Разработана иерархическая ансамблевая система краткосрочного прогноза погоды, основанная на негидростатической модели ICON. Глобальная система ICON-Ru-EPS с шагом горизонтальной сетки модели 40 км по глобусу и 20 км по Европейской территории России является источником начальных и граничных условий для региональной системы ICON-Ru2-EPS по территории Центрального федерального округа (ЦФО) с шагом сетки около 2,2 км и явным разрешением глубокой конвекции. Верификация прогнозов по региональной ансамблевой системе ICON-Ru2-EPS с помощью пакета METplus показала высокое качество вероятностных прогнозов и необходимость сочетания разнообразных метрик при анализе результатов. Исследована эффективность метода случайного возмущения параметров схем подсеточных процессов для учета несовершенства модели в ансамблевом прогнозе высокого разрешения по территории ЦФO. Подготовлены рекомендации по выбору возмущаемых параметров и размеру регионального ансамбля.
Предпросмотр статьи
Идентификаторы и классификаторы
- SCI
- Науки о Земле
Одной из основных проблем в численном прогнозировании погоды является неопределенность, связанная с неточностью начальных и граничных условий для интегрирования атмосферных моделей и несовершенством самих моделей.
Список литературы
1. Алферов Ю.В. Автоматизированная графическая система для визуализации результатов численных прогнозов // Труды Гидрометцентра России. 2003. Вып. 338. С. 119-124.
2. Астахова Е.Д., Бундель А.Ю., Багров А.Н., Розинкина И.А., Пономарева Т.Я., Рузанова И.В., Цветков В.И. Система ансамблевого глобального прогноза метеорологических полей с заблаговременностью до 240 часов: результаты оперативных испытаний // Результаты испытания новых и усовершенствованных технологий, моделей и методов гидрометеорологических прогнозов. 2016. Информационный сборник № 43. С. 63-79. EDN: XACOVJ
3. Казакова Е.В., Чумаков М.М., Розинкина И.А. Алгоритм расчета высоты свежевыпавшего снега, предназначенный для постпроцессинга систем атмосферного моделирования (на примере COSMO) // Труды Гидрометцентра России. 2013. Вып. 350. С. 195-212.
4. Киктев Д.Б., Муравьев А.В., Бундель А.Ю. Методические рекомендации по верификации метеорологических прогнозов. М.: АМА ПРЕСС, 2021. 94 с.
5. Кирсанов А.А., Тарасова М.А., Бундель А.Ю., Астахова Е.Д., Шувалова Ю.О., Розинкина И.А., Блинов Д.В. Многофакторная верификация результатов численных прогнозов погоды оперативной системы COSMO-Ru и отдельных компонентов развиваемой COSMO-Ru/icon // Метеорология и гидрология. 2024. № 8. С. 126-141. EDN: GITAEM
6. Astakhova E., Alferov D., Alferov Yu., Bundel A. Ensemble approach to weather forecasting // J. Phys.: Conf. Ser. 2021. Vol. 1740, no. 1. P. 012070. DOI: 10.1088/1742-6596/1740/1/012070 EDN: EWKPET
7. Avgoustoglou E., Shtivelman A., Khain P., Marsigli C., Levi Y., Cerenzia I. On the seasonal sensitivity of ICON model // COSMO Newsletter. 2023. No. 22. DOI: 10.5676/dwd_pub/nwv/cosmo-nl_22_04
8. Bishop C.H., Etherton B.J., Majumdar S.J. Adaptive Sampling with the Ensemble Transform Kalman Filter. Part I: Theoretical Aspects // Mon. Wea. Rev. 2001. Vol. 129. Р. 420-436. <0420:ASWTET>2.0.CO;2. DOI: 10.1175/1520-0493(2001)129
9. Bloom S.C., Takacs L.L., da Silva A.M., Ledvina D. Data Assimilation Using Incremental Analysis Updates // Mon. Wea. Rev. 1996. Vol. 124. Р. 1256-1271. <1256:DAUIAU>2.0.CO;2. DOI: 10.1175/1520-0493(1996)124
10. Bouttier F., Raynaud L., Nuissier O., Ménétrier B. Sensitivity of the AROME ensemble to initial and surface perturbations during HyMeX // Q.J.R. Meteorol. Soc. 2016. Vol. 142. Р. 390-403. DOI: 10.1002/qj.2622
11. Bowler N.E., Arribas A., Mylne K.R., Robertson K.B., Beare S.E. The MOGREPS short-range ensemble prediction system // Q.J.R. Meteorol. Soc. 2008. Vol. 134. Р. 703-722. DOI: 10.1002/qj.234
12. Brown B. et al. The Model Evaluation Tools (MET) More than a Decade of Community-Supported Forecast Verification // Bull. Amer. Meteor. Soc. 2021. Vol. 102. Р. E782-E807. DOI: 10.1175/BAMS-D-19-0093.1
13. Buizza R., Palmer T.N. The singular-vector structure of the atmospheric general circulation // J. Atm. Sciences. 1995. Vol. 52. Р. 1434-1456. <1434:TSVSOT>2.0.CO;2. DOI: 10.1175/1520-0469(1995)052
14. Buizza R., Miller M., Palmer T.N. Stochastic representation of model uncertainties in the ECMWF Ensemble Prediction System // Q.J.R. Meteorol. Soc. 1999. Vol. 125. Р. 2887-2908. DOI: 10.1002/qj.49712556006
15. Buizza R., Houtekamer P.L., Pellerin G., Toth Z., Zhu Y., Wei M.A Comparison of the ECMWF, MSC, and NCEP Global Ensemble Prediction Systems // Mon. Wea. Rev. 2005. Vol. 133. Р. 1076-1097. DOI: 10.1175/MWR2905.1
16. Buizza R., Leutbecher M., Isaksen L. Potential use of an ensemble of analyses in the ECMWF Ensemble Prediction System // Q.J.R. Meteorol. Soc. 2008. Vol. 134. Р. 2051-2066. DOI: 10.1002/qj.346
17. Buizza R., Leutbecher M., Isaksen L., Haseler J.Combined use of EDA- and SV-based perturbations in the EPS // ECMWF Newsletter. 2010. Vol. 123. Р. 22-28. DOI: 10.21957/codf7bpp
18. Buizza R., Richardson D. 25 years of ensemble forecasting at ECMWF // ECMWF Newsletter. 2017. Vol. 153. Р. 20-31. https://www.ecmwf.int/sites/default/files/elibrary/2017/18198-25-years-ensemble-forecasting-ecmwf.pdf.
19. Christensen H.M., Lock S.-J., Moroz I.M., Palmer T.N.Introducing independent patterns into the Stochastically Perturbed Parametrization Tendencies (SPPT) scheme // Q.J.R. Meteorol. Soc. 2017. Vol. 143. Р. 2168-2181. DOI: 10.1002/qj.3075
20. Duan Q. et al. Handbook of Hydrometeorological Ensemble Forecasting. Springer-Verlag Berlin Heidelberg, 2019. 1200 p. DOI: 10.1007/978-3-642-39925-1
21. Fieldextra (COSMO software), 2024. https://www.cosmo-model.org/content/support/software/default.htm#fieldextra.
22. Frogner I.-L., Haakenstad H., Iversen T. Limited-area ensemble predictions at the Norwegian Meteorological Institute // Q.J.R. Meteorol. Soc. 2006. Vol. 132. Р. 2785-2808. DOI: 10.1256/qj.04.178
23. Giorgetta M.A. et al. ICON-A, the atmosphere component of the ICON Earth system model: I. Model description // J. Adv. Model. Earth Syst. 2018. Vol. 10. DOI: 10.1029/2017MS001242
24. Gofa F. Verification in COSMO consortium // COSMO Newsletter No. 23, 2024. P. 12. https://www.cosmo-model.org/content/model/documentation/newsLetters/newsLetter23/newsLetterNo23.pdf.
25. Hagelin S., Son J., Swinbank R., McCabe A., Roberts N., Tennant W. The Met Office convective-scale ensemble, MOGREPS-UK // Q.J.R. Meteorol. Soc. 2017. Vol. 143. Р. 2846-2861. DOI: 10.1002/qj.3135
26. Hersbach H. Decomposition of the continuous ranked probability score for ensemble prediction systems // Wea. Forecasting. 2000. Vol. 15(5). Р. 559-570. <0559:DOTCRP>2.0.CO;2. DOI: 10.1175/1520-0434(2000)015
27. Hohenegger C. et al. ICON-Sapphire: simulating the components of the Earth system and their interactions at kilometer and subkilometer scales // Geosci. Model Dev. 2023. Vol. 16. Р. 779-811. DOI: 10.5194/gmd-16-779-2023 EDN: LBJSEZ
28. Houtekamer P.L., Lefaivre L., Derome J., Ritchie H., Mitchell H.L. A system simulation approach to ensemble prediction // Mon. Wea. Rev. 1996. Vol. 124. Р. 1225-1242. <1225:ASSATE>2.0.CO;2. DOI: 10.1175/1520-0493(1996)124
29. Houtekamer P.L., Mitchell H.L., Deng X. Model error representation in an operational ensemble Kalman filter // Mon. Wea. Rev. 2009. Vol. 137. Р. 2126-2143. DOI: 10.1175/2008MWR2737.1
30. Houtekamer P.L., Deng X., Mitchell H.L., Baek S.-J., Gagnon N. Higher resolution in an operational ensemble Kalman filter // Mon. Wea. Rev. 2014. Vol. 142. Р. 1143-1162. DOI: 10.1175/MWR-D-13-00138.1
31. Judt F. Insights into Atmospheric Predictability through Global Convection-Permitting Model Simulations // J. Atmos. Sci. 2018. Vol. 75. Р. 1477-1497. DOI: 10.1175/JAS-D-17-0343.1 EDN: YHTCUP
32. Jungclaus J.H., Lorenz S.J., Schmidt H. et al. The ICON Earth System Model version 1.0 // J. Adv. Model. Earth Syst. 2022. Vol. 14. Р. e2021MS002813. DOI: 10.1029/2021MS002813
33. Klasa C., Arpagaus M., Walser A., Wernli H. An evaluation of the convection-permitting ensemble COSMO-E for three contrasting precipitation events in Switzerland // Q.J.R. Meteorol. Soc. 2018. Vol. 144. Р. 744-764. DOI: 10.1002/qj.3245
34. Кeresturi E., Wang Y., Meier F., Weidle F., Wittmann C., Atencia A. Improving initial condition perturbations in a convection-permitting ensemble prediction system // Q.J.R. Meteorol. Soc. 2019. Vol. 145. Р. 993-1012. DOI: 10.1002/qj.3473
35. Kuhnlein C., Keil C., Craig G.C., Gebhardt C. The impact of downscaled initial condition perturbations on convective-scale ensemble forecasts of precipitation // Q.J.R. Meteorol. Soc. 2014. Vol. 140. Р. 1552-1562. DOI: 10.1002/qj.2238
36. Lang S.T.K., Lock S.-J., Leutbecher M., Bechtold P., Forbes R.M. Revision of the Stochastically Perturbed Parametrisations model uncertainty scheme in the Integrated Forecasting System // Q.J.R. Meteorol. Soc. 2021. Vol. 147. Р. 1364-1381. DOI: 10.1002/qj.3978
37. Lang S., Schepers D., Rodwell M. IFS upgrade brings many improvements and unifies medium-range resolutions // ECMWF Newsletter. 2023. No. 176. https://www.ecmwf.int/sites/default/files/elibrary/012023/81379-newsletter-no-176-summer-2023.pdf.
38. Leutbecher M., Lock S.J., Ollinaho P. et al. Stochastic representations of model uncertainties at ECMWF: state of the art and future vision // Q.J.R. Meteorol. Soc. 2017. Vol. 143. Р. 2315-2339. DOI: 10.1002/qj.3094
39. Lock S.J., Lang S.T.K., Leutbecher M., Hogan R.J., Vitart V. Treatment of model uncertainty from radiation by the Stochastically Perturbed Parametrization Tendencies (SPPT) scheme and associated revisions in the ECMWF ensembles // Q.J.R. Meteorol. Soc. 2019. Vol. 145 (Supplement 1). Р. 75-89. DOI: 10.1002/qj.3570
40. Magnusson L., Ackerley D., Bouteloup Y. et al. Skill of medium-range forecast models using the same initial conditions // Bull. Amer. Meteor. Soc. 2022. DOI: 10.1175/BAMS-D-21-0234.1
41. Marsigli C., Boccanera F., Montani A., Paccagnella T. The COSMO-LEPS mesoscale ensemble system: validation of the methodology and verification // Nonlin. Proc. Geophys. 2005. Vol. 12 (4). Р. 527-536. 10.5194/npg-12-527-2005. (hal-00302614). DOI: 10.5194/npg-12-527-2005.(hal-00302614)
42. Marsigli C. On the initial conditions of the ICON-D2-EPS ensemble: An analysis in terms of spread and skill // EGU General Assembly 2020, Online, 4-8 May 2020, EGU2020-10803. DOI: 10.5194/egusphere-egu2020-10803
43. Mizyak V., Rogutov V., Alipova K. Development of the new ensemble weather prediction system at the Hydrometcentre of Russia // J. Phys.: Conf. Ser. 2021. Vol. 1740. P. 012072. DOI: 10.1088/1742-6596/1740/1/012072 EDN: KEYEXR
44. Molteni F., Buizza R., Palmer T.N., Petroliagis T. The ECMWF ensemble prediction system: methodology and validation // Q.J.R. Meteorol. Soc. 1996. Vol. 122. P. 73-119. DOI: 10.1256/smsqj.52904
45. Molteni F., Buizza R., Marsigli C. et al. A strategy for high-resolution ensemble prediction. I: Definition of representative members and global-model experiments // Q.J.R. Meteorol. Soc. 2001. Vol. 127. P. 2069-2094. DOI: 10.1002/qj.49712757612
46. Montani A., Cesari D., Marsigli C., Paccagnella T. Seven years of activity in the field of mesoscale ensemble forecasting by the COSMO-LEPS system: main achievements and open challenges // Tellus A. 2011. Vol. 63. P. 605-624. DOI: 10.1111/j.1600-0870.2010.00499.x
47. Ollinaho P., Lock S.-J., Leutbecher M. et al. Towards process-level representation of model uncertainties: stochastically perturbed parametrizations in the ECMWF ensemble // Q.J.R. Meteorol. Soc. 2017. Vol. 143. P. 408-422. DOI: 10.1002/qj.2931
48. Peralta C., Ben Bouallègue Z., Theis S. E., Gebhardt C., Buchhold M. Accounting for initial condition uncertainties in COSMO-DE-EPS // J. Geophys. Res. 2012. Vol. 117. P. D07108. DOI: 10.1029/2011JD016581
49. Porson A.N., Carr J.M., Hagelin S. et al. Recent upgrades to the Met Office convective-scale ensemble: An hourly time-lagged 5-day ensemble // Q.J.R. Meteorol. Soc. 2020. Vol. 146. P. 3245-3265. DOI: 10.1002/qj.3844
50. Rieger D., Milelli M., Boucouvala D. et al. Verification of ICON in Limited Area Mode at COSMO National Meteorological Services // Reports on ICON. 2021. Vol. 6. DOI: 10.5676/DWD_pub/nwv/icon_006
51. Reinert D., Prill F., Frank H. et al. DWD Database Reference for the Global and Regional ICON and ICON-EPS Forecasting System // Deutscher Wetterdienst (DWD). 2024. https://www.dwd.de/SharedDocs/downloads/DE/modelldokumentationen/nwv/icon/icon_dbbeschr_aktuell.html.
52. Rodwell M. J., Richardson D. S., Parsons D. B., Wernli H. Flow-Dependent Reliability: A Path to More Skillful Ensemble Forecasts // Bull. Amer. Meteor. Soc. 2018. Vol. 99. P. 1015-1026. DOI: 10.1175/BAMS-D-17-0027.1
53. Schraff C., Reich H., Rhodin A. et al. Kilometre-scale ensemble data assimilation for the COSMO model (KENDA) // Q.J.R. Meteorol. Soc. 2016. Vol. 142. P. 1453-1472. DOI: 10.1002/qj.2748
54. Schlemmer L., Zängl G., Helmert J. et al. ICON model parameters suitable for model tuning. DWD, 2022. https://www.cosmo-model.org/content/support/icon/tuning/icon-tuning.pdf.
55. Shutts G.J. A kinetic energy backscatter algorithm for use in ensemble prediction systems // Q.J.R. Meteorol. Soc. 2005. Vol. 131. P. 3079-3100. DOI: 10.1256/qj.04.106
56. Stensrud D. J., Brooks H. E., Du J., Tracton M. S., Rogers E. Using Ensembles for Short-Range Forecasting // Mon. Wea. Rev. 1999. Vol. 127. P. 433-446. <0433:UEFSRF>2.0.CO;2. DOI: 10.1175/1520-0493(1999)127
57. Tang Y., Lean H.W., Bornemann, J. The benefits of the Met Office variable resolution NWP model for forecasting convection // Met. Apps. 2013. Vol. 20. P. 417-426. DOI: 10.1002/met.1300
58. Tennant W., Beare S. New schemes to perturb sea-surface temperature and soil moisture content in MOGREPS // Q.J.R. Meteorol. Soc. 2014. Vol. 140. P. 1150-1160. DOI: 10.1002/qj.2202
59. Toth Z., Kalnay E. Ensemble forecasting at NMC: the generation of perturbations // Bull. Amer. Meteor. Soc. 1993. Vol. 74. P. 2317-2330. <2317:EFANTG>2.0.CO;2. DOI: 10.1175/1520-0477(1993)074
60. Toth Z., Kalnay E. Ensemble Forecasting at NCEP and the Breeding Method // Mon. Wea. Rev. 1997. Vol. 125. P. 3297-3319. <3297:EFANAT>2.0.CO;2. DOI: 10.1175/1520-0493(1997)125
61. Tsyrulnikov M., Astakhova E., Gayfulin D. Additive Model Perturbations Scaled by Physical Tendencies for Use in Ensemble Prediction // Tellus A. 2023. Vol. 75 (1). P. 334-357. DOI: 10.16993/tellusa.3224
62. Zängl G., Reinert D., Rípodas P., Baldauf M. The ICON (ICOsahedral Non-hydrostatic) modelling framework of DWD and MPI-M: Description of the non-hydrostatic dynamical core // Q.J.R. Meteorol. Soc. 2015. Vol. 141. P. 563-579. DOI: 10.1002/qj.2378
63. Zängl G., Reinert D., Prill F. Grid refinement in ICON v2.6.4 // Geosci. Model Dev. 2022. Vol. 15. P. 7153-7176. DOI: 10.5194/gmd-15-7153-2022 EDN: FEMMSZ
64. Zhang F., Bei N., Rotunno R., Snyder C., Epifanio C. C. Mesoscale Predictability of Moist Baroclinic Waves: Convection-Permitting Experiments and Multistage Error Growth Dynamics // J. Atmos. Sci. 2007. Vol. 64. P. 3579-3594. DOI: 10.1175/JAS4028.1
65. Vié B., Nuissier O., Ducrocq V. Cloud-Resolving Ensemble Simulations of Mediterranean Heavy Precipitating Events: Uncertainty on Initial Conditions and Lateral Boundary Conditions // Mon. Wea. Rev. 2011. Vol. 139. P. 403-423. DOI: 10.1175/2010MWR3487.1
66. Wang X., Qiu X., Wu B. et al. Analysis of the different influence between initial/boundary and physical perturbation during ensemble forecast of fog // Meteorol. Atmos. Phys. 2023. Vol. 135. P. 44. DOI: 10.1007/s00703-023-00981-2
67. Wang Y., Bellus M., Wittmann C. et al. The Central European limited-area ensemble forecasting system: ALADIN-LAEF // Q.J.R. Meteorol. Soc. 2011. Vol. 137. P. 483-502. DOI: 10.1002/qj.751
68. Wang Y., Bellus M., Geleyn J. et al. A New Method for Generating Initial Condition Perturbations in a Regional Ensemble Prediction System: Blending // Mon. Wea. Rev. 2014. Vol. 142. P. 2043-2059. DOI: 10.1175/MWR-D-12-00354.1
69. Wang Y., Belluš M., Weidle F. et al. Impact of land surface stochastic physics in ALADIN-LAEF // Q.J.R. Meteorol. Soc. 2019. Vol. 145. P. 3333-3350. DOI: 10.1002/qj.3623
70. Wei M., Toth Z., Wobus R., Zhu Y., Bishop C., Wang X. Ensemble transform Kalman filter-based ensemble perturbations in an operational global prediction system at NCEP // Tellus A. 2006. Vol. 58. P. 28-44. DOI: 10.1111/j.1600-0870.2006.00159.x
71. Wei M., Toth Z., Wobus R., Zhu Y. Initial perturbations based on the ensemble transform (ET) technique in the NCEP global operational forecast system // Tellus A. 2008. Vol. 60. P. 62-79. DOI: 10.1111/j.1600-0870.2007.00273.x
72. Wilks D. Statistical Methods in the Atmospheric Sciences, 4th Edition // Elsevier. 2019. DOI: 10.1016/C2017-0-03921-6
Выпуск
Другие статьи выпуска
Проверяется синхронизация опасных гидрометеорологических явлений с максимумами-максиморумами приливных сил Луны и Солнца. В качестве индикаторов последних используются циклы лунно-солнечных затмений - Сарос и Экселигмос. Сравниваются уровни половодий на реках Урал, Тобол, Ишим, Вагай и Ока в 2024 и 1970 гг. Показано, что катастрофическим уровням половодий 2024 г. предшествовали рекордные уровни половодий в 1970 г. С этим же циклом Экселигмос связаны жестокие засухи 1921 и 1975 гг. в Поволжье и аномальные морозы 1924 и 1978 гг. в Москве.
Изучены современные особенности распределения показателей температуры воздуха в Прикаспийском регионе Азербайджана с использованием первичных данных 27 гидрометеорологических станций Национальной гидрометеорологической службы Азербайджана, расположенных в Прикаспийском регионе, за период с 1961 по 2023 год. Уточнена статистическая значимость временных рядов, определены математические средние показатели и особенности их распределения. Показано, что 90 % самых теплых лет наблюдались после 2005 года, самые холодные - до 1993 года, что является наглядным доказательством резкого потепления в регионе. В период 1991-2023 гг. среднегодовые значения температуры воздуха увеличились на 0,9 °C (наибольший рост показателей в августе - на 1,5 °C). Изменение климата в Прикаспийском регионе усиливает процессы опустынивания, засоления и эрозии почвы. Рекомендуется учитывать эти данные при решении задач строительства, энергетики и выработки политики по смягчению последствий изменения климата.
Предложена система методик прогнозирования притока воды в Ириклинское водохранилище на реке Урал. Система включает методики получения ежегодно выпускаемого 5 марта долгосрочного прогноза объема притока за период весеннего половодья и за второй квартал, а также методики получения ежегодно выпускаемого в январе и феврале предварительного долгосрочного прогноза этих величин. В этих методиках использованы линейные зависимости притока воды в водохранилище от максимального запаса воды в снеге и от показателя предзимнего увлажнения водосбора. На основе метода экстраполяции гидрографа разработаны схемы ежедневного краткосрочного и среднесрочного прогнозирования притока в водохранилище за 1, 3, 5, 7 и 10 суток. Проверка по данным за период с 2003 по 2024 год показала удовлетворительное качество предлагаемых методик, что позволяет рекомендовать их к применению в целях повышения эффективности использования водных ресурсов Ириклинского водохранилища.
Представлен анализ измерений уровня моря и параметров ветрового волнения в заливе Анива, выполненных при помощи датчиков гидростатического давления в июне-августе 2023 года на заякоренных станциях на глубинах 10 и 15 м. Данные гидростатического давления при анализе ветровых волн корректировались с учетом теории линейного затухания колебаний с глубиной. Общий размах колебаний уровня моря составил 1.63 м в сизигию и 0.3 м в квадратуру. Максимальная высота значительных волн составила 1.73 м, а максимальная высота индивидуальной волны - 2.82 м. Обнаружено присутствие аномальных волн с индексом аномальности более 2. При сопоставлении высоты волн по результатам моделирования с данными измерений получено, что коэффициент корреляции составляет 0.84, а среднеквадратическая ошибка 0.17 м.
Проведен сравнительный анализ синоптических условий и численных прогнозов двух случаев опасных конвективных явлений в Московском регионе: 5-6 и 20 июня 2024 г. Рассмотрены прогнозы явлений мезомасштабной модели COSMO-Ru2, усваивающей данные радиолокаторов, и рассчитанные на основе данных региональной модели Гидрометцентра России. Радиолокационные данные ДМРЛ-С «Внуково» и полученные на основе сети ДМРЛ-С в экспериментальной технологии диагноза дополняют картину синоптических процессов и их особенностей. Даны рекомендации по использованию синоптической информации в случаях формирования активной конвекции с опасными явлениями в дополнение к численным прогнозам для повышения точности штормового предупреждения и прогноза.
Исследуется реакция растительности Крыма (лиственные, сосновые, можжевеловые породы, степная яйла) на изменения дальнодействующих климатических индексов, на примере вегетационного нормализованного разностного индекса NDVI по данным дистанционного зондирования за период 2000-2023 гг. Рассмотрена взаимосвязь NDVI и девяти климатических индексов в Северном полушарии с использованием коэффициента корреляции Пирсона, мультирегрессионного моделирования и композитного анализа. Обнаружено, что Североатлантическое, Восточно-Атлантическое, Арктическое и Полярное/Евразийское колебания с декабря по май объясняют 80 % изменения вегетационного индекса лесных сообществ в апреле-июне. При этом сигналы Восточно-Атлантического и Средиземноморского колебаний с января по май объясняют 59 % изменения индекса NDVI степных сообществ в апреле-июне. Вегетационный индекс всех растительных сообществ возрастает при тех фазах климатических индексов, которые сопровождаются, как правило, усилением циклонической активности. При этом NDVI лесных сообществ увеличивается при ослаблении циклонической активности в зимние месяцы, что может быть связано с более морозными условиями для сохранения твердых осадков в горах.
Рассмотрено качество воспроизведения сезонного цикла и среднегодовых величин атмосферных осадков, выпадающих над Черным морем, по данным расчетов, полученных с помощью 36 глобальных численных моделей (173 реализации) из международного проекта Coupled Model Intercomparison Project Phase 6 (CMIP6). Результаты расчетов сопоставляются с данными реанализа ERA5 за исторический период 1959-2022 гг. Показано, что большинство моделей проекта CMIP6 неудовлетворительно воспроизводит климатический сезонный ход и среднегодовые величины осадков над Черным морем. В целом, с данными реанализа ERA5 лучше согласуются результаты моделирования зимних осадков. Это свидетельствует о низком качестве параметризации осадков конвективного типа в средних широтах Северного полушария в большей части моделей из консорциума CMIP6. Отобраны 5 моделей из 36, которые можно использовать для оценки среднегодовых величин осадков над Черным морем, из них только 3 целесообразно использовать для оценки месячных осадков.
Описывается вычислительная система RANGES (от англ. range - «диапазон»), предназначенная для расчета климатической области распространения (КОР) природного явления на основе климатических характеристик и переменных (климатических предикторов) - гидрометеорологических величин и индексов, рассчитанных на их основе, - определяющих формирование КОР. Методология системы основана на байесовском подходе, позволяющем оценивать вероятность принадлежности географической точки к КОР исследуемого явления. Система RANGES реализована в виде комплекса программ и снабжена дружественным интерфейсом, построенным таким образом, чтобы автоматизировать процесс ввода данных, минимизируя ошибки. Система поддерживает работу как с данными наблюдений, так и с данными глобальных и региональных моделей (в данной версии системы - это модели Института вычислительной математики им. Г. И. Марчука РАН и Главной геофизической обсерватории им. А. И. Воейкова). Программный комплекс позволяет учитывать многочисленные климатические предикторы для описания условий, влияющих на природное явление. На основе анализа климатических предикторов система определяет вероятностные оценки принадлежности точек географического пространства к КОР и ранжирует эти оценки по методологии МГЭИК. Приведен пример использования системы RANGES при вычислении КОР доминирования теплой части года (когда число суток с положительными среднесуточными температурами превышает 182). Рассчитаны изменения КОР для базового периода (1990-1999 гг.) и для 2030-2039 и 2050-2059 гг. в условиях сценария RCP8.5. Показаны смещения границ КОР доминирования теплой части года, иллюстрирующие влияние изменений климата.
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