felhasználása a numerikus

Átírás

1 Megfigyelések és mérések felhasználása a numerikus előrejelzésekben Bölöni Gergely, Mile Máté, Roger Randriamampianina, Steib Roland, Tóth Helga, Horváth Ákos, Nagy Attila

2 Motiváció Verifikációs ió analízis Numerikus előrejelzés (modellezés): a hidro-termodinamikai egyenletek (HTE) numerikus megoldása A HTE megoldása vegyes feladat parciális differenciáliál egyenlet kezdeti és peremértékek megadásával A kezdeti érték a valós állapot becslése, amelyben a megfigyelések és mérések kulcsfontosságúak A becsléskor lényeges a pontosság a HTE rendszer Előrejelzés megoldásának jó kezdeti feltételből feltételekre való érzékenysége miatt (a légkör kaotikus viselkedése) Előrejelzés rossz kezdeti feltételből

3 Motiváció 1.0 Rövid életű, veszélyes időjárási rendszerek előrejelzése (Nowcasting) Perzisztencia (CSI) 0.8 padék ess Index 0.6 Extrapoláció Csa tical Succe Crit Numerikus modell Fejlesztés: Adatasszimiláció, Nowcasting (Wilson 2011) Előrejelzés időtáv (óra)

4 Motiváció 1.0 Rövid életű, veszélyes időjárási rendszerek előrejelzése (Nowcasting) Perzisztencia (CSI) Csa padék tical Succe ess Index Crit Még több fejlesztés: Adatasszimiláció, Nowcasting + modell fejlesztés Extrapoláció Numerikus modell (Wilson 2011) Előrejelzés időtáv (óra)

5 Tartalom 1. Rész: Adatasszimiláció Cél: pontos rövidtávú numerikus előrejelzések, fizikailag konzisztens meteorológiai mezők Módszertan: matematika, statisztika, optimális becslés, variációs analízis Felhasználás: ALADIN és AROME modellek 2. Rész: Nowcasting (Nagy Attila) Cél: egyedi időjárási objektumok figyelembevétele, időbeli fejlődésének leírása ultra-rövid távon Módszertan: Nudging, konceptuális modellezés Felhasználás: WRF modell

6 Adatasszimiláció Adatasszimiláció: kezdeti feltételek előállítása megfigyelések (y) guess (x b ) adatasszimiláció analízis (x a ) Variációs asszimiláció (3DVAR): 1 1 J( x ) = b b x 2 2 J min ( T 1 T 1 ( x x ) B ( x x ) + ( y H( x )) R ( y H( )) x ) x a (Lorenc, 1986, Kalnay, 2003)

7 Adatasszimiláció Korlátos tartományú modell (LAM) Globális modell hajtja meg: oldalsó peremfeltételek kezdeti feltételek (interpoláció) vagy lokális adatasszimiláció Globális Modell

8 Adatasszimiláció Globális modell interpolációja Lokális adatasszimiláció Műholdas megfigyelések globális modellben Műholdas megfigyelések a lokális modellben

9 Adatasszimiláció Globális modell interpolációja Lokális adatasszimiláció (kg m 2 s -2 ) Műholdas megfigyelések globális modellben Lokális adatasszimiláció Globális modell interpolációja Műholdas megfigyelések a lokális modellben Interpolációs zaj a kis skálákon (squall line-ok, zivatar- láncok)

10 Adatasszimiláció Lokális 3DVAR rendszerek az OMSZ-ban ALADIN operatív futás 2005 májusa óta dx = 8km 6 órás asszimilációs ciklus SYNOP & SHIP AROME operatív futás 2013 márciusa óta AMDAR dx = 25km 2.5 TEMP 3 órás asszimilációs ciklus Wind Profiler P s, T, RH, u, v u, v, T u, v, T, q u, v MSG3/SATOB ATOVS/AMSU-A (NOAA15-18) u, v Tb ATOVS/AMSU-B (NOAA17) Tb ATOVS/MHS (NOAA18) ATOVS/HIRS (NOAA15-18) Tb Tb MSG3/SEVIRI Tb

11 Adatasszimiláció Lokális 3DVAR rendszerek az OMSZ-ban ALADIN operatív futás 2005 májusa óta dx = 8km 6 órás asszimilációs ciklus SYNOP & SHIP AROME AROME operatív futás 2013 márciusa óta AMDAR dx = 25km 2.5 TEMP 3 órás asszimilációs ciklus Wind Profiler MSG3/SATOB P s, T, RH, u, v u, v, T u, v, T, q u, v u, v ATOVS/AMSU-A + időben (NOAA15-18) sűrűbb Tb asszimiláció (3h Rapid ATOVS/AMSU-B (NOAA17) Tb Update Cycle) ATOVS/MHS (NOAA18) Tb ATOVS/HIRS + RADAR: (NOAA15-18) u,v, dbz Tb MSG3/SEVIRI Tb

12 Adatasszimiláció A lokális AROME 3DVAR hatása Pozitív hatás a 2 méteres hőmérséklet ékl előrejelzésben l RMSE különbség: NO 3DVAR 3DVAR Lokális 3DVAR Interpoláció

13 Adatasszimiláció A lokális AROME 3DVAR hatása Pozitív hatás a csapadék előrejelzésben l Csapad dék területi átlag (mm m) Radar Lokális 3DVAR (6 órás ciklus) Lokális 3DVAR (3 órás ciklus) Interpoláció Előrejelzési időtáv

14 RADAR UTC Adatasszimiláció A lokális AROME 3DVAR hatása ALADIN Pozitív hatás a csapadék előrejelzésben l ALADIN Lokális 3DVAR UTC +36 óra UTC +36 óra i átlag (mm m) Csapad dék terület AROME Lokális 3DVAR UTC +36 óra Radar Lokális 3DVAR (6 órás ciklus) Lokális 3DVAR (3 órás ciklus) Interpoláció Előrejelzési időtáv

15 RADAR UTC A csapadék előrejelzés sikere a magassági Hidegcsepp helyének előrejelzésén múlt. Adatasszimiláció Csapadék 500 hpa-os 3 órás összeg hőmérséklet A lokális AROME 3DVAR hatása ALADIN Pozitív hatás a csapadék előrejelzésben l ALADIN Lokális 3DVAR UTC +36 óra UTC +36 óra i átlag (mm m) Csapad dék terület AROME Lokális 3DVAR UTC +36 óra Radar Lokális 3DVAR (6 órás ciklus) Lokális 3DVAR (3 órás ciklus) Interpoláció Előrejelzési időtáv

16 Adatasszimiláció A lokális AROME 3DVAR hatása Pozitív hatás a szél előrejelzésben l Javuló szélenergia becslés Javuló a szél MAVIR előrejelzés részérea Javuló szélerőművek s é előrejelzés őrészére eje a (100m szélerőművek szél) részére (100m szél) MAVIR= Magyar Villamosenergia-Ipari átviteli Rendszerirányító

17 Adatasszimiláció Radar adatok asszimilációja az AROME 3DVAR-ban 3 hazai radar adatai: Pogányvár, Budapest, Napkor Radiális szél asszimiláció Reflektivitás asszimiláció

18 Adatasszimiláció Radar adatok asszimilációja az AROME 3DVAR-ban Radar mérés: reflektivitás profil Guess: modell reflektivitás profilok 3 hazai radar adatai: Pogányvár, Budapest, Napkor 1D vertikális q és T profilok Radiális szél asszimiláció Reflektivitás asszimiláció 3DVAR (Caumont et al., 2008)

19 Adatasszimiláció Radar adatok asszimilációja az AROME 3DVAR-ban objektumok k átlagos inte enzitása (mm m) Radar Lokális 3DVAR (operatív) Lokális 3DVAR radarral Csapadék 39. Meteorológiai Előrejelzési Tudományos Napok, időtáv 2013 Nov. (óra) 20-21

20 Adatasszimiláció Radar adatok asszimilációja az AROME 3DVAR-ban objektumok k átlagos inte enzitása (mm m) AROME 3DVAR NO Radar +3h Radar UTC Radar Lokális 3DVAR (operatív) Lokális 3DVAR radarral AROME 3DVAR Radar +3h Csapadék 39. Meteorológiai Előrejelzési Tudományos Napok, időtáv 2013 Nov. (óra) 20-21

21 Adatasszimiláció Tervek (AROME): Radar adatok operatív asszimilációja ilá iój (2014) GPS Zenith Total Delay adatok asszimilációja ( ) Műholdas ű adatok felhasználása: áá MSG SEVIRI, Metop IASI (2014) Felszíni asszimiláció bevezetése (Ensemble Kalman Filter) (2015)

22 Nowcasting A nowcasting célú előrejelzésekhez felhasznált analízisekkel szemben támasztott legfontosabb elvárás: a veszélyes mezoskálájú légköri folyamatok legyek ott, ahol a valóságban is vannak! A problémának többféle megközelítése lehetséges (WRF): 1. A mérések (és megfigyelések) oldaláról: Objektív analízis, majd az integrálás során igazítási technika alkalmazása. 2. Légköri folyamatok oldaláról: Adott meteorológiai jelenség konceptuális modelljének beépítése az analízisbe bizonyos állapothatározók módosításán keresztül.

23 1. Nudging = objektív analízisre futtatott 4-dimenziós adatasszimiláció WRF-ben az alapötlet: Newton-féle relaxációs módszer normál tendencia-tag (advekció, modellfizika, stb.) adott állapothatározó mért értéke Analízis-nudging: nudging: adott állapothatározó lokális megváltozása relaxációs idő (az igazodás erőssége pontonként) vertikális mentén értelmezett súlyfüggvény horizontálisan értelmezett súlyfüggvény (a mérések térbeli sűrűségétől függ) Beágyazás esetén külön-külön alkalmazható minden almodellre A planetáris határrétegben (vagy a legalsó n -darab modellszinten) nem mindig érdemes alkalmazni Állapothatározók, amelyekre alkalmazható: hőmérséklet, nedvesség, szél (a súlyokat érdemes különbözőre állítani!) Létezik talajmodell, amelyben talajnedvességre és talajhőmérsékletre is lehet nudgingolni. g Megfigyelési-nudging: Adott távolság- és időintervallumon 35. Meteorológiai belüli mérések Tudományos és a Napok, rácsponti 2009 Nov. érték 19-20eltéréseinek súlyozott átlaga

24 2. Objektumorientált megközelítés: Jelenleg folyó kísérletek fő témája: konvektív folyamatok analízise Ötlet: Az asszimiláció szempontjából nem rácspontonkénti értékekben gondolkodunk, hanem egy konvektív cella konceptuális modelljében. Cél: az analízisbe helyezett dinamikai rendszert a modell az integrálás során kezdettől fogva úgy kezelje, mintha azt maga termelte volna ki! Alapvető kérdés, hogy az adott konvektív cellát annak milyen fejlettségi fázisában szolgáltassuk az analízis számára. MODELLTARTOMÁNY módosítatlan analízismező Módosított o tartomány Nd Nedvességkonvergencia ék területe Innen nedvesség áramlik a feláramlási rész felé (1) Alacsonyszintű ű feláramlási á zóna, alul jelentős nedvességtöbblettel, 5 km fölött nedvességhiánnyal Alacsonyszintű divergens terület, minden szinten kiszáradás Uralkodó áramlás iránya (!) Uralkodó áramlás iránya (!)

25 Ebben az állapotban módosítandó állapothatározók: Alacsonyszintű eloszlások Középszintű eloszlások Hőmérséklet Felhőelemek keverési aránya Hőmérséklet Felhőelemek keverési aránya Vízgőz keverési aránya Horizontális szélmező Vízgőz keverési aránya Horizontális szélmező Határozott tt nedvességkonvergencia Hátoldali kiszáradás és divergencia Az egész cellában melegítés Mért radarreflektivitás ~ 80 km Felhőzet az alacsonyszintű leáramlás fölött

26 A konvektív cella időfejlődése a 975 hpa-os szinten a radarméréssel összevetve (15 percenként) Hőmérséklet Felhőcseppek keverési aránya Mért radarreflektivitás Vízgőz keverési aránya Horizontális szélmező 5 perces csapadékösszeg

27 Az eljárás szabadsági fokainak száma magas: Konvektív cella mérete, a különböző tartományok egymáshoz viszonyított nagysága Az állapothatározók módosítására nagy érzékenység (különösen a szél és a felhőelemek keverési arányára) Kérdés a cellák közelsége, összeolvasztása (pl. zivatarlánc: kevés nagy vagy sok kicsi?) ESETTANULMÁNY: június UTC 08 UTC 10 UTC Az egész országot érintő, heves konvektív tevékenység A Dél-Alföldön szupercellás konvekció p (Mezőhegyes - jégeső)

28 ESETTANULMÁNY: június 18. A tapasztalat szerint ilyen időjárási helyzet modellezése összetett feladat. Nagy a modelleredmény érzékenysége többek között: az analízis időpontjára, a domain elhelyezkedésére, a szupercellás konvekció helyes megjelenéséhez pedig a horizontális és vertikális felbontást is jól kell beállítani. 06 UTC Ebben a helyzetben a 06 UTC-s indítási idő túl késői a 10 UTC körüli konvektív tevékenység modellezésére. Az alkalmazás tesztelése: 10 UTC Referenciafuttatás 06 UTC-s, módosítatlan analízisből (ECMWF 0,125 os felbontású adatok interpolációja a WRF 2,5 km felbontású rácsára) Futtatás konvektív cellákkal Futtatás konvektív cellákkal kiegészített 06 UTC-s analízisből

29 5 perces csapadékösszeg a június UTC-15 UTC közötti időszakra Módosítatlan ódos a a analízis: jú június 18 UTC június i UTC Módosított analízis:

30 Horizontális szélmező a június UTCUTC-15 UTC közötti időszakra Módosítatlan analízis 2010jú június 18 UTC június i UTC Módosított analízis

31 Irodalom Caumont O. et al., 2008: 1D+3DVar assimilation of radar reflectivity data: a proof of concept, cep Tellus eus A, 62,, Kalnay E., 2003: Atmospheric Modeling, Data Assimilation and Predictability. Cambridge University it Press, 341 pp. Lorenc A., 1986: Analysis methods for numerical weather prediction. Quart. J. Roy. Meteor. Soc., 112, Wilson J., 2012: Evaluation abd comparison of Nowcasting Techniques/Systems for Convective Storms, WMO Workshop on use of NWP for Nowcasting, October 2011, ( g_2011.pdf)

32 Köszönjük a figyelmet!?