Numerisk väderförutsägelse
Numerisk väderförutsägelse ( NWP ) använder matematiska modeller av atmosfären och haven för att förutsäga vädret baserat på nuvarande väderförhållanden. Även om det gjordes första försök på 1920-talet, var det inte förrän datorsimuleringen kom på 1950-talet som numeriska väderförutsägelser gav realistiska resultat. Ett antal globala och regionala prognosmodeller körs i olika länder över hela världen, med aktuella väderobservationer som förmedlas från radiosonder , vädersatelliter och andra observationssystem som indata.
Matematiska modeller baserade på samma fysiska principer kan användas för att generera antingen kortsiktiga väderprognoser eller långsiktiga klimatförutsägelser; de senare används i stor utsträckning för att förstå och projicera klimatförändringar . De förbättringar som gjorts av regionala modeller har möjliggjort betydande förbättringar av tropiska cyklonspår och luftkvalitetsprognoser ; dock fungerar atmosfäriska modeller dåligt vid hantering av processer som inträffar i ett relativt trångt område, såsom skogsbränder .
Att manipulera de enorma datamängderna och utföra de komplexa beräkningar som krävs för moderna numeriska väderförutsägelser kräver några av de mest kraftfulla superdatorerna i världen. Även med den ökande kraften hos superdatorer prognosförmågan för numeriska vädermodeller till endast cirka sex dagar. Faktorer som påverkar noggrannheten i numeriska förutsägelser inkluderar tätheten och kvaliteten på observationer som används som input till prognoserna, tillsammans med brister i själva de numeriska modellerna. Efterbehandlingstekniker som modellutdatastatistik (MOS) har utvecklats för att förbättra hanteringen av fel i numeriska förutsägelser.
Ett mer grundläggande problem ligger i den kaotiska karaktären hos de partiella differentialekvationer som styr atmosfären. Det är omöjligt att lösa dessa ekvationer exakt, och små fel växer med tiden (fördubblas ungefär var femte dag). Nuvarande förståelse är att detta kaotiska beteende begränsar korrekta prognoser till cirka 14 dagar även med korrekta indata och en felfri modell. Dessutom behöver de partiella differentialekvationerna som används i modellen kompletteras med parametreringar för solstrålning , fuktiga processer (moln och nederbörd ), värmeväxling , jord, vegetation, ytvatten och terrängeffekter. I ett försök att kvantifiera den stora mängden inneboende osäkerhet som finns kvar i numeriska förutsägelser, ensembleprognoser använts sedan 1990-talet för att hjälpa till att mäta förtroendet för prognosen och för att få användbara resultat längre in i framtiden än annars möjligt. Detta tillvägagångssätt analyserar flera prognoser skapade med en individuell prognosmodell eller flera modeller.
Historia
Historien om numeriska väderförutsägelser började på 1920-talet genom ansträngningar av Lewis Fry Richardson , som använde procedurer som ursprungligen utvecklades av Vilhelm Bjerknes för att för hand ta fram en sextimmarsprognos för atmosfärens tillstånd över två punkter i Centraleuropa, med kl. minst sex veckor att göra det. Det var inte förrän med dator- och datorsimuleringarnas tillkomst som beräkningstiden minskade till mindre än själva prognosperioden. ENIAC användes för att skapa de första väderprognoserna via dator 1950, baserat på en mycket förenklad approximation till de atmosfäriska styrande ekvationerna . 1954 använde Carl-Gustav Rossbys grupp vid Sveriges meteorologiska och hydrologiska institut samma modell för att ta fram den första driftprognosen (dvs en rutinförutsägelse för praktiskt bruk). Funktionella numeriska väderprognoser i USA började 1955 under Joint Numerical Weather Prediction Unit (JNWPU), ett gemensamt projekt av US Air Force , Navy and Weather Bureau . År 1956 Norman Phillips en matematisk modell som realistiskt kunde avbilda månads- och årstidsmönster i troposfären; detta blev den första framgångsrika klimatmodellen . Efter Phillips arbete började flera grupper arbeta för att skapa allmänna cirkulationsmodeller . Den första allmänna cirkulationsklimatmodellen som kombinerade både oceaniska och atmosfäriska processer utvecklades i slutet av 1960-talet vid NOAA Geophysical Fluid Dynamics Laboratory .
I takt med att datorer har blivit kraftfullare har storleken på de initiala datamängderna ökat och nyare atmosfäriska modeller har utvecklats för att dra fördel av den extra tillgängliga datorkraften. Dessa nyare modeller inkluderar mer fysiska processer i förenklingar av rörelseekvationer i numeriska simuleringar av atmosfären. 1966 Västtyskland och USA producera driftsprognoser baserade på primitiva ekvationsmodeller , följt av Storbritannien 1972 och Australien 1977. Utvecklingen av modeller med begränsat område (regionala) underlättade framsteg när det gäller att prognostisera spåren av tropiska cykloner samt luftkvaliteten på 1970- och 1980-talen. I början av 1980-talet började modellerna inkludera samspelet mellan jord och växtlighet med atmosfären, vilket ledde till mer realistiska prognoser.
Resultatet av prognosmodeller baserade på atmosfärisk dynamik kan inte lösa vissa detaljer om vädret nära jordens yta. Som sådan utvecklades ett statistiskt samband mellan produktionen av en numerisk vädermodell och de efterföljande förhållandena på marken på 1970- och 1980-talen, känd som modellutdatastatistik (MOS). Från och med 1990-talet har modellensembleprognoser använts för att hjälpa till att definiera prognososäkerheten och för att utöka det fönster där numeriska väderprognoser är genomförbara längre in i framtiden än vad som annars är möjligt.
Initialisering
Atmosfären är en vätska . Som sådan är idén med numerisk väderförutsägelse att prova vätskans tillstånd vid en given tidpunkt och använda ekvationerna för vätskedynamik och termodynamik för att uppskatta vätskans tillstånd någon gång i framtiden. Processen att mata in observationsdata i modellen för att generera initiala villkor kallas initialisering . På land används terrängkartor som är tillgängliga med upplösningar ner till 1 kilometer (0,6 mi) globalt för att hjälpa till att modellera atmosfäriska cirkulationer inom områden med oländig topografi, för att bättre avbilda funktioner som nedförsbackar, bergsvågor och relaterad molnighet som påverkar inkommande solenergi . strålning. Huvudindata från landsbaserade vädertjänster är observationer från enheter (kallade radiosonder ) i väderballonger som mäter olika atmosfäriska parametrar och sänder dem till en fast mottagare, samt från vädersatelliter . Världsmeteorologiska organisationen agerar för att standardisera instrumenteringen, observationsmetoder och tidpunkten för dessa observationer över hela världen. Stationer rapporterar antingen varje timme i METAR- rapporter eller var sjätte timme i SYNOP- rapporter. Dessa observationer är oregelbundet fördelade, så de bearbetas av dataassimilering och objektiva analysmetoder, som utför kvalitetskontroll och erhåller värden på platser som kan användas av modellens matematiska algoritmer. Data används sedan i modellen som utgångspunkt för en prognos.
En mängd olika metoder används för att samla in observationsdata för användning i numeriska modeller. Platser avfyrar radiosonder i väderballonger som stiger genom troposfären och långt in i stratosfären . Information från vädersatelliter används där traditionella datakällor inte är tillgängliga. Commerce tillhandahåller pilotrapporter längs flygplansrutter och fartygsrapporter längs sjöfartsrutter. Forskningsprojekt använder spaningsflygplan för att flyga i och runt vädersystem av intresse, som tropiska cykloner . Spaningsflygplan flygs också över de öppna haven under den kalla årstiden in i system som orsakar betydande osäkerhet i prognosvägledning, eller förväntas ha stor påverkan från tre till sju dagar in i framtiden över nedströms kontinenten. Havsis började initieras i prognosmodeller 1971. Ansträngningar för att involvera havsytans temperatur i modellinitieringen började 1972 på grund av dess roll i att modulera vädret på högre breddgrader i Stilla havet.
Beräkning
En atmosfärisk modell är ett datorprogram som producerar meteorologisk information för framtida tider på givna platser och höjder. Inom varje modern modell finns en uppsättning ekvationer, kända som de primitiva ekvationerna , som används för att förutsäga atmosfärens framtida tillstånd. Dessa ekvationer – tillsammans med den idealiska gaslagen – används för att utveckla skalära fält för täthet , tryck och potentiell temperatur och lufthastighetens (vind) vektorfältet i atmosfären genom tiden. Ytterligare transportekvationer för föroreningar och andra aerosoler ingår också i vissa högupplösta modeller med primitiva ekvationer. De ekvationer som används är olinjära partiella differentialekvationer som är omöjliga att lösa exakt med analytiska metoder, med undantag för några idealiserade fall. Därför erhåller numeriska metoder ungefärliga lösningar. Olika modeller använder olika lösningsmetoder: vissa globala modeller och nästan alla regionala modeller använder finita differensmetoder för alla tre rumsliga dimensioner, medan andra globala modeller och några regionala modeller använder spektrala metoder för de horisontella dimensionerna och finita differensmetoder i vertikalen.
Dessa ekvationer initieras från analysdata och förändringshastigheter bestäms. Dessa förändringshastigheter förutsäger atmosfärens tillstånd en kort tid in i framtiden; tidsstegringen för denna förutsägelse kallas ett tidssteg . Detta framtida atmosfäriska tillstånd används sedan som utgångspunkt för en annan tillämpning av de prediktiva ekvationerna för att hitta nya förändringshastigheter, och dessa nya förändringshastigheter förutsäger atmosfären vid ytterligare ett steg in i framtiden. Denna tidsstegning upprepas tills lösningen når den önskade prognostiserade tiden. Längden på tidssteget som valts inom modellen är relaterad till avståndet mellan punkterna på beräkningsrutnätet, och väljs för att upprätthålla numerisk stabilitet . Tidssteg för globala modeller är i storleksordningen tiotals minuter, medan tidssteg för regionala modeller är mellan en och fyra minuter. De globala modellerna körs vid olika tidpunkter in i framtiden. UKMET Unified Model körs sex dagar in i framtiden, medan European Center for Medium-Range Weather Forecasts Integrated Forecast System and Environment Canadas Global Environmental Multiscale Model båda löper ut till tio dagar i framtiden, och Global Forecast System modell som drivs av Environmental Modeling Center körs sexton dagar in i framtiden. Den visuella produktionen som produceras av en modelllösning kallas ett prognosdiagram eller prog .
Parametrisering
Vissa meteorologiska processer är för småskaliga eller för komplexa för att uttryckligen inkluderas i numeriska väderprognosmodeller. Parameterisering är en procedur för att representera dessa processer genom att relatera dem till variabler på de skalor som modellen löser. Till exempel har gallerlådorna i väder- och klimatmodeller sidor som är mellan 5 kilometer (3 mi) och 300 kilometer (200 mi) långa. Ett typiskt cumulusmoln har en skala på mindre än 1 kilometer (0,6 mi), och skulle kräva ett rutnät som är ännu finare än detta för att representeras fysiskt av vätskerörelsens ekvationer. Därför parametriseras processerna som sådana moln representerar, genom processer av olika sofistikerade. I de tidigaste modellerna, om en luftpelare i en modellgridbox var villkorligt instabil (i huvudsak var botten varmare och fuktigare än toppen) och vattenånghalten vid någon punkt i kolonnen blev mättad då skulle den välta (den varm, fuktig luft skulle börja stiga), och luften i den vertikala kolumnen blandades. Mer sofistikerade system inser att endast vissa delar av lådan kan konvektion och att indragning och andra processer inträffar. Vädermodeller som har rutnät med storlekar mellan 5 och 25 kilometer (3 och 16 mi) kan uttryckligen representera konvektiva moln, även om de behöver parametrisera molnmikrofysik som förekommer i mindre skala. Bildandet av storskaliga ( stratus -typ) moln är mer fysiskt baserad; de bildas när den relativa luftfuktigheten når något föreskrivet värde. Molnfraktionen kan relateras till detta kritiska värde för relativ fuktighet .
Mängden solstrålning som når marken, liksom bildandet av molndroppar sker på molekylär skala, och därför måste de parametriseras innan de kan inkluderas i modellen. Atmosfäriskt motstånd som produceras av berg måste också parametriseras, eftersom begränsningarna i upplösningen av höjdkonturer ger betydande underskattningar av luftmotståndet. Denna metod för parametrering görs också för ytflödet av energi mellan havet och atmosfären, för att bestämma realistiska havsyttemperaturer och typ av havsis som finns nära havets yta. Solvinkeln samt påverkan av flera molnlager tas med i beräkningen. Marktyp, vegetationstyp och markfuktighet bestämmer hur mycket strålning som går till uppvärmningen och hur mycket fukt som dras upp i den intilliggande atmosfären, och därför är det viktigt att parametrisera deras bidrag till dessa processer. Inom luftkvalitetsmodeller tar parameteriseringar hänsyn till atmosfäriska utsläpp från flera relativt små källor (t.ex. vägar, åkrar, fabriker) inom specifika rutnät.
Domäner
Den horisontella domänen av en modell är antingen global , täcker hela jorden, eller regional , täcker bara en del av jorden. Regionala modeller (även kända som med begränsat område, eller LAM) tillåter användning av finare rutnätsavstånd än globala modeller eftersom de tillgängliga beräkningsresurserna är fokuserade på ett specifikt område istället för att vara spridda över världen. Detta gör att regionala modeller kan lösa explicit mindre meteorologiska fenomen som inte kan representeras på det grövre rutnätet i en global modell. Regionala modeller använder en global modell för att specificera villkor vid kanten av sin domän ( gränsvillkor ) för att tillåta system utanför den regionala modelldomänen att flytta in i dess område. Osäkerhet och fel inom regionala modeller introduceras av den globala modellen som används för randvillkoren för den regionala modellens kant, samt fel som kan hänföras till själva den regionala modellen.
Den vertikala koordinaten hanteras på olika sätt. Lewis Fry Richardsons modell från 1922 använde geometrisk höjd ( som den vertikala koordinaten. Senare modeller ersatte den geometriska -koordinaten med ett tryckkoordinatsystem, där geopotentialhöjderna för konstanttrycksytor blir beroende variabler , vilket kraftigt förenklar de primitiva ekvationerna. Denna korrelation mellan koordinatsystem kan göras eftersom trycket minskar med höjden genom jordens atmosfär . Den första modellen som användes för driftsprognoser, den barotropiska modellen med ett lager, använde en enda tryckkoordinat på 500 millibar (ca 5 500 m (18 000 fot)) nivå, och var således i huvudsak tvådimensionell. Högupplösta modeller – även kallade mesoskalamodeller – som Weather Research and Forecasting-modellen tenderar att använda normaliserade tryckkoordinater som kallas sigmakoordinater . Detta koordinatsystem får sitt namn från den oberoende variabeln som används för att skala atmosfärstryck med avseende på trycket vid ytan, och i vissa fall även med trycket i toppen av domänen.
Modellutdatastatistik
Eftersom prognosmodeller baserade på ekvationerna för atmosfärisk dynamik inte bestämmer väderförhållandena perfekt, har statistiska metoder utvecklats för att försöka korrigera prognoserna. Statistiska modeller skapades baserade på de tredimensionella fälten som produceras av numeriska vädermodeller, ytobservationer och de klimatologiska förhållandena för specifika platser. Dessa statistiska modeller kallas gemensamt för modellutdatastatistik (MOS), och utvecklades av National Weather Service för deras svit av väderprognosmodeller i slutet av 1960-talet.
Modellutdatastatistik skiljer sig från den perfekta prog -tekniken, som förutsätter att utdata från numerisk väderförutsägelsevägledning är perfekt. MOS kan korrigera för lokala effekter som inte kan lösas av modellen på grund av otillräcklig rutnätsupplösning, såväl som modellbias. Eftersom MOS drivs efter sin respektive globala eller regionala modell kallas dess produktion efterbearbetning. Prognosparametrar inom MOS inkluderar maximala och lägsta temperaturer, procentuell risk för regn inom en period på flera timmar, förväntad nederbördsmängd, chansen att nederbörden kommer att vara frusen i naturen, risk för åskväder, molnighet och ytvindar.
Ensembler
1963 upptäckte Edward Lorenz den kaotiska karaktären hos vätskedynamikens ekvationer som är involverade i väderprognoser. Extremt små fel i temperatur, vindar eller andra initiala indata som ges till numeriska modeller kommer att förstärkas och fördubblas var femte dag, vilket gör det omöjligt för långdistansprognoser – de som görs mer än två veckor i förväg – att förutsäga atmosfärens tillstånd med någon grad av prognosskicklighet . Dessutom har befintliga observationsnätverk dålig täckning i vissa regioner (till exempel över stora vattendrag som Stilla havet), vilket introducerar osäkerhet i atmosfärens verkliga initiala tillstånd. Medan en uppsättning ekvationer, känd som Liouville-ekvationerna , finns för att bestämma den initiala osäkerheten i modellinitieringen, är ekvationerna för komplexa för att köras i realtid, även med användning av superdatorer. Dessa osäkerheter begränsar prognosmodellens noggrannhet till cirka fem eller sex dagar framåt i tiden.
Edward Epstein insåg 1969 att atmosfären inte kunde beskrivas fullständigt med en enda prognoskörning på grund av inneboende osäkerhet, och föreslog att använda en ensemble av stokastiska Monte Carlo-simuleringar för att producera medel och varianser för atmosfärens tillstånd. Även om detta tidiga exempel på en ensemble visade skicklighet, visade Cecil Leith 1974 att de producerade adekvata prognoser endast när ensemblens sannolikhetsfördelning var ett representativt urval av sannolikhetsfördelningen i atmosfären.
Sedan 1990-talet har ensembleprognoser använts operativt (som rutinprognoser) för att redogöra för väderprocessernas stokastiska natur – det vill säga för att lösa deras inneboende osäkerhet. Denna metod innebär att analysera flera prognoser skapade med en individuell prognosmodell genom att använda olika fysiska parametriseringar eller varierande initiala förhållanden. Från och med 1992 med ensembleprognoser utarbetade av European Centre for Medium-Range Weather Forecasts (ECMWF) och National Centers for Environmental Prediction , har modellensembleprognoser använts för att hjälpa till att definiera prognososäkerheten och för att förlänga fönstret där numerisk väderprognos är lönsamt längre in i framtiden än vad som annars är möjligt. ECMWF-modellen, Ensemble Prediction System, använder singulära vektorer för att simulera den initiala sannolikhetstätheten , medan NCEP-ensemblen, Global Ensemble Forecasting System, använder en teknik som kallas vektoruppfödning . UK Met Office kör globala och regionala ensembleprognoser där störningar till initiala förhållanden används av 24 ensemblemedlemmar i Met Office Global and Regional Ensemble Prediction System (MOGREPS) för att producera 24 olika prognoser.
I ett enda modellbaserat tillvägagångssätt utvärderas vanligtvis ensembleprognosen i termer av ett genomsnitt av de enskilda prognoserna avseende en prognosvariabel, samt graden av överensstämmelse mellan olika prognoser inom ensemblesystemet, som representeras av deras totala spridning. Ensemblespridning diagnostiseras med hjälp av verktyg som spagettidiagram , som visar spridningen av en kvantitet på prognosdiagram för specifika tidssteg i framtiden. Ett annat verktyg där ensemblespridning används är ett meteogram , som visar spridningen i prognosen för en kvantitet för en specifik plats. Det är vanligt att ensemblespridningen är för liten för att inkludera det väder som faktiskt inträffar, vilket kan leda till att prognosmakare feldiagnostiserar modellosäkerhet; detta problem blir särskilt allvarligt för väderprognoser cirka tio dagar i förväg. När ensemblespridningen är liten och prognoslösningarna är konsekventa inom flera modellkörningar, uppfattar prognosmakare mer förtroende för ensemblens medelvärde och prognosen i allmänhet. Trots denna uppfattning är ett spridnings-skicklighetssamband ofta svagt eller inte hittat, eftersom spridningsfelkorrelationer normalt är mindre än 0,6 och endast under speciella omständigheter varierar mellan 0,6–0,7 . Förhållandet mellan ensemblespridning och prognosskicklighet varierar avsevärt beroende på sådana faktorer som prognosmodellen och den region som prognosen görs för. [ citat behövs ]
På samma sätt som många prognoser från en enda modell kan användas för att bilda en ensemble, kan flera modeller också kombineras för att producera en ensembleprognos. Detta tillvägagångssätt kallas multi-model ensemble forecasting , och det har visat sig förbättra prognoser jämfört med ett enstaka modellbaserat tillvägagångssätt. Modeller inom en ensemble med flera modeller kan justeras för deras olika fördomar, vilket är en process som kallas superensemble-prognoser . Denna typ av prognos minskar avsevärt fel i modellutdata.
Ansökningar
Modellering av luftkvalitet
Luftkvalitetsprognoser försöker förutsäga när koncentrationerna av föroreningar kommer att nå nivåer som är skadliga för folkhälsan. Koncentrationen av föroreningar i atmosfären bestäms av deras transport , eller medelhastighet för rörelse genom atmosfären, deras diffusion , kemiska omvandling och markavsättning . Förutom föroreningskälla och terränginformation kräver dessa modeller data om tillståndet för vätskeflödet i atmosfären för att bestämma dess transport och diffusion. Meteorologiska förhållanden som termiska inversioner kan förhindra ytluft från att stiga och fånga föroreningar nära ytan, vilket gör exakta prognoser av sådana händelser avgörande för luftkvalitetsmodellering. Urbana luftkvalitetsmodeller kräver ett mycket fint beräkningsnät, vilket kräver användning av högupplösta mesoskala vädermodeller; trots detta är kvaliteten på numerisk väderguidning den största osäkerheten i luftkvalitetsprognoser.
Klimatmodellering
A General Circulation Model (GCM) är en matematisk modell som kan användas i datorsimuleringar av den globala cirkulationen av en planetarisk atmosfär eller ocean. En atmosfärisk allmän cirkulationsmodell (AGCM) är i huvudsak densamma som en global numerisk väderprognosmodell, och vissa (som den som används i UK Unified Model) kan konfigureras för både kortsiktiga väderprognoser och långsiktiga klimatförutsägelser . Tillsammans med havsis och komponenter på landytan är AGCM och oceaniska GCM (OGCM) nyckelkomponenter i globala klimatmodeller och används allmänt för att förstå klimatet och projicera klimatförändringar . För aspekter av klimatförändringar kan en rad konstgjorda kemiska utsläppsscenarier matas in i klimatmodellerna för att se hur en förstärkt växthuseffekt skulle förändra jordens klimat. Versioner designade för klimattillämpningar med tidsskalor från decennier till århundraden skapades ursprungligen 1969 av Syukuro Manabe och Kirk Bryan vid Geophysical Fluid Dynamics Laboratory i Princeton, New Jersey . När de körs i flera decennier innebär beräkningsbegränsningar att modellerna måste använda ett grovt rutnät som lämnar mindre interaktioner olösta.
Modellering av havsytan
Överföringen av energi mellan vinden som blåser över havets yta och havets övre lager är ett viktigt inslag i vågdynamik. Den spektrala vågtransportekvationen används för att beskriva förändringen i vågspektrum över förändrad topografi. Den simulerar våggenerering, vågrörelse (utbredning i en vätska), vågstimning , brytning , energiöverföring mellan vågor och vågavledning. Eftersom ytvindar är den primära tvingande mekanismen i transportekvationen för spektrala vågor, använder havsvågsmodeller information som produceras av numeriska väderprognoser som indata för att bestämma hur mycket energi som överförs från atmosfären till lagret vid havets yta. Tillsammans med förlust av energi genom whitecaps och resonans mellan vågor, möjliggör ytvindar från numeriska vädermodeller mer exakta förutsägelser av havsytans tillstånd.
Tropisk cyklonprognos
Tropiska cyklonprognoser bygger också på data från numeriska vädermodeller. Det finns tre huvudklasser av styrmodeller för tropiska cykloner : Statistiska modeller är baserade på en analys av stormbeteende med hjälp av klimatologi, och korrelerar en storms position och datum för att producera en prognos som inte är baserad på atmosfärens fysik vid den tiden. Dynamiska modeller är numeriska modeller som löser de styrande ekvationerna för vätskeflödet i atmosfären; de är baserade på samma principer som andra numeriska väderprognosmodeller med begränsat område, men kan inkludera speciella beräkningstekniker som raffinerade rumsliga domäner som rör sig tillsammans med cyklonen. Modeller som använder delar av båda tillvägagångssätten kallas statistisk-dynamiska modeller.
1978 började den första orkanspårningsmodellen baserad på atmosfärisk dynamik — den rörliga finmaskiga (MFM) modellen — att fungera. Inom området för tropiska cyklonspårprognoser , trots den ständigt förbättrade dynamiska modellstyrningen som inträffade med ökad beräkningskraft, var det inte förrän på 1980-talet när numeriska väderförutsägelser visade skicklighet , och fram till 1990-talet när den konsekvent överträffade statistiska eller enkla dynamiska modeller . Förutsägelser om intensiteten av en tropisk cyklon baserat på numeriska väderförutsägelser fortsätter att vara en utmaning, eftersom statistiska metoder fortsätter att visa högre skicklighet jämfört med dynamisk vägledning.
Wildfire modellering
.svg)
I molekylär skala finns det två huvudsakliga konkurrerande reaktionsprocesser involverade i nedbrytningen av cellulosa , eller träbränslen, i skogsbränder . När det finns en låg mängd fukt i en cellulosafiber förångning av bränslet; denna process kommer att generera mellanliggande gasformiga produkter som i slutändan kommer att vara källan till förbränning . När fukt finns närvarande - eller när tillräckligt med värme förs bort från fibern, uppstår förkolning . Den kemiska kinetiken för båda reaktionerna indikerar att det finns en punkt där fuktnivån är tillräckligt låg - och/eller uppvärmningshastigheten tillräckligt hög - för att förbränningsprocesser ska bli självförsörjande. Följaktligen kan förändringar i vindhastighet, riktning, fuktighet, temperatur eller förfallohastighet på olika nivåer av atmosfären ha en betydande inverkan på beteendet och tillväxten av en löpeld. Eftersom elden fungerar som en värmekälla till atmosfärens flöde, kan elden modifiera lokala advektionsmönster och introducera en återkopplingsslinga mellan elden och atmosfären.
En förenklad tvådimensionell modell för spridning av skogsbränder som använde konvektion för att representera effekterna av vind och terräng, såväl som strålningsvärmeöverföring som den dominerande metoden för värmetransport ledde till reaktions-diffusionssystem med partiella differentialekvationer . Mer komplexa modeller förenar numeriska vädermodeller eller beräkningsvätskedynamikmodeller med en löpeldskomponent som gör att återkopplingseffekterna mellan branden och atmosfären kan uppskattas. Den ytterligare komplexiteten i den senare klassen av modeller leder till en motsvarande ökning av deras datorkraftbehov. Faktum är att en fullständig tredimensionell behandling av förbränning via direkt numerisk simulering i skalor som är relevanta för atmosfärisk modellering för närvarande inte är praktisk på grund av den alltför höga beräkningskostnad en sådan simulering skulle kräva. Numeriska vädermodeller har begränsad prognosförmåga vid rumsliga upplösningar under 1 kilometer (0,6 mi), vilket tvingar komplexa löpeldsmodeller att parametrisera branden för att beräkna hur vindarna kommer att modifieras lokalt av löpelden, och att använda dessa modifierade vindar för att bestämma hastighet med vilken branden sprider sig lokalt. Även om modeller som Los Alamos FIRETEC löser koncentrationerna av bränsle och syre , kan beräkningsnätet inte vara tillräckligt bra för att lösa förbränningsreaktionen, så approximationer måste göras för temperaturfördelningen inom varje rutnätscell, såväl som för förbränningen reaktionshastigheterna själva. [ citat behövs ]
Se även
Vidare läsning
- Beniston, Martin (1998). Från turbulens till klimat: Numeriska undersökningar av atmosfären med en hierarki av modeller . Berlin: Springer. ISBN 978-3-540-63495-9 .
- Blum, Andrew (2019). The Weather Machine: A Journey Inside the Forecast . New York: HarperCollins. ISBN 978-0-062-36861-4 .
- Kalnay, Eugenia (2003). Atmosfärisk modellering, dataassimilering och förutsägbarhet . Atmosfärisk modellering . Cambridge University Press. sid. 364. Bibcode : 2002amda.book.....K . ISBN 978-0-521-79629-3 .
- Roulstone, Ian & Norbury, John (2013). Osynlig i stormen: matematikens roll för att förstå väder . Princeton University Press. ISBN 978-0691152721 .
- Thompson, Philip (1961). Numerisk väderanalys och förutsägelse . New York: The Macmillan Company.
- USA:s handelsdepartement; National Oceanic; Atmosfärisk administration; National Weather Service, red. (1979). National Weather Service Handbook nr 1 – Faxprodukter . Washington, DC: Handelsdepartementet. Från turbulens till sCl
externa länkar
- NOAA Superdator uppgradering
- Air Resources Laboratory
- Fleet Numerical Meteorology and Oceanography Center
- Europeiskt centrum för väderprognoser för medeldistans
- UK Met Office
| Myndighetskontroll : Nationella bibliotek |
|---|
