Введение 3
1. Долгосрочные прогнозы 5
1.1 Методы долгосрочного прогнозирования 7
1.2 Ансамблевый прогноз 8
1.2.1 Процессы ансамблевого прогнозирования 9
1.2.2 Органы ВМО (Всемирной Метеорологической Организации),
отвечающие за мониторинг информации, касающейся ансамблевого прогнозирования (глобального и по ограниченному району) 11
1.3 Критерии, используемые для верификации прогностических моделей . 15
1.4 Система прогнозирования Global Ensemble Forecast System (GFS) 24
2. Анализ долгосрочных прогнозов 27
2.1 Анализ качества прогнозов 28
2.2 Сравнение прогнозов членов ансамбля с фактическими значениями
температуры 36
2.3 Анализ характеристик качества ансамблевого прогноза 45
Заключение 61
Список используемых источников 62
Приложения 64
Улучшение качества прогноза представляет собой одну из ключевых задач прогностической науки. Особенно этот вопрос важен для прогнозов на долгосрочный период.
Ансамблевый прогноз, как один из методов генерации долгосрочных вероятностных прогнозов, учитывает неточности гидродинамического моделирования атмосферных процессов и позволяет синоптику на основе вероятностных данных дать более качественный прогноз, что делает его достаточно значимым и актуальным направлением для исследования.
При этом разработка, интерпретация и оценка качества долгосрочного ансамблевого прогноза очень сложна и неоднозначна.
Таким образом, целью данной работы является исследование качества долгосрочного ансамблевого прогноза на основе данных системы GEFS для осеннего периода 2023 года.
Для достижения заданной цели необходимо выполнить ряд задач:
Собрать архив данных долгосрочного ансамблевого прогноза;
Провести анализ данных ансамблевого прогноза;
Сравнить получившиеся результаты с фактическими данными за рассматриваемый период;
Провести анализ характеристик качества ансамблевого прогноза;
Сделать вывод о качестве ансамблевого прогноза.
Объектом исследования является результат ансамблевого прогноза температуры воздуха на высоте двух метров в Санкт-Петербурге за осенний период 2023 года.
Предметом исследования являются прогностические значения температуры воздуха на высоте двух метров в Санкт-Петербурге в осенний период 2023 года на срок до 35 суток.
Структура выпускной работы: данная работа включает в себя введение, 2 главы, разделённые на подглавы, заключение, список используемых источников и приложения.
Первая глава посвящена основным теоретическим понятиям, необходимых для проведения данного исследования, а именно: долгосрочный прогноз, методы долгосрочного прогнозирования, ансамблевое прогнозирование, критерии, используемые для верификации модели, система прогнозирования Global Ensemble Forecast System (GEFS). Во второй главе проводится анализ ансамблевого прогноза температуры воздуха на высоте двух метров в Санкт-Петербурге в осенний период 2023 года при помощи характеристик оценки качества ансамблевого прогноза. В заключении были сделаны основные выводы по результатам исследования.
В данной работе было проведено исследование качества долгосрочного ансамблевого прогноза на основе данных системы GEFS для осеннего периода 2023 года в Санкт-Петербурге.
На основе данных ансамблевого прогноза были построены:
графики долгосрочного ансамблевого прогноза температуры воздуха на высоте 2 м на 35 суток в Санкт-Петербурге за период начала прогноза с 13 сентября по 26 ноября 2023 года;
графики, отражающие разницу каждого члена ансамбля от фактического значения с целью оценки близости прогноза температуры воздуха каждого члена ансамбля к фактическому значению;
графики основных характеристик долгосрочного ансамблевого прогноза, а именно максимальные и минимальные значения членов ансамбля, среднее значение, процентиль (при 75%) и среднеквадратическое отклонение.
На основе построенных графиков был сделан вывод, что рассматриваемая модель GFS дает достаточно хороший прогноз температуры воздуха на высоте 2 м на первые 5 - 8 суток, затем среднее по ансамблю начинает расходится с фактическими данными: с увеличением срока прогноза модельное среднее уменьшает амплитуду значений и в основном имеет тенденцию к занижению температуры воздуха; разница между максимальными и минимальными значениями членов ансамбля может достигать 20С; Выбрать член ансамбля, заслуживающий большего доверия, нельзя, так как все члены ансамбля равновероятны и генерируются случайным образом.
