för att förutsäga atmosfärens framtida tillstånd. Dessa ekvationer-tillsammans med ideala gaslagen -are användes för att utvecklas den densitet , tryck , och potentiella temperatur skalära fält och lufthastigheten (vind) vektorfält av atmosfären genom tiden. Ytterligare transportekvationer för föroreningar och andra aerosoler ingår också i vissa modeller med hög upplösning i primitiva ekvationer. De ekvationer som används är olinjära partiella differentialekvationer som är omöjliga att lösa exakt med analytiska metoder, med undantag för några idealiserade fall. Därför erhåller numeriska metoder ungefärliga lösningar. Olika modeller använder olika lösningsmetoder: vissa globala modeller och nästan alla regionala modeller använder begränsade skillnadsmetoder för alla tre rumsdimensionerna, medan andra globala modeller och några få regionala modeller använder spektralmetoder för de horisontella dimensionerna och metoderna för ändliga skillnader i vertikalen.

Dessa ekvationer initieras från analysdata och förändringstakten bestäms. Dessa förändringshastigheter förutsäger atmosfärens tillstånd en kort tid in i framtiden; tidsökningen för denna förutsägelse kallas ett tidssteg . Detta framtida atmosfäriska tillstånd används sedan som utgångspunkt för en annan tillämpning av de prediktiva ekvationerna för att hitta nya förändringshastigheter, och dessa nya förändringshastigheter förutsäger atmosfären vid ett ännu längre tidssteg in i framtiden. Denna tidssteg upprepas tills lösningen når önskad prognostid. Längden på det tidssteg som väljs inom modellen är relaterat till avståndet mellan punkterna på beräkningsnätet och väljs för att bibehålla numerisk stabilitet . Tidssteg för globala modeller är i storleksordningen tiotals minuter, medan tidsteg för regionala modeller är mellan en och fyra minuter. De globala modellerna körs vid olika tidpunkter i framtiden. Den UKMET enhetlig modell körs sex dagar in i framtiden, medan Europeiska centrumet för medellånga väderprognoser ' Integrated prognos System och Environment Canada ' s Global Environmental Multiscale Model både slut till tio dagar in i framtiden, och Global prognos System modell som drivs av Environmental Modelling Center körs sexton dagar i framtiden. Den visuella produktionen som produceras av en modelllösning är känd som ett prognostiskt diagram eller prog .

Parametrisering

Fältet för kumulusmoln , som parametreras eftersom de är för små för att uttryckligen inkluderas i numeriska väderprognoser

Vissa meteorologiska processer är för små eller för komplexa för att uttryckligen inkluderas i numeriska väderprognosmodeller. Parameterisering är ett förfarande för att representera dessa processer genom att relatera dem till variabler på skalorna som modellen löser. Till exempel har rutorna i väder- och klimatmodeller sidor som är mellan 5 kilometer och 300 kilometer långa. Ett typiskt cumulusmoln har en skala på mindre än 1 kilometer (0,6 mi) och skulle kräva att ett nät ännu finare än detta representeras fysiskt av ekvationerna för flytande rörelse. Därför parametreras de processer som sådana moln representerar, av processer av olika sofistikering. I de tidigaste modellerna, om en luftkolonn i en modellgitterlåda var villkorligt instabil (i huvudsak var botten varmare och fuktigare än toppen) och vattenångainnehållet när som helst i kolonnen blev mättat då skulle det välta ( varm, fuktig luft skulle börja stiga), och luften i den vertikala kolonnen blandades. Mer sofistikerade system inser att endast vissa delar av lådan kan övertyga och att medföring och andra processer sker. Vädermodeller som har rutnät med storlekar mellan 5 och 25 kilometer (3 och 16 mi) kan uttryckligen representera konvektiva moln, även om de behöver parametrisera molnmikrofysik som förekommer i mindre skala. Bildandet av moln i stor skala ( stratus -typ) är mer fysiskt baserad; de bildas när den relativa luftfuktigheten når något föreskrivet värde. Processer för sub-grid skala måste beaktas. Snarare än att man antar att moln bildas vid 100% relativ fuktighet, den molnet fraktionen kan relateras till ett kritiskt värde på relativ fuktighet mindre än 100%, vilket återspeglar den sub gallerskala variation som förekommer i den verkliga världen.

Mängden solstrålning som når marken, liksom bildandet av molndroppar sker på molekylär skala, och därför måste de parametreras innan de kan ingå i modellen. Atmosfärisk friktion producerad av berg måste också parametriseras, eftersom begränsningarna i upplösningen av höjdkonturer producera signifikanta underskattningar av dra. Denna metod för parametrering görs också för ytflödet av energi mellan havet och atmosfären, för att bestämma realistiska havsytemperaturer och typ av isis som finns nära havets yta. Solvinkel och påverkan av flera molnskikt beaktas. Jordtyp, vegetationstyp och jordfuktighet avgör alla hur mycket strålning som går till uppvärmning och hur mycket fukt som dras in i den intilliggande atmosfären, och därför är det viktigt att parametrisera deras bidrag till dessa processer. Inom luftkvalitetsmodeller tar parametriseringar hänsyn till atmosfäriska utsläpp från flera relativt små källor (t.ex. vägar, fält, fabriker) inom specifika nätlådor.

Domäner

Ett tvärsnitt av atmosfären över terräng med en sigmakoordinatrepresentation. Mesoskala -modeller delar upp atmosfären vertikalt med representationer som liknar den som visas här.

En modells horisontella domän är antingen global , täcker hela jorden eller regional , och täcker bara en del av jorden. Regionala modeller (även kända som modeller med begränsat område eller LAM) möjliggör användning av finare nätavstånd än globala modeller eftersom de tillgängliga beräkningsresurserna är fokuserade på ett specifikt område istället för att spridas över hela världen. Detta gör att regionala modeller kan lösa uttryckligen mindre meteorologiska fenomen som inte kan representeras på det grövre nätet i en global modell. Regionala modeller använder en global modell för att ange villkor i utkanten av deras domän ( gränsvillkor ) för att tillåta system utanför den regionala modelldomänen att flytta in i sitt område. Osäkerhet och fel inom regionala modeller introduceras av den globala modellen som används för gränsvillkoren för kanten av den regionala modellen, liksom fel som kan hänföras till den regionala modellen själv.

Koordinera system

Horisontella koordinater

Horisontell position kan uttryckas direkt i geografiska koordinater ( latitud och longitud ) för globala modeller eller i en kartprojektionsplanära koordinater för regionala modeller. Den tyska vädertjänsten använder för sin globala ICON-modell (icosahedral icke-hydrostatisk global cirkulationsmodell) ett nät baserat på en vanlig icosahedron . Grundceller i detta rutnät är trianglar istället för de fyra hörncellerna i ett traditionellt latitud-longitud-rutnät. Fördelen är att celler som skiljer sig från latitud-longitud är överallt på jordklotet lika stora. Nackdelen är att ekvationer i detta icke -rektangulära rutnät är mer komplicerade.

Vertikala koordinater

Den vertikala koordinaten hanteras på olika sätt. Lewis Fry Richardsons modell från 1922 använde geometrisk höjd ( ) som den vertikala koordinaten. Senare modeller ersatte den geometriska koordinaten med ett tryckkoordinatsystem, där geopotentialhöjderna för konstanttrycksytor blir beroende variabler , vilket förenklar de primitiva ekvationerna mycket. Denna korrelation mellan koordinatsystem kan göras eftersom trycket minskar med höjden genom jordens atmosfär . Den första modellen som användes för driftprognoser, enlagers barotropiska modell, använde en enda tryckkoordinat på 500 millibar (cirka 5 500 m (18 000 fot)) nivå och var således i huvudsak tvådimensionell. Högupplösta modeller-även kallade mesoskala-modeller-som väderforsknings- och prognosmodellen tenderar att använda normaliserade tryckkoordinater som kallas sigmakoordinater . Detta koordinatsystem får sitt namn från den oberoende variabel som används för att skala atmosfärstryck med avseende på trycket vid ytan, och i vissa fall också med trycket på toppen av domänen. ${\ displaystyle z}$${\ displaystyle z}$ ${\ displaystyle \ sigma}$

Modellutmatningsstatistik

Eftersom prognosmodeller baserade på ekvationerna för atmosfärisk dynamik inte helt bestämmer väderförhållandena, har statistiska metoder utvecklats för att försöka korrigera prognoserna. Statistiska modeller skapades baserat på de tredimensionella fälten som produceras av numeriska vädermodeller, ytobservationer och klimatologiska förhållanden för specifika platser. Dessa statistiska modeller kallas kollektivt modellutmatningsstatistik (MOS) och utvecklades av National Weather Service för sin serie väderprognosmodeller i slutet av 1960 -talet.

Modellutmatningsstatistik skiljer sig från den perfekta prog -tekniken, som förutsätter att utsignalen från numerisk väderprognosvägledning är perfekt. MOS kan korrigera för lokala effekter som inte kan lösas av modellen på grund av otillräcklig nätupplösning, samt modellfördomar. Eftersom MOS körs efter sin respektive globala eller regionala modell är dess produktion känd som efterbehandling. Prognosparametrar inom MOS inkluderar maximala och lägsta temperaturer, procentuell risk för regn inom flera timmar, förväntad nederbördsmängd, chans att nederbörden kommer att frysa i naturen, risk för åska, molnighet och ytvindar.

Ensembler

Överst : Väderforskning och prognosmodell (WRF) simulering av orkanen Rita (2005) spår. Nederst : Spridningen av NHC-modellprognosen för flera modeller.

År 1963 upptäckte Edward Lorenz den kaotiska karaktären hos vätskedynamikekvationerna som är inblandade i väderprognoser. Extremt små fel i temperatur, vindar eller andra inmatningar som ges till numeriska modeller kommer att förstärkas och fördubblas var femte dag, vilket gör det omöjligt för långdistansprognoser-de som görs mer än två veckor i förväg-att förutsäga atmosfärens tillstånd med någon grad av prognosförmåga . Dessutom har befintliga observationsnätverk dålig täckning i vissa regioner (till exempel över stora vattendrag som Stilla havet), vilket introducerar osäkerhet i atmosfärens verkliga initiala tillstånd. Medan en uppsättning ekvationer, känd som Liouville-ekvationerna , finns för att bestämma den initiala osäkerheten i modellinitialiseringen, är ekvationerna för komplexa för att köras i realtid, även med användning av superdatorer. Dessa osäkerheter begränsar prognosmodellens noggrannhet till cirka fem eller sex dagar i framtiden.

Edward Epstein insåg 1969 att atmosfären inte kunde beskrivas fullständigt med en enda prognoskörning på grund av inneboende osäkerhet, och föreslog att man skulle använda en ensemble av stokastiska Monte Carlo -simuleringar för att producera medel och variationer för atmosfärens tillstånd. Även om detta tidiga exempel på en ensemble visade skicklighet, visade Cecil Leith 1974 att de producerade adekvata prognoser först när ensemblens sannolikhetsfördelning var ett representativt urval av sannolikhetsfördelningen i atmosfären.

Sedan 1990 -talet har ensembleprognoser använts operativt (som rutinprognoser) för att redogöra för väderprocessernas stokastiska karaktär - det vill säga för att lösa deras inneboende osäkerhet. Denna metod innebär att man analyserar flera prognoser som skapats med en individuell prognosmodell med hjälp av olika fysiska parametrar eller varierande initiala förhållanden. Från och med 1992 med ensembleprognoser som utarbetats av European Center for Medium-Range Weather Forecasts (ECMWF) och National Centers for Environmental Prediction har modellensembleprognoser använts för att definiera prognososäkerheten och för att förlänga fönstret där numeriska väderprognoser är livskraftig längre in i framtiden än annars möjligt. ECMWF -modellen, Ensemble Prediction System, använder singulära vektorer för att simulera den initiala sannolikhetstätheten , medan NCEP -ensemblen, Global Ensemble Forecasting System, använder en teknik som kallas vektormodling . UK Met Office driver globala och regionala ensembleprognoser där störningar till initiala förhållanden produceras med hjälp av ett Kalman -filter . Det finns 24 ensemblemedlemmar i Met Office Global och Regional Ensemble Prediction System (MOGREPS).

I ett enda modellbaserat tillvägagångssätt utvärderas vanligen ensembleprognosen utifrån ett genomsnitt av de enskilda prognoserna för en prognosvariabel, samt graden av överensstämmelse mellan olika prognoser inom ensemblesystemet, representerat av deras totala spridning. Ensemblespridning diagnostiseras med hjälp av verktyg som spaghettidiagram , som visar spridningen av en kvantitet på prognostiska diagram för specifika tidssteg i framtiden. Ett annat verktyg där ensemblespridning används är ett meteogram , som visar spridningen i prognosen för en kvantitet för en specifik plats. Det är vanligt att ensemblespredningen är för liten för att inkludera det väder som faktiskt inträffar, vilket kan leda till att prognosmakare feldiagnostiserar modellosäkerhet; detta problem blir särskilt allvarligt för väderprognoser cirka tio dagar i förväg. När ensemblespredningen är liten och prognoslösningarna är konsekventa inom flera modellkörningar, uppfattar prognosmakarna mer förtroende för ensemblens medelvärde och prognosen i allmänhet. Trots denna uppfattning är ett spridnings-skicklighetsförhållande ofta svagt eller hittas inte, eftersom korrelationer mellan spridningsfel normalt är mindre än 0,6 och endast under särskilda omständigheter ligger mellan 0,6–0,7. Förhållandet mellan ensemblespridning och prognosförmåga varierar väsentligt beroende på faktorer som prognosmodellen och regionen för vilken prognosen görs.

På samma sätt som många prognoser från en enda modell kan användas för att bilda en ensemble, kan flera modeller också kombineras för att skapa en ensembleprognos. Detta tillvägagångssätt kallas multi-model ensemble forecasting , och det har visat sig förbättra prognoserna jämfört med ett enda modellbaserat tillvägagångssätt. Modeller inom en multimodellensemble kan justeras för sina olika fördomar, vilket är en process som kallas superensembleprognoser . Denna typ av prognos minskar avsevärt fel i modellutmatning.

Ansökningar

Luftkvalitetsmodellering

Luftkvalitetsprognoser försöker förutsäga när halterna av föroreningar kommer att nå nivåer som är hälsofarliga. Den koncentration av föroreningar i atmosfären bestäms av deras transport , eller medelrörelsehastighet genom atmosfären, deras diffusion , kemisk omvandling och maldes avsättning . Förutom information om föroreningskällor och terräng kräver dessa modeller data om tillståndet för vätskeflödet i atmosfären för att bestämma dess transport och diffusion. Meteorologiska förhållanden som termiska inversioner kan förhindra att ytluften stiger och fånga föroreningar nära ytan, vilket gör exakta prognoser för sådana händelser avgörande för luftkvalitetsmodellering. Urban luftkvalitetsmodeller kräver ett mycket fint beräkningsnät som kräver användning av högupplösta mesoskala vädermodeller; Trots detta är kvaliteten på numerisk vädervägledning den största osäkerheten i luftkvalitetsprognoser.

Klimatmodellering

En General Circulation Model (GCM) är en matematisk modell som kan användas i datasimuleringar av den globala cirkulationen av en planetarisk atmosfär eller hav. En atmosfärisk generell cirkulationsmodell (AGCM) är i huvudsak densamma som en global numerisk väderprognosmodell, och vissa (som den som används i den brittiska Unified Model) kan konfigureras för både kortsiktiga väderprognoser och längre sikt klimatprognoser . Tillsammans med havsis och komponenter på landytan är AGCM och oceaniska GCM (OGCM) viktiga komponenter i globala klimatmodeller och används i stor utsträckning för att förstå klimatet och projicera klimatförändringar . För aspekter av klimatförändringar kan en rad konstgjorda kemiska utsläppsscenarier matas in i klimatmodellerna för att se hur en förbättrad växthuseffekt skulle förändra jordens klimat. Versioner utformade för klimatapplikationer med tidsskalor från decennier till århundraden skapades ursprungligen 1969 av Syukuro Manabe och Kirk Bryan vid Geophysical Fluid Dynamics Laboratory i Princeton, New Jersey . När de körs i flera decennier innebär beräkningsbegränsningar att modellerna måste använda ett grovt rutnät som lämnar mindre interaktioner olösta.

Havsytemodellering

NOAA Wavewatch III 120-timmars vind- och vågprognos för Nordatlanten

Överföringen av energi mellan vinden som blåser över havets yta och havets övre lager är ett viktigt element i vågdynamiken. Den spektrala våg transportekvationen används för att beskriva förändringen i vågspektrum över ändra topografi. Det simulerar våggenerering, vågrörelse (utbredning i en vätska), vågskalning , brytning , energiöverföring mellan vågor och vågspridning. Eftersom ytvindar är den primära tvingande mekanismen i spektralvågtransportekvationen använder havsvågsmodeller information som produceras av numeriska väderprognosmodeller som ingångar för att bestämma hur mycket energi som överförs från atmosfären till lagret vid havets yta. Tillsammans med energispridning genom vitkappar och resonans mellan vågor möjliggör ytvindar från numeriska vädermodeller mer exakta förutsägelser av havsytans tillstånd.

Tropisk cyklonprognos

Tropisk cyklonprognos förlitar sig också på data från numeriska vädermodeller. Det finns tre huvudklasser av tropiska cyklonvägledningsmodeller : Statistiska modeller är baserade på en analys av stormbeteende med klimatologi och korrelerar en storms position och datum för att skapa en prognos som inte är baserad på atmosfärens fysik vid den tiden. Dynamiska modeller är numeriska modeller som löser de styrande ekvationerna för vätskeflöde i atmosfären; de är baserade på samma principer som andra numeriska väderprognosmodeller med begränsat område, men kan innehålla speciella beräkningstekniker som förfinade rumsliga domäner som rör sig tillsammans med cyklonen. Modeller som använder element i båda metoderna kallas statistiskt-dynamiska modeller.

År 1978 började den första orkanspårningsmodellen baserad på atmosfärisk dynamik- den rörliga finmaskiga modellen (MFM). Inom området tropisk cyklonspårprognos , trots den ständigt förbättrade dynamiska modellvägledningen som uppstod med ökad beräkningskraft, var det inte förrän på 1980-talet när numerisk väderprognos visade skicklighet , och förrän på 1990-talet då den konsekvent överträffade statistiska eller enkla dynamiska modeller . Prognoser om intensiteten hos en tropisk cyklon baserad på numerisk väderprognos fortsätter att vara en utmaning, eftersom statistiska metoder fortsätter att visa högre skicklighet över dynamisk vägledning.

Wildfire -modellering

En enkel modell för eldningsbränder

På molekylär skala finns det två huvudkonkurrerande reaktionsprocesser som är involverade i nedbrytning av cellulosa , eller träbränslen, vid skogsbränder . När det finns en liten mängd fukt i en cellulosafiber sker förångning av bränslet; denna process kommer att generera mellanliggande gasformiga produkter som i slutändan kommer att vara förbränningskällan . När fukt är närvarande - eller när tillräckligt med värme transporteras bort från fibern uppstår förkolning . Den kemiska kinetiken för båda reaktionerna indikerar att det finns en punkt vid vilken fuktnivån är tillräckligt låg-och/eller uppvärmningshastigheten tillräckligt hög-för att förbränningsprocesser ska bli självförsörjande. Följaktligen kan förändringar i vindhastighet, riktning, fukt, temperatur eller fördröjningshastighet på olika nivåer av atmosfären ha en betydande inverkan på beteendet och tillväxten av en löpeld. Eftersom elden fungerar som en värmekälla för det atmosfäriska flödet kan elden löpa modifierande lokala advektionsmönster och införa en återkopplingsslinga mellan elden och atmosfären.

En förenklad tvådimensionell modell för spridning av skogsbränder som använde konvektion för att representera effekterna av vind och terräng, samt strålningsvärmeöverföring som den dominerande metoden för värmetransport ledde till reaktionsdiffusionssystem av partiella differentialekvationer . Mer komplexa modeller förenar numeriska vädermodeller eller beräkningsvätskedynamikmodeller med en löpeldskomponent som gör det möjligt att uppskatta återkopplingseffekterna mellan elden och atmosfären. Den ytterligare komplexiteten i den senare klassen av modeller leder till en motsvarande ökning av deras datorkraftbehov. Faktum är att en fullständig tredimensionell behandling av förbränning via direkt numerisk simulering i vågar som är relevanta för atmosfärsmodellering för närvarande inte är praktisk på grund av de för höga beräkningskostnader som en sådan simulering skulle kräva. Numeriska vädermodeller har begränsad prognosförmåga vid rumsliga upplösningar under 1 kilometer, vilket tvingar komplexa skogsbrandsmodeller att parametrisera elden för att beräkna hur vindarna kommer att modifieras lokalt av skogsbranden, och för att använda de modifierade vindarna för att bestämma i vilken takt branden sprider sig lokalt. Även om modeller som Los Alamos 'FIRETEC löser för koncentrationer av bränsle och syre , kan beräkningsnätet inte vara tillräckligt bra för att lösa förbränningsreaktionen, så approximationer måste göras för temperaturfördelningen inom varje rutnätcell, liksom för förbränningen reaktionshastigheterna själva.

Se även

• Atmosfärisk fysik
• Atmosfärisk termodynamik
• Tropisk cyklonprognosmodell
• Typer av atmosfäriska modeller

Referenser

Vidare läsning

externa länkar

• NOAA Superdator uppgradering
• NOAA Superdatorer
• Air Resources Laboratory
• Fleet Numerical Meteorology and Oceanography Center
• European Center for Medium-Range Weather Forecasts
• UK Met Office