Numerická předpověď počasí

Numerická předpověď počasí Obrázek v Infoboxu. Příklad mapového výstupu s černými konturami izohyps výšky geopotenciálního tlaku 500 hPa numerickým predikčním modelem Prezentace
Použití Předpověď počasí

Předpověď počasí numerická (NWP) je aplikací meteorologie a počítačem . Je založen na výběru matematických rovnic nabízejících těsné přiblížení chování skutečné atmosféry . Tyto rovnice jsou poté řešeny pomocí počítače , aby se získala zrychlená simulace budoucích stavů atmosféry. Software provádění této simulaci se nazývá numerický počasí predikce modelu .

Historický

Myšlenka použití digitálních modelů k předpovědi budoucího počasí byla důležitým pokrokem v historii meteorologie . V roce 1904 Vilhelm Bjerknes jako první navrhl, aby se s předpovědí chování atmosféry dalo zacházet jako s problémem matematické fyziky představovaným podle počátečních podmínek.

Disciplína numerické predikce počasí byla založena v roce 1922 vydáním knihy Predikce počasí numerickým procesem od britského matematika Lewise Fry Richardsona . Dvě desetiletí před vynálezem počítače si Richardson představoval, že armáda lidských počítačů bude numericky řešit rovnice vyvinuté Bjerknesem. To však selhalo kvůli výpočetní složitosti a numerické nestabilitě způsobené vnitřními chybami v datech.

V roce 1928 Courant , Friedrichs a Lewy publikovali dokument o omezeních digitalizace dat a numerických modelových rovnic, aby se těmto nestabilitám zabránilo. Průkopnická vize Richardsona začala přinášet ovoce v roce 1950, kdy Charney , Fjørtoft  ( von ) a von Neumann následovali první NWP na počítači ENIAC pomocí modelu barotrope simple. První operační předpověď pochází z roku 1954 ze strany Švédského institutu pro meteorologii a hydrologii díky práci týmu Carl-Gustaf Rossby . První složitější operační programy numerické předpovědi byly vyvinuty na počátku 60. let s využitím víceúrovňové a baroklinické atmosféry . Vývoj byl zpočátku pomalejší pro objektivní analýzu než pro předpovědi kvůli nedostatku údajů o oceánech a pouštních oblastech, ale situace se změnila díky integraci dat z meteorologických satelitů od 90. let.

Za přítomnosti silné poptávky po předpovědích počasí v mnoha oblastech činnosti se od té doby disciplína dále rozvíjela, podporována nárůstem výpočetního výkonu a poháněna enormním teoretickým pokrokem v numerických metodách a v meteorologii.

Použití

Matematický přístup

Ve fyzice a inženýrství je klasickým přístupem k získávání rovnic s prediktivní hodnotou řešení jedné nebo více diferenciálních rovnic obsahujících časovou proměnnou . V nejvhodnějších případech řešení vyjadřuje proměnné, které mají být predikovány, jako funkce času a počátečních podmínek (hodnoty proměnných v době zvolené pro začátek prognózy). Potom stačí tuto rovnici doplnit numerickými hodnotami požadovanými k získání takzvaného přesného řešení . Harmonický oscilátor je příkladem klasického problému, který sám propůjčuje dobře s tímto přístupem.

Problém budoucího chování atmosféry je mnohem komplexnější a má přesné řešení pouze v několika velmi omezených teoretických podmnožinách. K řešení rovnic NWP v reálném světě je nutné použít metody numerické analýzy . Tyto metody umožňují přeformulovat rovnice atmosférického chování tak, aby je bylo možné vyřešit četnými iteracemi hrubých numerických výpočtů. Tímto způsobem je v modelu postupován stav atmosféry z počátečního bodu do požadovaného intervalu předpovědi.

Nevýhodou těchto numerických metod je, že vyžadují provedení aproximace kontinuity času a prostoru na výpočetní mřížce; simulace se tak stává diskontinuální v čase a prostoru. Výsledky, vizualizované na jejich výpočetní mřížce, mají „pixelový“ vzhled, podobný digitálnímu obrazu. Stejně tak čas již není spojitou proměnnou, přičemž výpočty přeskakují z jednoho časového kroku do druhého.

Typický příklad: Jedna z provozních konfigurací GEM modelu Environment Canada (od roku 2005 ) rozděluje prostor Severní Ameriky a přilehlých vod na čtvercové dlaždice o délce 15 km. Velikost těchto dlaždic definuje horizontální rozlišení nebo velikost sítě modelu. Model navíc představuje vertikální dimenzi atmosféry rozdělením do 58 úrovní. A nakonec každé kolo modelových výpočtů posune prognózu o 450 sekund. Časový interval modelu mezi jednotlivými cykly výpočtů se nazývá časový krok .

Obecně je žádoucí zajistit, aby vzor měl co nejjemnější síť. To zvyšuje realističnost modelu a minimalizuje hromadění malých chyb výpočtu spočívajících v metodách numerické analýzy. Kromě toho pro dané rozlišení existuje maximální časový krok, který se nazývá podmínka Current-Friedrich-Levy (nebo podmínka CFL), který by neměl být překročen, aby byla zachována stabilita a realita číselných výsledků.

Parametrizace dílčí sítě

Pro získání dobré předpovědi je také nutné vzít v úvahu jevy, které jsou menší než rozlišení modelu (tzv. Sub-mesh fenomény ). Například bouřka je podstatně menší než síť většiny modelů v plném měřítku; izolovaně bychom si mohli dovolit ji zanedbávat v kontextu předpovědi v měřítku země nebo kontinentu. Ale bouřková oblast, včetně mnoha bouřek ve velké zeměpisné oblasti, bude mít významný dopad na průběh události, která je předmětem prognózy, a to prostřednictvím produkce znatelného množství deště a jeho vlivu v prognóze. rovnováha atmosféry. Ještě zásadnější: ponecháno na sobě, model by mohl vytvářet bouřky, jejichž horizontální velikost by se rovnala velikosti modelu, což je zcela nereálné a brutálně by narušilo vývoj prognózy. Musíme proto dát bouřkám v modelu implicitní existenci, abychom rozptýlili konvektivní energii při respektování úvah o rozsahu.

Zastoupení středního až velkého měřítka vlivu jevů malého rozsahu se nazývá parametrizace . Nejčastěji parametrizované sub-mesh jevy od návrhářů modelů jsou:

Parametrizace fyzikálních jevů zcela nevykompenzuje omezení vyplývající z příliš velkého rozestupu ok modelů. Výběr a úprava schémat parametrizace mají významný dopad na kvalitu předpovědí.

Geografické pokrytí a interval předpovědi

Abychom vyhověli okamžitým potřebám předpovědi počasí, je třeba dosáhnout přijatelného kompromisu, aby se maximalizovalo časoprostorové rozlišení modelu při zohlednění:

Pro krátkodobé předpovědi je stav atmosféry v odlehlých oblastech irelevantní. Současná porucha v Americe bude trvat několik dní, než se rozšíří a projeví její vliv na Evropu . Poté se můžeme rozhodnout soustředit zónu jemného oka modelu na oblast zájmu, čímž zanedbáme vzdálené jevy. Mluvíme o regionálním modelu .

U dlouhodobějších předpovědí, řekněme déle než dva nebo tři dny, je nutné zvýšit pokrytí modelu na úplnou polokouli nebo dokonce na celou planetu, aby bylo možné správně vypořádat se stále vzdálenými jevy, které se budou šířit. oblast zájmu. Ze stejného důvodu je síť modelu rovnoměrně rozložena po celém světě. Jelikož hemisférické modely již nejsou používány, spadá tento typ prognózy do globálního modelu nebo globálního modelu .

Úvahy o IT

Teoreticky zvýšení rozlišení modelu zvyšuje realismus a snižuje potřebu parametrizace; To však lze provést pouze se značnými IT a ekonomickými náklady, zejména pokud je nutné prognózu získat v krátkých termínech.

Příklad: pokud se prostorové rozlišení daného modelu zdvojnásobí, počet bodů ve výpočetní mřížce se zvýší o faktor 8; a pokud se zároveň časový krok sníží na polovinu (čímž se zdvojnásobí časové rozlišení), stane se prognóza počítačem 16krát nákladnější než předchozí verze modelu. K řešení tohoto problému nestačí znásobit hrubý výpočetní výkon, protože je třeba vzít v úvahu aspekty vstupu-výstupu a ukládání dat : zvyšuje se také objem dat, které mají být přeneseny během výpočtů a během ukládání výsledků. stejným faktorem. I / O operace, které jsou překážkou v jakémkoli typu počítače, se mohou stát vážnou překážkou pro zvýšení rozlišení modelů PNT.

Předvídatelnost

Předvídatelnost je limit schopnosti číselně předvídat budoucí stavy atmosféry pomocí monitorovací sítě dal. Obvykle je definován časovým rámcem, ve kterém lze očekávat, že chyba střední kvadratické hodnoty predikovaného pole bude menší než rozdíl střední kvadratické hodnoty mezi dvěma pozorovanými atmosférickými stavy vybranými náhodně. V praxi to vede ke stabilitě řešení předpovědi v čase X s dostupnými daty, s vědomím jejich vnitřních chyb a jejich prostorového rozložení, pokud je v těchto datech zavedena mírná variace hodnot. Okamžik, kdy se řešení začne rozcházet mezi výpočty z různých poruch, se stává mezí předvídatelnosti meteorologického systému.

Zdroje chyb

  • Počáteční data: chyby měření a analýzy
  • Datové pokrytí: obvykle horší v oceánech a v řídce osídlených nebo ekonomicky znevýhodněných oblastech
  • Chyby inherentní použitým numerickým metodám výpočtu
  • Chyba způsobená sítí modelu: čím je síť hrubší, tím méně výstižný model představuje jevy středního a malého rozsahu
  • Chyby parametrizace
Důležitost počátečních dat a analýzy

Dokonce i dokonalý model (bez posledních tří zdrojů chyb) nemohl vytvořit dokonalou předpověď, protože chyby v počátečních podmínkách se během prognózy zvýší a prognóza se bude lišit od reality.

Je proto nutné co nejpřesněji znát počáteční stav atmosféry. Věda o určování tohoto stavu, nazývaná asimilace dat , je sama o sobě velkou vědeckou výzvou, která vyžaduje matematické a výpočetní zdroje srovnatelné s těmi, které se věnují samotné prognóze. Zdroje dat jsou různorodé, tradičně se skládají z povrchových pozorování, ke kterým jsou přidána data z radiosondy , profilovače větru a měření prováděných komerčními letadly. V současné době jsou nejdůležitějším zdrojem dat satelitní měření a v poslední době se u některých modelů v mesoscale zohledňují také odrazivost a radarové radiální rychlosti .

Samotné použití údajů z pozorování však není dostatečné. Na jedné straně je počet proměnných v digitálním modelu větší než počet pozorování, na druhé straně by analýza prováděná přímo interpolací pozorování vedla k nestabilnímu chování modelu. To je jeden z důvodů neúspěchu prvních pokusů Richardsona o modelování chování atmosféry .

Abychom mohli sestrojit analýzu, využijeme koncept, který se nazývá testovací pole , tj. Předpověď vytvořená dříve, obvykle 6 nebo 12 hodin dříve. Tento obrys se poté koriguje tak, aby co nejtěsněji odpovídal pozorováním, přičemž se obecně berou v úvahu chyby pozorování. Nejčastěji používaný přístup dnes používá metody výpočtu variací k určení nejlepšího kompromisu mezi návrhem a pozorováním, s přihlédnutím k jejich příslušným chybám. Tento přístup je označen pojmem „  3D-Var  “, když bere v úvahu pouze stav modelu a platná pozorování v době analýzy, a „  4D-Var  “, pokud bere v úvahu také jejich vývoj v průběhu časové okno.

Předpovědi souboru

V prvních desetiletích numerické predikce počasí vyžadovala výpočetní omezení spuštění modelu v nejvyšším možném rozlišení a přijetí výsledné předpovědi bez úprav. Tento přístup implicitně předpokládá, že pokud by počáteční podmínky byly dokonale známy a samotný model by byl dokonalý, následná předpověď by dokonale simulovala budoucí chování atmosféry. Tento přístup nazýváme deterministický .

V praxi nejsou ani pozorování, ani analýza, ani model dokonalé. Atmosférická dynamika je navíc za určitých podmínek velmi citlivá na sebemenší výkyvy. Nový pravděpodobnostní přístup proto vyvinuli vědci jako Edward S. Epstein , přístup k předpovídání souborů . Ensemble forecasting obětuje rozlišení, aby mohl věnovat výpočetní zdroje běhu mnoha kopií modelů současně na stejném případě prognózy. V každém případě je analýza záměrně mírně odlišná od ostatních členů sady v rámci inherentní nejistoty měření nebo analýzy. Více či méně odlišné scénáře od předpovědí nabízených členy souboru umožňují kvantifikovat předvídatelnost atmosféry a nabídnout statistickou odchylku předpovědi. Výzvou při navrhování takového systému je zajistit, aby fluktuace pozorované v něm představovaly signál představující přirozenou nejistotu atmosférické dynamiky.

Některé systémy predikce souborů (EPS) také mění metody parametrizace členských modelů souboru tak, aby část fluktuací v předpovědích představovala nejistoty modelování. Podobně existuje velký zájem ve výzkumné komunitě predikce souborů o sady více modelů (tj. Kombinace modelů různých návrhů) a agregace SPE z různých zemí do super sady. V současné době ( 2006 ) existují v tomto směru dvě konkrétní úsilí, konkrétně severoamerický systém predikce souboru (NAESP) (Kanada, Spojené státy, Mexiko) a THORPEX Interactive Grand Global Ensemble (TIGGE, pod koordinací Světové meteorologické organizace ) .

Operativní přístup

Implementace NWP za účelem provozování předpovědi počasí (na rozdíl od čistého výzkumu) vždy zahrnuje následující kroky, jejichž implementace se může poněkud lišit v závislosti na umístění a okolnostech aplikace:

  • Získávání údajů o meteorologických pozorováních (od pozemních stanic, lodí, letadel, rádiových sond, satelitních údajů ze vzdálených měření atd.);
  • Dekódování a kontrola kvality pozorování;
  • Analýza (vývoj digitální reprezentace stavu atmosféry na začátku prognózy);
  • Zahájení modelu předpovědi s výchozím bodem analýzy;
  • Post-processing modelových výstupů: produkce obrázků, bulletiny, aplikace statistických předpovědních metod, lidská interpretace;
  • Předání prognózy uživatelům v podobě použitelné na podporu různých aktivit (zemědělství, doprava, zdraví, environmentální prognózy, ekonomické plánování atd.);
  • Ověření a posteriori předpovědí a vyhodnocení výkonu modelu.

Příklad z Francie

Météo-France v současné době k vydávání svých bulletinů používá dva digitální modely, například dvě pole vnořená do sebe. Globální model Arpège (výzkumná akce v malém / velkém měřítku) vytváří předpovědi po celém světě s nataženou sítí, která má horizontální rozlišení asi 5 km nad pevninskou Francií a asi 24 km u protinožců.

Od roku 2008 model Arome (Application of research to operations at mesoscale) vytváří prognózy v omezené oblasti, včetně Francie s okem 2,5 km na začátku a 1,3 km od roku 2015. Výpočet hodinově integruje a upravuje prognózy na základě na informacích z meteorologických stanic, lodí, bójí, letadel, radaru, satelitů atd. Model také hodnotí spolehlivost předpovědi.

Hlavní aplikační centra

Přestože v používání PNT dochází k poměrně skromným prostředkům, je u pokročilých PNT vyžadována značná IT infrastruktura, která ji řadí mezi velké výzvy moderních výpočetních systémů. Provádění PNT je obecně svěřeno vládním nebo dokonce nadvládním organizacím. Světoví lídři v PNT jsou v současné době (v abecedním pořadí):

Je třeba poznamenat, že velcí provozovatelé středisek NWP tvoří kromě poskytování služeb předpovědi počasí také důležitou součást vědeckého výzkumu v této oblasti. Problémy s infrastrukturou mají opět něco společného: superpočítač je v podstatě laboratoří výzkumníka PNT. Blízkost výzkumu a provozu navíc pomáhá urychlit technologický přenos vědeckých inovací.

Poznámky a odkazy

  1. Katia Chancibault, „Numerická předpověď počasí“ (verze z 3. března 2016 v internetovém archivu ) , Laboratoř pro studium převodů v hydrologii a prostředí (LTHE)
  2. (in) Vilhelm Bjerknes, „  Problém predikce počasí, z pohledu mechaniky a fyziky  “ , Meteorologische Zeitschrift , let Researh Gate .  18, n o  6,prosince 2009( DOI  10,1127 / 0941-2948 / 2009/416 , číst on-line , přístupný 1 st duben 2021 ) Msgstr "Překlad původního článku z roku 1904 do němčiny" .
  3. Pracovní skupina pro využití moderních technik v letecké meteorologii, interpretační techniky pro numerické produkty pro předpověď počasí pro leteckou meteorologii , sv.  195, Světová meteorologická organizace , sb.  "Technické poznámky",1994, 112  s. ( číst online ) , kap.  1.1 („Historie numerické predikce počasí“).
  4. (in) Kristine Harper , Louis W. Uccellini , Eugenia Kalnay Kenneth Carey a Lauren Morone , „  2007: 50. výročí provozní numerické předpovědi počasí  “ , Bulletin of American Meteorological Society , sv.  88, n o  5,Květen 2007, str.  639–650 ( DOI  10.1175 / BAMS-88-5-639 , Bibcode  2007BAMS ... 88..639H ).
  5. MALARDEL Sylvie, „  Modely předpovědi počasí  “ , Encyklopedie životního prostředí ,2019(zpřístupněno 26. listopadu 2019 )
  6. Světová meteorologická organizace , „  Předvídatelnost  “ , Meteorologický glosář na Eumetcalu (přístup k 30. listopadu 2013 )
  7. Hélène Côté: „  Co jsou reanalysy?  » , Často kladené otázky , Konsorcium pro regionální klimatologii a přizpůsobení se změně klimatu (Ouranos) (přístup 14. září 2015 )
  8. (in) Peter Lynch Met Éiriann, „  Richardsonova předpověď: Co se stalo?  „ [PDF] , NOAA,Červen 2004 - Analýza první Richardsonovy predikční eseje.
  9. Azar Khalatbari , "  stokrát přesnější počasí  ", Sciences et Avenir , n o  725,Červenec 2007( číst online ).

Podívejte se také

Bibliografie

  • Sylvie Malardel, základy meteorologie - 2 nd edition: Ve škole času , Toulouse, Cépaduès,2009, 711  s. ( ISBN  978-2-85428-851-3 )
  • (en) Hagos S a LR Leung, „  Velkoplošné proměnné prostředí a přechod k hluboké konvekci v modelových simulacích cloudového řešení: vektorová reprezentace  “ , Journal of Advances in Modeling Earth Systems , sv.  4, n o  M11001,2012( DOI  10.1029 / 2012MS000155 )

Související články

externí odkazy

Autoritní záznamy  :