Разнообразие современных численных моделей прогноза погоды

В настоящее время прогностическая гидрометеорологическая информация является результатом работы множества математических методов, которые реализуются на суперкомпьютерах. Такие модели прогнозирования подразделяются на несколько классов в зависимости от масштабов, поставленных задач и методологии расчёта.

Прогнозирование погодных условий является чрезвычайно сложной задачей, поскольку этот процесс требует комплексного подхода с учётом огромного количества различных факторов. В наши дни точность прогнозов погоды на ближайшие сутки составляет в среднем 97 - 99%, хотя ещё лет 20 этот показатель был гораздо ниже. И это всё благодаря стремительному развитию численного моделирования, которое сводится к решению сложных дифференциальных уравнений и их реализации на мощных суперкомпьютерах. Эти уравнения могут сильно различаться в зависимости от региона, рельефа местности, наличию искусственных объектов (например, крупных городов) и многих других исходных данных.

Кроме того, для прогнозирования необходим огромный массив фактических (исходных) метеорологических данных, собираемых спутниками, системами наблюдения, автоматическими и пилотируемыми станциями, самолетами, кораблями, метеозондами, радиолокаторами и так далее. Вот почему в настоящее время существуют десятки моделей погоды, каждая из которых предназначена для решения конкретной задачи.

Существует два основных типа моделей прогноза погоды: глобальные и локальные или региональные. Оба типа моделей в свою очередь различаются по пространственному разрешению, то есть по расстоянию между двумя точками координатной сетки (узлами) на карте. Например, большие разрешения размером от 50 до 10 км подходят для относительно однородной местности (например, пустыни, леса, крупные моря и океаны), в то время как горные хребты или побережья крупных водных объектов требуют, чтобы узлы были намного ближе друг к другу, обычно на 5, 2 или 1 км. У каждой из таких моделей имеется собственный математический аппарат и алгоритмы вычислений.

Название погодной модели обычно представляет собой аббревиатуру, состоящую из трех и более слов, в которой закодировано ее происхождение (организация, страна, предназначение и т.д.), а также ее основные признаки. Итак, давайте разберемся, какие основные модели погоды в мире входят в этот большой перечень. На схеме показаны 23 наиболее востребованных в мире численных моделей прогноза погоды. Мы разберём только некоторые из них.

Глобальные прогностические модели.

Наиболее важная особенность и преимущество глобальных моделей погоды заключается в том, что, как следует из названия, они охватывают весь земной шар. То есть, где бы вы ни находились — даже на небольших островах в Океании — вы можете получить прогноз погоды для этой местности от одной из них. Они хорошо описывают явления синоптического масштаба, например, осенние дожди или зимние обширные снегопады, но хуже прогнозируют явления, связанные с летней конвекцией: локальные ливни, грозы, град. В целом, глобальные модели погоды могут проигрывать отдельным локальным моделям в качестве прогноза или его детализации. Это легко объясняется тем, что погоду вообще сложно предсказать и, следовательно, чем больше площадь, которую необходимо охватить, тем это сложнее. И наоборот. Однако численные расчёты всех локальных моделей начинается с глобального прогнозирования.

Глобальных моделей по количеству меньше, чем региональных. Тремя основными глобальными моделями являются GFS из США, ECMWF и ICON из Европы. Но есть и некоторые другие.

Модель прогноза погоды ЕЦСПП (Европейский центр среднесрочных прогнозов погоды - ECMWF).

ECMWF — это популярная европейская модель глобального прогнозирования, которая многими прогнозистами считается лучшей и наиболее надежной моделью из существующих в настоящее время. Она в своём алгоритме использует концепцию под названием «4D», которая представляет собой ассимиляцию, позволяющую постоянно обновлять модель по мере появления новых спутниковых или других исходных данных. Общеизвестно, что ECMWF была единственной моделью, которая точно рассчитала, куда будет двигаться ураган «Сэнди» в Северной Америке. На территории Украины модель также себя зарекомендовала положительно, особенно в прогнозировании температуры воздуха, атмосферного давления, метеорологических параметров в свободной атмосфере и вероятности гроз. Однако, расчёт количества и вероятности осадков является её слабой стороной.

Модель погоды GFS (Глобальная система прогнозов).

GFS (GlobalForecastSystem) – наиболее известная глобальная модель погоды, разработанная Национальной службой по мониторингу атмосферы и океана США (NOAA) Частота обновления модели составляет 6 часов, а пространственное разрешение 27 км. На самом деле GFS состоит из 4 отдельных моделей, которые работают комплексно, чтобы воспроизвести наиболее точную картину погодных условий: модели атмосферы, океана, земли / почвы и морского льда. Однако она не принимает во внимание топографию и формы береговых линий, поэтому не очень точная для мест рядом с водоемами. Более эффективна для океанических просторов, лесных массивов и пустынь. «GFS+» - это еще одна версия той же модели. В то время как стандарт GFS27 интерполирует данные для каждой точки квадрата 27 км x 27 км, версия GFS+ всегда показывает максимальное значение прогностического параметра в каждом квадрате.

На территории Украины модель GFSсчитается основной и наиболее часто используемой. Хорошо прогнозирует объекты синоптического масштаба, параметры ветра и температуру воздуха. Имеет огромный перечень доступных индексов неустойчивости, что значительно помогает в летний период с прогнозированием опасных конвективных явлений, таких как шквалы, град, локальные ливни и даже смерчи.

Модель погоды ICON (Icosahedral Nonhydrostatic).

Разработанная Немецкой метеорологической службой (DeutscherWetterdienst), ICON обычно считается даже более точной в некоторых аспектах, чем ECMWF, из-за лучшего разрешения (7 – 13 км в зависимости от версии модели), хотя только в Европе. Наиболее важными переменными ICON считаются плотность воздуха и виртуальная потенциальная температура, горизонтальная и вертикальная скорость ветра, относительная влажность, влагосодержание, фазовое состояние осадков. Одна из её составных частей включала в себя модель COSMO, которая в 2020 году была полностью интегрирована в ICON.

В Украине модель ценится за хорошее прогнозирование температуры воздуха, порывов ветра, вероятности туманов и гроз и некоторых конвективных явлений. Неплохо также «видит» динамику нарастания снежного покрова зимой и расположение атмосферных фронтов на синоптических картах.

Модель UKMO (Метеорологическое бюро Соединенного Королевства).

Часто в более коротком виде записывается как UM-модель (унифицированная). Разработана в Великобритании. Имеет шаг прогноза 3 часа, обновление каждые 12 часов, максимальная заблаговременность 3 дня. Существует две версии – для Великобритании (с разрешением всего 1,5 км) и для других стран (разрешение 10 км). Благодаря своей высокой детализации, UKMO / UKMET является самой надежной моделью для Соединенного Королевства. Глобальная версия модели является основой для некоторых региональных мелкомасштабных моделей (например, в Новой Зеландии). В Украине данная модель часто используется для прогнозирования плотной низкой облачности слоистых форм, туманов и дымки, а также температуры воздуха (в отдельных ситуация). Слабой стороной является прогноз количества осадков, которые она часто завышает в 2, а то и 3 раза.

Погодная модель GEM (Global Environmental Multiscale Model).

Модель разработана Канадским метеорологическим центром (СМС), имеет пространственное разрешение 25 км для всей планеты и 2,5 км для территории Канады. В Украине зарекомендовала себя с положительной стороны с точки зрения прогноза температуры воздуха в зимний период в условиях антициклональной циркуляции и ночного радиационного выхолаживания, а также влияния снежного покрова на минимальную температуру воздуха в приземном слое.

Климатическая система прогноза – CFS (Climate Forecast System).

CFS представляет собой глобальную численную модель, разработанную Национальным центром экологического прогнозирования США (NOAA/ NCEP). Имеет пространственное разрешение 108 км, с частотой обновления 4 раза в сутки. Максимальный период прогноза модели составляет 9 месяцев. Показывает тенденции метеорологических полей в масштабах месяцев, кварталов и полугодий. Такая высокая степень заблаговременности может иметь плохую прогностическую значимость, но выглядит привлекательной для долгосрочного прогнозирования на месяц и сезон.

Местные или региональные модели погоды.

Кроме глобальных моделей существуют региональные, рассчитанные для ограниченного участка местности, у которых шаг сетки обычно составляет 1-3 километра. Прогноз региональных моделей более точный, но их невозможно использовать сразу для всей планеты: расчеты ограничиваются мощностью компьютеров и временем. Поэтому меняется либо размер территории, либо горизонтальный шаг модели. Невозможно рассчитать глобально модель с подробным шагом – это очень дорого и требует огромных вычислительных мощностей. Например, если вам нужен прогноз конкретно для плавания по Средиземному морю или занятий альпинизмом в Швейцарии, то лучше посмотреть его по одной из местных моделей для данного района. (Хотя это не означает, что прогноз по глобальной модели обязательно будет хуже). Региональных моделей погоды гораздо больше, чем глобальных. Три основные региональные модели — это NAM и HRRR для США и, скажем, WRF, Skiron, HIRLAM для Европы. Но есть и множество других.

Из вышеперечисленных моделей особое внимание заслуживает WRF (Weather Research and Forecasting). Она появилась на свет ещё в 1980-х годах как результат совместных усилий нескольких агентств и лабораторий по всему миру. Это кодовая база для дальнейшей обработки прогноза. Применяется во всем мире и может учитывать местную географию и топографию, поэтому является наиболее «гибкой» и доступной среди прочих моделей. Имеет широкий диапазон различных физических параметров и требует значительных ресурсов для обработки. Шаг по сетке составляет от 0,5 до 8 км, максимальная заблаговременность трое суток. Многие институты различных стран используют WRF в качестве основы для разработки собственных региональных моделей.

На некоторых погодных сервисах прогностическая информация основана на автоматическом совместном анализе нескольких моделей, так называемый комплексный прогноз – в таком случае качество получаемой продукции заметно повышается. В некоторых проектах для коррекции прогноза привлекаются синоптики. Но прогностические данные на большинстве сервисов существуют без участия прогнозистов – там лишь расчёты моделей.

Ситуация в прогностической индустрии не стоит на месте, отрасль находится в постоянном развитии. К примеру, вводятся расчеты на графических процессорах, что приведет к уменьшению стоимости расчетов. Либо используется принципиально другая система, основанная на методах искусственного интеллекта и обучения нейронных сетей.

Подготовил Игорь Кибальчич, кандидат географических наук, синоптик.