Джон МакГенри, главный научный сотрудник компании Baron
Обеспечение поддержки принятия решений для широкого круга чувствительных к погоде общественных и экономических секторов является жизненно важной частью критической метеорологической разведки, которую предлагает клиентам компания Baron. Технология и способность решать проблемы реального времени, прогноза и масштаба прогноза с помощью многомасштабных, многомодельных, многометодных систем поддержки принятия решений имеют решающее значение для смягчения угроз экономической и личной безопасности, что является основным компонентом глобальной миссии компании Baron. В этой обзорной статье рассматривается широкий спектр технологий прогнозирования, которые в целом классифицируются как системы поддержки принятия решений, и приводятся примеры использования систем DSS Baron в оперативных целях.
Прежде чем говорить о технологии, стоит отметить, что ни одна из технологий прогнозирования DSS компании Baron не считается "готовой". Baron использует подход, ориентированный на клиента, сначала определяя его нужды, требования и пожелания. Затем компания создает решение с учетом контекста клиента: что нужно для использования и распространения критически важной метеорологической информации, полученной с помощью DSS Baron. Хотя компания Baron имеет более 100 лет опыта в разработке и внедрении систем прогнозирования DSS на основе моделей, она привыкла работать и с моделями, предпочитаемыми заказчиком. Зачастую это лучший подход, поскольку многие заказчики уже обладают знаниями и опытом работы с местными системами моделирования, но могут не иметь возможности или ресурсов для их интеграции в оперативную систему DSS, которой не хватает. Таким образом, компания Baron готова как работать "в контексте", так и предоставлять свои собственные высокотехнологичные решения по моделированию, когда это необходимо.
На рисунке 1. представлен обзор концептуальной системы DSS, которая отражает те, что были внедрены в компании Baron. DSS начинается с приема, обработки и интеграции наборов данных наблюдений, необходимых для инициализации/ассимиляции модели прогноза или последующей (автономной) оценки, калибровки и улучшения модели. Baron обеспечивает надлежащий контроль качества наблюдений перед их занесением в обычную реляционную базу данных или аналогичную, в зависимости от размера и типа набора данных. После получения данных наблюдения, прошедшие проверку качества, предоставляются компоненту(ам) моделирования DSS в режиме реального времени.
Затем система моделирования прогноза интегрируется, обычно состоя из цикла ассимиляции и цикла прогноза. Например, в системе ассимиляции наземных данных Барона (BLDAS) оперативные данные, полученные с помощью радара, скорректированные по датчикам QPE и другие форсирующие переменные предоставляются и обновляются каждые полчаса. BLDAS идет в ногу со временем, обеспечивая начальные условия, необходимые для запуска прогонов модели прогноза. Это гарантирует, что модель прогноза начнет работу с наилучшего возможного начального состояния, что очень важно для гидрологических, сельскохозяйственных, дорожных и других прогнозных приложений. DSS также предоставляет рабочие станции и дисплеи, используемые персоналом заказчика для интерпретации прогнозной информации и рекомендаций, полученных от DSS.
Baron предлагает несколько вариантов распространения угроз и предупреждений, включая широко используемое приложение Safety Net. Как правило, архив DSS включает в себя хранилища данных наблюдений, модельных прогнозов и продуктов синоптиков для полного воспроизведения, изучения и оценки оперативных случаев. Это позволяет заказчику впоследствии повысить эффективность работы DSS по объективным метрикам, включая категориальные, дискретные и ареально-категориальные показатели. Baron также предоставляет комплексную подсистему калибровки, которая полностью взаимодействует с DSS для моделирования гидрологических прогнозов, а также комплексное обучение и руководства по системе.
Классы моделей прогнозирования и связи между моделями в среде DSS
Большинство прогнозных приложений DSS, включая те, которые можно назвать "автономными прикладными моделями (SAMS)", требуют в той или иной форме модели численного прогнозирования погоды (NWP) или входных данных NWP. Богатый опыт работы компании Baron с моделью Weather Research and Forecasting (WRF) (рис. 2), ее системами ассимиляции данных (DA) и ее предшественницей MM5 позволяет ей решать многие текущие задачи NWP, которые могут возникнуть у клиентов.
Ученые Барона хорошо знакомы с физикой, динамикой и схемами ПДР в моделях, что позволяет настраивать их и улучшать параметры. Например, модификации конвективной схемы Kain-Fritsch (Kain, 2004) уменьшают ложное образование тропических циклонов, а изменения в схемах LSM, PBL и микрофизики улучшают связь земля-атмосфера и сохранение гидрометеоров.
В Baron также используются стратегии оптимизации кода, которые улучшают время выполнения по сравнению с версиями кода, выпущенными сообществом. Это очень важно для получения максимальной отдачи от аппаратного обеспечения, которое также может потребоваться приобрести в рамках внедрения DSS, что приводит к значительной экономии средств заказчика или улучшению рабочих нагрузок по сравнению с версиями моделей, выпущенными сообществом. Baron также предоставляет детерминированные и ансамблевые прогнозы NCEP GFS с понижением масштаба и может развернуть региональные мезомасштабные модели в качестве ансамблевых систем. Это включает внедрение моделей NWP, разработанных в странах или консорциумах за пределами США.
Реализованная модель NWP питает и соединяется с другими прикладными моделями, такими как качество воздуха, гидрология или различные САМС на основе поверхности земли во многих приложениях Baron DSS. Например, компания Baron уже более десяти лет предоставляет оперативные рекомендации по прогнозированию качества воздуха многочисленным американским клиентам (McHenry et al., 2004; рис. 3). Для этого необходимо использовать либо трехкомпонентную "слабосвязанную" систему моделирования (NWP, выбросы и модель химического транспорта, например, модель US EPA Community Multiscale Air Quality (CMAQ)), либо более тесно связанную интегрированную систему моделирования, например, WRF-Chem.
Кроме того, недавно разработанная Бароном вариативная ассимиляция информации об оптической глубине аэрозолей со спутника НАСА (MODIS) в платформе моделирования CMAQ (McHenry et al., 2013; рис. 4) позволяет этой модели значительно повысить точность прогноза твердых частиц в зависимости от качества спутниковых оценок. Основной проблемой высокоточных прогнозов AQ-DSS являются динамические оценки выбросов, которые требуют почти постоянного внимания к обновлениям. Для решения этой проблемы ученые компании Baron разработали систему обработки выбросов с ядром оператора с разреженной матрицей (SMOKE, Coats and Houyoux, 1996) для Агентства по охране окружающей среды США, и компания Baron использует версию этой системы в режиме реального времени для обеспечения выбросов в своих оперативных моделях качества воздуха.
Как указано выше, NWP также используются - в сочетании с наблюдениями - для создания широкого спектра систем моделирования поверхности земли и гидрологии. В США BLDAS работает в штатном режиме с пространственным разрешением 1 км на всей территории США, используя входные данные QPE в том же масштабе. Это самая крупная оперативная реализация LDAS с очень высоким разрешением (McHenry and Olerud, 2015). Помимо гидрологии речного стока, ассимиляционные и прогнозные версии BLDAS используются в качестве основы для сельскохозяйственных, дорожных (рис. 5), пожарных (рис. 6) и угрозы ливневых паводков SAMS.
Для сельскохозяйственных применений BLDAS предоставляет исходные данные для моделей созревания кукурузы и сои, а также для моделей сушки после созревания. Работающие в режиме ансамбля, модели созревания культур позволяют вероятностно интерпретировать созревание и оптимальные даты прогноза урожая, позволяя фермерам планировать или хеджировать ранние или поздние вероятности созревания культур и возможности сбора урожая. Хотя кукуруза и соя являются основными целевыми культурами в США, база данных Baron, используемая в BLDAS, позволяет оценивать влажность почвы и температурные условия для более чем 90 различных сортов культур в местах их выращивания, включая как однолетние, так и многолетние растения.
Система моделирования дорожного покрытия Baron также использует данные BLDAS и другие данные наблюдений и модели для получения оценок температуры дорожного покрытия, содержания воды (замерзшей или нет) и условий движения в режиме реального времени. Эта система уже несколько лет доступна через сервис XM NavWeather во многих моделях автомобилей OEM в США. NavWeather предоставляет оперативную информацию непосредственно водителю, что позволяет лучше предвидеть плохие дорожные условия.
Предоставление в режиме реального времени рекомендаций по угрозе внезапных наводнений с высоким разрешением - сложная задача, особенно когда географический охват должен быть полным, а продукты - быстро обновляться. В настоящее время в Бароне развернута система прогнозирования ливневых паводков под названием Rapid Early Flash-flood EXamination (REFLEX) SAM. REFLEX объединяет локальные прямые (в пределах ячейки сетки) объемы стока с маршрутизацией стока через сеть потоков от ячейки к ячейке сетки, которая применима для шестичасового стока выше по течению, который будет накапливаться в каждой целевой ячейке сетки. Запуск модели стока с запаздыванием и маршрутизацией в течение 30 исторических лет и сохранение получасовых результатов позволяет получить статистику экстремальных событий для каждой ячейки сетки в области моделирования, а затем использовать ее в качестве эталона для сравнения с накопленным стоком в реальном времени/прогнозе. Недавние тематические исследования в южной части США показали, что для двух событий в районе Роли-Дюрхем в штате Северная Каролина REFLEX оценил значительный потенциал угрозы ливневых паводков намного раньше предупреждений о ливневых паводках (рис. 7 и 8).
Компания Baron завершила установку системы моделирования гидрологических прогнозов (HFMS) для румынской программы борьбы с разрушительными водами (DESWAT), которая уже три года функционирует в масштабах всей страны. В недавнем тематическом исследовании, опубликованном Matreata et al. (2013), была проведена оценка явной модели прогноза речного стока Baron (обозначенной в этой работе как NOAH-R) с разрешением 100 метров для случая внезапного наводнения, произошедшего в бассейне реки Калнау 24 и 25 июля 2011 года. Пиковые расходы на двух гидрометрических станциях в бассейне соответствовали периодам возврата 20-100 лет. Пространственное и временное распределение интенсивных осадков было правильно определено подсистемой экстраполяции радара Baron Hydro FutureScan, в то время как явная модель стока достаточно хорошо предсказала наблюдаемый гидрограф (рис. 9). Как отмечают Матреата и др., другие грид-продукты, предоставляемые системой Baron (состояние влажности почвы, наземный сток, подповерхностный сток), "очень полезны в качестве дополнительной и/или вспомогательной информации в процессе предупреждения о внезапных наводнениях. Они могут быть особенно полезны для более точной оценки тяжести ожидаемого наводнения".
Важнейшие сведения о погоде
Системы поддержки принятия решений на основе модели прогноза Барона вносят значительный вклад в обеспечение критической метеорологической информации, необходимой для принятия широкого спектра решений, которые зависят от погоды. В последующих статьях будут подробно рассмотрены различные классы доступных DSS и преимущества, которые они дают существующим и потенциальным клиентам.
Ссылки
Коутс, К.Дж. и М.Р. Хоую, 1996: "Быстрое моделирование выбросов с помощью системы моделирования выбросов с ядром оператора с разреженными матрицами", представленной на конференции "Кадастр выбросов: Ключ к планированию, разрешениям, соблюдению и отчетности".Ассоциация управления воздухом и отходами, Новый Орлеан, Лос-Анджелес, сентябрь 1996 г.
Каин, Дж. С., 2004: Конвективная параметризация Каина-Фритча: An Update. J. Appl. Meteor., 43, 170-181.
Матреата, С., Бачиу, О., Апосту, Д., и М. Матреата, 2013: Оценка румынской системы прогнозирования ливневых паводков - тематическое исследование в бассейне реки Калнау. Die Bodenkultur 64(3-4), 2013, pp. 67-72.
МакГенри, Дж. Н., В. Ф. Райан, Н. Л. Симан, К. Дж. Коутс-младший, Дж. Пудыкейвич, С. Аруначалам и Дж. М. Вукович, 2004: Система прогнозирования в реальном времени на основе эйлеровой фотохимической модели: Обзор и первоначальные результаты прогнозирования озона в коридоре северо-восточной части США. Bull. Amer. Met. Soc. 85, 4, 525-548.
МакГенри, Дж.Н. и Д.Т. Олеруд, 2015: Использование LDAS CONUS в режиме реального времени с высоким разрешением для инициализации состояния поверхности земли в оперативных моделях NWP: тематические исследования, результаты и проблемы. 29-я конференция по гидрологии; 95-я ежегодная встреча Американского метеорологического общества, Феникс, АР, 4-8 января, 2015 г.
