Роль математического моделирования в прогнозировании погодных условий
© Met Office
Реализация сложных уравнений на суперкопьютерах позволяет с высокой вероятностью прогнозировать будущие характеристики атмосферы.
В более ранней статье мы рассказывали о том, что современный прогноз погоды основан на использовании сложных компьютерных математических моделей атмосферы или ЧПП (численных прогнозов погоды). Для того, чтобы узнать, какая погода будет завтра, для начала нужно искусственно воссоздать цифровую «копию» сегодняшней атмосферы, а затем при помощи уравнений гидротермодинамики эта модель создает атмосферу будущего. На основе будущего состояния атмосферы в модели и строятся прогнозы погоды, которые мы видим на прогностических ресурсах, и используем в своей жизни каждый день. С такими моделями как раз и работают синоптики для уточнения и коррекция прогностической информации и составления штормовых предупреждений.
Естественно, математическая модель атмосферы отличается от реальной атмосферы, полной хаотических движений. Она неизбежно упрощена и содержит начальные погрешности. Даже самые малые неточности описания атмосферы приводят в итоге к ошибкам в прогнозе, которые нарастают с каждым прогностическим шагом словно снежный ком. Прогноз на 24 часов достаточно точен, но к 4-5 суткам неминуемо копятся ошибки.
Читайте также
Главные причины ошибок в прогнозах – это погрешности в описании начального состояния атмосферы, несовершенство описания прогнозируемых процессов, а также погрешность вычислительных схем. Временами прогноз оказывается достаточно устойчивым на несколько дней вперед, иногда же он содержит значительные ошибки уже на второй день. Поэтому и на сайтах погоды, основанных на ЧПП, встречаются «пролеты».
Атмосфера в модели по вертикали делится на слои, по горизонтали – на плоские фигуры, к примеру квадраты: получается множество одинаковых ячеек (сот), к примеру, со сторонами 30 км (в среднем «шаг» современных глобальных моделей – 10-50 км), см. рисунок. Каждая ячейка имеет свои свойства – разная подстилающая поверхность (песок, город, лес, море, горы и т.д.), различные начальные температура, влажность, давление и т.д. В этих условных сотах нужно спрогнозировать будущее состояние метеорологических величин. Естественно, чем меньше ячейка, тем точнее будет спрогнозирована характеристика для конкретной точки пространства.
Для примера, возьмем большую ячейку размером 50х50 км, свойства подстилающей поверхности которой море. В её углу у побережья расположился достаточно крупный город (скажем, Одесса). Модель посчитает температуру в данной ячейке, опираясь на влияние водной поверхности на нее. В итоге температура в городе может оказаться неверной, суточный ход будет занижен. Если же ячейка будет меньшего размера, то свойства в ней будут отражать преимущественно городские условия и прогноз основных характеристик будет уже лучше.
Представленная информация на большинстве прогностических сайтов основана на результатах расчетов глобальных прогностических моделей: размер ячеек в этих моделях больше 10 километров. Эти модели хорошо описывают явления синоптического масштаба, например, осенние дожди или зимние обширные снегопады на явно выраженных атмосферных фронтах, но хуже прогнозируют явления, которые связаны с летней конвекцией: локальные ливни, грозы, град, шквалы.
Представим себе жаркий день, в котором активно развиваются конвективные кучево-дождевые облака. Модель прогнозирует дождь, но «размазывает» количество осадков по всей ячейке на десятки километров. В итоге, получается не локальный ливень в одной небольшой точке, а небольшой дождь на расстоянии в 50 километров. В реальности же, в одной части ячейки пройдет сильный дождь, а в другой будет сухо. Но модель везде даст дождь, что говорит о специфике ее устройства.
На некоторых ресурсах прогноз основан на совместном анализе нескольких моделей, так называемый комплексный прогноз (мультимодельный) – в таком случае качество получаемой продукции повышается. В некоторых проектах для устранения подобных ошибок и коррекции прогноза привлекаются синоптики. Но прогноз большинства автоматических сервисов погоды существует без участия прогнозистов – там лишь данные моделей, и, соответственно, выше вероятность ошибок.
Помимо глобальных моделей существуют региональные, рассчитанные для ограниченной территории, у которых шаг сетки может равняться 1-2 километра (к примеру, модели ALADIN, HRRR, ICON). Прогноз региональных моделей точнее, но их невозможно использовать сразу для всей планеты: расчеты ограничиваются мощностью компьютеров и временем. Поэтому варьируется либо размер территории, либо разрешение (горизонтальный шаг) модели. Невозможно рассчитать глобально модель с подробным шагом – это дорого, а современных вычислительных мощностей не хватает.
Подготовил Игорь Кибальчич, кандидат географических наук, синоптик.
