Ensembleprognose - Ensemble forecasting

Øverst : Vejrudsigts- og prognosemodelsimulering af orkanen Rita -spor. Nederst : Spredningen af National Hurricane Center multi-model ensemble forecast.

Ensembleprognose er en metode, der bruges i eller inden for numerisk vejrudsigt . I stedet for at lave en enkelt prognose for det mest sandsynlige vejr, produceres et sæt (eller ensemble) af prognoser. Dette sæt prognoser har til formål at give en indikation af rækkevidden af ​​mulige fremtidige tilstande i atmosfæren. Ensemble -prognoser er en form for Monte Carlo -analyse . De flere simuleringer udføres for at redegøre for de to sædvanlige kilder til usikkerhed i prognosemodeller: (1) de fejl, der er indført ved brug af ufuldkomne indledende betingelser, forstærket af den kaotiske karakter af evolutionens ligninger i atmosfæren, som ofte refereres til som følsom afhængighed af indledende forhold; og (2) fejl indført på grund af ufuldkommenheder i modelformuleringen, såsom de omtrentlige matematiske metoder til at løse ligningerne. Ideelt set bør verificerede fremtiden atmosfæriske tilstand falder inden for det forudsagt ensemble spredning , og mængden af spredning bør være relateret til den usikkerhed (fejl) af prognosen. Generelt kan denne fremgangsmåde bruges til at lave sandsynlige prognoser for ethvert dynamisk system , og ikke kun til vejrudsigter.

I dag foretages ensembleforudsigelser almindeligvis på de fleste af de store operationelle vejrforudsigelsesfaciliteter verden over, herunder:

Eksperimentelle ensembleprognoser laves på en række universiteter, såsom University of Washington, og ensembleprognoser i USA genereres også af US Navy og Air Force . Der er forskellige måder at se dataene på, f.eks. Spaghetti -plots , ensemble -midler eller frimærker, hvor en række forskellige resultater fra de kørte modeller kan sammenlignes.

Historie

Se også: Historie over numerisk vejrudsigt

Som foreslået af Edward Lorenz i 1963, er det umuligt for langdistanceprognoser-dem, der er lavet mere end to uger i forvejen-at forudsige atmosfærens tilstand med nogen form for dygtighed på grund af den kaotiske karakter af de involverede væskedynamikligninger . Desuden har eksisterende observationsnetværk begrænset rumlig og tidsmæssig opløsning (f.eks. Over store vandmasser som Stillehavet), hvilket indfører usikkerhed i atmosfærens sande oprindelige tilstand. Mens et sæt ligninger, kendt som Liouville-ligningerne , eksisterer for at bestemme den oprindelige usikkerhed i modelinitialiseringen, er ligningerne for komplekse til at køre i realtid, selv ved brug af supercomputere. Den praktiske betydning af ensembleprognoser stammer fra, at i et kaotisk og dermed ikke -lineært system er vækstraten for prognosefejl afhængig af startforhold. En ensembleprognose giver derfor et forudgående estimat af statsafhængig forudsigelighed, dvs. et estimat af de vejretyper, der kan forekomme, givet uundgåelige usikkerheder i de prognosticerede indledende forhold og i nøjagtigheden af ​​beregningsrepræsentationen af ​​ligningerne. Disse usikkerheder begrænser prognosemodelens nøjagtighed til cirka seks dage i fremtiden. De første operationelle ensembleprognoser blev udarbejdet for undersæsonlige tidsskalaer i 1985. Det blev imidlertid indset, at filosofien, der ligger til grund for sådanne prognoser, også var relevant på kortere tidsskalaer-tidsskalaer, hvor forudsigelser tidligere var blevet fremsat med rent deterministiske midler.

Edward Epstein erkendte i 1969, at atmosfæren ikke kunne beskrives fuldstændigt med en enkelt prognosekørsel på grund af iboende usikkerhed, og foreslog en stokastisk dynamisk model, der producerede midler og afvigelser for atmosfærens tilstand. Selvom disse Monte Carlo -simuleringer viste dygtighed, afslørede Cecil Leith i 1974 , at de kun producerede tilstrækkelige prognoser, når ensemble sandsynlighedsfordelingen var en repræsentativ prøve af sandsynlighedsfordelingen i atmosfæren. Det var først i 1992, at ensembleprognoser begyndte at blive udarbejdet af European Center for Medium-Range Weather Forecasts (ECMWF) og National Centers for Environmental Prediction (NCEP).

Metoder til repræsentation af usikkerhed

Der er to hovedkilder til usikkerhed, der skal tages højde for, når man laver en ensemblevejrudsigt: usikkerhed i indledende tilstand og modelusikkerhed.

Indledende tilstandsusikkerhed

Indledende tilstandsusikkerhed opstår på grund af fejl i estimatet af startforholdene for prognosen, både på grund af begrænsede observationer af atmosfæren og usikkerheder forbundet med at bruge indirekte målinger, såsom satellitdata , til at måle tilstanden af ​​atmosfæriske variabler. Indledende tilstandsusikkerhed repræsenteres ved at forstyrre startbetingelserne mellem de forskellige ensemblemedlemmer. Dette undersøger rækkevidden af ​​startbetingelser i overensstemmelse med vores viden om atmosfærens nuværende tilstand sammen med dens tidligere udvikling. Der er en række måder at generere disse første tilstandsforstyrrelser. ECMWF -modellen, Ensemble Prediction System (EPS), anvender en kombination af entalvektorer og et ensemble af dataassimilationer (EDA) til at simulere den oprindelige sandsynlighedstæthed . De enkeltvektorforstyrrelser er mere aktive i ekstratroperne, mens EDA-forstyrrelserne er mere aktive i troperne. NCEP -ensemblet, Global Ensemble Forecasting System, bruger en teknik kendt som vektoravl .

Modelusikkerhed

Modelusikkerhed opstår på grund af begrænsningerne i prognosemodellen. Processen med at repræsentere atmosfæren i en computermodel involverer mange forenklinger som f.eks. Udvikling af parametriseringsordninger , som indfører fejl i prognosen. Flere teknikker til repræsentation af modelusikkerhed er blevet foreslået.

Forstyrrede parameterordninger

Når man udvikler en parametriseringsordning , introduceres mange nye parametre for at repræsentere forenklede fysiske processer. Disse parametre kan være meget usikre. For eksempel repræsenterer ' medregningskoefficienten ' den turbulente blanding af tør miljøluft til en konvektiv sky og repræsenterer således en kompleks fysisk proces ved hjælp af et enkelt tal. I en forstyrret parametertilgang identificeres usikre parametre i modellens parametriseringsskemaer, og deres værdi ændres mellem ensemblemedlemmer. Mens der i probabilistisk klimamodellering, f.eks. Climateprediction.net , holdes disse parametre ofte konstant globalt og under hele integrationen, er det i moderne numerisk vejrforudsigelse mere almindeligt at stokastisk variere værdien af ​​parametrene i tid og rum. Graden af ​​parameterforstyrrelser kan styres ved hjælp af ekspertvurderinger eller ved direkte at estimere graden af ​​parameterusikkerhed for en given model.

Stokastiske parametrisationer

Et traditionelt parametriseringsskema søger at repræsentere den gennemsnitlige virkning af sub-grid-skala bevægelsen (f.eks. Konvektive skyer) på den opløste skalatilstand (f.eks. Storskala temperatur og vindfelter). Et stokastisk parametriseringsskema anerkender, at der kan være mange sub-grid skala-tilstande i overensstemmelse med en bestemt opløst skala-tilstand. I stedet for at forudsige den mest sandsynlige sub-grid skala bevægelse, repræsenterer et stokastisk parametriseringsskema en mulig realisering af undernettet. Det gør dette ved at inkludere tilfældige tal i bevægelsesligningerne. Dette prøver fra sandsynlighedsfordelingen tildelt usikre processer. Stokastiske parametreringer har betydeligt forbedret færdighederne i vejrudsigtsmodeller og bruges nu i operationelle prognosecentre over hele verden. Stokastiske parametrisationer blev først udviklet på European Center for Medium Range Weather Forecasts .

Multi model ensembler

Når mange forskellige prognosemodeller bruges til at forsøge at generere en prognose, betegnes fremgangsmåden som multi-model ensemble forecasting. Denne prognosemetode kan forbedre prognoser sammenlignet med en enkelt modelbaseret tilgang. Når modellerne inden for et multi-model ensemble justeres efter deres forskellige forspændinger, er denne proces kendt som "superensemble forecasting". Denne type prognose reducerer betydeligt fejl i modeloutput. Når modeller af forskellige fysiske processer kombineres, såsom kombinationer af atmosfæriske, ocean- og bølgemodeller, kaldes multi-model ensemblet hyper-ensemble.

Sandsynlighedsvurdering

Ensembleprognosen evalueres normalt ved at sammenligne gennemsnittet af de individuelle prognoser for en prognosevariabel med den observerede værdi af denne variabel ("fejlen"). Dette kombineres med overvejelse af graden af ​​overensstemmelse mellem forskellige prognoser inden for ensemblesystemet, repræsenteret ved deres samlede standardafvigelse eller "spredning". Ensemblespredning kan visualiseres ved hjælp af værktøjer såsom spaghettidiagrammer, der viser spredningen af ​​en mængde på prognostiske diagrammer for bestemte tidstrin i fremtiden. Et andet værktøj, hvor ensemble spread bruges, er et meteogram , der viser spredningen i prognosen for en mængde for et bestemt sted. Det er almindeligt, at ensemblespredningen er for lille, således at den observerede atmosfæriske tilstand falder uden for ensembleprognosen. Dette kan føre til, at forudsigeren er overmodig i deres prognose. Dette problem bliver særlig alvorligt for vejrudsigterne cirka 10 dage i forvejen, især hvis der ikke tages højde for modelusikkerhed i prognosen.

Pålidelighed og opløsning (kalibrering og skarphed)

Spredningen af ​​ensembleprognosen angiver, hvor sikker forudsigelsen kan være i hans eller hendes forudsigelse. Når ensemblespredningen er lille, og prognoseløsningerne er konsistente inden for flere modelkørsler, opfatter forudsigere mere tillid til prognosen generelt. Når spredningen er stor, indikerer dette mere usikkerhed i forudsigelsen. Ideelt set bør der eksistere et spread-skill-forhold , hvorved ensembleets spredning er en god forudsigelse for den forventede fejl i ensemble-middelværdien. Hvis prognosen er pålidelig , vil den observerede tilstand opføre sig som om den er trukket fra prognosens sandsynlighedsfordeling. Pålidelighed (eller kalibrering ) kan evalueres ved at sammenligne standardafvigelsen af ​​fejlen i ensemblet middelværdi med prognosespredningen: for en pålidelig prognose bør de to matche, både på forskellige prognosetider og for forskellige placeringer.

Pålideligheden af ​​prognoser for en bestemt vejrbegivenhed kan også vurderes. For eksempel, hvis 30 af 50 medlemmer angav større end 1 cm nedbør i løbet af de næste 24 timer, kunne sandsynligheden for at overstige 1 cm anslås til 60%. Prognosen ville blive betragtet som pålidelig, hvis regnen i betragtning af alle tidligere situationer, hvor der blev forudsagt en 60% sandsynlighed, ved 60% af disse lejligheder faktisk oversteg 1 cm. I praksis er sandsynlighederne genereret fra operationelle vejruensemble -prognoser ikke særlig pålidelige, men med et sæt tidligere prognoser ( reforecasts eller hindcasts ) og observationer kan sandsynlighedsestimaterne fra ensemblet justeres for at sikre større pålidelighed.

En anden ønskelig egenskab ved ensembleprognoser er opløsning. Dette er en indikation af, hvor meget prognosen afviger fra den klimatologiske hændelsesfrekvens - forudsat at ensemblet er pålideligt, vil en forøgelse af denne afvigelse øge prognosens anvendelighed. Denne prognosekvalitet kan også overvejes med hensyn til skarphed , eller hvor lille spredning af prognosen er. Det vigtigste mål for en forecaster skal være at maksimere skarpheden, samtidig med at pålideligheden bevares. Prognoser ved lange kundeemner vil uundgåeligt ikke være særlig skarpe (har særlig høj opløsning), for de uundgåelige (omend normalt små) fejl i den oprindelige tilstand vil vokse med stigende prognoseledning, indtil den forventede forskel mellem to modeltilstande er lige så stor som forskellen mellem to tilfældige tilstande fra prognosemodellens klimatologi.

Kalibrering af ensembleprognoser

Hvis ensembleprognoser skal bruges til at forudsige sandsynligheder for observerede vejrvariabler, har de typisk brug for kalibrering for at skabe upartiske og pålidelige prognoser. For temperaturprognoser er en enkel og effektiv metode til kalibrering lineær regression , ofte kendt i denne sammenhæng som Model output statistik . Den lineære regressionsmodel tager ensemble -middelværdien som en forudsigelse for den reelle temperatur, ignorerer fordelingen af ​​ensemble -medlemmer omkring middelværdien og forudsiger sandsynligheder ved hjælp af fordelingen af ​​rester fra regressionen. I denne kalibreringsopsætning er ensemblets værdi ved forbedring af prognosen derefter, at ensemblet middelværdi typisk giver en bedre prognose end et enkelt ensemble -medlem ville, og ikke på grund af oplysninger indeholdt i bredden eller formen af ​​fordelingen af ​​medlemmerne i ensemblet omkring middelværdien. Imidlertid blev der i 2004 indført en generalisering af lineær regression (nu kendt som nonhomogen Gaussisk regression ), der anvender en lineær transformation af ensemblespredningen for at give bredden af ​​den forudsigelige fordeling, og det blev vist, at dette kan føre til prognoser med højere dygtighed end dem, der er baseret på lineær regression alene. Dette beviste for første gang, at information i form af fordelingen af ​​medlemmerne af et ensemble omkring middelværdien, i dette tilfælde opsummeret af ensemblespredningen, kan bruges til at forbedre prognoser i forhold til lineær regression . Hvorvidt lineær regression kan slås ved hjælp af ensemblespredningen på denne måde varierer afhængigt af prognosesystemet, prognosevariabel og leveringstid.

Forudsiger størrelsen af ​​prognoseændringer

Udover at blive brugt til at forbedre forudsigelser om usikkerhed, kan ensemblespredningen også bruges som en forudsigelse for den sandsynlige størrelse af ændringer i middelprognosen fra en prognose til den næste. Dette virker, fordi smalle ensembler i nogle ensembleprognosesystemer har tendens til at gå forud for små ændringer i middelværdien, mens brede ensembler har tendens til at gå forud for større ændringer i middelværdien. Dette har applikationer i handelsindustrierne, for hvem forståelse af de sandsynlige størrelser af fremtidige prognoseændringer kan være vigtig.

Koordineret forskning

Hovedartikel: THORPEX Interactive Grand Global Ensemble

Observation System Research and Predictability Experiment (THORPEX) er et 10-årigt internationalt forsknings- og udviklingsprogram for at fremskynde forbedringer i nøjagtigheden af ​​en-dages til to-ugers højeffektvejrprognoser til gavn for samfundet, økonomien og miljøet. Det etablerer en organisatorisk ramme, der adresserer vejrforskning og prognoseproblemer, hvis løsninger vil blive fremskyndet gennem internationalt samarbejde mellem akademiske institutioner, operationelle prognosecentre og brugere af prognoseprodukter.

En af hovedkomponenterne er THORPEX Interactive Grand Global Ensemble (TIGGE), et verdensvejrforskningsprogram for at fremskynde forbedringerne af nøjagtigheden af ​​1-dages til 2 ugers kraftfulde vejrudsigter til gavn for menneskeheden. Centraliserede arkiver med ensemble -modelprognosedata fra mange internationale centre bruges til at muliggøre omfattende datadeling og forskning.

Se også

Referencer

Yderligere læsning

eksterne links