Диссертация (1102539), страница 9
Текст из файла (страница 9)
522 . 533 . 54ВлажнонеустойчиваяУстойчиваяСредняяРис. 2.15 Зависимость абсолютной ошибки скорости ветра от высоты для июля и январяпри разных типах стратификации59Выводы из главы 2В главе исследовалась возможность использования данных измерений профилей температуры искорости ветра для оценки воспроизведения АПС моделью динамики атмосферы.В ходе работы произведены расчеты на мезомасштабной модели WRF-ARW и произведено ихсравнение с данными долговременных наблюдений в пограничном слое атмосферы в Московскомрегионе.Для этого была создана система контроля характеристик рассчитанных по моделивертикальных профилей температуры и ветра (градиентов, типов стратификации, приземных иприподнятых инверсий, поворота ветра с высотой) по измерениям в атмосферном пограничном слое(микроволновых температурных профилемеров и содаров).
Эта система включает в себе обработку иприведение к единому виду разнородных измерений и может работать в оперативном режиме.В результате проведенного анализа можно сказать, что модель достаточно хорошо воспроизводитсредние профили скорости ветра и температуры в АПС. Показано, что среднемесячная ошибкапрогнозируемой температуры воздуха в 600 м слое составляет 1.4 ºС в феврале и 1.3 ºС в августе,скорости ветра в 300 м слое – 1.9 м/с в феврале и 1.8 м/с в августе. При этом мгновенные значенияразности скорости ветра между измерениями и прогнозами могут достигать 7-8 м/с.Получены оценки воспроизведения моделью наблюдавшихся типов стратицикации, приземных иприподнятых инверсий. Предсказуемость моделью наблюдавшегося типа стратификации составляет всреднем 69%..Произведенный анализ показывает роль выбора параметризации АПС на прогноз. В целом значениятемпературы и ветра не так чувствительны к типу замыкания АПС, что нельзя сказать о характеристикахтурбулентности.
Для московского региона наиболее удачной оказалась параметризация МеллораЯмады-Янича (MYJ) [Janjic, Z. I., 2002]. Предложенный метод сравнения с данными длительныхнаблюдений позволяет выбирать наиболее подходящий под задачу набор параметризаций физическихпроцессов в модели. Эта система может быть так же эфективна при сравнении разных моделей.Наибольшие отклонения модельных значений температуры и скорости ветра отмечены в нижнейчасти АПС в городской среде. Как показывают исследования других авторов, в городе образуетсяособый тип пограничного слоя атмосферы, требующий особого описания.
Исследование зависимостиошибок воспроизведения АПС от стратификации показало уменьшение величин отклонений скоростиветра и температуры от наблюдавших при неустойчивой стратификации.60Глава 3. Усвоение данных стандартных измеренийДругим способом использования данных наблюдений является их усвоение в моделях.Для прогноза погоды, описания распространения примесей в атмосфере и множества другихзадач требуются метеорологические поля с высоким пространственным разрешением.
Вкачестве начальных данных для прогнозов региональных моделей обычно используютсяданные различных анализов и реанализов, например, данные Гидрометцентра России,Национального центра США по прогнозированию окружающей среды (NCEP), Европейскогоцентра среднесрочных прогнозов (ECMWF), Японского метеорологического агентства (JMA) идругие. Эти данные часто имеют достаточно грубое пространственное разрешение (в лучшемслучае 0.5º). При этом известно и еще раз продемонстрировано в данной работе, что в рядеслучаев имеет место значительное расхождение между данными анализа и наблюдениями.Отличия могут быть обусловлены различными факторами, например такими как, отсутствиеданных по некоторым станциям в международном обмене, опозданием данных измерений ксроку отсечения, особенностями интерполяции в регулярную сетку, грубым пространственнымразрешением анализа и т.д.
Ошибки в начальных данных, естественно, служат источникомошибок прогноза. Исправить начальные данные можно повторно усвоив данные наблюдений впрогностической сетке.3.1 Система усвоения данных WRFDA и характеристики расчетовУсвоение данных, в большинстве случаев, используется для учета дополнительныхданных измерений, не включенных при расчете предварительного анализа. В ряде работ,например [Abhilash S.
et al, 2007; Govindankutty M. and Chandrasekar A., 2010; Routray A. et al,2010], была показана эффективность данного подхода. Однако часто, например, на территорииРоссии, важно также учесть измерения и стандартных синоптических станций, в первуюочередь не участвующих в международном обмене.61Рассмотрим на примере системы WRFDA-3DVAR [Barker D.M. et al, 2004] в моделиWRF –ARW [Skamarock W.C., et al., 2008.] влияние усвоения данных синоптических иаэрологических станций для различных областей на территории России и один яркий примердля территории Японии.Одним из способов усвоения данных наблюдений является трехмерный вариационныйанализ (3DVAR). Данная процедура позволяет получить новые поля метеорологическихэлементов в начальный момент времени в модельной сетке, которые в большей мересоответствуют данным наблюдений.Система WRFDA (Weather Reseach Forecast Data Assimilation – усвоение данных висследованиях прогноза погоды) является реализацией алгоритма трехмерного вариационногоанализа [3].
Эта система широко используется в мире [например, Deng and Stauffer, 2002;Umeda and Martien,2002 и др.].Метод усвоения данных наблюдений основан на минимизации функционала (3.1):J (x) 12 (x x b ) T B 1 (x x b ) 12 (y H (x)) T R 1 (y H (x))(3.1)где x — вектор состояния атмосферы, xb — исходное состояние, y — наблюдения, H —оператор наблюдений, B — матрица ковариаций ошибок модели (background error covariance), R– матрица ковариаций ошибок измерений.В модели WRF матрица ошибок рассчитывается методом, получившим название NMC (NationalMeteorological Center) [Parrish, D. F., and J.
C. Derber, 1992]. Она может быть взята универсальной,рассчитанной в NCEP на основе прогнозов модели GFS (Global Forecasting System – ГлобальнаяСистема Прогноза), или вычислена на основе предыдущих прогнозов самой модели WRF дляконкретной области и сезона года. Основное отличие этих способов задания матрицы ошибокзаключается в методике расчета ковариаций вертикальных компонент и использовании вовтором случае прогнозов этой же модели. В наших исследованиях использовался первыйвариант задания матрицы ошибок, т.к. при предварительном анализе использование второгометода не показало особых преимуществ.62Для усвоения могут быть использованы данные измерений на синоптических станциях,кораблях, аэрологического зондирования, самолетных измерений, шаров-пилотов, профилемераветра, ряд спутниковых данных о температуре поверхности, влагосодержании в столбе воздуха,скорости ветра, всего 18 различных типов данных.При использовании системы так же важно подобрать ряд управляющих параметров,учитывающих вес различных ошибок наблюдений.
Их выбор был сделан на основе оценокнескольких предварительных экспериментов.Для анализа использовались несколько областей прогноза. Карты областей прогнозов суказанием расположения метеорологических станций приведены на рис. 3.1. Первая областьохватывает всю Европейскую территорию России и имеет разрешение 20 км. Втораяохватывает Мурманскую область и имеет разрешение 5 км. Третья область покрываетМосковский регион, имеет пространственное разрешение 2 км. Выбор высокого разрешениядля некоторых областей позволяет надеяться на детальное описание метеорологических полейи их возможных локальных особенностей.
Области выбирались таким образом, чтобы можнобыло оценить влияние усвоения данных в различных регионах, а также на разныхпространственных масштабах и размерах самой области. Отдельно были проведеныэксперименты для области, охватывающей территорию Японии (с разрешением 10 км), вкоторых были рассмотрены возможности усвоения данных в сложной, близкой к штилевойметеоситуации.Для всех областей использовалась одинаковая конфигурация модели, включающаяследующие параметризации: микрофизика – WSM 6-class, длинноволновая и коротковолноваярадиация RRTMG, пограничный и приземный слои – QNSE, почва – Noah, параметризацияконвекции использовалась только для области Европейской территории России.В качестве исходных полей использовались данные анализа NCEP (прогноза нулевойзаблаговременности), имеющего пространственное разрешение 0.5º. При расчетах модели этиданные интерполируются в модельную сетку.
Возможно, что при усвоении данных наблюдений63в мелкой расчетной сетке могут проявиться какие-то локальные эффекты, отсутствующие вданных анализа из-за его грубого пространственного разрешения.Рис. 3.1 Области прогноза (а - Европейская территория России, б – Мурманская область,в – Московская область, г – область Японии). Тоном показана топографическая высота, точками– расположение синоптических станций.64В качестве данных наблюдений использовались данные синоптических и аэрологическихизмерений на станциях, их месторасположение также показано на рис. 3.1.
На примеретерритории Европейской части Росси показаны все доступные нам синоптические станции(красные точки) и станции, использующиеся NCEP при расчете глобального анализа (черныеточки). Видно, что данные с ряда станций не используются и соответственно доступнодостаточно большое количество дополнительной информации, которая может быть усвоена вмодели.Были выбраны зимний (январь 2010 года) и летний (июль 2009 года) месяцы, длякоторых были проведены две серии экспериментов для трех областей (кроме Японской). Длякаждых суток рассчитывался прогноз на 48 часов. В первой серии экспериментов в качественачальных данных использовались данные NCEP (в дальнейшем обозначены как base).
Вовторой серии экспериментов был рассчитан новый анализ с усвоением всех доступных данныхнаблюдений (обозначены как 3DVAR).Помимо этого были проведены отдельные эксперименты для случаев, в которыхсуществовали особо значительные расхождения данных измерений на синоптических станцияхи анализов NCEP. Они будут подробно описаны ниже.3.3 Анализ возможностей усвоения данных на примерах3.3.1 Случай сильного мороза в Мурманской областиОсобенно важным представляется изучение возможности уменьшения больших ошибокпрогноза с помощью усвоения данных. Одним из таких случаев была ситуация сильного морозав Мурманской области 5-7 января 2010 года, когда ни при каком выборе конфигурации моделине удавалось воспроизвести наблюдавшееся понижение температуры воздуха.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
