Список сокращений 4
Введение 5
Глава 1. Ансамблевый прогноз 7
1.1. Существующие системы ансамблевого прогнозирования (САП) 8
1.2. Типы САП 9
1.3. Основные виды прогностической продукции 13
1.4. Центры выпускающие САП 20
1.4.1. Европейский Центр Средсрочных прогнозов погоды 20
1.4.2. Гидрометцентр России 24
1.4.3. КМА 25
1.4.4. NCEP 28
1.4.5. Environment Canada 29
Глава 2. Используемые модели и данные 31
2.1. Методы оценки качества прогнозов
2.2. Используемая модель 36
2.3. Географический район оценки 37
2.4. Базы данных 38
2.5. Программное обеспечение 39
Глава 3.Анализ и результаты исследования 43
3.1.Оценка качества прогноза приземной температуры воздуха по параметру
RO за период с 2010-2014 43
3.2.Оценка качества прогноза приземной температуры воздуха по среднеквадратической ошибке за период с 2010-2014 45
3.3.Оценка качества прогноза приземной температуры воздуха по
коэффициенту корреляции за период с 2010-2014 50
3.4.Оценка качества прогноза приземной температуры воздуха по
показателям ROC за период с 2010-2014 53
3.1. Сравнение графиков парметра RO и коэффицента корреляции 63
Выводы 66
Список источников 70
Приложение А 72
Потребность общества в метеорологических прогнозах на месяц несомненна. Рост народонаселения и технический прогресс способствуют возрастанию уязвимости общества к катастрофическим и неблагоприятным природным явлениям.
Проблема увеличения предела предсказуемости метеорологических величин относится к фундаментальным научным проблемам. Для нелинейной системы практически невозможно предсказать конкретный ход ее развития, так как реальные начальные условия никогда не могут быть заданы с абсолютной точностью.
Еще совсем недавно задача долгосрочного прогноза решалась только на основе эмпирических методов, которые опираются на анализ данных наблюдений за прошедший период и в той или иной степени являются прогнозом по аналогу. В них так же используются статистические связи между прогнозируемыми переменными и предикторами, дальние связи, цикличность временных рядов. Быстрый прогресс вычислительной техники и развитие гидродинамического моделирования позволили перейти к решению задач долгосрочного прогноза на основе использования глобальных моделей атмосферы и океана.
Но на современном уровне результаты эмпирического и гидродинамического методов пока оказываются близкими. Успешность прогнозов по обоим методам во внетропических широтах остается низкой. Однако в будущем преимущество остается на стороне физического подхода. Эмпирические методы, базирующиеся на ограниченных выборках данных наблюдений учитывают лишь небольшую часть влияющих факторов. Поэтому обнаруженные ими связи оказываются неустойчивыми во времени и непригодны для прогнозирования нестационарных процессов.
Современные гидродинамические модели учитывают значительно большее количество факторов и опираются на физические законы. Они также имеют ограничения, связанные с недостаточным пространственным разрешением и неполнотой исходных данных, что приводит к ошибкам моделей и сказывается на качестве прогнозов. Но ошибки моделей удается частично нивелировать на основе ансамблевого прогнозирования.
Конечной целью нашего исследования является определение возможностей системы ансамблевого прогнозирования (САП), созданной на базе модели ПЛАВ, разработанной в Гидрометцентре РФ, для разработки прогнозов значительных положительных и отрицательных аномалий приземной температуры воздуха в различные сезоны года.
Использование САП для прогнозов температуры воздуха на месяц и сезон на сегодняшний день является приоритетом развития долгосрочных прогнозов погоды. Для прогнозирования температуры воздуха в настоящий момент в РФ используются синоптико-статистические, статистические и гидродинамические методы. Все эти методы имеют приблизительно похожие оценки качества, но перспектива развития и дальнейшего совершенствования наиболее ясно проглядывается только для САП, созданных на базе гидродинамических моделей. Для значительного улучшения качества синоптико-статистических и статистических методов необходимо существенно расширить ряд наблюдений, используемых в методах, в несколько раз, что пока сделать невозможно.
В результате проведенного исследования был проанализирован архив прогностических полей модели ПЛАВ за период с 2010 по 2014 годы.
Прогностические поля были представлены в вероятностном виде при помощи модернизации процедуры визуализации в программе «Africa».
В процессе исследования были получены рекомендованные ВМО оценки качества прогноза аномалий приземной температуры воздуха как для детерминистических прогнозов, представляющие среднее прогностическое поле по ансамблю, так и для вероятностных прогнозов знака аномалии температуры воздуха по трем градациям. В результате исследования было построено 21 следующих графиков для каждого параметра качества.
1) Г рафики сезонного хода оценок качества,
2) Графики среднегодового хода оценок качества,
3) Графики оценок качества для всех прогнозов, имеющихся в архиве.
За весь рассматриваемый период с 2010 по 2014 год качество прогнозов оцениваемое по сходству географического распределения полей аномалий температуры воздуха одного знака (параметр RO) росло (РИС..), а качество прогнозов по параметру характеризующему геометрическое совпадение полей аномалий и их интенсивности (параметр корреляции) незначительно падало (РИС..). Одновременно на этом ряду наблюдался отрицательный тренд среднеквадратической ошибки прогнозов (РИС..).
За этот же период наблюдался рост выше значения 0,5 значения параметра качества ROC для вероятностного прогноза градации аномалий температуры в пределах нормы.
Не изменялась оценка качества ROC для положительной градации температуры, колеблясь незначительно выше значения 0,5.
Слабо снижалось от 0,53 до 0,5 значение оценки ROC для прогноза отрицательной градации аномалии температуры (РИС ....).
Таким образом, хотя наблюдался рост качества детерминистического прогноза аномалий температуры, этот рост проходил в основном за счет роста успешности прогноза аномалий, находящихся в пределах нормы.
Если рассматривать средние за год оценки качества прогноза, то можно отметить, что среднеквадратическая ошибка прогноза падала от 2010 к 2014 году (РИС...). Качество прогнозов, оцениваемое параметром RO, непрерывно росло, а вот геометрическое сходство прогностических и фактически наблюденных полей аномалий оцениваемое коэффициентом корреляции достигало максимума в 2011, затем упало в 2013 году и снова незначительно выросло в 2014 году (РИС.). Эти тенденции наблюдались несмотря на внесенные в модель ПЛАВ изменения и увеличение размеров прогностического ансамбля с 10 до 20 членов,
Анализ изменения оценки качества вероятностного прогноза аномалии температуры по градациям дает нам более детальную информацию изменений успешности. На протяжении 5 лет росла успешность прогноза градации положительной аномалии температуры и падала успешность вероятностного прогноза отрицательной аномалии температуры. При этом существенно, с 0.43 до 0.54, выросла успешность прогноза градации норма. Видимо рост параметра RO произошел именно за счет роста качества прогнозов аномалии температуры близких по своей величине к норме (РИС .).
Таким образом, анализ успешности вероятностного прогноза позволяет сделать вывод о том, что модель ПЛАВ стала лучше предсказывать именно градации температуры около нормы, но при этом ухудшился прогноз отрицательных аномалий.
...
