Operatív AROME előrejelzések és GNSS ZTD adatasszimiláció az Országos Meteorológiai Szolgálatnál

Átírás

1 Operatív AROME előrejelzések és GNSS ZTD adatasszimiláció az Országos Meteorológiai Szolgálatnál Mile Máté Módszerfejlesztési Osztály (MO) OMSZ

2 Tartalom Bevezetés, Numerikus előrejelzés és Adatasszimiláció AROME modell 2/37 Operatív Rendszer AROME adatasszimiláció (Rapid Update Cycle) AROME adatasszimiláció ZTD adatokkal GNSS ZTD adatok ZTD megfigyelések előfeldolgozása Eredmények Tervek

3 Tartalom Bevezetés, Numerikus előrejelzés és Adatasszimiláció AROME modell 3/37 Operatív Rendszer AROME adatasszimiláció (Rapid Update Cycle) AROME adatasszimiláció ZTD adatokkal GNSS ZTD adatok ZTD megfigyelések előfeldolgozása Eredmények Tervek

4 Bevezetés 4/37 Numerikus előrejelzés: a hidro-termodinamikai egyenletek (HTE) numerikus megoldása A HTE rendszer megoldásához a parciálisdifferenciál egyenleteknek kezdeti és peremfeltételek szükségesek Adatasszimiláció: kezdeti feltételek megadása A légkör kaotikus viselkedése miatt a pontosság nagyon fontos

5 Bevezetés 5/37

6 Adatasszimiláció 6/37 Elsődleges Cél: kezdeti feltételek meghatározása objektív analízis Másodlagos Cél: A numerikus előrejelzés minőségének, pontosságának javítása Az analízis a modell geometriára illeszkedik és valamennyi légkörről szerzett információt magába foglalja Fontos, hogy figyelembe vegyük a felhasznált információk megbízhatóságát és hogy végül minél kisebb hibával terhelt legyen a kezdeti feltétel Továbbá meg kell őrizzük az analízis dinamikai konziszenciáját a numerikus modellel

7 Adatasszimiláció 7/37 (a gyakorlatban) Numerikus modellek egy 3D-s rácson oldják meg a HTE rendszert. A rácson értelmezett meteorológiai változók együttese az ún. állapotvektor (továbbiakban x) amely a mai modellek esetében n~107 nagyságrendű. Adatasszimiláció: az állapotvektor megadása a kezdeti időpillanatban (analízis), úgy, hogy az minél közelebb legyen a valósághoz Információink: megfigyelések/mérések + background/first guess (háttér) + légkör dinamikájának ismerete

8 Kisokos... 8/37 Background vagy First guess: Leggyakrabban a modell által az analízis időpontjára vonatkozó rövidtávú előrejelzés, amely szabályos rácson, közvetlenül a modell változóira adottak. Megfigyelések: Időben rendszeres ám térben rendszertelen számszerű mérések. A megfigyelések számossága kisebb mint numerikus modellek dimenziója és gyakran nem a modell állapothatározóit számszerűsítik. Jó példa a ZTD megfigyelések.

9 Alkalmazott Adatasszimilációs Módszerek Variációs módszer (VAR) J(x) veszteségfüggvény minimalizálása J(x) = (x-xb) B (x-xb) + (y-h[x]) R (y-h[x]) T 9/37-1 T -1

10 Alkalmazott Adatasszimilációs Módszerek Variációs módszer (VAR) J(x) veszteségfüggvény minimalizálása J(x) = (x-xb)t B-1 (x-xb) + (y-h[x])t R-1 (y-h[x]) Jb Jo Iteratív módon keressük a háttér hiba (Jb) tag és a megfigyelési hiba (Jo) tag kombinációjának minimumát a J(x) és gradiensének számolásával Szemléletesen tehát az analízis a háttér mezőtől és a megfigyelésektől vett távolságának minimalizálásaként adódik, tekintettel azok statisztikai megbízhatóságára 10/37

11 Alkalmazott Adatasszimilációs Módszerek Variációs módszer (VAR) J(x) veszteségfüggvény minimalizálása Jo(x) = (y-h[x])t R-1 (y-h[x]) A megfigyelési hiba (Jo) tag dimenzóját a megfigyelések száma adja. y megfigyelési vektor R megfigyelési hiba kovariancia mátrix, a mérőműszerek hiba szórását tartalmazza. Feltételezzük, hogy a megfigyelések hibái térben korrelálatlanok H nemlineáris megfigyelési operátor, a modell állapotvektora és a megfigyelések között teremt kapcsolatot 11/37

12 Asszimilációs ciklus 12/37 Autonóm adatasszimilációs rendszer Analízisek láncolata, amelyben a háttér mező mindig az előző analízisből indul

13 Alkalmazott megfigyelések 13/37 Az adatasszimilációs algoritmussal figyelembe vehető megfigyelési típusok

14 Tartalom Bevezetés, Numerikus előrejelzés és Adatasszimiláció AROME modell Operatív Rendszer AROME adatasszimiláció (Rapid Update Cycle) AROME adatasszimiláció ZTD adatokkal GNSS ZTD adatok ZTD megfigyelések előfeldolgozása Eredmények Tervek 14/37

15 Kisokos... ARPEGE/ALADIN/AROME modell család: A Meteo-France által kezdeményezett Észak-Afrikai és Közép-európai országokkal közösen fejlesztett numerikus modellek. ARGEPE (Action de Recherche Petite Echelle Grande Echelle) globális modell ALADIN (Aire Limitée Adaptation Dynamique Développement International) korlátos tartományú modell AROME (Applications of Research for Operations at MEsoscales) korlátos tartományú modell ECMWF/IFS: (European Centre for Medium-Range Weather Forecasts / Integrated Forecast System) Globális modell Dinamikai Adaptáció vagy Leskálázás: Az előrejelzés kezdeti feltételeit egy kisebb felbontású modell (nagyobb felbontású rácsra interpolált) előrejelzése vagy analízise szolgáltatja. 15/37

16 AROME modell 16/ km horizontális felbontás (500*320 rács pont), 60 vertikális szint Kezdeti feltételek: AROME 3DVAR és leskálázott ALADIN (felszín) 4 előrejelzés naponta: 00 UTC (48h); 06 UTC (39h); 12 UTC (48h); 18 UTC (39h) Peremfeltételek: ECMWF/IFS órás csatolási frekvencia

17 AROME adatasszimilációs rendszer Rapid Update Cycle Operatív Március óta 3 órás un. Rapid Update Cycle (8 analízis naponta) Nincs feszíni asszimiláció SURFEX kezdeti feltételek: ALADIN anal & AROME first guess Háttérhiba reprezentáció (B): Leskálázott ALADIN-EDA Konvencionális megfigyelések SYNOP Z T2 H2 U TEMP Z T Q U AIREP 17/37 T U

18 AROME adatasszimilációs rendszer Rapid Update Cycle 18/37 Növekvő felbontás rövidebb időtartamú, kis skálájú jelenségek kisebb előrejelezhetőség pontosabb kezdeti feltétel kritikus Rapid Update Cycle (RUC) több megfigyelés figyelembe vétele A RUC rendszer effektíven alkalmazható operatívan azaz futtatása nem túl költséges korábban elkészülő előrejelzések

19 AROME adatasszimilációs rendszer Rapid Update Cycle Minél több megfigyelés alkalmazása, főként olyanok, amelyek rögtön rendelkezésünkre állnak és nem kell beérkezésükre várakozni. Továbbá nagy térbeli és időbeli felbontású megfigyelések kívánatosak. Preferált megfigyelések: 19/37 Konvencionális adatok RADAR reflektivitás és radiális szél GNSS (GPS) ZTD (Zenith Total Delay) Geostacionárius műholdas produktumok (MSG-SEVIRI, AMV)

20 AROME adatasszimilációs rendszer OPLACE Megfigyelés előfeldolgozó rendszer, amely file formátum konverziót hajt végre. Formátum típusok: ASCII (OBSOUL) BUFR GRIB Az OMSZ-nél futó OPLACE rendszer megfigyeléseit más országok is használják operatív adatasszimilációs rendszereikhez Ausztria, Csehország, Románia, Horvátország, Szlovénia, Szlovákia, Magyarország AROME megfigyelések is innen jutnak az adatasszimilációs rendszerbe. 20/37

21 AROME adatasszimilációs rendszer Operatív bevezetés Az adatasszimilációs rendszer operatív bevezetése 2013 tavaszán Példa a verifikációs eredményekből AROME DYNA Green AROME DA - Blue 21/37

22 AROME adatasszimilációs rendszer Operatív bevezetés Csapadék előrejelzés 0-3h /37

23 Tartalom Bevezetés, Numerikus előrejelzés és Adatasszimiláció AROME modell Operatív Rendszer AROME adatasszimiláció (Rapid Update Cycle) AROME adatasszimiláció ZTD adatokkal GNSS ZTD adatok ZTD megfigyelések előfeldolgozása Eredmények Tervek 23/37

24 GNSS ZTD adatok 24/37 Teszt jellegű ZTD adatok telére és nyarára (Rózsa Szabolcs) decemberétől OMSZ-nél operatív ZTD disszemináció az SGOB Network adataival (E-GVAP EUMETNET GNSS water vapor programme) E-GVAP file (ASCII) formátum ZTD megfigyelések órás bontásban

25 GNSS ZTD adatok H megfigyelés operátor A variációs adatasszimilációs módszerben a modell állapotváltozóiból számítunk mért, megfigyelt paramétereket. A modell ekvivalens ZTD-t a H nemlineáris megfigyelési operátor segítségével számítjuk ki: n refractivity index pd partial pressure of dry air pv partial pressure of water vapour T temperature K1, K2, K3 constants (Smith and Weintraub, 1953) 25/37

26 ZTD megfigyelések előfeldolgozása 26/37 A ZTD megfigyelések adatasszimilációs gyakorlata speciális technikát igényel (pl. az E-GVAP állomás hálózat folyamatosan bővül) Aktív asszimiláció csak megbizható, jó minőségű adatokat szolgáltató állomásokról White list method (Poli et. al. 2007) Alapértelmezettként passzívan jutnak a ZTD megfigyelések az asszimilációs rendszerben, hogy egy (kb. 15 napos) teszt időszakon megvizsgáljuk az állomásokról érkező adatok minőségét, azaz elkészítsük az un. WHITELIST-et a megbízható állomások listájáról

27 ZTD megfigyelések előfeldolgozása A teszt időszakon a következő kritériumokat követeljük meg: 27/37 Időben gyakori adatszolgáltatás (40%-nál nagyobb) Statisztikailag elfogadható adatminőség (OMG gaussi eloszlású, abszolút BIAS és STDEV kisebb mint 40mm) A modell felszín magassága és az állomás magassága nem különbözik nagy mértékben. (Küszöb 250m)

28 ZTD megfigyelések előfeldolgozása 28/37 A ZTD megfigyelésekre statikus bias korrekciót alkalmazunk, azaz a teszt időszakon kiszámított (állomásonkénti) BIAS-t az asszimiláció előtt eltávolítjuk. A statikus BC miatt a WHITELIST-et gyakran kell frissíteni amennyiben operatív ZTD asszimilációra kerül sor. Az E-GVAP file formátum átalakítísa is szükséges egy un. OBSOUL szintén ASCII formátumra, amely révén földfelszíni megfigyelések csoportjába soroljuk a ZTD adatokat.

29 Eredmények Degree of Freedom for Signal 29/37 Adatasszimilációs diagnosztika A DFS megadja, hogy mekkora az egyes megfigyelések hatása az analízisre. Abszolút DFS Szélre vonatkozó megfigyelések nagy hatása Relatív DFS Nedvességre vonatkozó megfigyelések fontosak

30 Eredmények Adatasszimilációs kísérletek 30/37 Két kísérletet futtattunk májusára a teszt adatokkal és januárra. Az első kísérlet során csak 15 állomás adatait, míg a másodiknál már 67 állomás megfigyeléseit sikerült asszimilálni az új SGOB Network révén. A kísérleti AROME előrejelzéseket (PGPS) összehasonlítottuk az operatív csak konvencionális (CONV) adatokat tartalmazó rendszerrel, hogy lássuk a ZTD megfigyelések hatását.

31 Eredmények Adatasszimilációs kísérletek AROME operatív CONV AROME kísérlet PGPS Verifikáció SYNOP és Rádiószondás megfigyelésekkel szemben /37

32 Eredmények Adatasszimilációs kísérletek AROME operatív CONV AROME kísérlet PGPS Verifikáció SYNOP és Rádiószondás megfigyelésekkel szemben /37

33 Eredmények Adatasszimilációs kísérletek AROME operatív CONV AROME kísérlet PGPS Verifikáció SYNOP és Rádiószondás megfigyelésekkel szemben /37

34 Eredmények Adatasszimilációs kísérletek CONV PGPS 34/37

35 Tartalom Bevezetés, Numerikus előrejelzés és Adatasszimiláció AROME modell Operatív Rendszer AROME adatasszimiláció (Rapid Update Cycle) AROME adatasszimiláció ZTD adatokkal GNSS ZTD adatok ZTD megfigyelések előfeldolgozása Eredmények Tervek 35/37

36 Tervek 36/37 Tesztelés nyári időszakra, főként nagycsapadékos esetre (COST Action ES1206) Whitelist kritériumok hangolása Operatív bevezetés az AROME adatasszimiláció következő fejlesztési lépcsőjében más megfigyelésekkel együtt VARBC a statikus BC helyett

37 Köszönöm a figyelmet! Köszönet a közreműködő kollégáknak! Kérdések?