מודלים לחיזוי מזג אוויר: השוואת חיזוי מזג אוויר נומרי וגישות סטטיסטיות

תחזית קדם-החמדת היא מדע של חיזוי גשם, שלג, זחל, או ברד על אזור נתון ותקופה. זה מבסס החלטות קריטיות בחקלאות, ניהול משאבי מים, מוכנות אסון, תחבורה וחיים יומיים. תחזיות מבטיחות לאפשר לחקלאים לתכנן irrigation, שירותי חירום לייצור ציוד לציפויים, ואמצעי ניהול ניהול חומרים לניהול מאגרים חשמליים, וחיזויים חיזוי אקלים חיוני של כל אחד מהם הוא מודלים של מזג אוויריים ומדענים בטוחים יותר.

תחזית מזג אוויר נומרית (NWP)

איך NWP עובד

חיזוי מזג אוויר נומרי משתמש במודלים ממוחשבים חזקים כדי לדמות את ההתנהגות של האווירה.מודלים אלה פותרים סט של משוואות מתמטיות שמקורן בפיסיקה בסיסית – במיוחד משוואות Navier-Stokes של תנועה נוזלית, את חוק הגז האידיאלי, ואת משוואות תרמודינמיקה תרמודינמית עבור העברת אנרגיה.האווירה היא מלוטשת לתוך רשת תלת מימדית של נקודות, המייצגת תא של אוויר בכל נקודה, מחשבת, בדרך כלל, כמו שלבים, כגון טמפרטורה, טמפרטורה, כלומר, לאחר מכן, טמפרטורה, לאחר מכן, על פני זמן, על פני זמן, על פני זמן, על פני זמן, על פני טמפרטורה, על פני זמן, על ידי טמפרטורה, על פני זמן, על פני טמפרטורה, על פני טמפרטורה, על פני זמן, על פני זמן, על ידי טמפרטורה, על פני זמן, על פני זמן, על פני זמן, על ידי טמפרטורה, על פני זמן, על ידי טמפרטורה, על פני זמן, על ידי טמפרטורה, על ידי טמפרטורה, על פני זמן, על ידי טמפרטורה, על ידי טמפרטורה, על ידי שינויים, על גבי זמן, על ידי טמפרטורה, על ידי טמפרטורה, על ידי שינויים, על ידי טמפרטורה, על ידי בדיקות, על ידי טמפרטורה, על ידי שינויים, על ידי שינויים, על ידי שינויים

התנאים הראשונים של רצף NWP באים מתצפיות - קריאה סלקטיבית, רדיונדס, בלונים מזג אוויר, דוחות מטוסים ותחנות פני השטח.הנתונים האלה משולבים לתוך הערכה הטובה ביותר של המצב הנוכחי של האווירה באמצעות תהליך הנקרא הטמעת נתונים. High-resolution NWP מודלים, כגון מערכת החיזוי העולמית (GFS) המופעלת על ידי שירות מזג האוויר הלאומי או המרכז האירופי לחיזוי ימי הביניים (MW) אם כי ניתן לייצר 16 ימים לפני הספירה לאחור.

היתרונות של NWP

(FLT:0 ריאליזם פיסי:0) ריאליזם: FLT:1 משום שמודלים NWP מדמיינים פיזיקה אטמוספרית אמיתית, הם יכולים ליצור תחזיות למגוון רחב של תופעות מזג אוויר – כולל רוכבי אופניים טרופיים, מערכות חזיתיות וסערות קונפוכות – ללא להסתמך על דפוסים היסטוריים.
(FLT:0) לפרטים מרחביים של FLT:1 מודלים מודרניים NWP פועלים בהחלטות של 1-10 ק"מ, המאפשר להם ללכוד תכונות בקנה מידה כמו מבשלי הים, גלי הרים ואיים חום עירוניים.
(FLT:0)Quantitative Data:FLT:1NWP פלטים הם כמותיים מאוד, מתן ערכים מדויקים עבור משקעים, הצטברות והסתברות על מיקומים ספציפיים וחלונות זמן.
(FLT:0) שיפור מתמיד: 1FLT, ככל שהכוח החישובי גדל וטכניקות הטמעה, דיוק NWP השתפר בהתמדה, במיוחד עבור תחזית של 1 עד 5 ימים.

הגבלות NWP

(FLT:0) חישובי: 1.10LT:1 הפעלת מודל NWP מלא דורש מחשבי על עם אלפי מעבדים.
(FLT:0) רגישות לשגיאות ראשוניות: FLT:1 לא בטוח בתנאים הראשונים - כגון תצפית לא נרדפת אחת על פני האוקיינוס - יכול להגדיל ככל שהתחזיות מתקדמות, תופעה המכונה כאוס (אפקט הפרפראלי).
(FLT:0) אתגרים: FLT:1 מעבדים קטנים מדי כדי להיות נפתר על ידי הרשת (למשל, מיקרופיזיקה בענן, זעזוע) יש להיות משוער באמצעות פרמטרים.
פערי נתונים: תצפיות ספורדות על האוקיינוסים, אזורי הקוטב ובמדינות מתפתחות מדגימות את איכות התנאים הראשוניים, צמצום מיומנות החיזוי באזורים אלה.

דוגמאות אמיתיות בעולם

מערכת החיזוי המשולבת של ECMWF (IFS) נחשבת באופן נרחב למודל NWP העולמי המדויק ביותר של ה-NWP. במהלך ההוריקן סנדי (2012), ECMWF צופה נכונה את המעבר השמאלי יוצא דופן לחוף המזרחי של ארצות הברית יותר מחמישה ימים מראש, המאפשרת ההכנות מצילות חיים באופן דומה, משרד הפנים של בריטניה משתמש במודל NWP גבוה (בריטניה) עם תחזית של 1.5 ק"מ לחיזוי כבד של כל טמפרטורות אלה יכולות לספק טמפרטורות כבדות.

מודלים סטטיסטיים

עקרונות הליבה

מודלים סטטיסטיים חיזוי סטטיסטית מסתמכים על ההנחה שמדינות אטמוספריות קודמות מכילות מידע שניתן להשתמש בו כדי לחזות מצבים עתידיים.במקום לפתור משוואות פיזיות, מודלים אלה מנתחים תצפיות היסטוריות של משקעים ומשתנים הקשורים (למשל, לחץ, טמפרטורה, לחות, צניחה בקנה מידה גדול של מחזור הדם) כדי למצוא מערכות יחסים סטטיסטיות. Common טכניקות כוללות תוקפנות ליניארית, ניתוח של זמן (ARMA, ARMA), רשתות עצביות, יערות, יערות, כגון דפוסים, דפוסים, כגון, דפוסים, דפוסים, דפוסים, מודלים של למידה אקראיים, כגון, מודלים של נתונים מאומנים, כגון, מודלים של נתונים.

מודלים סטטיסטיים יכולים להיות אמפיריים בלבד (נתונים מונחים) או שהם יכולים לשלב תחזיות משמעותיות מבחינה גופנית שמקורן בפלט NWP - גישה היברידית זו נקראת לעתים קרובות מודל Output סטטיסטיקות (MOS) מאמת את ההטיות השיטתית של תחזיות NWP על ידי התייחסות לתחזיות NWP קודמות כדי לצפות במשקעים.

יתרונות של מודלים סטטיסטיים

יעילות:0 (FLT:1hil) פעם אימון, מודל סטטיסטי יכול לייצר תחזית בתוך שניות על מחשב נייד סטנדרטי, מה שהופך אותו נגיש למוסדות עם משאבי מחשוב מוגבלים.
(FLT:0) מיומנות לטווח ארוך: 1FLT) פעמים מובילות מעבר 7-10 ימים, מודלים סטטיסטיים טהורים (למשל, באמצעות ה- Madden-Julian Oscillation או אל ניניו-דרום אוסוציאלציה כצופים) לעתים קרובות מחוץ ל-NWP, כי ההתפרצות הכאוטית של שגיאות ראשוניות פחות רלוונטית עבור אותות אקלים מתפתחים.
דרישות נתונים להטמעה: מודלים סטטיסטיים של FLT:0 (Low Data דרישות להטמעה: 1FIRLT:1) אינם זקוקים לתצפיות בעלות שקיפות גבוהה בזמן אמת; הם יכולים לעבוד עם רשומות היסטוריות ארוכות, אשר עשויות להיות זמינות גם באזורים עם רשתות תצפית מודרניות דלות.
(FLT:0) בין-מידתיות: מודלים פשוטים של תוקפנות מאפשרים לתחזיות לראות אילו משתנים תורמים ביותר לחיזוי, מסייעים להבנת ההגיון החיזוי.

הגבלות של מודלים סטטיסטיים

(FLT:0) אי-השוויון: FLT:1 האקלים משתנה.מערכת יחסים סטטיסטית שהתקיימה בשנות ה-80 כבר לא תהיה בתוקף תחת טמפרטורות גלובליות חמות יותר או דפוסי מחזור משתנים.
(ב) אי יכולת לחזות אירועים חסרי תקדים: FLT:1 אם אירוע נמצא רחוק מחוץ לנתונים האימונים (למשל, גשם שלא נצפו קודם לכן), המודל הסטטיסטי כמעט ללא ספק יזלזל בו, כי התחזיות שלו מוגבלות על ידי אירועים קודמים.
(FLT:0) לפרטים זמניים של ספיריט: ראטפל 1 (FLT:1) מודלים סטטיסטיים הם לעתים קרובות מוחל בקנה מידה מרחבי קוהרזה (למשל, עבור עיר או אגן נהר) ולא יכול לתפוס סערות קונפוכות מקומיות שיכולות לייצר שיטפון.
(FLT:0) קבלת מידע על איכות הנתונים ההיסטוריים: ⁇ 1) רשומות אי עקביות או חסרות משקעים היסטוריים יכול להציג הטיה כי מיומנות חיזוי מדרגה.

יישומים נפוצים

מרכז החיזוי האקלים (CPC) בארצות הברית משתמש במודלים סטטיסטיים כדי לייצר תחזיות חודשיות ועונתיות.לדוגמה, מודל ה- CPC של אנליזה של קרינת ה-CPC (CCA) משתמש במודלים של טמפרטורה על פני הים כדי לחזות סטיות גשם על פני צפון אמריקה בזמנים מובילים של 1–3 חודשים באופן דומה, יועצים חקלאיים רבים במדינות מתפתחות מסתמכים על מודלים סטטיסטיים המונעים על ידי חיבורים על ידי תקשורת כמו התחזיות של האוקיינוס ההודיות למזג אווירי אקלים, למשל, למשל, למשל, על ידי משקעים של שירותי טמפרטורה גבוהה של זמן רב, למשל, על ידי שימוש בטמפרטורות איטי של אנרגיה, על ידי טמפרטורות של 1–Radneyfall, על ידי שימוש בטמפרטורות של 1–Raticedic, כדי ליצור משקעים של 1–Ratirdic.

השוואת NWP וגישות סטטיסטיות

תלות בנתונים

מודלים NWP דורשים מידע בזמן אמת, רגישויות גבוהה כדי להחדיר את הסימולציה כראוי.ללא שיגור רדיוסון, הודעות לוויין, ודיווחי מטוסים, איכות החיזוי של מודל NWP סובלת באופן דרמטי מודלים סטטיסטיים, לעומת זאת, תלוי בנתונים היסטוריים ארוכים, הומוגניים של 30 שנים של משקעים לשעה הוא הרבה יותר חשוב עבור מודל סטטיסטי מאשר תצפיות גבוהות של יום אחד.

משאבים משותפים

הפעלת מודל NWP גלובלי של אמנות ברזולוציה של 9 ק"מ דורש מחשוב קטנטן - מעל אלפי ליבות הפועלות במשך שעות כדי להשלים תחזית של 16 ימים. מודל סטטיסטי, לאחר אימון, דורש רק כמה שניות של זמן CPU לחיזוי.זה הבדל העלות הזה אומר כי מדינות מתפתחות רבות מסתמכות כמעט אך ורק על טכניקות סטטיסטיות או ירידה של NWP ממרכזים גלובליים.

טווח חיזוי וסקיל

לתחזיות קצרות טווח (0-3 ימים היברידיים), דגמי NWP הם בבירור עליון.הם ללכוד את האבולוציה של מערכות מזג אוויר - מרכזי לחץ נמוך, גבולות החזיתיים, זרמי סילון - עם מודלים סטטיסטיים יוצאי דופן בטווח זה לעתים קרובות רק לשחזר קלפטולוגיה או להתאים את הפלט NWP. עבור בינוני טווח (4-7 ימים), NWP נשאר מדויק יותר, אבל המיומנות שלה מתקלקלת לעתים קרובות לדגמי אוויר עונתיים (F) לשיטות אוויריות עונתיות (S) ל-SpST) ל-SOST-SAPST (SOST) ל-SOST-SpST) ל-S.

דיוק באירועים קיצוניים

מודלים NWP יכולים לדמות משקעים קיצוניים מבחינה גופנית, בתנאי שיש להם מספיק רזולוציה ותכניות מיקרופיזיקה מתאימות.עם זאת, הם לעתים קרובות מזלזלים בעוצמתם של אירועים קולקטיביים קיצוניים בשל תחזיות בקנה מידה רשת.מודלים סטטיסטיים, כפי שצוין, נכשלים כאשר גודל האירוע עולה על כל תצפית היסטורית. A 2021 מחקר של הצפות הקטסטרופליות באירופה ביולי 2021 הראה כי דגמי NWP לרוץ ב- 24 מ"מ"מ"מ"מ"מ, לעומת 30 ימים לפני הספירה, לעומת זאת, בעוד שצפוית, לא נצפות, רק על בסיס הסתברות של 303 שעות קודמות, לעומת זאת, בעוד שקדמה ל- 303 שעות לפני הספירה, לעומת 30 שעות לפני הספירה, לעומת זאת, לעומת זאת, לעומת זאת, בעוד שעדיין לא נצפות, לעומת זאת, לעומת זאת, רק על בסיס הסתברות של הסתברות של הסתברות של הסתברות של הסתברות של הסתברות של הסתברות של הסתברות של הסתברות של הסתברות של הסתברות של הסתברות של הסתברות של הסתברות של הסתברות של הסתברות של הסתברות של הסתברות של הסתברות של הסתברות של הסתברות של הסתברות של הסתברות של הסתברות של הסתברות של הסתברות של

חיזוקים

שתי הגישות אינן בלעדיות; מערכות תפעוליות מצוינות משתמשות הן.לדוגמה, הזירה הלאומית של מודלים (NBM) לוקחת פלט ממודלים NWP מרובים ומחלימות על עיבוד סטטיסטי כדי לשלב אותן למוצר הדרכה יחיד.התוצאה יש שגיאה נמוכה באופן חד-משמעי מאשר כל מודל אינדיבידואלי.

שיטות היברידיות ואנסמבל

תחזיות

כדי לטפל בחוסר הוודאות הטבוע בתנאים הראשוניים של NWP, מרכזי תפעול מנהלים תחזיות: מודל NWP מרובים פועל עם מעט מצבים ראשוניים מוטרדים ו / או מודל פיזיקה.הרכב מספק תחזית פרובביליסטית - לדוגמה, "יש סיכוי של 60% של גשם מעל 10 מ"מ מחר שיטות סטטיסטיות מוחלות להרכבים כדי לזרז את ההסתברויות.

Machine Learning Hybrids

בשנים האחרונות, מודלים של למידת מכונה (ML) – במיוחד רשתות עצביות עמוקות ועצים ⁇ -boosted - הפכו פופולריים כגשר בין NWP וסטטיסטיקות.מודלים אלה מקיפים את התפוקה הגדולה ביותר של NWP (לפעמים אלפי שדות) יחד עם תצפיות היסטוריות וללמוד מיפוי מורכב לחיזוי משקעים בתחנה או בנקודת רשת של Google.

היתרונות של ההיברידיזציה

מודלים היברידיים מנצלים את המכלול הפיזי של NWP ואת הכוח של זיהוי דפוס של סטטיסטיקות.הם יכולים: (1) הטיה שיטתית נכונה נגזר, (2) פלטה של NWP לסקאלה מקומית, (3) ליצור תחזיות פרוביביליסטיות כי הם היטב calibrated, ו (4) לשפר את התחזיות ארוכות טווח על ידי קישור בין תצפיות בקנה מידה גדול NWP עונתיות למשקעים מקומיים רבים.

כיוונים עתידיים

אינטגרציה גבוהה יותר ו-AI

ככל שדוגמת העל ממשיכה להתקדם, מודלים NWP נעים לעבר החלטות גלובליות "הפחתת פשרות" של 1 ק"מ או פחות.מודלים אלה ישיבו סערות רעמים אינדיבידואליות ללא פרמטריזציה, שיפור באופן דרסטי של תחזיות משקעים לטווח קצר.עם זאת, העלות החישובית עדיין עלולה להיות אסורה לשימוש מבצעי בכל מקום.מודלים של AI "ללמוד" את הפיזיקה מרזולוציה גבוהה יכול להציע צורה זולה של תחליפית -2 מיקרו-סגולה (NFrameric) לחיקוי גבוה של 2.

שימוש טוב יותר בתצפיות

הגדלת צפיפות התצפיות - במיוחד מחיישנים קרקעיים זולים, תחנות מזג אוויר שמקורן המונים, וחיישנים בלחץ הטלפון הנייד - ישפרו הן תנאים ראשוניים NWP והן נתוני האימונים עבור מודלים סטטיסטיים.משימות לוויין חדשות (למשל, אירופה MetOp-SG, נאס"א-ISROAR) יספקו לחות חסרת תקדים ומשקעים, עוזר לשני המחנות הסטטיסטיים ליהנות מגרסאות אלה, יותר עקביות כדי לזהות מערכות יחסים חזקות יותר.

רובוסטנטיות תחת שינויי האקלים

חולשה אחת של מודלים סטטיסטיים היא ההסתמכות שלהם על כוננות. חוקרים מפתחים שיטות לשלב מגמות שינויי האקלים לתוך תחזיות סטטיסטיות - או על ידי ניתוק נתונים היסטוריים או באמצעות תחזיות אקלים מבוססות NWP כצופים נוספים. Ensemble Kalman filters ומודלים סטטיסטיים ביירסניים העוסקים במערכת היחסים ההיסטורית שלהם ככל מתפתחים לאורך זמן הם תחום פעיל של מחקר.

מסקנה

תחזית קדם-החמדת יושב בצומת של פיזיקה, מתמטיקה ומדע נתונים.החיזוי מזג אוויר נומרי מספק בסיס קפדני פיזית עבור תחזיות לטווח קצר ובינוני, אבל זה יקר ורגיש מבחינה חישובית לא-ודאות ראשונית.מודלים סטטיסטיים - כולל נסיגה מסורתית, מכונה, למידה, ו - יעילות ומיומנות בזמני מוביל ארוכים יותר, אבל הם מוגבלים על ידי ההנחה כי העבר הוא גם גישה משולבת בעתיד הנכון, הן שיטות מתקדמות; NW.

עבור מטאורולוגים ומקבלי החלטות, הבנת הדואליות הזו חיונית.אזהרת פלאש-פלופל מסתמכת על רזולוציה גבוהה NWP; תחזית בצורת עונתית תלויה במודלים של טלקומוניזם סטטיסטית.כפי שהמשאבים חישוביים מתרחבים ובוגרי אינטליגנציה מלאכותית, הקו בין "פיזיים" לבין "סטטיסטיקה" ימשיך לטשטש.