Автореферат (1102538), страница 3
Текст из файла (страница 3)
Например в случае 5 января 2010 г вМурманской области различия достигали 15ºС. Усвоение данных позволило уменьшитьошибку прогноза приземной температуры на 2ºС, что продемонстрировано на рис.3.Усвоение-1005.01 12ч06.01 00ч06.01 12ч07.01 00ч07.01 12ч08.01 00чпомогаетанализсостояниялучшийатмосферы.-15Температура, ºСполучитьданныхНарис.4-20зависимость-25температуры-30Разность в прогнозах от исходныханализов-35Времяbasevarошибкипоказанаиотприземнойзаблаговременности.последополнительногоусвоения данных заметна лишь принаблюденияРис.
3 Осредненная по области 67-69с.ш. 35-40 в.д.температура в двух прогнозах,от анализа NCEP (WRF) и прогноза сусвоением данных (3DVAR), и данныхизмерений на синоптических станцияхбольшихданныхрасхожденияхиизмеренийначальныхнастанциях,которые возникают несколько раз вмесяц,илиоченьмалыхзаблаговременностях прогноза.
Проведенный анализ показывает, что подобное изменениеначальных данных оказывает влияние на прогноз при заблаговременностях до 10-12 часовдля небольших областей, на 24-48 часов для больших областей. При таких условияхиспользование системы WRFDA улучшает прогноз и не ухудшает в остальных.Соответственно наличие подобных случаев оправдывает использование данной системы,которая не требует больших затрат машинного времени.В главе 4 исследуются возможности усвоения измерений профилей метеовеличин вАПС. При усвоении стандартных данных синоптических и аэрологических станций, хотявоздействие приземных данных простирается по вертикали на несколько модельныхуровней, информация о состоянии АПС не добавляется.Рассматривается эффект от усвоения данных температурных профилемеров МТП-5,который подтвердил необходимость использования достаточно большой области прогноза.В связи с отсутствием большого числа точек измерения профилей, были проведеныэксперименты с моделированием измерений профилей.
В качестве эталонной модели былавзята модель Берковича, основанной на использовании системы уравнений турбулентности впограничном слое с замыканием уровня 1,5.10ºC2.5ºC2.52221.51.51.5ºC2.51110.50.50.50-0.5 01224360часы 48-0.5 01224360часы 48-0.5 0-1-1-1-1.5-1.5-1.5-2-2а)-2.5б)-2.52221.51.51.51110.50.5360часы 48-0.5 00122436часы 48-0.5 0-1-1-1-1.5-1.5-1.5-2-2-2.5г)в)ºC2.50.524часы 4836-2ºC2.51224-2.5ºC2.50-0.5 012д)-2.51224часы 4836-2е)-2.5заблаг овременность, чbasevarРис.
4. Среднемесячные ошибки (BIAS) прогноза температуры приземного воздуха взависимости от заблаговременности прогноза в двух экспериментах с использованиемисходных начальных полей (base) и после усвоения данных (var)а, в, д – январь 2010 г., б, г, е – июль 2009 г.а, б – Европейская территория Росси, в, г – Москвоская область, д, е – Мурманская областьТаблица 2Систематическая ошибка (BIAS), абсолютная ошибка (ABIAS) , среднеквадратичнаяошибка (RMSE) и значение p-уровня различийпо T-критерию прогнозов на 24 часа приземной температуры воздуха (T, ºС), приземногоотношения смеси водяного пара (Q, г/кг), приземной скорости ветра (V, м/с) иатмосферного давления на уровне моря (slp, мбар)с использованием исходных начальных полей (base) и после усвоения данных (var)TQVslpTQVslpTQVslpЯнварь 2010BIASABIASRMSEbase varbase varbaseЕвропейская территория Россия1.32 1.07 3.35 3.26 4.190.15 0.11 0.36 0.34 0.491.62 1.60 2.04 2.03 1.98-1.91 -1.72 2.02 1.86 1.62Московская область-0.86 -1.02 2.61 2.56 3.21-0.06 -0.07 0.19 0.20 0.240.22 0.20 1.03 0.96 1.370.92 0.94 0.99 0.98 0.82Мурманская область2.04 1.66 4.22 4.08 5.140.10 0.05 0.36 0.34 0.451.07 1.06 1.91 1.90 2.23-1.68 -1.59 1.79 1.71 1.53varpИюль 2009BIASbase varABIASbase varRMSEbase varp4.170.471.981.590.000000.000000.909310.00000-1.080.341.28-0.42-1.070.201.23-0.301.911.131.720.811.851.001.680.772.141.611.681.012.111.441.670.990.000000.000000.000080.000003.120.281.340.650.302750.236410.807360.703740.340.161.280.200.010.161.230.201.470.741.720.621.190.731.680.621.950.921.680.821.610.911.670.820.000220.892650.000080.989485.060.442.221.520.000190.000000.845000.00618-1.040.030.62-0.39-1.040.060.60-0.381.690.631.410.621.690.631.410.611.860.831.700.721.860.831.710.690.885980.115960.501560.4819911Проведенныеэкспериментыподтверждаютнеобходимостьрассмотренияотносительно большой области прогноза для эффективного усвоения данных.
Усвоениеинформации о профилях температуры в АПС в таком случае может быть актуально в задачахсверхкраткосрочного прогноза. При увеличении усваиваемой информации (количествапрофилей) усвоение так же эффективно только при небольших заблаговременностяхпрогноза.В главе 5 исследуется возможность использования одной из прогнозируемых иизмеряемых характеристик АПС – турбулентной кинетической энергии (ТКЕ) – для прогнозаскорости порывов ветра.В работе приводятся примеры использования пяти наиболее часто используемыхметодов расчета порывов ветра, рассчитаны оценки прогноза порывов ветра на основепрогнозов модели WRF-ARW за разные периоды времени.
Приведено сравнение этихметодов между собой и с данными высокочастотных наблюдений за ветром в Москве (МГУ),оценки показаны в таблице 3. В большинстве случаев наиболее близким к наблюдениямоказался простой эмпирический способ использования фактора порывов ветра. При этомиспользование турбулентной кинетической энергии дает лучшие или сравнимые результаты.Таблица 3КоэффициенткорреляцииОтносительнаяошибкаАбсолютная СистематическаяошибкаошибкаОценки пяти методов расчета порывов ветраСкорость порывов ветраu+3.0*2.4U* Brasseur u+3qСкоростьветра1.4*uАпрель0.820.862.201.022.880.91Июль0.530.501.94-0.062.720.77Октябрь0.760.722.221.872.830.73Апрель1.461.892.642.453.211.77Июль1.311.742.462.133.151.68Октябрь1.431.732.592.733.141.62Апрель0.590.480.640.540.770.45Июль0.550.470.650.510.820.46Октябрь0.490.380.580.530.690.37Апрель0.630.680.730.710.720.72Июль0.570.590.650.600.640.65Октябрь0.610.710.720.720.720.7212u+√2qИспытание этого метода для прогноза порывов на Европейской территории России,однако, показало недооценку величины порывов и пропуску большого числа значительныхпорывов ветра.
Проанализировав методы расчета можно сказать, что метод Брасе применимдля порывов, имеющих конвективное происхождение, а метод ТКЕ – для порывоввызванных турбулентностью механического происхождения. Поэтому был предложенгибридный метод, использующий в качестве триггера число Ричардсона:В заключении приводятся основные результаты работы и выводы.Основные результаты работыВ работе были рассмотрены основные возможности использования данных измеренийв атмосферном пограничном слое для совершенствования его описания в численных моделяхдинамики атмосферы.
На примере мезомасштабной модели WRF-ARW проведено сравнениепрогнозов с данными измерений в АПС, исследован вопрос эффективности усвоения этихданных в прогнозах, разработан и оценен метод прогноза порывов ветра.Вдиссертациибылипредложенырекомендациипооценкехарактеристикатмосферного пограничного слоя в численных прогностических моделях по даннымизмерений, включающие оценки воспроизведения температуры и ветра на различныхуровнях, зависимость этих ошибок от заблаговременности прогноза и времени суток,воспроизведение стратификации и температурных приземных и приподнятых инверсий. Этасистема может быть легко адаптирована для прогнозов различных моделей прогноза погоды.По созданной системе были рассчитаны оценки воспроизведения профилей температуры иветра в атмосферном пограничном слое для различных конфигураций модели WRF-ARW.Показано, что модель достаточно хорошо воспроизводит средние профили скорости ветра итемпературы.
Наибольшие отклонения модельных значений температуры и скорости ветраотмечены в нижней настии АПС в городской среде.Всесторонне исследовав возможности усвоения данных измерений, можно сделатьвывод о его целесообразности для задач сверхкраткосрочного прогноза, в случаециклического усвоения данных. Усвоение данных при этом дает незначительных эффект всреднем на всей заблаговременности прогноза. Его необходимо использовать в случаяхобразования активных мезомасштабных процессов и/или отсутствия измерений назначительной территориии при составлении первого приближения для прогноза.Одним из важнейших для АПС процессов является турбулентность.
Порывы ветраявляются ее проявлением. Разработан гибридный метод прогноза порывов ветра,использующий в зависимости от характера неустойчивости АПС разные методы расчета13порывов. Этот метод позволил получить предсказуемость прогноза порывов ветра больше 22м/с — 81% в осенний период, 16% в летний.Библиография1. Barker D.M., Huang W., Guo Y. R. and Xiao Q. N. A Three-Dimensional (3DVAR) DataAssimilation System For Use With MM5: Implementation and Initial Results.
– Mon. Wea.Rev., 2004, vol. 132, pp. 897-9142. Janjic, Z. I., 2002: Nonsingular Implementation of the Mellor–Yamada Level 2.5 Scheme inthe NCEP Meso model, NCEP Office Note, No. 437, 61 pp.3. Skamarock W.C., Klemp J.B., Dudhia J. et al. A Description of the Advanced ResearchWRF Version 3.
– NCAR/TN-475+STR. National Center for Atmospheric Research:Boulder, CO, 2008.Публикации по теме диссертации1. Рубинштейн К. Г., Набокова Е. В., Игнатов Р. Ю., Смирнова М. М., Арутюнян Р. В,Семенов В.Н., Сороковикова О. С., Фокин А.В Влияние методов параметризациипроцессов в пограничном слое в модели WRF на прогноз ветра и результатымоделирования распространения примесей. Труды ГУ Гидрометцентра России, 2010,выпуск 344, Росгидрометиздат, с. 196-2142. СмирноваМ.М.,РубинштейнК.Г,ЮшковВ.П.Оценкавоспроизведениярегиональной моделью характеристик пограничного слоя атмосферы «Метеорологияи гидрология», 2011, №12, с.5-163. Смирнова М.М., Игнатов Р. Ю.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
