Numerische Wettervorhersage

A grid for a numerical weather model is shown. The grid divides the surface of the Earth along meridians and parallels, and simulates the thickness of the atmosphere by stacking grid cells away from the Earth's center. An inset shows the different physical processes analyzed in each grid cell, such as advection, precipitation, solar radiation, and terrestrial radiative cooling.
Wettermodelle verwenden Systeme von Differentialgleichung basierend auf den Gesetzen von Physik, die im Detail sind flüssige Bewegung, Thermodynamik, Strahlungsübertragung, und Chemieund verwenden Sie ein Koordinatensystem, das den Planeten in ein 3D -Netz unterteilt. Winde, Wärmeübertragung, Sonnenstrahlung, relative Luftfeuchtigkeit, Phasenveränderungen von Wasser und Oberfläche Hydrologie werden in jeder Gitterzelle berechnet, und die Wechselwirkungen mit benachbarten Zellen werden in Zukunft zur Berechnung der atmosphärischen Eigenschaften verwendet.

Numerische Wettervorhersage (NWP) Verwendet Mathematische Modelle der Atmosphäre und der Ozeane zu Vorhersage des Wetters Basierend auf den aktuellen Wetterbedingungen. Obwohl der erste Versuch in den 1920er Jahren, erst als der Aufkommen von Computersimulation In den 1950er Jahren führten numerische Wettervorhersagen realistische Ergebnisse. Eine Reihe globaler und regionaler Prognosemodelle werden in verschiedenen Ländern weltweit durchgeführt, wobei aktuelle Wetterbeobachtungen ausgelöst werden Radiosonden, Wettersatelliten und andere Beobachtungssysteme als Eingaben.

Mathematische Modelle, die auf denselben physikalischen Prinzipien basieren, können verwendet werden, um entweder kurzfristige Wettervorhersagen oder längerfristige Klimavorhersagen zu generieren. Letztere werden weithin zum Verständnis und Projektion angewendet Klimawandel. Die Verbesserungen an regionalen Modellen haben signifikante Verbesserungen in ermöglicht Tropische Zyklonspur und Luftqualität Prognosen; Atmosphärische Modelle funktionieren jedoch schlecht bei Handhabungsprozessen, die in einem relativ eingeschränkten Bereich auftreten, wie z. Waldbrände.

Manipulation der riesigen Datensätze und die Durchführung der komplexen Berechnungen, die für die moderne numerische Wettervorhersage erforderlich sind, erfordert einige der mächtigsten Supercomputer in der Welt. Selbst mit der zunehmenden Kraft der Supercomputer, die Vorhersage von numerischen Wettermodellen erstreckt sich auf nur sechs Tage. Faktoren, die die Genauigkeit numerischer Vorhersagen beeinflussen, umfassen die Dichte und Qualität der Beobachtungen, die als Eingabe der Prognosen verwendet werden, sowie die Mängel in den numerischen Modellen selbst. Nachbearbeitungstechniken wie z. Modellausgabestatistik (MOS) wurden entwickelt, um den Umgang mit Fehlern der numerischen Vorhersagen zu verbessern.

Ein grundlegenderes Problem liegt in der chaotisch Natur der partielle Differentialgleichungen Das regiert die Atmosphäre. Es ist unmöglich, diese Gleichungen genau zu lösen, und kleine Fehler wachsen mit der Zeit (etwa alle fünf Tage verdoppeln). Das gegenwärtige Verständnis ist, dass dieses chaotische Verhalten genaue Prognosen auf etwa 14 Tage selbst mit genauen Eingabedaten und einem makellosen Modell einschränkt. Darüber hinaus müssen die im Modell verwendeten partiellen Differentialgleichungen ergänzt werden Parametrisierungen zum Sonnenstrahlung, feuchte Prozesse (Wolken und Niederschlag), Wärmeaustausch, Boden, Vegetation, Oberflächenwasser und die Auswirkungen des Geländes. Um die große Menge an inhärenten Unsicherheiten zu quantifizieren, die in numerischen Vorhersagen verbleiben, Ensemble -Prognosen werden seit den neunziger Jahren verwendet, um das Vertrauen in die Prognose einzuschätzen und nützliche Ergebnisse weiter in die Zukunft zu erzielen als sonst möglich. Dieser Ansatz analysiert mehrere Prognosen, die mit einem einzelnen Prognosemodell oder mehreren Modellen erstellt wurden.

Geschichte

Das Eniac -Hauptscheibe -Bedienfeld am Moore School of Electrical Engineering gesteuert von Betty Jennings und Frances Bilas.

Das Geschichte der numerischen Wettervorhersage begann in den 1920er Jahren durch die Bemühungen von Lewis Fry Richardson, wer verwendete Verfahren, die ursprünglich entwickelt wurden von Vilhelm Bjerknes[1] Mit Hand eine sechsstündige Prognose für den Zustand der Atmosphäre über zwei Punkte in Mitteleuropa zu produzieren, dauert es mindestens sechs Wochen, um dies zu tun.[1][2] Es war nicht bis zum Aufkommen des Computers und Computersimulationen Diese Berechnungszeit wurde auf weniger als der Prognosezeitraum selbst reduziert. Das Eniac wurde 1950 zur Erstellung der ersten Wettervorhersagen über Computer verwendet, basierend auf einer stark vereinfachten Annäherung an die atmosphärischen Leitungsgleichungen.[3][4] Im Jahr 1954, Carl-Gustav RossbyGruppe an der Schwedisches meteorologisches und hydrologisches Institut verwendete dasselbe Modell, um die erste operative Prognose zu erstellen (d. H. Eine routinemäßige Vorhersage für die praktische Verwendung).[5] Die operative numerische Wettervorhersage in den Vereinigten Staaten begann 1955 unter der gemeinsamen numerischen Wettervorhersageinheit (JNWPU), einem gemeinsamen Projekt der von der US-Luftwaffe, Marine und Wetterbüro.[6] Im Jahr 1956, Norman Phillips entwickelte ein mathematisches Modell, das realistisch monatliche und saisonale Muster in der Troposphäre darstellen könnte; Dies wurde der erste erfolgreiche Erfolg Klimamodell.[7][8] Nach Phillips 'Arbeit begannen mehrere Gruppen zu arbeiten general circulation models.[9] Das erste allgemeine Zirkulationsklimamodell, das sowohl ozeanische als auch atmosphärische Prozesse kombinierte, wurde Ende der 1960er Jahre entwickelt NOAA Geophysical Fluid Dynamics Laboratory.[10]

Da Computer leistungsfähiger geworden sind, hat sich die Größe der anfänglichen Datensätze erhöht und Neuere atmosphärische Modelle wurden entwickelt, um die zusätzliche verfügbare Rechenleistung zu nutzen. Diese neueren Modelle enthalten mehr physikalische Prozesse in den Vereinfachungen der Bewegungsgleichungen in numerischen Simulationen der Atmosphäre.[5] 1966,, West Deutschland und die Vereinigten Staaten begannen mit der Herstellung von operativen Prognosen basierend auf Primitive-Gleichungsmodelle, gefolgt von dem Vereinigten Königreich im Jahr 1972 und Australien im Jahr 1977.[1][11] Die Entwicklung von Regionalmodellen mit begrenzten Flächen (Regional) erleichterte Fortschritte bei der Prognose der Spuren von tropische Wirbelstürme ebenso gut wie Luftqualität In den 1970er und 1980er Jahren.[12][13] In den frühen 1980er Jahren begannen die Modelle, die Wechselwirkungen von Boden und Vegetation mit der Atmosphäre zu umfassen, was zu realistischeren Prognosen führte.[14]

Die Ausgabe von Prognosemodellen basierend auf Atmosphärische Dynamik Kann einige Details des Wetters in der Nähe der Erdoberfläche nicht beheben. Als solches wurde in den 1970er und 1980er Jahren eine statistische Beziehung zwischen der Ausgabe eines numerischen Wettermodells und den folgenden Bedingungen entwickelt, die als bekannt als bekannt sind Modellausgabestatistik (Mos).[15][16] Ab den neunziger Jahren wurden die Prognosen für Modellsemble verwendet, um die Prognoseunsicherheit zu definieren und das Fenster zu erweitern, in dem die Vorhersage des numerischen Wetters weiter in die Zukunft lebensfähig ist als sonst möglich.[17][18][19]

Initialisierung

A WP-3D Orion weather reconnaissance aircraft in flight.
Wetteraufklärungsflugzeuge wie diese WP-3D OrionGeben Sie Daten an, die dann in numerischen Wettervorhersagen verwendet werden.

Das Atmosphäre ist ein Fluid. Daher besteht die Idee der numerischen Wettervorhersage darin, den Zustand der Flüssigkeit zu einem bestimmten Zeitpunkt zu probieren und die Gleichungen von zu verwenden Flüssigkeitsdynamik und Thermodynamik Um den Zustand der Flüssigkeit in Zukunft zu schätzen. Der Prozess der Eingabe von Beobachtungsdaten in das Modell zur Generierung Anfangsbedingungen wird genannt Initialisierung. Auf dem Land werden Geländekarten bei Auflösungen bis auf 1 Kilometer (0,6 mi) weltweit zur Verfügung gestellt, um atmosphärische Zirkulationen in Regionen der robusten Topographie zu helfen, um Funktionen wie Downslope -Winde besser darzustellen. Bergwellen und verwandte Trübung, die die eingehende Sonnenstrahlung beeinflusst.[20] Die wichtigsten Inputs aus länderbasierten Wetterdiensten sind Beobachtungen von Geräten (genannt Radiosonden) bei Wetterballons, die verschiedene atmosphärische Parameter messen und an einen festen Empfänger sowie an einen festen Empfänger übertragen werden Wettersatelliten. Das Weltmeteorologische Organisation Handelt, um die Instrumentierung zu standardisieren, die Praktiken und den Zeitpunkt dieser Beobachtungen weltweit zu beobachten. Stationen berichten entweder stündlich in METAR Berichte,[21] oder alle sechs Stunden in Synop Berichte.[22] Diese Beobachtungen sind unregelmäßig verteilt, so dass sie von verarbeitet werden Datenassimilation und objektive Analysemethoden, die eine Qualitätskontrolle durchführen und Werte an Orten erhalten, an denen die mathematischen Algorithmen des Modells verwendet werden können.[23] Die Daten werden dann im Modell als Ausgangspunkt für eine Prognose verwendet.[24]

Eine Vielzahl von Methoden wird verwendet, um Beobachtungsdaten für die Verwendung in numerischen Modellen zu sammeln. Standorte starten Radiosonden bei Wetterballons, die sich durch die erheben Troposphäre und gut in die Stratosphäre.[25] Informationen von Wettersatelliten werden verwendet, wenn traditionelle Datenquellen nicht verfügbar sind. Handel bietet Pilotberichte entlang der Flugzeugwege[26] und Schiffsberichte entlang der Versandstrecken.[27] Forschungsprojekte Nutzung Aufklärungsflugzeuge In und um Wettersysteme von Interesse fliegen, wie z. tropische Wirbelstürme.[28][29] Aufklärungsflugzeuge werden auch während der kalten Jahreszeit über die offenen Ozeane in Systeme geflogen, die erhebliche Unsicherheiten in der prognostizierten Leitlinien verursachen oder von drei bis sieben Tagen in Zukunft auf dem nachgelagerten Kontinent von hoher Wirkung erwartet werden.[30] Das Meereis wurde 1971 in Prognosemodellen initialisiert.[31] Bemühungen zu beteiligen Meeresoberflächentemperatur In der Modellinitialisierung begann 1972 aufgrund seiner Rolle bei der Modulation des Wetters in höheren Breiten des Pazifiks.[32]

Berechnung

A prognostic chart of the North American continent provides geopotential heights, temperatures, and wind velocities at regular intervals. The values are taken at the altitude corresponding to the 850-millibar pressure surface.
A Prognose -Diagramm der 96-Stunden-Prognose von 850 Mbar Geopotentialhöhe und Temperatur von dem Globales Prognosesystem

Ein atmosphärisches Modell ist ein Computerprogramm, das produziert meteorologisch Informationen für zukünftige Zeiten an bestimmten Orten und Höhen. Innerhalb eines modernen Modells befindet sich eine Reihe von Gleichungen, die als die bezeichnet werden primitive Gleichungen, verwendet, um den zukünftigen Zustand der Atmosphäre vorherzusagen.[33] Diese Gleichungen - zusammen mit dem ideal gas law- Wird verwendet, um die weiterzuentwickeln Dichte, Druck, und Potentialtemperatur Skalarfelder und die Luft Geschwindigkeit (Wind) Vektorfeld der Atmosphäre durch die Zeit. Zusätzliche Transportgleichungen für Schadstoffe und andere Aerosole sind auch in einigen primitiven Hochauflösungsmodellen enthalten.[34] Die verwendeten Gleichungen sind nichtlinear Partielle Differentialgleichungen, die nicht durch analytische Methoden gelöst werden können,[35] mit Ausnahme einiger idealisierter Fälle.[36] Daher erhalten numerische Methoden ungefähre Lösungen. Unterschiedliche Modelle verwenden unterschiedliche Lösungsmethoden: einige globale Modelle und fast alle regionalen Modelle verwenden Finite -Differenz -Methoden Für alle drei räumlichen Dimensionen, während andere globale Modelle und einige regionale Modelle verwenden Spektralmethoden für die horizontalen Abmessungen und Finite-Differenz-Methoden in der vertikalen.[35]

Diese Gleichungen werden aus den Analysedaten initialisiert und Änderungsraten werden bestimmt. Diese Veränderungsraten prognostizieren den Zustand der Atmosphäre in kurzer Zeit in der Zukunft; Das Zeitinkrement für diese Vorhersage wird a genannt Zeitschritt. Dieser zukünftige atmosphärische Zustand wird dann als Ausgangspunkt für eine weitere Anwendung der Vorhersagegleichungen verwendet, um neue Veränderungsraten zu finden, und diese neuen Änderungsraten prognostizieren die Atmosphäre zu einem weiteren Zeitschritt in die Zukunft. Dieses Mal wird ein Schritt wiederholt, bis die Lösung die gewünschte Prognosezeit erreicht. Die Länge des im Modells gewählten Zeitschritts hängt mit dem Abstand zwischen den Punkten im Rechenraster zusammen und wird für die Wartung ausgewählt Numerische Stabilität.[37] Zeitschritte für globale Modelle sind in der Reihenfolge von Zehn Minuten,[38] Während Zeitschritte für regionale Modelle zwischen einem und vier Minuten liegen.[39] Die globalen Modelle werden in unterschiedlicher Zeit in Zukunft betrieben. Das Ukmet Einheitliches Modell wird sechs Tage in die Zukunft betrieben,[40] während Europäisches Zentrum für mittlere Wettervorhersagen' Integriertes Prognosesystem und Umwelt Kanada's Globales Umweltmultiskale -Modell Beide laufen bis zu zehn Tagen in die Zukunft,[41] und die Globales Prognosesystem Modell, das von der betrieben wird Umweltmodellierungszentrum wird sechzehn Tage in die Zukunft betrieben.[42] Die visuelle Ausgabe, die durch eine Modelllösung erzeugt wird Prognose -Diagramm, oder Prog.[43]

Parametrisierung

Bereich Kumuluswolken, die parametrisiert sind, da sie zu klein sind, um explizit in die numerische Wettervorhersage einbezogen zu werden

Einige meteorologische Prozesse sind zu klein oder zu komplex, um explizit in numerische Wettervorhersagemodelle einbezogen zu werden. Parametrisierung ist ein Verfahren zur Darstellung dieser Prozesse, indem sie auf Variablen auf den Skalen in Verbindung gebracht werden, die das Modell auflöst. Beispielsweise haben die Gitterboxen bei Wetter- und Klimamodellen Seiten, die zwischen 5 Kilometern und 300 Kilometern (200 mi) liegen. Eine typische Kumuluswolke hat eine Skala von weniger als 1 Kilometer (0,6 mi) und müsste ein Raster, das noch feiner als diese benötigt, physisch durch die Gleichungen der Flüssigkeitsbewegung dargestellt werden. Daher die Prozesse, die solche Wolken Repräsentiert werden durch Prozesse verschiedener Komplexität parametrisiert. In den frühesten Modellen, wenn eine Luftsäule innerhalb einer Modell -Gridbox konditionell instabil war (im Wesentlichen war der Boden wärmer und feuchter als die Oberseite) und der Wasserdampfgehalt an jedem Punkt innerhalb der Säule gesättigt wurde, würde sie umkippt (die Warme, feuchte Luft würde zunehmen) und die Luft in dieser vertikalen Säule gemischt. Anspruchsvollere Pläne erkennen, dass nur einige Teile der Box möglicherweise sein könnten konvekt und das Mitnahme und andere Prozesse treten auf. Wettermodelle mit Gridboxen mit Größen zwischen 5 und 25 Kilometern (3 und 16 mi) können explizit konvektive Wolken darstellen, obwohl sie parametrisieren müssen Wolkenmikrophysik die in kleinerem Maßstab auftreten.[44] Die Bildung von großem Maßstab (Stratus-typ) Wolken sind physikalischer basiert; Sie bilden sich, wenn die relative Luftfeuchtigkeit erreicht einen vorgeschriebenen Wert. Das Wolkenfraktion kann mit diesem kritischen Wert der relativen Luftfeuchtigkeit zusammenhängen.[45]

Die Menge an Sonnenstrahlung, die den Boden erreicht, sowie die Bildung von Wolkentröpfchen treten auf der molekularen Skala auf und müssen daher parametrisiert werden, bevor sie in das Modell aufgenommen werden können. Atmosphärischer Luftwiderstand von Bergen erzeugte muss ebenfalls parametrisiert werden, da die Einschränkungen in der Auflösung von Elevation Konturen erzeugen erhebliche Unterschätzungen des Luftwiderstands.[46] Diese Parametrisierungsmethode wird auch für den Oberflächenfluss der Energie zwischen dem Ozean und der Atmosphäre durchgeführt, um die realistischen Meeresoberflächentemperaturen und die Art des Meereis in der Nähe der Oberfläche des Ozeans zu bestimmen.[47] Der Sonnenwinkel sowie die Auswirkungen mehrerer Wolkenschichten werden berücksichtigt.[48] Bodentyp, Vegetationstyp und Bodenfeuchtigkeit bestimmen alle, wie viel Strahlung in die Erwärmung einfließt und wie viel Feuchtigkeit in die angrenzende Atmosphäre aufgenommen wird, und es ist daher wichtig, ihren Beitrag zu diesen Prozessen zu parametrisieren.[49] Innerhalb von Luftqualitätsmodellen berücksichtigen Parametrisierungen die atmosphärischen Emissionen aus mehreren relativ winzigen Quellen (z. B. Straßen, Felder, Fabriken) in bestimmten Gitterboxen.[50]

Domänen

A sigma coordinate system is shown. The lines of equal sigma values follow the terrain at the bottom, and gradually smoothen towards the top of the atmosphere.
Ein Querschnitt der Atmosphäre über dem Gelände mit einer sigma-koordinierten Darstellung gezeigt. Mesoskalige Modelle teilen die Atmosphäre vertikal unter Verwendung von Darstellungen, die der hier gezeigten ähnlich sind.

Die horizontale Domäne eines Modells entweder global, die ganze Erde bedecken, oder regionalnur einen Teil der Erde abdecken. Regionale Modelle (auch bekannt als begrenzte Fläche Modelle oder LAMS) ermöglichen die Verwendung von feinerem Netzabstand als globale Modelle, da sich die verfügbaren Rechenressourcen auf einen bestimmten Bereich konzentrieren, anstatt sich auf den Globus auszubreiten. Auf diese Weise können regionale Modelle explizit kleinere meteorologische Phänomene auflösen, die auf dem groben Gitter eines globalen Modells nicht dargestellt werden können. Regionale Modelle verwenden ein globales Modell, um die Bedingungen am Rande ihrer Domäne zu spezifizieren (Randbedingungen) um Systeme von außerhalb der regionalen Modelldomäne in seinen Bereich zu ermöglichen. Unsicherheit und Fehler innerhalb regionaler Modelle werden durch das globale Modell eingeführt, das für die Randbedingungen des Randes des regionalen Modells verwendet wird, sowie Fehler sowie Fehler, die auf das regionale Modell selbst zurückzuführen sind.[51]

Die vertikale Koordinate wird auf verschiedene Weise behandelt. Lewis Fry Richardsons 1922 -Modell verwendete geometrische Höhe () als vertikale Koordinate. Spätere Modelle ersetzten den geometrischen Koordinieren mit einem Druckkoordinatensystem, in dem die Geopotentialhöhen von konstanten Druckflächen werden abhängigen Variablen, die primitiven Gleichungen stark vereinfachen.[52] Diese Korrelation zwischen Koordinatensystemen kann hergestellt werden, da der Druck mit der Höhe durch die abnimmt Erdatmosphäre.[53] Das erste Modell, das für operative Prognosen verwendet wurde, das einschichtige Barotrop-Modell, verwendete eine einzelne Druckkoordinate auf 500 Millibar (ca. 500 m (18.000 ft)).[3] und war somit im Wesentlichen zweidimensional. Hochauflösende Modelle-auch genannt Mesoskalige Modelle-so wie die Wetterforschungs- und Prognosemodell Verwenden Sie neigen dazu, normalisierte Druckkoordinaten zu verwenden, die als als als bezeichnet bezeichnet werden Sigma -Koordinaten.[54] Dieses Koordinatensystem erhält seinen Namen von der unabhängige Variable gewöhnt an Skala Atmosphärische Drücke in Bezug auf den Druck an der Oberfläche und in einigen Fällen auch mit dem Druck am Oberteil der Domäne.[55]

Modellausgabestatistik

Da Prognosemodelle, die auf den Gleichungen für die atmosphärische Dynamik basieren, die Wetterbedingungen nicht perfekt bestimmen, wurden statistische Methoden entwickelt, um zu versuchen, die Prognosen zu korrigieren. Statistische Modelle wurden basierend auf den dreidimensionalen Feldern erstellt, die durch numerische Wettermodelle, Oberflächenbeobachtungen und die klimatologischen Bedingungen für bestimmte Stellen erzeugt wurden. Diese statistischen Modelle werden gemeinsam als als bezeichnet Modellausgabestatistik (MOS),[56] und wurden von der entwickelt Nationaler Wetterdienst für ihre Suite von Wettervorhersagemodellen in den späten 1960er Jahren.[15][57]

Modellausgabestatistiken unterscheiden sich von den Perfekter Prog Technik, bei der angenommen wird, dass die Ausgabe der Anleitung für numerische Wettervorhersage perfekt ist.[58] MOs können lokale Effekte korrigieren, die aufgrund einer unzureichenden Gitterauflösung sowie Modellverzerrungen durch das Modell nicht aufgelöst werden können. Da MOS nach seinem jeweiligen globalen oder regionalen Modell betrieben wird, wird seine Produktion als Nachbearbeitung bezeichnet. Prognoseparameter innerhalb von MOS umfassen maximale und minimale Temperaturen, prozentuale Regenwahrscheinlichkeit innerhalb eines Zeitraums von mehreren Stunden, die erwartete Niederschlagsmenge, die Wahrscheinlichkeit, dass der Niederschlag in der Natur eingefroren wird, Chance auf Gewitter, Trübung und Oberflächenwinde.[59]

Ensembles

Two images are shown. The top image provides three potential tracks that could have been taken by Hurricane Rita. Contours over the coast of Texas correspond to the sea-level air pressure predicted as the storm passed. The bottom image shows an ensemble of track forecasts produced by different weather models for the same hurricane.
oben: Wetterforschungs- und Prognosemodell (WRF) Simulation von Hurrikan Rita (2005) Tracks. Unterseite: Die Ausbreitung der NHC-Multi-Model-Ensemble-Prognose.

1963,, Edward Lorenz entdeckte die chaotische Natur des Flüssigkeitsdynamik Gleichungen, die an der Wettervorhersage beteiligt sind.[60] Extrem kleine Temperaturfehler, Winde oder andere anfängliche Eingaben, die numerischen Modellen gegeben wurden, verstärken und verdoppeln sich alle fünf Tage.[60] Es ist für langfristige Prognosen, die mehr als zwei Wochen im Voraus gemacht wurden Vorhersage. Darüber hinaus haben bestehende Beobachtungsnetzwerke in einigen Regionen eine schlechte Abdeckung (z. Während eine Reihe von Gleichungen, bekannt als die Liouville -Gleichungen, um die anfängliche Unsicherheit in der Modellinitialisierung zu bestimmen, sind die Gleichungen zu komplex, um in Echtzeit zu laufen, selbst bei Verwendung von Supercomputern.[61] Diese Unsicherheiten beschränken die Genauigkeit des Prognosemodells auf etwa fünf oder sechs Tage in der Zukunft.[62][63]

Edward Epstein 1969 erkannt, dass die Atmosphäre aufgrund einer inhärenten Unsicherheit nicht vollständig beschrieben werden konnte Ensemble von stochastisch Monte Carlo Simulationen produzieren meint und Abweichungen für den Zustand der Atmosphäre.[64] Obwohl dieses frühe Beispiel eines Ensembles Fähigkeiten zeigte, zeigte Cecil Leith 1974, dass sie nur dann angemessene Prognosen erbrachten, wenn das Ensemble Wahrscheinlichkeitsverteilung war eine repräsentative Probe der Wahrscheinlichkeitsverteilung in der Atmosphäre.[65]

Seit den 1990er Jahren, Ensemble -Prognosen wurden operativ (als routinemäßige Prognosen) verwendet, um die stochastische Natur von Wetterprozessen zu berücksichtigen - dh, um ihre inhärente Unsicherheit zu lösen. Diese Methode beinhaltet die Analyse mehrerer Prognosen, die mit einem individuellen Prognosemodell erstellt wurden, indem sie unterschiedliche physische Verwendung verwenden Parametrisierungen oder unterschiedliche Anfangsbedingungen.[61] Ab 1992 mit Ensemble -Prognosen vorbereitet von der Europäisches Zentrum für mittlere Wettervorhersagen (ECMWF) und die Nationale Zentren für UmweltvorhersageDas Modell Ensemble -Prognosen wurden verwendet, um die Prognoseunsicherheit zu definieren und das Fenster zu verlängern, in dem die Vorhersage des numerischen Wetters weiter in die Zukunft lebensfähig ist als sonst möglich.[17][18][19] Das ECMWF -Modell, das Ensemble Prediction System,[18] Verwendet Singularvektoren um die Anfangsfest zu simulieren WahrscheinlichkeitsdichteWährend das NCEP -Ensemble, das globale Ensemble -Prognosesystem, eine Technik verwendet Vektorzucht.[17][19] Das Vereinigte Königreich Met Office Führen Sie globale und regionale Ensemble -Prognosen aus, bei denen Störungen zu den Anfangsbedingungen von 24 Ensemble -Mitgliedern im Global- und Regional Ensemble Prediction System (MOGREPs) der Met Office verwendet werden, um 24 verschiedene Prognosen zu erstellen.[66]

In einem einzelnen modellbasierten Ansatz wird die Ensemble-Prognose normalerweise anhand eines Durchschnitts der einzelnen Prognosen für eine Prognosevariable sowie den Grad der Übereinstimmung zwischen verschiedenen Prognosen innerhalb des Ensemble-Systems bewertet, wie sie durch ihre Gesamtverteilung dargestellt wird. Ensemble Spread wird durch Tools wie z. B. diagnostiziert Spaghetti -Diagramme, die die Dispersion einer Menge auf prognostischen Diagrammen für bestimmte Zeitschritte in der Zukunft zeigen. Ein weiteres Werkzeug, in dem Ensemble -Spread verwendet wird, ist a Meteogramm, was die Dispersion in der Vorhersage einer Menge für einen bestimmten Ort zeigt. Es ist üblich, dass das Ensemble -Spread zu klein ist, um das tatsächlich auftretende Wetter einzubeziehen, was dazu führen kann, dass Prognostiker die Modellunsicherheit fehldiagnostizieren.[67] Dieses Problem wird für Prognosen des Wetters etwa zehn Tage im Voraus besonders schwerwiegend.[68] Wenn die Spread der Ensemble gering ist und die Prognoselösungen innerhalb mehrerer Modellläufe konsistent sind, nehmen Prognostiker mehr Vertrauen in das Ensemble -Mittel und die Prognose im Allgemeinen wahr.[67] Trotz dieser Wahrnehmung a Verbreitungs-Skill-Beziehung ist oft schwach oder nicht gefunden, als Spread-Irrtum Korrelationen sind normalerweise weniger als 0,6, und nur unter besonderen Umständen liegen zwischen 0,6 und 0,7.[69] Die Beziehung zwischen Ensemble verbreitete und Vorhersage variiert erheblich abhängig von Faktoren wie dem Prognosemodell und der Region, für die die Prognose erstellt wird.

Auf die gleiche Weise, wie viele Prognosen eines einzelnen Modells zur Bildung eines Ensembels verwendet werden können, können auch mehrere Modelle kombiniert werden, um eine Ensemble -Prognose zu erzeugen. Dieser Ansatz heißt Multimodell-Ensemble-PrognoseEs wurde gezeigt, dass die Prognosen im Vergleich zu einem einzelnen modellbasierten Ansatz verbessert werden.[70] Modelle innerhalb eines Multi-Model-Ensembles können für ihre verschiedenen Verzerrungen angepasst werden, was ein Prozess ist Superensemble Prognose. Diese Art der Prognose reduziert die Fehler in der Modellausgabe signifikant.[71]

Anwendungen

Luftqualitätsmodellierung

Luftqualitätsprognose Versuche, vorherzusagen, wann die Konzentrationen der Schadstoffe ein Niveau erreichen, das der öffentlichen Gesundheit gefährdet ist. Die Konzentration von Schadstoffen in der Atmosphäre wird durch ihre bestimmt Transport, oder bedeuten Bewegungsgeschwindigkeit durch die Atmosphäre, ihre Diffusion, Chemische Transformationund gemahlen Ablage.[72] Zusätzlich zu den Informationen zur Quellen- und Gelände von Schadstoffen benötigen diese Modelle Daten über den Zustand der Flüssigkeitsströmung in der Atmosphäre, um seinen Transport und seine Diffusion zu bestimmen.[73] Meteorologische Zustände wie z. Wärmeleitinversionen kann verhindern, dass Oberflächenluft steigt, Schadstoffe in der Nähe der Oberfläche fangen,[74] Dies macht genaue Vorhersagen solcher Ereignisse für die Modellierung der Luftqualität entscheidend. Städtische Luftqualitätsmodelle erfordern ein sehr feines Rechennetz, das die Verwendung hochauflösender mesoskaliger Wettermodelle benötigt. Trotzdem ist die Qualität der numerischen Wetteranleitung die Hauptunsicherheit bei der Luftqualitätsprognosen.[73]

Klimamodellierung

Ein allgemeines Zirkulationsmodell (GCM) ist a mathematisches Modell Dies kann in Computersimulationen der globalen Zirkulation eines Planeten verwendet werden Atmosphäre oder Ozean. Ein atmosphärisches allgemeines Zirkulationsmodell (AGCM) ist im Wesentlichen das gleiche wie ein globales numerisches Wettervorhersagemodell, und einige (wie das, die im britischen Unified-Modell verwendet werden) können sowohl für kurzfristige Wettervorhersagen als auch für längerfristige Klimavorhersagen konfiguriert werden . Zusammen mit Meeres-Eis und Landoberflächenkomponenten, AGCMs und ozeanische GCMs (OGCM) sind Schlüsselkomponenten globaler Klimamodelle und sind häufig zum Verständnis der Klima und projizieren Klimawandel. Für Aspekte des Klimawandels kann eine Reihe von künstlichen chemischen Emissionsszenarien in die Klimamodelle eingespeist werden, um zu sehen, wie sich ein verbessert hat Treibhauseffekt Würde das Klima der Erde ändern.[75] Versionen für Klimaanwendungen mit Zeitskalen von Jahrzehnten bis Jahrhunderten wurden ursprünglich 1969 von 1969 von erstellt Syukuro Manabe und Kirk Bryan Bei der Geophysical Fluid Dynamics Laboratory in Princeton, New Jersey.[76] Bei mehreren Jahrzehnten führen rechnerische Einschränkungen dazu, dass die Modelle ein grobes Gitter verwenden müssen, das kleinere Wechselwirkungen ungelöst hinterlässt.[77]

Modellierung der Meeresoberfläche

A wind and wave forecast for the North Atlantic Ocean. Two areas of high waves are identified: One west of the southern tip of Greenland, and the other in the North Sea. Calm seas are forecast for the Gulf of Mexico. Wind barbs show the expected wind strengths and directions at regularly spaced intervals over the North Atlantic.
NOAA Wavewatch III 120-Stunden-Wind- und Wellenprognose für den Nordatlantik

Die Energieübertragung zwischen dem Wind, der über die Oberfläche eines Ozeans weht, und der oberen Schicht des Ozeans ist ein wichtiges Element in der Wellendynamik.[78] Die spektrale Wellentransportgleichung wird verwendet, um die Änderung des Wellenspektrums gegenüber der sich ändernden Topographie zu beschreiben. Es simuliert die Wellenerzeugung, Wellenbewegung (Ausbreitung innerhalb einer Flüssigkeit), Wellenschwingen, Brechung, Energieübertragung zwischen Wellen und Wellenissipation.[79] Da Oberflächenwinde der primäre Antriebsmechanismus in der Spektralwellentransportgleichung sind, verwenden Ozeanwellenmodelle Informationen, die durch numerische Wettervorhersagemodelle erzeugt werden, um Eingaben zu erhalten, um zu bestimmen, wie viel Energie aus der Atmosphäre in die Schicht an der Oberfläche des Ozeans übertragen wird. Zusammen mit der Ablassung von Energie durch Whitecaps und Resonanz Zwischen Wellen ermöglichen Oberflächenwinde aus numerischen Wettermodellen genauere Vorhersagen des Zustands der Meeresoberfläche.[80]

Tropische Zyklonprognose

Tropische Zyklonvorhersage beruht auch auf Daten, die von numerischen Wettermodellen bereitgestellt werden. Drei Hauptklassen von Tropical Cyclone Guidance -Modelle existieren: Statistische Modelle basieren auf einer Analyse des Sturmverhaltens unter Verwendung der Klimatologie und korrelieren die Position und das Datum eines Sturms, um eine Prognose zu erstellen, die zu dieser Zeit nicht auf der Physik der Atmosphäre basiert. Dynamische Modelle sind numerische Modelle, die die maßgeblichen Gleichungen des Flüssigkeitsflusss in der Atmosphäre lösen. Sie basieren auf den gleichen Prinzipien wie andere numerische Wettervorhersagemodelle in begrenztem Umfang, können jedoch spezielle Rechentechniken wie raffinierte räumliche Domänen enthalten, die sich zusammen mit dem Zyklon bewegen. Modelle, die Elemente beider Ansätze verwenden, werden als statistisch-dynamische Modelle bezeichnet.[81]

1978 der erste Hurrikan-Tracking-Modell bezogen auf Atmosphärische Dynamik-Das bewegliche Fine-Mesh (MFM) -Modell-Bean Operating.[12] Innerhalb des Gebiets von Tropical Cyclon Track PrognoseTrotz der ständig verbesserten dynamischen Modellführung, die mit einer erhöhten Rechenleistung auftrat, dauerte es erst in den 1980er Jahren, als die numerische Wettervorhersage zeigte Könnenund bis in die neunziger Jahre, als es konsequent übertroffen wurde statistisch oder einfache dynamische Modelle.[82] Vorhersagen über die Intensität eines tropischen Zyklons, der auf numerischer Wettervorhersage basiert, sind weiterhin eine Herausforderung, da statistische Methoden weiterhin höhere Fähigkeiten über die dynamische Anleitung zeigen.[83]

Waldbrandmodellierung

Ein einfaches Modell mit Waldbrand -Ausbreitungsmodell

Auf molekularer Ebene gibt es zwei wichtige konkurrierende Reaktionsprozesse am Abbau von Zellulose, oder Holzbrennstoffe, in Waldbrände. Wenn in einer Cellulosefaser eine geringe Menge an Feuchtigkeit vorhanden ist, Verflüchtigung des Kraftstoffs treten auf; Dieser Prozess erzeugt intermediäre gasförmige Produkte, die letztendlich die Quelle von sein werden Verbrennung. Wenn Feuchtigkeit vorhanden ist - oder wenn genügend Wärme von der Faser weggetragen wird, wird Verkohlung tritt ein. Das Chemische Kinetik Von beiden Reaktionen deuten darauf hin, dass es einen Punkt gibt, an dem der Feuchtigkeitsniveau niedrig genug ist-und/oder Heizraten hoch genug-, damit Verbrennungsprozesse autark werden. Folglich Veränderungen in Windgeschwindigkeit, Richtung, Feuchtigkeit, Temperatur oder Leichzrate Auf verschiedenen Ebenen der Atmosphäre kann sich erheblich auf das Verhalten und das Wachstum eines Lauffeueres auswirken. Da das Lauffeuer als Wärmequelle für den atmosphärischen Fluss fungiert, kann das Lauffeuer die lokale Veränderung verändern Advektion Muster, Einführung a Rückkopplungsschleife zwischen dem Feuer und der Atmosphäre.[84]

Ein vereinfachtes zweidimensionales Modell für die verwendete Verbreitung von Waldbränden Konvektion die Auswirkungen von Wind und Gelände darstellen sowie die Auswirkungen Strahlungswärmeübertragung Als dominierende Methode des Wärmetransports führte zu Reaktions -Diffusionssysteme von partielle Differentialgleichungen.[85][86] Komplexere Modelle beitreten numerischen Wettermodelle oder Computerflüssigkeitsdynamik Modelle mit einer Waldbrandkomponente, mit denen die Rückkopplungseffekte zwischen dem Feuer und der Atmosphäre geschätzt werden können.[84] Die zusätzliche Komplexität in der letzteren Modelleklasse führt zu einer entsprechenden Erhöhung ihrer Computerleistung. In der Tat eine volle dreidimensionale Behandlung von Verbrennung über Direkte numerische Simulation Bei Skalen, die für die atmosphärische Modellierung relevant sind, ist derzeit aufgrund der übermäßigen Rechenkosten, die eine solche Simulation erfordern würde, derzeit nicht praktisch. Numerische Wettermodelle haben nur begrenzte Prognose -Fähigkeiten bei räumlichen Auflösungen unter 1 Kilometer (0,6 mi), was komplexe Waldbrandmodelle erzwingt, um das Feuer zu parametrisieren, um zu berechnen, wie die Winde lokal durch das Waldbrand modifiziert werden, und um die modifizierten Winde zu verwenden, um die zu bestimmen, die die bestimmen Rate, mit der sich das Feuer lokal ausbreitet.[87][88][89] Obwohl Modelle wie z. Los Alamos'Firetec für die Konzentrationen des Kraftstoffs und die Konzentrationen des Kraftstoffs lösen und SauerstoffDas Rechenraster kann nicht gut genug sein, um die Verbrennungsreaktion aufzulösen, sodass für die Temperaturverteilung innerhalb jeder Gitterzelle sowie für die Verbrennungsreaktionsraten selbst Annäherungen vorgenommen werden müssen.

Siehe auch

Verweise

  1. ^ a b c Lynchen, Peter (März 2008). "Die Ursprünge der Computerwettervorhersage und Klimamodellierung" (PDF). Journal of Computational Physics. 227 (7): 3431–44. Bibcode:2008jcoph.227.3431l. doi:10.1016/j.jcp.2007.02.034. Archiviert von das Original (PDF) Am 2010-07-08. Abgerufen 2010-12-23.
  2. ^ Lynch, Peter (2006). "Wettervorhersage durch numerische Prozesse". Die Entstehung der numerischen Wettervorhersage. Cambridge University Press. pp.1–27. ISBN 978-0-521-85729-1.
  3. ^ a b Charney, Jule; Fjørtoft, Ragnar; Von Neumann, John (November 1950). "Numerische Integration der barotropen Wirbelgleichung". Erzähl uns. 2 (4): 237. Bibcode:1950Tella ... 2..237c. doi:10.3402/tellusa.v2i4.8607.
  4. ^ Cox, John D. (2002). Sturmbeobachter. John Wiley & Sons, Inc. p.208. ISBN 978-0-471-38108-2.
  5. ^ a b Harper, Kristine; Uccellini, Louis W.; Kalnay, Eugenia; Carey, Kenneth; Morone, Lauren (Mai 2007). "2007: 50. Jahrestag der operativen numerischen Wettervorhersage". Bulletin der American Meteorological Society. 88 (5): 639–650. Bibcode:2007bams ... 88..639h. doi:10.1175/BAMS-88-5-639.
  6. ^ American Institute of Physics (2008-03-25). "Atmosphärische allgemeine Kreislaufmodellierung". Archiviert von das Original am 2008-03-25. Abgerufen 2008-01-13.
  7. ^ Phillips, Norman A. (April 1956). "Die allgemeine Zirkulation der Atmosphäre: ein numerisches Experiment". Vierteljährliches Journal der Royal Meteorological Society. 82 (352): 123–154. Bibcode:1956qjrms..82..123p. doi:10.1002/qj.49708235202.
  8. ^ Cox, John D. (2002). Sturmbeobachter. John Wiley & Sons, Inc. p.210. ISBN 978-0-471-38108-2.
  9. ^ Lynch, Peter (2006). "Die Eniac -Integrationen". Die Entstehung der numerischen Wettervorhersage. Cambridge University Press. pp.206–208. ISBN 978-0-521-85729-1.
  10. ^ Nationales ozeanische und atmosphärische Verwaltung (2008-05-22). "Das erste Klimamodell". Abgerufen 2011-01-08.
  11. ^ Leslie, L.M.; Dietachmeyer, G.S. (Dezember 1992). "Echtzeit begrenzte Gebietsvorhersage in Australien: Eine historische Perspektive" (PDF). Australian Meteorological Magazine. 41 (SP): 61–77. Abgerufen 2011-01-03.
  12. ^ a b Shuman, Frederick G. (September 1989). "Geschichte der numerischen Wettervorhersage im National Meteorological Center". Wetter und Prognose. 4 (3): 286–296. Bibcode:1989wtfor ... 4..286s. doi:10.1175/1520-0434 (1989) 004 <0286: Honwpa> 2.0.co; 2; 2;.
  13. ^ Steyn, D. G. (1991). Luftverschmutzungsmodellierung und Anwendung VIII, Band 8. Birkhäuser. S. 241–242. ISBN 978-0-306-43828-8.
  14. ^ Xue, Yongkang; Fennessey, Michael J. (1996-03-20). "Auswirkungen der Vegetationseigenschaften auf die US -amerikanische Sommerwettervorhersage" (PDF). Journal of Geophysical Research. 101 (D3): 7419. Bibcode:1996jgr ... 101.7419X. Citeseerx 10.1.1.453.551. doi:10.1029/95JD02169. Archiviert von das Original (PDF) Am 2010-07-10. Abgerufen 2011-01-06.
  15. ^ a b Hughes, Harry (1976). Vorhersage der Modellausgangsstatistik Prognose (PDF). US -amerikanische Luftwaffen -Umwelttechnik -Anwendungszentrum. S. 1–16. Archiviert (PDF) Aus dem Original am 17. Juni 2019.
  16. ^ Best, D. L.; Pryor, S. P. (1983). Air Weather Service Model Output Statistics Systems Systeme. Air Force Global Weather Central. S. 1–90.
  17. ^ a b c Toth, Zoltan; Kalnay, Eugenia (Dezember 1997). "Ensemble -Prognose bei NCEP und der Zuchtmethode". Monatliche Wetterbewertung. 125 (12): 3297–3319. Bibcode:1997MWRV..125.3297t. Citeseerx 10.1.1.324.3941. doi:10.1175/1520-0493 (1997) 125 <3297: efanat> 2.0.co; 2; 2;.
  18. ^ a b c "Das Ensemble Prediction System (EPS)" ". ECMWF. Archiviert von das Original Am 2010-10-30. Abgerufen 2011-01-05.
  19. ^ a b c Molteni, F.; Buizza, R.; Palmer, T.N.; Petroliagis, T. (Januar 1996). "Das ECMWF -Ensemble -Vorhersagesystem: Methodik und Validierung". Vierteljährliches Journal der Royal Meteorological Society. 122 (529): 73–119. Bibcode:1996qjrms.122 ... 73m. doi:10.1002/qj.49712252905.
  20. ^ Stensrud, David J. (2007). Parametrisierungsschemata: Schlüssel zum Verständnis numerischer Wettervorhersagemodelle. Cambridge University Press. p. 56. ISBN 978-0-521-86540-1.
  21. ^ Nationales klimatisches Rechenzentrum (2008-08-20). "Schlüssel zu Metar -Oberflächenwetterbeobachtungen". Nationales ozeanische und atmosphärische Verwaltung. Archiviert von das Original Am 2002-11-01. Abgerufen 2011-02-11.
  22. ^ "Synop-Datenformat (FM-12): synoptische Oberflächenbeobachtungen". Unisys. 2008-05-25. Archiviert von das Original Am 2007-12-30.
  23. ^ Krishnamurti, T. N. (Januar 1995). "Numerische Wettervorhersage". Jährliche Überprüfung der Flüssigkeitsmechanik. 27 (1): 195–225. Bibcode:1995anrfm..27..195k. doi:10.1146/annurev.fl.27.010195.001211.
  24. ^ "Das WRF-Variationsdaten-Assimilationssystem (WRF-VAR)". University Corporation für atmosphärische Forschung. 2007-08-14. Archiviert von das Original am 2007-08-14.
  25. ^ Gaffen, Dian J. (2007-06-07). "Radiosonde-Beobachtungen und ihre Verwendung in SPARC-bezogenen Untersuchungen". Archiviert von das Original Am 2007-06-07.
  26. ^ Ballish, Bradley A.; V. Krishna Kumar (November 2008). "Systematische Unterschiede in Flugzeugen und Radiosonden Temperaturen" (PDF). Bulletin der American Meteorological Society. 89 (11): 1689–1708. Bibcode:2008bams ... 89.1689b. doi:10.1175/2008bams2332.1. Abgerufen 2011-02-16.
  27. ^ Nationales Data Booy Center (2009-01-28). "Das WMO -Schema der freiwilligen Beobachtungsschiffe (VOS)". Nationales ozeanische und atmosphärische Verwaltung. Abgerufen 2011-02-15.
  28. ^ 403. Wing (2011). "Die Hurrikanjäger". 53. Wetteraufklärungsgeschwader. Archiviert von das Original Am 2012-05-30. Abgerufen 2006-03-30.
  29. ^ Lee, Christopher (2007-10-08). "Drohne, Sensoren können den Weg zum Auge des Sturms öffnen". Die Washington Post. Abgerufen 2008-02-22.
  30. ^ Nationales ozeanische und atmosphärische Verwaltung (2010-11-12). "NOAA sendet High-Tech-Forschungsebene, um die Wintersturmprognosen zu verbessern". Abgerufen 2010-12-22.
  31. ^ Stensrud, David J. (2007). Parametrisierungsschemata: Schlüssel zum Verständnis numerischer Wettervorhersagemodelle. Cambridge University Press. p. 137. ISBN 978-0-521-86540-1.
  32. ^ Houghton, John Theodore (1985). Das globale Klima. Cambridge University Pressarchiv. S. 49–50. ISBN 978-0-521-31256-1.
  33. ^ Pielke, Roger A. (2002). Mesoskalige meteorologische Modellierung. Akademische Presse. pp.48–49. ISBN 978-0-12-554766-6.
  34. ^ Pielke, Roger A. (2002). Mesoskalige meteorologische Modellierung. Akademische Presse. pp.18–19. ISBN 978-0-12-554766-6.
  35. ^ a b Strikwerda, John C. (2004). Endliche Differenzschemata und partielle Differentialgleichungen. SIAM. S. 165–170. ISBN 978-0-89871-567-5.
  36. ^ Pielke, Roger A. (2002). Mesoskalige meteorologische Modellierung. Akademische Presse. p.65. ISBN 978-0-12-554766-6.
  37. ^ Pielke, Roger A. (2002). Mesoskalige meteorologische Modellierung. Akademische Presse. pp.285–287. ISBN 978-0-12-554766-6.
  38. ^ Sunderam, V. S.; Van Albada, G. Dick; Peter, M. A.; Sloot, J. J. Dongarra (2005). Computational Science - ICCS 2005: 5. Internationale Konferenz, Atlanta, GA, USA, 22. bis 25. Mai 2005, Proceedings, Teil 1. Springer. p. 132. ISBN 978-3-540-26032-5.
  39. ^ Zwieflhofer, Walter; Kreitz, Norbert; Europäisches Zentrum für Wettervorhersagen mit mittlerer Reichweite (2001). Entwicklungen im Teracomputing: Verfahren des neunten ECMWF -Workshops zur Verwendung von Hochleistungs -Computing in Meteorologie. Welt wissenschaftlich. p. 276. ISBN 978-981-02-4761-4.{{}}: Cs1 montiert: Mehrfachnamen: Autorenliste (Link)
  40. ^ Chan, Johnny C. L. & Jeffrey D. Kepert (2010). Globale Perspektiven auf tropische Zyklone: ​​Von der Wissenschaft zur Minderung. Welt wissenschaftlich. S. 295–296. ISBN 978-981-4293-47-1. Abgerufen 2011-02-24.
  41. ^ Holton, James R. (2004). Eine Einführung in die dynamische Meteorologie, Band 1. Akademische Presse. p. 480. ISBN 978-0-12-354015-7. Abgerufen 2011-02-24.
  42. ^ Brown, Molly E. (2008). Hungerswarnwarnsysteme und Fernerkundungsdaten. Hungerswarnwarnsysteme und Fernerkundungsdaten. Springer. p. 121. Bibcode:2008Fews.book ..... b. ISBN 978-3-540-75367-4. Abgerufen 2011-02-24.
  43. ^ Ahrens, C. Donald (2008). Wesentliche der Meteorologie: Eine Einladung zur Atmosphäre. Cengage -Lernen. p. 244. ISBN 978-0-495-11558-8.
  44. ^ Narita, Masami & Shiro Ohmori (2007-08-06). "3.7 Verbesserung der Niederschlagsvorhersagen durch das operative nichthydrostatische mesoskalige Modell mit der Konvektionsparametrisierung und Wolkenmikrophysik der Kain-Friitsch" (PDF). 12. Konferenz über mesoskalige Prozesse. Abgerufen 2011-02-15.
  45. ^ Frierson, Dargan (2000-09-14). "Das Diagnose -Cloud -Parametrisierungsschema" (PDF). Universität von Washington. S. 4–5. Archiviert von das Original (PDF) Am 2011-04-01. Abgerufen 2011-02-15.
  46. ^ Stensrud, David J. (2007). Parametrisierungsschemata: Schlüssel zum Verständnis numerischer Wettervorhersagemodelle. Cambridge University Press. p. 6. ISBN 978-0-521-86540-1.
  47. ^ McGuffie, K. & A. Henderson-Sellers (2005). Ein Klimamodellierungsprimer. John Wiley und Söhne. p. 188. ISBN 978-0-470-85751-9.
  48. ^ Melʹnikova, Irina N. & Alexander V. Vasilyev (2005). Kurzwellen-Sonnenstrahlung in der Erdatmosphäre: Berechnung, Zubehör, Interpretation. Springer. S. 226–228. ISBN 978-3-540-21452-6.
  49. ^ Stensrud, David J. (2007). Parametrisierungsschemata: Schlüssel zum Verständnis numerischer Wettervorhersagemodelle. Cambridge University Press. S. 12–14. ISBN 978-0-521-86540-1.
  50. ^ Baklanov, Alexander, Sue Grimmond, Alexander Mahura (2009). Meteorologische und Luftqualitätsmodelle für städtische Gebiete. Springer. S. 11–12. ISBN 978-3-642-00297-7. Abgerufen 2011-02-24.{{}}: Cs1 montiert: Mehrfachnamen: Autorenliste (Link)
  51. ^ Warner, Thomas Tomkins (2010). Numerisches Wetter und Klimavorhersage. Cambridge University Press. p. 259. ISBN 978-0-521-51389-0.
  52. ^ Lynch, Peter (2006). "Die grundlegenden Gleichungen". Die Entstehung der numerischen Wettervorhersage. Cambridge University Press. pp.45–46. ISBN 978-0-521-85729-1.
  53. ^ Ahrens, C. Donald (2008). Wesentliche der Meteorologie: Eine Einladung zur Atmosphäre. Cengage -Lernen. p. 10. ISBN 978-0-495-11558-8.
  54. ^ Janjic, Zavisa; Gall, Robert; Pyle, Matthew E. (Februar 2010). "Wissenschaftliche Dokumentation für den NMM -Solver" (PDF). Nationales Zentrum für atmosphärische Forschung. S. 12–13. Archiviert von das Original (PDF) Am 2011-08-23. Abgerufen 2011-01-03.
  55. ^ Pielke, Roger A. (2002). Mesoskalige meteorologische Modellierung. Akademische Presse. pp.131–132. ISBN 978-0-12-554766-6.
  56. ^ Bauma L. (2007). Wenn die Natur schlägt: Wetterkatastrophen und das Gesetz.Greenwood Publishing Group.p.189. ISBN 978-0-275-22129-4.
  57. ^ Glahn, Harry R.; Lowry, Dale A. (Dezember 1972). "Die Verwendung von Modellausgangsstatistiken (MOS) bei der objektiven Wettervorhersage". Journal of Applied Meteorology. 11 (8): 1203–1211. Bibcode:1972JAPME..11.1203G. doi:10.1175/1520-0450 (1972) 011 <1203: tuomos> 2.0.co; 2;.
  58. ^ Gultepe, Ismail (2007). Nebel- und Grenzschichtwolken: Nebelsichtbarkeit und Prognose. Springer. p. 1144. ISBN 978-3-7643-8418-0. Abgerufen 2011-02-11.
  59. ^ Barry, Roger Graham; Chorley, Richard J. (2003). Atmosphäre, Wetter und Klima. Psychologiepresse. p. 172. ISBN 978-0-415-27171-4. Abgerufen 2011-02-11.
  60. ^ a b Cox, John D. (2002). Sturmbeobachter. John Wiley & Sons, Inc. pp.222–224. ISBN 978-0-471-38108-2.
  61. ^ a b Manousos, Peter (2006-07-19). "Ensemble Prediction Systems". Hydrometeorologisches Vorhersagezentrum. Abgerufen 2010-12-31.
  62. ^ Weickmann, Klaus; Jeff Whitaker; Andres Roubicek; Catherine Smith (2001-12-01). "Die Verwendung von Ensemble -Prognosen zur Erzeugung einer verbesserten mittleren Bereiche (3–15 Tage) Wettervorhersagen". Klimadiagnostikzentrum. Archiviert von das Original Am 2010-05-28. Abgerufen 2007-02-16.
  63. ^ Chakraborty, Arindam (Oktober 2010). "Die Fähigkeit von ECMW-Mittelstreckenprognosen während des Jahres der tropischen Konvektion 2008". Monatliche Wetterbewertung. 138 (10): 3787–3805. Bibcode:2010MWRV..138.3787c. doi:10.1175/2010MWR3217.1.
  64. ^ Epstein, E.S. (Dezember 1969). "Stochastische dynamische Vorhersage". Tellus a. 21 (6): 739–759. Bibcode:1969tell ... 21..739e. doi:10.1111/j.2153-3490.1969.tb00483.x.
  65. ^ Leith, C. E. (Juni 1974). "Theoretische Fähigkeiten von Monte -Carlo -Vorhersagen". Monatliche Wetterbewertung. 102 (6): 409–418. Bibcode:1974MWRV..102..409L. doi:10.1175/1520-0493 (1974) 102 <0409: tsomcf> 2.0.co; 2;.
  66. ^ "MOGREPS". Met Office. Archiviert von das Original Am 2012-10-22. Abgerufen 2012-11-01.
  67. ^ a b Warner, Thomas Tomkins (2010). Numerisches Wetter und Klimavorhersage. Cambridge University Press. S. 266–275. ISBN 978-0-521-51389-0.
  68. ^ Palmer, T.N.; Shutts, G.J.; Hagedorn, R.; Doblas-Reyes, F.J.; Jung, T.; Leutbecher, M. (Mai 2005). "Darstellung der Modellunsicherheit bei Wetter- und Klimavorhersage". Annual Review of Earth and Planetary Sciences. 33: 163–193. Bibcode:2005 Aareps..33..163p. doi:10.1146/annurev.earth.33.092203.122552.
  69. ^ Grimit, Eric P.; Mass, Clifford F. (Oktober 2004). "Neudefinition des Ensemble-Verbreitungs-Skill-Verhältnisses aus einer probabilistischen Perspektive" (PDF). Universität von Washington. Archiviert von das Original (PDF) am 2008-10-12. Abgerufen 2010-01-02.
  70. ^ Zhou, Binbin; DU, Jun (Februar 2010). "Nebelvorhersage eines multimodelischen mesoskaligen Ensemble -Vorhersagesystems" (PDF). Wetter und Prognose. 25 (1): 303. Bibcode:2010wtfor..25..303z. doi:10.1175/2009waf2222289.1. Abgerufen 2011-01-02.
  71. ^ Cane, D.; Milelli, M. (2010-02-12). "Multimodel Superensemble -Technik für quantitative Niederschlagsvorhersagen in der Region Pionte" (PDF). Naturgefahr und Erdsystemwissenschaften. 10 (2): 265. Bibcode:2010nhess..10..265c. doi:10.5194/NHess-10-265-2010. Abgerufen 2011-01-02.
  72. ^ Daly, Aaron & Paolo Zannetti (2007). Umgebungsluftverschmutzung (PDF). Die arabische Schule für Wissenschaft und Technologie und das Envirocomp -Institut. p. 16. Abgerufen 2011-02-24.
  73. ^ a b Baklanov, Alexander; Rasmussen, Alix; Fay, Barbara; Berge, Erik; Finardi, Sandro (September 2002). "Potenzial und Mängel numerischer Wettervorhersagemodelle bei der Bereitstellung von meteorologischen Daten für die Prognose der städtischen Luftverschmutzung". Wasser, Luft und Bodenverschmutzung: Fokus. 2 (5): 43–60. doi:10.1023/a: 1021394126149. S2CID 94747027.
  74. ^ Marshall, John; Plumb, R. Alan (2008). Atmosphäre, Ozean und Klimadynamik: Ein einführender Text. Amsterdam: Elsevier Academic Press. pp.44–46. ISBN 978-0-12-558691-7.
  75. ^ Australian Bureau of Statistics (2005). Jahrbuch, Australien, Ausgabe 87. p. 40. Abgerufen 2011-02-18.
  76. ^ Nationales ozeanische und atmosphärische Verwaltung 200. Feier (2008-05-22). "Das erste Klimamodell". Nationales ozeanische und atmosphärische Verwaltung. Abgerufen 2010-04-20.
  77. ^ Bridgman, Howard A., John E. Oliver, Michael H. Glantz (2006). Das globale Klimasystem: Muster, Prozesse und Televerbindungen. Cambridge University Press. S. 284–289. ISBN 978-0-521-82642-6. Abgerufen 2011-02-18.{{}}: Cs1 montiert: Mehrfachnamen: Autorenliste (Link)
  78. ^ Chalikov, D. V. (August 1978). "Die numerische Simulation der Windwelleninteraktion". Journal of Fluid Mechanics. 87 (3): 561–82. Bibcode:1978JFM .... 87..561c. doi:10.1017/s0022112078001767.
  79. ^ Lin, Pengzhi (2008). Numerische Modellierung von Wasserwellen. Psychologiepresse. p. 270. ISBN 978-0-415-41578-1.
  80. ^ Bender, Leslie C. (Januar 1996). "Modifikation der Physik und Numeriker in einem Meereswellenmodell der dritten Generation". Zeitschrift für atmosphärische und ozeanische Technologie. 13 (3): 726–750. Bibcode:1996Jatot..13..726b. doi:10.1175/1520-0426 (1996) 013 <0726: Motpan> 2.0.co; 2;.
  81. ^ Nationales Hurrikanzentrum (Juli 2009). "Technische Zusammenfassung der National Hurricane Center Track- und Intensitätsmodelle" (PDF). Nationales ozeanische und atmosphärische Verwaltung. Abgerufen 2011-02-19.
  82. ^ Franklin, James (2010-04-20). "Nationales Hurricane Center Prognoseüberprüfung". Nationales Hurrikanzentrum. Abgerufen 2011-01-02.
  83. ^ Rappaport, Edward N.; Franklin, James L.; Avila, Lixion A.; Baig, Stephen R.; Beven II, John L.; Blake, Eric S.; Burr, Christopher A.; Jiing, Jiann-Gwo; Juckins, Christopher A.; Knabb, Richard D.; Landsea, Christopher W.; Mainelli, Michelle; Mayfield, Max; McAdie, Colin J.; Pasch, Richard J.; Sisko, Christopher; Stewart, Stacy R.; Tribble, Ahsha N. (April 2009). "Fortschritte und Herausforderungen im National Hurricane Center". Wetter und Prognose. 24 (2): 395–419. Bibcode:2009wtfor..24..395r. Citeseerx 10.1.1.207.4667. doi:10.1175/2008waf2222128.1.
  84. ^ a b Sullivan, Andrew L. (Juni 2009). "Wildland Surface Fire Spread Modeling, 1990–2007. 1: Physikalische und quasi-physische Modelle". Internationales Journal of Wildland Fire. 18 (4): 349. Arxiv:0706.3074. doi:10.1071/wf06143. S2CID 16173400.
  85. ^ Asensio, M. I. & L. Ferragut (2002). "Auf einem Wildland -Feuermodell mit Strahlung". Internationales Journal für numerische Methoden im Ingenieurwesen. 54 (1): 137–157. Bibcode:2002ijnme..54..137a. doi:10.1002/nme.420.
  86. ^ Mandel, Jan, Lynn S. Bennethum, Jonathan D. Beezley, Janice L. CoenCraig C. Douglas, Minjeong Kim und Anthony Vodacek (2008). "Ein Waldbrandmodell mit Datenassimilation". Mathematik und Computer in der Simulation. 79 (3): 584–606. Arxiv:0709.0086. Bibcode:2007ArXIV0709.0086m. doi:10.1016/j.matcom.2008.03.015. S2CID 839881.{{}}: Cs1 montiert: Mehrfachnamen: Autorenliste (Link)
  87. ^ Clark, T. L., M.A. Jenkins, J. Coen und David Packham (1996). "Ein gekoppeltes Modell des Atmosphärenfeueres: Konvektive Froude-Zahl und dynamisches Fingering". Internationales Journal of Wildland Fire. 6 (4): 177–190. doi:10.1071/wf9960177.{{}}: Cs1 montiert: Mehrfachnamen: Autorenliste (Link)
  88. ^ Clark, Terry L., heiraten Ann Jenkins, Janice Coen und David Packham (1996). "Ein gekoppeltes Modell des Atmosphäre-Fire: Konvektives Feedback zur Feuerlinie Dynamik". Journal of Applied Meteorology. 35 (6): 875–901. Bibcode:1996japme..35..875c. doi:10.1175/1520-0450 (1996) 035 <0875: acamcf> 2.0.co; 2;.{{}}: Cs1 montiert: Mehrfachnamen: Autorenliste (Link)
  89. ^ Rothermel, Richard C. (Januar 1972). "Ein mathematisches Modell zur Vorhersage von Brandbreiten in Wildlandbränden" (PDF). United States Forest Service. Abgerufen 2011-02-28.

Weitere Lektüre

  • Beniston, Martin (1998). Von Turbulenzen zum Klima: Numerische Untersuchungen der Atmosphäre mit einer Hierarchie von Modellen. Berlin: Springer. ISBN 978-3-540-63495-9.
  • Blum, Andrew (2019). Die Wettermaschine: Eine Reise innerhalb der Prognose. New York: HarperCollins. ISBN 978-0-062-36861-4.
  • Kalnay, Eugenia (2003). Atmosphärische Modellierung, Datenassimilation und Vorhersehbarkeit. Atmosphärische Modellierung. Cambridge University Press. p. 364. Bibcode:2002amda.book ..... k. ISBN 978-0-521-79629-3.
  • Roulstone, Ian & Norbury, John (2013). Unsichtbar im Sturm: Die Rolle der Mathematik beim Verständnis des Wetters. Princeton University Press. ISBN 978-0691152721.
  • Thompson, Philip (1961). Numerische Wetteranalyse und Vorhersage. New York: Die Macmillan Company.
  • US -Handelsministerium; Nationaler Ozean; Atmosphärische Verabreichung; Nationaler Wetterdienst, Hrsg. (1979). Handbuch National Weather Service Nr. 1 - Faksimile -Produkte. Washington, DC: Handelsministerium.Von Turbulenzen bis SCL

Externe Links