Представлен краткий обзор современных средств и методов наукастинга порывов приземного ветра с использованием выходной продукции численного прогноза погоды, радиолокационных наблюдений и приемов машинного обучения. Приводятся соответствующие определения и термины, описываются наблюдательные инструменты и методы обработки наблюдений, обсуждаются модели ветровых порывов и системы их наукастинга. Обзор составлен с учетом оперативных отечественных технологий, задействованных в проведенных в 2024 году испытаниях версии системы наукастинга порывов.
Предпросмотр статьи
Идентификаторы и классификаторы
- SCI
- Науки о Земле
При подготовке технологии наукастинга был написан представленный ниже обзор средств и методов наукастинга порывов, ориентированный на отечественные условия испытаний: вначале обсуждаются определения и термины в описании сильных ветровых явлений, затем рассматриваются инструменты наблюдений, методы моделирования и системы наукастинга порывов. Основное внимание уделяется тем технологиям наукастинга, которые базируются на данных радиолокации и численного прогноза погоды в сочетании с приемами машинного обучения. Обзор составлен с учетом особенностей проведенных испытаний и не претендует на научно-историческую полноту.
Список литературы
1. Алексеева А.А. Метод прогноза сильных шквалов // Метеорология и гидрология. 2014. № 9. С. 5-15. EDN: SNIGKT
2. Анапольская Л.Е. Режим скоростей ветра на территории СССР. Л.: Гидрометеоиздат, 1961. 200 с.
3. Васильев Е.В. Условия возникновения и краткосрочный прогноз сильных шквалов на Европейской территории России: Дис.. канд. геогр. наук. M., 2009. 186 c. EDN: QEKZSB
4. Вельтищев Н.Ф., Степаненко В.М. Мезометеорологические процессы. М.: Изд-во МГУ, 2006. 101 с.
5. ВМО-№ 471. Руководство по морскому метеорологическому обслуживанию. 2024. 92 с.
6. ВМО-№ 8. Руководство по приборам и методам наблюдений. Том 1. Измерения метеорологических переменных. 2021. 675 с.
7. Зверев А.С. Синоптическая метеорология: Издание 2-е. Л.: Гидрометеоиздат, 1977. 711 с.
8. ИКАО-2018. Приложение 3 к Конвенции о международной гражданской авиации. Метеорологическое обеспечение международной аэронавигации. ИКАО, 2018. 230 c.
9. Киктев Д.Б., Муравьев А.В., Бундель А.Ю. Методические рекомендации по верификации метеорологических прогнозов. М.: Гидрометцентр России, 2021. 90 с.
10. Климат России / Под ред. Н.В. Кобышева. СПб.: Гидрометиздат, 2001. 656 с.
11. Методические указания по использованию информации допплеровского метеорологического радиолокатора ДМРЛ-С в синоптической практике: Третья редакция. М.: Росгидромет; ЦАО, 2019. 129 с. Available at: https://method.meteorf.ru.
12. Методические указания по производству метеорологических радиолокационных наблюдений на ДМРЛ-С на сети Росгидромета в целях штормооповещения и метеообеспечения авиации. СПб.: Главная геофизическая обсерватория, 2013. 137 с.
13. Методическое пособие. Разработка прогнозов текущей погоды и сверхкраткосрочных прогнозов с использованием современных систем наблюдения за атмосферой и продукции численных моделей. 2018. 96 с. Available at: https://method.meteorf.ru.
14. Монин А.С., Обухов А.М. Основные закономерности турбулентного перемешивания в приземном слое атмосферы // Труды Геофизического института АН СССР. 1954. № 24 (151). С. 163-187.
15. Муравьев А.В., Киктев Д.Б. Качество, предсказуемость и полезность в задачах радиолокационного наукастинга осадков // Метеорология и гидрология. 2024. № 7. C. 93-107. EDN: OWWTPJ
16. Муравьев А.В., Киктев Д.Б., Смирнов А.В. Оценка радиолокационного наукастинга полей осадков // Гидрометеорологические исследования и прогнозы. 2023. № 3 (389). С. 6-58. EDN: QEQHHD
17. Переходцева Э.В. Гидродинамико-статистический метод прогноза шквалов и очень сильного ветра в градации опасных явлений в летний период с заблаговременностью 12-36 ч по выходным данным региональной модели для ЕТР // Результаты испытания новых и усовершенствованных технологий, моделей и методов гидрометеорологических прогнозов. 2013. Информационный сборник № 40. С. 170-181. EDN: RDHYYT
18. Программный комплекс вторичной обработки информации доплеровского метеорологического радиолокатора ДМРЛ-С (“ГИМЕТ-2010”): Свидетельство о государственной регистрации программы для ЭВМ. Правообладатель: ФГБУ “ЦАО”, номер регистрации: 2018665447, дата регистрации: 05.12.2018.
19. РД 52.27.284-1991 Методические указания. Проведение производственных (оперативных) испытаний новых и усовершенствованных методов гидрометеорологических и гелиогеофизических прогнозов. М.: Госгидромет СССР, 1991. 151 с.
20. РД 52.27.724-2019 Наставление по краткосрочным прогнозам погоды общего назначения. М.: Гидрометцентр России, 2019. 66 с.
21. Российский гидрометеорологический энциклопедический словарь. В 3 т. СПб.: Летний сад, 2008-2009. 336, 312, 216 с.
22. Сеттон О.Г. Микрометеорология: исследование физических процессов в нижних слоях атмосферы: Пер. с англ. Л.: Гидрометеоиздат, 1958. 355 с.
23. Смирнова М.М. Влияние данных измерений содаров и температурных профилемеров на качество численного прогноза характеристик атмосферного пограничного слоя: Дис.. канд. физ.-мат. наук. М., 2014. 111 с. EDN: NSSDDB
24. Халтинер Д., Мартин Ф. Динамическая и физическая метеорология. М.: ИЛ, 1960. 434 с.
25. Хромов С.П. Основы синоптической метеорологии. Л.: Гидрометеоиздат, 1948. 690 с.
26. Хромов С.П., Мамонтова Л.И. Метеорологический словарь. Л.: Гидрометеоиздат, 1974. 570 с.
27. Шакина Н.П., Иванова А.Р. Прогнозирование метеорологических условий для авиации. М.: Триада лтд, 2016. 312 с. EDN: UTBQEK
28. Шолле Ф. Глубокое обучение на R. СПб.: Питер, 2018. 400 с.
29. Agustsson H., Olafsson H. Mean gust factors over complex terrain // Meteorol. Z. 2004. Vol. 13. P. 149-155.
30. Bechthold P., Bidlot J. Parameterization of convective gusts // ECMWF Newsletter. 2009. No. 119. P. 15-18.
31. Beljaars A.C.M. The influence of sampling and filtering on measured wind gusts // J. Atmos. Ocean. Technol. 1987. Vol. 4. P. 613-626.
32. Boettcher F., Renner C., Waldl H.-P., Peinke J. On the statistics of wind gusts. arXiv:physics/0112063v2 [physics.ao-ph] 20 Dec 2001.
33. Born K., Ludwig P., Pinto J.G. Wind gust estimation for Mid-European winter storms: towards a probabilistic view // Tellus A: Dynamic Meteor. Oceanogr. 2012. Vol. 64, no. 1. P. 17471. DOI: 10.3402/tellusa.v64i0.17471
34. Brasseur O. Development and application of a physical approach to estimating wind gusts // Mon. Wea. Rev. 2001. Vol. 129. P. 5-25.
35. Brown B.G., Gilleland E., Ebert E.E. Forecasts of spatial fields / I.T. Jolliffe, D.B. Stephenson (Eds) // Forecast Verification: A Practitioner’s Guide in Atmospheric Science, 2nd ed. Wiley, 2012. P. 95-117.
36. Coburn J., Pryor S.C. Do Machine Learning Approaches Offer Skill Improvement for Short-Term Forecasting of Wind Gust Occurrence and Magnitude? // Wea. Forecasting. 2022. Vol. 37. P. 525-543.
37. Cripps E., Dunsmuir W.T.M. Modeling the Variability of Sydney Harbor Wind Measurements // Jour. Appl. Meteor. 2003. Vol. 42. P. 1131-1138.
38. Davis C.A., Brown B.G., Bullock R.G. Object-based verification of precipitation forecasts, Part I: Methodology and application to mesoscale rain areas // Mon. Wea. Rev. 2006. Vol. 134. P. 1772-1784.
39. Drobinski P., Coulais C., Jourdier B. Surface Wind-Speed Statistics Modelling: Alternatives to the Weibull Distribution and Performance Evaluation // Boundary-Layer Meteorology. 2015. Vol. 157. P. 97-123. EDN: FCHWXL
40. Durst C.D. Wind speeds over short periods of time // Meteorol. Mag. 1960. Vol. 89. P. 181-186.
41. ECMWF. IFS Documentation - Cy47r3. Part IV. Physical processes. 2021.
42. ECMWF. IFS Documentation - Cy48r1. Part IV. Physical processes. 2023.
43. Emeis S. Atmospheric Physics for Wind Power Generation. Springer. 2018. 276 p.
44. Forecast Verification in Atmospheric Science. A Practitioner’s Guide: Second Ed. / I. Jolliffe, D. Stephenson (Eds.). John Wiley & Sons Ltd, 2012. 274 p.
45. Franklin T., Lombardo F.T., Main J.A., Simiu E. Automated extraction and classification of thunder storm and non-thunder storm wind data for extreme-value analysis // Journal of Wind Engineering and Industrial Aerodynamics. 2009. Vol. 97. P. 120-131.
46. Fujita T.T. Manual of downburst identification for project NIMROD // SMRP Research Paper 156. May 1978. 111 р.
47. Glossary of meteorology (USA). 2024. https://glossary.ametsoc.org.
48. Harris I. Generalised Pareto methods for wind extremes. Useful tool or mathematical mirage? // J. Wind Eng. Ind. Aerodyn. 2005. Vol. 93. P. 341-360.
49. Hogan R.J., Ferro C.A.T., Jolliffe I.T., Stephenson D.B. Equitability revisited: why the “equitable threat score” is not equitable // Wea. Forecasting. 2010. No. 25. P. 710-726.
50. Joe P., Dance S., Lakshmanan V. et al. Automated Processing of Doppler Radar Data for Severe Weather Warnings / Doppler Radar Observations - Weather Radar, Wind Profiler, Ionospheric Radar and Other Advanced Applications. 2012. P. 33-75. DOI: 10.5772/39058
51. Karniadakis G.E., Kevrekidis I.G., Lu L. et al. Physics-informed machine learning // Nat. Rev. Phys. 2021. Vol. 3. P. 422-440. DOI: 10.1038/s42254-021-00314-5
52. Kislov A., Matveeva T. An Extreme Value Analysis of Wind Speed over the European and Siberian Parts of Arctic Region // Atmospheric and Climate Sciences. 2016. Vol. 6. P. 205-223.
53. Kretzschmar R., Eckert P., Cattani D., Eggimann F. Neural network classifiers for local wind prediction // J. Appl. Meteor. 2004. Vol. 43. P.727-738.
54. Kuster C.M., Bowers B.R., Carlin J.T., Schuur T.J., Brogden J.W., Toomey R., Dean A. Using KDP Cores as a Downburst Precursor Signature // Wea. Forecasting. 2021. Vol. 36. P. 1183-1198.
55. Le Guen V., Thome N. Disentangling Physical Dynamics From Unknown Factors for Unsupervised Video Prediction / 2020 IEEE-CVF Conference on Computer Vision and Pattern Recognition (CVPR). P. 11471-11481. DOI: 10.1109/cvpr42600.2020.01149 56. Mazzarella D.A. An inventory of specifications for wind-measuring instruments // Bull. Amer. Meteor. Soc. 1972. Vol. 53. P. 860-871.
57. Medina B.L., Carey L.D., Amiot C.G., Mecikalski R.M., Roeder W.M., McNamara T.M., Blakeslee R.J. A Random Forest Method to Forecast Downbursts Based on Dual-Polarization Radar Signatures // Remote Sens. 2019. Vol. 11, no. 826. P. 1-17.
58. Mittermaier M.A. ‘‘Meta’’ Analysis of the Fractions Skill Score: The Limiting Case and Implications for Aggregation // Mon. Wea. Rev. 2021. Vol. 149. P. 3491-3504.
59. Mohr S., Kunz K., Richter A., Ruck B. Statistical characteristics of convective wind gusts in Germany // Nat. Hazards Earth Syst. Sci. 2017. Vol. 17. P. 957-969.
60. Nielsen N.W., Petersen C. Calculation of wind gusts in DMI-HIRLAM. Danish Meteorological Institute. Copenhagen // Scientific Report 01-03. 2001. 38 p.
61. Palutikof J.P., Brabson B.B., Lister D.H., Adcock S.T. A review of methods to calculate extreme wind speeds // Meteorol. Appl. 1999. Vol. 6. P. 119-132. EDN: FOIXQN
62. Rice S.O. Mathematical analysis of random noise // Bell Sys. Tech. J. 1944. Vol. 23. P. 282-332.
63. Rice S.O. Mathematical analysis of random noise // Bell Sys. Tech. J. 1945. Vol. 24. P. 46-156.
64. Roberts N., Lean H. Scale-selective verification of rainfall accumulations from high resolution forecasts of convective events // Mon. Wea. Rev. 2008. Vol. 136. P. 78-97.
65. Sallis P.J., Claster W., Hernandez S. A machine learning algorithm for wind gust prediction // Comput. Geosci. 2011. Vol. 37. P. 1337-1344.
66. Schättler U., Doms G., Schraf C. Nonhydrostatic Regional COSMO-Model. Part VII. User’s Guide. COSMO 6.00. 2016. 194 p.
67. Schulz B., Lerch S. Machine learning methods for postprocessing ensemble forecasts of wind gusts: A systematic comparison. Karlsruhe Institute of Technology. Heidelberg Institute for Theoretical Studies. arXiv:2106.09512v1 [stat.ML] 17 Jun 2021.
68. Schulz J.-P., Heise E. A new scheme for diagnosing near-surface convective gusts // COSMO Newslett. 2003. Vol. 3. P. 221-225.
69. Seregina L, Haas R., Born K., Pinto J. Development of a wind gust model to estimate gust speeds and their return periods // Tellus A: Dynamic Meteorology and Oceanography. 2014. Vol. 66. P. 1-15.
70. Sheridan P. Review of techniques and research for gust forecasting and parameterisation // Forecasting Research Technical Report 570. April 2011. 22 p.
71. Sheridan Р. Current gust forecasting techniques, developments and challenges // Adv. Sci. Res. 2018. Vol. 15. P. 159-172.
72. Suomi I., Gryning S.-E., Floors R., Vihmaa T., Forteliusa C. On the vertical structure of wind gusts // Q. J. R. Meteorol. Soc. 2015. Vol. 141. P.1658-1670.
73. Suomi I., Vihma T. Wind Gust Measurement Techniques - From Traditional Anemometry to New Possibilities // Sensors. 2018. Vol. 18. P. 1-27. EDN: YHTUMP
74. Taylor J.W., McSharry P.E., Buizza R. Wind Power Density Forecasting Using Ensemble Predictions and Time Series Models // ECMWF Technical Memorandum 553. February 2008. 17 p.
75. Thorarinsdottir T.L., Johnson M.S. Probabilistic Wind Gust Forecasting Using Nonhomogeneous Gaussian Regression // Mon. Wea. Rev. 2012. Vol. 140. P. 889-897.
76. Tüchler L. Nowcasting of thunderstorm downdraft winds using weather radar data in ZAMG. 2022. 16 p. https://resources.eumetrain.org/data/6/668/wind_ew_2022_s2b.pdf.
77. Wieringa J. Gust factors over open water and built up country // Bound. Layer Meteor. 1973. Vol. 3. P. 24-441.
78. Wyngaard J.C. Toward Numerical Modeling in the ‘‘Terra Incognita’’ // Jour. Atm. Sci. 2004. Vol. 61. P. 1816-1826.
79. Xiao H., Wang Y., Zheng Y., Zheng Y., Zhuang X., Wang H., Gao M. Convective-gust nowcasting based on radar reflectivity and a deep learning algorithm // Geosci. Model Dev. 2023. Vol. 16. P. 3611-3628. EDN: WAQLDX
80. Yamaguchi A., Ishihara T. Short term gust forecasting by using numerical weather prediction and multi timescale nonparametric regression model // The Eighth Asia-Pacific Conference on Wind Engineering, December 10-14, 2013, Chennai, India. DOI: 10.3850/978-981-07-8012-8_207
Выпуск
Другие статьи выпуска
Обеспечение круглогодичной навигации по Северному морскому пути является важной задачей социально-экономического развития Российской Федерации. При выборе оптимального пути следования судна в сплоченных льдах арктических морей важным фактором является наличие попутных разрывов в ледяном покрове, так как они представляют собой потенциальные маршруты более легкого плавания. Использование попутных разрывов позволяет увеличить скорость движения судна, тем самым повышая экономическую эффективность и безопасность плавания. Прогностическая информация о разрывах учитывается при планировании и организации морских операций. В случае, когда по какой-либо причине нет возможности получить актуальную спутниковую информацию о ледяном покрове в районе следования судна, для получения данных о разрывах могут быть использованы диагностические прогнозы. Таким образом, прогнозы преобладающей ориентации разрывов в ледяном покрове являются важной составной частью ледовых прогнозов.
Представлены результаты испытаний подсистемы глобальных пятисуточных прогнозов ветрового волнения, выпускаемых в рамках комплексной системы прогнозирования ветрового волнения, созданной в Гидрометцентре России в рамках темы 1.1.10 «Разработка и усовершенствование моделей, методов и технологий прогнозирования гидрометеорологических характеристик акваторий Мирового океана, морей и морских устьев рек России» (2020–2024 гг.). Комплексная система построена по сопряженной схеме «океан – море – прибрежная зона» на базе высокопроизводительной вычислительной платформы Cray XC40-LC и последних версий волновой модели Wave Watch-III и предназначена для выпуска прогнозов по акваториям как Мирового океана, так и всех российских морей. Новая прогностическая система в части глобальных прогнозов призвана заменить действующую с 2016 г. технологию прогнозирования характеристик ветрового волнения в Мировом океане (решение ЦМКП от 21.03.2016).
К основным характеристикам замерзающих морей, оказывающих существенное влияние на морскую деятельность в холодный период года, относятся сплоченность и толщина льда. Возможность прогнозирования ледяного состояния и его динамики является одной из ключевых задач оперативных подразделений учреждений Росгидромета.
Метод сезонных прогнозов температуры поверхности океана и состояния морского льда на основе модели Земной системы ИВМ РАН и системы подготовки данных Гидрометцентра России разработан Гидрометцентром России совместно с Институтом вычислительной математики им. Г. И. Марчука Российской академии наук в рамках реализации Важнейшего инновационного проекта государственного значения (ВИП ГЗ). Метод испытывался в соответствии с Программой испытаний, утвержденной директором ФГБУ «Гидрометцентр России» 08.02.2024 года.
Технология разработанного в ФГБУ «Гидрометцентр России» 30-суточного прогноза приземной температуры воздуха состоит из двух частей: усовершенствованной схемы среднесрочных прогнозов элементов погоды (РЭП) с расширенным (до 15 суток) сроком действия [1] и результатов численного моделирования по модели ПЛАВ [2]. Гидродинамико-статистический метод 30-суточного прогноза приземной температуры воздуха основывается на полученных на базе РЭП прогнозах аномалий приземной температуры воздуха на 15 суток и результатах интегрирования модели ПЛАВ на интервале 16‒30 суток.
В статье рассматриваются основные погодные аномалии зимы 2023-2024 гг. и лета 2024 года. Показано, что в этом году условия для формирования продуктивности сельскохозяйственных культур были значительно хуже обычного, что не позволило растениям сформировать запланированный урожай.
Показана возможность использования глубоких нейронных сетей для оценки ожидаемой средней районной урожайности озимой пшеницы для территории Северо-Кавказского УГМС. Обучение нейронной сети выполнялось на наборе данных, включающих спутниковые индексы, метеорологические данные, а также временные ряды средней районной урожайности за период с 2012 по 2023 год. Проведен экспериментальный поиск оптимальных гиперпараметров нейронной сети, который позволил достичь баланса между точностью и обобщенностью модели. Проведен сравнительный анализ точности расчётов ожидаемой урожайности, полученных на основе нейронной сети, статистических регрессионных моделей и алгоритмов машинного обучения (дерево решений, случайный лес, линейная регрессия). Результаты анализа показали, что максимальная сходимость между фактической и рассчитанной урожайностями озимой пшеницы достигается с использованием нейронной сети. Полученные результаты демонстрируют перспективность нейросетевого подхода для оценки ожидаемой урожайности озимой пшеницы на основе комплексирования наземных и спутниковых данных.
Анализируются изменения характеристик групповой структуры поверхностных волн во время экстремального шторма в Черном море 25-26 ноября 2023 года. Для анализа используются данные волновых измерений, которые проводились на стационарной океанографической платформе, расположенной около Южного берега Крыма. Расчет характеристик групповой структуры проводится в рамках двух процедур, в основе которых лежат преобразование Гильберта и функция SIWEH. Построен временной ход фактора групповитости и числа волн в группе. Временной ход параметров групповой структуры, рассчитанных в рамках двух процедур, подобен. На стадии развития шторма фактор групповитости и число волн в группе меняются незначительно, на стадии ослабления шторма значения указанных параметров уменьшаются. Во время шторма происходит значительный рост периодов доминантных волн, что приводит к увеличению длины группы.
Представлены результаты статистического анализа данных измерений параметров приповерхностных течений, выполненных на 690 автономных и притопленных буйковых станциях в 1956-2015 гг. в экспедициях ААНИИ в арктических морях. Изменчивость течений анализировалась раздельно в открытых акваториях и в проливах. Для анализа данных применён статистический метод векторно-алгебраического анализа. Рассчитаны простые статистические характеристик изменчивости течений: среднее, медиана, в некоторых случаях выделены максимум, минимум и коэффициенты асимметрии и эксцесса. Получены количественные оценки дисперсии суммарных (измеренных) течений, их пространственной однородности и направленности изменчивости. Установлена неравномерность параметров течений в различных слоях от поверхности до 25 метров: повышение изменчивости скорости течений от поверхности к слою 10-20 м с последующим понижением с глубиной. Линейная связанность течений понижается начиная с горизонтов 10(12) - 25 м. Уменьшение изменчивости скорости течений с глубиной сопровождается повышением их пространственной упорядоченности, выраженной в понижении анизотропности дисперсии (в сжатии эллипса дисперсии). Возрастание изменчивости течений с глубиной характерно для измерений, выполненных подо льдом. Показана связь с рельефом дна и с ареалами распространения речных вод в летний период. Полученные результаты сравниваются с результатами других авторов в южных морях (Чёрное, Средиземное, Каспийское).
Прогноз толщины льда на 16 суток для Каспийского и Охотского морей реализован на основе вязко-пластичной модели льда CICE с использованием в качестве форсинга трехчасовых прогностических полей негидростатической атмосферной модели WRF-ARW: приземной температуры, влажности, скорости ветра, осадков и приходящей солнечной радиации. Прогноз рассчитывается в узлах регулярной широтно-долготной сетки 0.25°. Выполнено сравнение значений толщины льда на 7 и 14-й день прогноза с измеренной толщиной на морских береговых станциях Большой Пешной в Каспийском море и на пяти станциях в Охотском море, а также а также с данными анализа GDAS NCEP, карт Sigrid-3 ФГБУ «НИЦ «Планета» и карт ледовой обстановки ФГБУ «Гидрометцентр России» по всему Охотскому морю. Сравнение результатов расчета с данными наблюдений показало, что модель удовлетворительно воспроизводит процессы нарастания и таяния льда.
Рассматривается актуальная задача краткосрочного прогнозирования суточных атмосферных осадков с использованием метеорологической информации и данных, полученных на основе измерений напряженности электрического поля атмосферы, но без привлечения данных о прошлых значениях осадков. Проведенные исследования показали высокую эффективность применения искусственного интеллекта в решении поставленной задачи, в частности, таких методов машинного обучения, как модели градиентного бустинга, деревья решений, нейронные сети. Данные для исследования за период с 2020 по 2025 год получены с метеостанции Нальчик (Россия, WMO ID 37212) и измерителя напряженности электрического поля EFM-100 установленного на крыше здания ФГБУ «ВГИ».
Изучены причины формирования экстремально морозной погоды с температурой воздуха ниже -40 °C в Красноярске, оценена точность ее прогноза региональной моделью WRF-ARW для четырех случаев в 2019, 2020 и 2023 гг., которые связаны с формированием мощного антициклона над Западно-Сибирской равниной и адвекцией очень холодного арктического воздуха в передней части высотного гребня, сопровождающегося ясной, безоблачной погодой. Изучены условия формирования городского острова тепла, интенсивность которого меняется от 4,0 до 8,0 °C, в среднем составила 6,4 °C. Области максимальной температуры находятся на обоих берегах Енисея в местах наиболее плотной застройки. В дневные часы городской остров тепла проявляется слабее, чем ночью. Определено, что модель WRF-ARW на вторые сутки прогноза воспроизводит городской остров тепла, однако завышает прогнозируемую температуру воздуха, особенно сильно в дневные сроки. Средняя абсолютная ошибка прогноза температуры воздуха на сроки, близкие к наступлению суточного минимума, составила 2,6 и 3,9 °C при прогнозе на 24 и 48 ч соответственно.
Представлены результаты замены параметризаций коротковолновой и длинноволновой радиации в глобальной модели атмосферы ПЛАВ на свободнораспространяемую параметризацию ecRad. Эффект от такой замены оценивался на годовом и сезонном масштабах. Показано, что усовершенствованная и настроенная модель точнее воспроизводит среднегодовое и среднесезонное поле осадков, как в интегральных характеристиках, так и в географическом распределении. Уменьшились ошибки воспроизведения среднесезонной атмосферной циркуляции в тропиках вблизи поверхности. Внедрение параметризации радиации ecRad с ecCKD позволило ускорить расчеты сезонных прогнозов модели ПЛАВ на 17 %.
Исследована сезонная и межгодовая изменчивость высоты и температуры тропопаузы на основании информации 41 станции аэрологического зондирования, расположенной южнее 30° ю. ш., в период 2015-2024 гг. Получены средние значения характеристик тропопаузы и их распределение, обсуждается влияние антарктического континента на положение тропопаузы. Проведен поиск трендов высоты тропопаузы в Южном полушарии за прошедшее десятилетие.
Издательство
- Издательство
- ГИДРОМЕТЦЕНТР РОССИИ
- Регион
- Россия, Москва
- Почтовый адрес
- 123376, Россия, Москва, Большой Предтеченский переулок, д.13, строение 1
- Юр. адрес
- 123376, г Москва, Пресненский р-н, Большой Предтеченский пер, д 13 стр 1
- ФИО
- Борщ Сергей Васильевич (ДИРЕКТОР)
- E-mail адрес
- hmc@mecom.ru
- Контактный телефон
- +7 (499) 2523448