omsz
>>
    OMSZ      IDŐJÁRÁS      ÉGHAJLAT      LEVEGŐKÖRNYEZET      ISMERET-TÁR   
Kutatás és fejlesztés |  Numerikus prognosztika |  Levegőkörnyezet-elemzés 
Felbontás: KicsiFelbontás: NormálFelbontás: KözepesFelbontás: NagyobbFelbontás: Nagy Copyright © 

Rövidtávú ensemble előrejelzések

Ensemble (együttes) előrejelzések

A veszélyes, nehezen előrejelezhető jelenségek megbízható előrejelzése a meteorológia egyik legfontosabb feladatai közé tartozik. Nem elégedhetünk meg azzal, hogy modellünk megbízható előrejelzéseket szolgáltat az átlagos időjárási helyzetekben (egyszerű frontátvonuláskor, anticiklonális helyzetekben), ha ugyanakkor a szélsőséges jelenségeket (szélviharokat, nagy csapadékkal járó ciklonokat) csupán kis megbízhatósággal képes előrejelezni. Éppen ezért a numerikus előrejelző modellek fejlesztése során arra törekednek a szakemberek, hogy egy olyan kompromisszumos beállítást érjenek el, ami biztosítja, hogy a modell mind a normál, mind a szélsőséges időjárási helyzetek során megbízható előrejelzéseket szolgáltasson.

A minél megbízhatóbb előrejelzések készítése érdekében a modellezés számos részterületén folynak intenzív kutatások. Ezek közé tartozik a kezdeti feltételek minél pontosabb meghatározásának kérdése is (a numerikus előrejelzés készítése során egy parciális differenciálegyenletrendszert kell megoldanunk, s ehhez kezdeti-, és peremfeltételekre van szükségünk). A kezdeti feltételek meghatározása igen összetett feladat. Egyrészt a mérések nem egy szabályos rácshálózat pontjaiban történnek (tehát interpolációt kell alkalmaznunk a modell rácshálózatára), másrészt számuk igen csekély a modell szabadsági fokainak számához viszonyítva, végül pedig számolnunk kell a mérési hibákkal is.

Mindezekből az következik, hogy a kezdeti feltételek tökéletesen pontos meghatározása nem lehetséges. Felmerülhet azonban a kérdés, mekkora gondot okoz(hat) a kezdeti feltételekben megmutatkozó bizonytalanság, pontatlanság. Az időjárás előrejelzése során megoldandó egyenletrendszer egy parciális differenciálegyenletrendszer, mely nagyfokú érzékenységet mutat a kezdeti feltételekre. Mindez azt jelenti, hogy a kiindulási mezőben jelentkező kis pontatlanságok az előrejelzés során akár igen jelentős hibákat is okozhatnak.

Ebben az esetben létezhet-e egyáltalán megoldás a problémára? Szerencsére igen, mégpedig a következő gondolatmenet alapján: ha nem tudjuk tökéletesen pontosan meghatározni a kezdeti feltételt, határozzunk meg több, egyaránt lehetséges kiindulási állapotot, mégpedig oly módon, hogy az általunk legjobbnak tartott analízist valamelyest (a hibahatáron belül) megváltoztatjuk, perturbáljuk, majd az így kapott kezdeti feltételek mindegyikéből készítünk egy-egy előrejelzést. Így összességében nem egyetlen előrejelzésünk lesz, hanem előrejelzések együttesével fogunk rendelkezni. Innen ered az ensemble elnevezés is (ensemble = együttes). Ezt az előrejelzés-együttest felhasználva lehetőségünk nyílik arra, hogy minden előrejelzett időjárási esemény mellé valószínűségi értékekeket társítsunk, illetve következtetni tudunk az előrejelzés bizonytalanságára is. Éppen ezért az ensemble technika különösen hasznos a szélsőséges időjárási események előrejelzésében.

Az együttes előrejelzések előállítása többféle módon történhet, pl.:

  • Az adatasszimiláció során felhasznált megfigyeléseket perturbáljuk a lehetséges mérési hibáknak megfelelő mértékben.
  • Perturbálhatjuk az általunk valamilyen módszerrel meghatározott kezdeti feltételt is. Ez történhet véletlen módon, vagy különböző technikákkal (szinguláris vektorok módszere, breeding módszer) előállított perturbációkkal.
  • Előállíthatunk kezdeti feltételeket többféle analízis-technikával is (OI, 3DVAR, 4DVAR...).

Természetesen nem csak a kezdeti feltételek pontatlansága jelenthet problémát. Gondot okozhat a bonyolult, vagy rácstávolságnál kisebb skálájú fizikai folyamatok parametrizációja, a modellegyenletek térben és időben történő diszkretizálása, és még sorolhatnánk. Ezeket a problémákat is kezelhetjük oly módon, hogy nem egyetlen előrejelzést, hanem előrejelzések együttesét készítjük el, mindegyiket más fizikai parametrizációs csomag, vagy más-más modell felhasználásával.


(Rövidtávú) ensemble előrejelzések készítésére alkalmazható módszerek

Multi-analízis ensembleEnnél a módszernél a különböző előrejelző központok által készített, vagy egyazon központban, de különböző technikával előállított analíziseket gyűjtik össze és ezek mindegyikéből egy-egy előrejelzést indítanak. Ezek az előrejelzések jelentik majd az ensemble rendszer tagjait.
Multi-modell ensembleEbben az esetben nem az analíziseket, hanem a már elkészült előrejelzéseket gyűjtik össze a különböző előrejelző központokból, s ezen előrejelzések képezik az ensemble rendszer tagjait. A módszert 'poor man's ensemble prediction system'-nek, azaz 'szegény ember ensemble előrejelző rendszerének' is szokás nevezni, hiszen egyik résztvevőtől sem igényli több ensemble tag futtatását, hanem az amúgy is minden nap operatív módon előálló produktumok felhasználásával jön létre az új rendszer.
Megfigyelések perturbálásaA módszer lényege, hogy az adatasszimiláció során felhasznált megfigyelésekre véletlenszerű perturbációkat ültetnek, mely perturbációk a lehetséges mérési hibák nagyságrendjébe esnek. Az így készített (különböző) analízisekből futtatott előrejelzések alkotják az ensemble rendszert.
Kezdeti perturbációk származtatása Az eljárás során az analízis hibákra jellemző perturbációkat számolnak ki. A két legelterjedtebb technika a breeding módszer és a szinguláris vektorok módszere.

A breeding módszer során először a modell kezdeti feltételeit véletlenszerűen perturbálják, majd a perturbált analízisekből előrejelzéseket készítenek. Az előrejelzés végén a perturbációkat visszaskálázzák a kezdeti méretükre, majd a számításokat az aktuális analízisnek ezekkel a perturbációkkal történő módosításával folytatják. A folyamat további ismétlése már 4-5 napot követően az analízis ciklus során leggyorsabban növekvő perturbációk szelektálásához vezet. Az eljárás tehát a véletlenszerű perturbációkból 'kitenyészti' az optimális perturbációkat, ezért is nevezik breeding módszernek (breeding=tenyésztés).

A szinguláris vektorok módszere igen komoly matematikai háttérrel rendelkezik, lényegében egy sajátérték feladat megoldását jelenti; egy adott norma szerint leggyorsabban növekvő perturbációk meghatározása a cél. A módszer alkalmazása komoly számítógép-kapacitást igényel.

Fizikai parametrizáció változtatása/perturbálásaEbben az esetben nem a kezdeti-, és/vagy a peremfeltételek változtatása révén készítenek több előrejelzést, hanem a fizikai parametrizációs csomagokban szereplő paramétereket, vagy magukat a parametrizációs csomagokat változtatják, és így állítják elő az ensemble rendszer tagjait.
Globális ensemble előrejelzések leskálázásaEz a módszer a legegyszerűbb az összes közül, hiszen ekkor a korlátos tartományú modell kezdeti-, és peremfeltételeit egy globális ensemble rendszer tagjai szolgáltatják. A globális ensemble rendszer számára generált perturbációk azonban általában középtávon és nagyobb skálákon fejtik ki hatásukat, így nem feltétlenül optimálisak a rövidtávú ensemble előrejelzések számára.

Itt említhetjük meg még azt a módszert is, amikor a globális ensemble rendszernek csak néhány (alkalmas módszerrel) kiválasztott tagját használják fel kezdeti-, illetve peremfeltételként. Ez például a következő módon történhet:
A globális ensemble rendszer tagjait rögzített számú clusterbe csoportosítják, majd minden clusterben kiválasztanak egy-egy reprezentatív tagot, mely a legközelebb esik a saját clustere tagjaihoz, és legtávolabb van a többi cluster tagjaitól. Végül minden egyes reprezentatív tag kezdeti-, és peremfeltételeket szolgáltat a korlátos tartományú modell számára.


Ensemble előrejelzések megjelenítése

Nem elég elkészítenünk az ensemble előrejelzéseket, azokat alkalmas módon meg is kell jelenítenünk. Az együttes előrejelzések esetében ez a megjelenítés némiképp eltér a klasszikus determinisztikus előrejelzéseknél használt módszerektől, hiszen egy ensemble rendszer esetén egyszerre több előrejelzés adatait kell megjelenítenünk, miközben törekednünk kell arra, hogy a rendszer által hordozott információ minél áttekinthetőbb, tömörebb formában kerüljön az előrejelző szakemberek elé (gondoljunk csak arra, mennyi időbe telne naponta pl. 51 ensemble tag részletes tanulmányozása). A következőkben a lehetséges megjelenítési formákat tekintjük át, a példaként bemutatott ábrák a saját előrejelző-, és megjelenítő rendszerünkkel készültek.


Ensemble tagok megjelenítése külön-külön

 

Az ensemble tagokat külön-külön is megjeleníthetjük (hasonlóan a klasszikus determinisztikus előrejelzésekhez), ekkor azonban egy nagy elemszámú rendszer esetében igen sok időbe telhet a tagok tanulmányozása.

Ensemble átlag megjelenítése

 

Megjeleníthetjük az ensemble tagok átlagát is. Ezzel azonban vigyáznunk kell, hiszen előfordulhat, hogy a tagok fele alacsony nyomást, másik fele magas nyomást jelez egy adott területre, míg az átlagban ez egy jellegtelen nyomási mezőként jelenik majd meg, holott ilyen jelleg egyik előrejelzésben sem szerepelt.

 

Ensemble átlag megjelenítése

Ensemble átlag megjelenítése
 

Példa az ensemble átlag megjelenítésére. Az ábrán a 2004. november 8. 06 UTC és november 9. 06 UTC közötti 24 órás csapadékösszeg előrejelzése látható. Ez alatt a 24 óra alatt a középső országrészben több helyen 30mm-t meghaladó csapadékot regisztráltak. Ez az előrejelzésben is megmutatkozik, bár a legintenzivebb zóna a megfigyelttől nyugatabbra helyezkedik el.

Bélyeg diagram

 

Az egyes tagok előrejelzéseit (egy adott időpontra és egy adott paraméterre vonatkozóan) egymás mellé és alá rendezve jelenítjük meg, szükségszerűen erősen lekicsinyítve. A bélyeg diagram segítségével könnyen felismerhetőek az esetlegesen előforduló lényeges különbségek, azonban a kis méret miatt a részletek nehezen tekinthetőek át.

 

Bélyeg diagram

Bélyeg diagram
 

Példa a bélyeg diagramra. Az ábrán a 2004. november 8. 06 UTC és november 9. 06 UTC közötti 24 órás csapadékösszeg előrejelzése látható mind a 11 ensemble tag esetére. Főként a nyugati országrészben van nagyobb eltérés az egyes tagok előrejelzései között.

Fáklya diagram

 

A fáklya diagram egy adott földrajzi helyre vonatkozóan szemlélteti valamely nyomási, vagy magassági szinten egy kiválasztott elem időbeli alakulását. Azt olvashatjuk le róla, hogy egy adott helyen hogyan változik az előrejelezhetőség, s ezzel összhangban az előrejelzésünk bizonytalansága.

 

Fáklya diagram

Fáklya diagram
 

Példa a fáklya diagramra. Az ábrán a 2004. november 8. 00 UTC-s analízisből kiinduló csapadékelőrejelzés látható Sopronra vonatkozóan. Megfigyelhetjük, hogy 9-e 06 UTC körül egyes tagok 20mm/6h körüli csapadékösszegeket jeleznek, míg van olyan tag is, mely ugyanekkor csupán 1mm/6h csapadékot jelez.

Valószínűségi térképek

 

A valószínűségi térképek egy adott esemény (pl. 0 fok alatti hőmérséklet) bekövetkezésének valószínűségét ábrázolják.

 

Valószínűségi térkép

Valószínűségi térkép
 

Példa a valószínűségi térképre. Az ábrán a 30mm-nél nagyobb 24 órás csapadékösszeg valószínűsége látható a 2004. november 8. 06 UTC és november 9. 06 UTC közötti időszakra (az értékek %-ban értendők).

Spagetti diagram

 

Egy kiválasztott elem egy adott izovonalát ábrázoljuk az összes ensemble tagra vonatkozóan. Míg a fáklya diagram egy adott helyre és az előrejelzés teljes időtartamára jelzi a bizonytalanság mértékét, addig a spagetti diagram azt mutatja meg hogy egy adott időpontban mely területen lesz nagy (vagy kicsi) az előrejelzés bizonytalansága.

 

Spagetti diagram

Spagetti diagram
 

Példa spagetti diagramra. Az ábrán a tengerszinti légnyomás egy adott izovonala (1015hPa) látható mind a 11 tagra vonatkozóan. Megfigyelhető, hogy egyes területeken az izovonalak igen sűrűn futnak egymáshoz, azaz kicsi a bizonytalanság, míg más területeken igen távol vannak egymástól, ami nagy bizonytalanságra utal. Az előrejelzés kiinduló időpontja 2004. november 8. 00 UTC.


Rövidtávú ensemble előrejelzések

Az ensemble előrejelző rendszerekkel kapcsolatos kutatások az elmúlt évtized során elsősorban a globális, középtávú modellekre irányultak. A figyelem súlypontja azonban napjainkban egyre inkább áttolódik a kisebb tartományok és rövidebb időtávok felé. A legfontosabb cél a szélsőséges időjárási jelenségek minél megbízhatóbb rövidtávú előrejelzése. Ez a probléma a jelenlegi eszközökkel nem vizsgálható, mert egyrészt a globális ensemble előrejelzések általában középtávra szólnak, másrészt felbontásuk nem elégséges, végül, de nem utolsó sorban a helyi szélsőséges jelenségek előrejelezhetősége kicsi. Ezen megfontolások alapján van létjogosultságuk a korlátos tartományú modelleken alapuló ensemble előrejelzéseknek. Számos előrejelző központban folynak kutatások ún. LAMEPS (Limited Area Modelling Ensemble Prediction System) rendszerekkel, illetve léteznek már operatívan, kvázi-operatívan működő rövidtávú ensemble előrejelző rendszerek is (pl. a SREF rendszer az NCEP-nél, a PEACE rendszer a Meteo-France-nál, a COSMO-LEPS rendszer, az SRNWP-PEPS rendszer).


Az OMSZ Numerikus Előrejelző Osztályán folyó LAMEPS kutatások

Az Országos Meteorológiai Szolgálatnál 2003 őszén indultak meg a LAMEPS kutatások, melyek végső célja egy, a későbbiekben operatív módon is alkalmazható rövidtávú ensemble előrejelző rendszer kidolgozása. Ez az ensemble rendszer az ALADIN (Aire Limitée Adaptation dynamique Développement InterNational) modellre fog épülni. Az ALADIN modell egy spektrális korlátos tartományú számszerű előrejelző modell, melyet egy nemzetközi együttműködés keretében fejlesztettek ki és a modell magyarországi változatát operatív módon használjuk az előrejelző munkában. A kutatások során a rövidtávú ensemble előrejelzések készítésére alkalmas módszerek közül többet is intenzív tesztelésnek fogunk alávetni, hogy megállapíthassuk, melyik felel majd meg leginkább a céljainknak. Jelenleg két módszert vizsgálunk, és részt veszünk az SRNWP-PEPS nevű projektben, mely egy multi-modell ensemble rendszer létrehozását tűzte ki célul. Emellett kapcsolatban állunk az ensemble előrejelzési technika nemzetközileg elismert szakembereivel: amerikai szakemberekkel, olasz kutatókkal (akik Európában vezető szerepet játszanak a korlátos tartományú modelleken alapuló ensemble rendszerek kidolgozásában), és természetesen (tekintettel arra, hogy az ARPEGE/ALADIN modellcsalád fejlesztése francia irányítással történik) a francia kollegákkal is. Rövidtávú ensemble előrejelzésekkel kapcsolatos kutatásainkat különböző kutatási pályázatok támogatásával végezzük.


Globális ensemble előrejelzések leskálázása/1

Az OMSZ-nál a LAMEPS kísérleteket a PEACE (Prevision d'Ensemble a Courte Echéance), az ARPEGE francia globális modellre épülő, 10+1 tagú (10 tagot perturbált analízisből kiindulva készítenek, a 11-ik, az ún. kontroll előrejelzés számára pedig a perturbálatlan analízis szolgál kezdeti feltételül), rövidtávú globális ensemble rendszer előrejelzéseinek leskálázásával kezdtük. A globális rendszer minden egyes tagja kezdeti-, és peremfeltételt szolgáltat a korlátos tartományú, rövidtávú ensemble rendszer egy-egy tagja számára, így az ALADIN modellre épülő LAMEPS rendszerünk is 10+1 tagból áll.

A PEACE projektben a perturbációk előállítása a szinguláris vektorok módszerével történik. Annak érdekében hogy a származtatott perturbációk minél eredményesebben fejtsék ki hatásukat (adott területre és adott előrejelzési időintervallumra vonatkozóan), döntő fontosságú a szinguláris vektorok számításakor használt optimalizálási tartomány és optimalizálási idő megválasztása. Az optimalizálási tartomány az a terület, amelyre vonatkozóan nyomon követjük a szinguláris vektorok fejlődését. Ezt a területet úgy kell megválasztani, hogy az itt számított szinguláris vektorokból származtatott perturbációk a számunkra leginkább fontos területre (jelen esetben Magyarországra) legyenek nagy hatással. Az optimalizálási idő az az idő, ameddig a szinguláris vektorok fejlődését nyomon követjük. Ennek megválasztása is jelentősen befolyásolhatja azt, hogy a származtatott perturbációk a számunkra érdekes helyen és időben fejtik-e majd ki hatásukat.

A PEACE rendszerben a szinguláris vektorokat egy Európát, és az Atlanti-óceán északi medencéjét lefedő tartományra és 12 órás időtartamra optimalizálják. Az OMSZ-nál sikeresen adaptáltuk a rendszer elemeit (szinguláris vektorok számítása, kezdeti perturbációk származtatása, előrejelzések készítése), mely lehetővé teszi érzékenységi vizsgálatok végzését. Ezen vizsgálatok célja annak meghatározása, hogy a szinguláris vektorok előállításához használt optimalizálási tartomány és optimalizálási idő hogyan befolyásolja az ensemble előrejelzések minőségét Magyarországra vonatkozóan.

A kutatás során esettanulmányokat készítettünk és vizsgáltunk, illetve hosszabb időszakra hasonlítottuk össze a különböző módon futtatott ensemble előrejelzéseket. Az első eredmények alapján az a következtetés vonható le, hogy a globális ensemble előrejelzések leskálázása megfelelően megválasztott optimalizálási tartománnyal és optimalizálási idővel valamelyest javítja az együttes előrejelzések sikerességét, azonban a javulás mértéke viszonylag kicsi. Ezen eredmények alapján nagy valószínűséggel állítható, hogy szükség lesz lokális perturbációk előállítására (az ALADIN modellel). Az egyik lehetséges módja a lokális perturbációk előállításának a breeding módszer, melynek tesztelése jövőbeli terveink között szerepel.


Globális ensemble előrejelzések leskálázása/2

Rövidtávú ensemble rendszert, mint láttuk, létrehozhatunk oly módon, hogy a globális ensemble rendszer minden egyes tagja kezdeti-, és peremfeltételt szolgáltat a korlátos tartományú, rövidtávú ensemble rendszer egy-egy tagja számára. Ez adott esetben igen sok tag futtatását teszi szükségessé, pl. az ECMWF globális ensemble előrejelző rendszere 50+1 tagból áll. Ez a módszer igen jelentős számítógép kapacitást igényel, felmerülhet tehát a kérdés, milyen módon lehetne a rövidtávú ensemble rendszer tagjainak számát csökkenteni úgy, hogy mindeközben minél kevesebbet veszítsünk el a globális rendszer tagjai által hordozott információból. Megoldást jelenthet a következő módszer:

A globális ensemble rendszer tagjait rögzített számú clusterbe csoportosítjuk, majd minden clusterben kiválasztunk egy-egy reprezentatív tagot, mely a legközelebb esik a saját clustere tagjaihoz, és legtávolabb van a többi cluster tagjaitól. Végül minden egyes reprezentatív tag kezdeti- és peremfeltételeket szolgáltat a korlátos tartományú modellünk számára.

Ezt a technikát alkalmazzák jelenleg a COSMO konzorcium keretein belül a COSMO-LEPS ensemble rendszerben, és az OMSZ-nál is megindultak a kísérletek ezzel kapcsolatban. Tervezett kísérleteink során a globális ensemble előrejelzéseket az ECMWF ensemble rendszere szolgáltatja, a leskálázást pedig az ALADIN modellel végezzük majd el.


Az SRNWP-PEPS projekt

Európában a nemzeti meteorológiai szolgálatok döntő részben az ALADIN (Aire Limitée Adaptation dynamique Développement InterNational), a COSMO (COnsortium for Small MOdelling), a HIRLAM (HIgh Resolution Limited Area Model), illetve az UKMO (UK Met Office) konzorcium által kifejlesztett korlátos tartományú modellek valamelyikét futtatják operatív módon. Egy adott konzorciumon belül az egyes tagországok által futtatott modellverziók között is lehetnek eltérések, pl. integrálási tartomány, paraméterbeállítások, stb. tekintetében. Ez a tény magában hordozza annak a lehetőségét, hogy a különböző modellek és modellverziók kombinációja révén egy ún. multi-modell ensemble rendszert hozzunk létre, melyet poor man's ensemble system-nek, azaz szegény ember ensemble előrejelző rendszerének is szokás nevezni. Joggal nevezhetjük így, hiszen nem igényli minden egyes résztvevő országtól több ensemble tag futtatását, hanem az amúgy is minden nap operatív módon előálló produktumok felhasználásával hozzuk létre az új rendszert.

Ezt a lehetőséget felismerve indult el a SRNWP-PEPS projekt a DWD (Deutscher Wetterdienst, azaz a Német Meteorológiai Szolgálat) koordinálásával, melynek célja egy operatív multi-modell ensemble rendszer létrehozása és működtetése. A projektben mind a négy konzorcium képviselteti magát, közel húsz résztvevő országgal. A résztvevő országok között van Magyarország is. Ez azt jelenti, hogy naponta négyszer mi is megkapjuk az előállított ensemble produktumokat, melyek között szerepelnek valószínűségi mezők és ensemble átlagok több kiválasztott paraméterre vonatkozóan.

Ensemble átlag előrejelzés
Ensemble átlag előrejelzés

Példa az SRNWP-PEPS produktumokra. Ensemble átlag előrejelzés, 24 óra alatt lehulló hó vízegyenértéke a 2005 február 21 06 UTC - 2005 február 22 06 UTC közötti időszakra.


Valószínűségi mező
Valószínűségi mező

Példa az SRNWP-PEPS produktumokra. Valószínűségi mező, 24 óra alatt lehulló hó mennyisége meghaladja az 5cm-t a 2005 február 21 06 UTC - 2005 február 22 06 UTC közötti időszakban.


Az OMSZ Numerikus Előrejelző Osztályán folyó LAMEPS kísérletekkel kapcsolatos publikációink (Post Script formátumban):

Feladatok 
HAWK-2 
ALADIN modell 
   Adatasszimiláció 
   AROME 
   Szélklimatológia 
ECMWF 
Klímamodellezés 
   Bevezetés 
   Történet 
   Regionális modellkísérletek 
   Megfigyelési adatbázisok 
   Validáció 
   Projekciók 
   Szélsőségek 
   Tervek 
   További információk 
   Hivatkozások 
Verifikáció 
Utófeldolgozás