Новый метод генерации начальных возмущений для ансамблевого прогнозирования

Атмосфера — хаотическая система, где даже ничтожные начальные ошибки приводят к постепенному отклонению прогноза от истинного состояния, в итоге вызывая хаос. Это означает, что у погоды есть предел предсказуемости, за которым прогнозы теряют точность. Поэтому любой единичный прогноз — лишь оценка будущего состояния атмосферы в стохастической системе, не дающая информации о своей надежности. Ансамблевое прогнозирование предлагает подход для создания вероятностных прогнозов на основе статистической выборки.

За последние два десятилетия этот метод значительно продвинулся и стал мощным инструментом, улучшающим численный прогноз погоды. Основной принцип генерации начальных членов ансамбля — отбор неопределенностей, связанных с начальным анализом. Различные схемы, основанные на теории динамического роста ошибок, были опробованы и используются в метеоцентрах, например, метод bred vectors (BV) в NCEP и singular vectors (SV) в ECMWF. Недавно схемы ассимиляции данных (DA) были объединены с динамическими методами для лучшего отбора неопределенностей анализа, как в схеме ensemble transform Kalman filter (ETKF).

В статье, представленной на обложке журнала Advances in Atmospheric Sciences, доктор Руйцян Дин из Института физики атмосферы Китайской академии наук и его соавторы расширили определение спектра нелинейных локальных ляпуновских экспонент (NLLE) с одномерного до n-мерного и продемонстрировали его превосходство в оценке предсказуемости хаотических систем по сравнению с традиционным спектром показателей Ляпунова. Помимо оценки предсказуемости, другое важное применение метода NLLE — предоставление начальных возмущений для ансамблевого прогнозирования. Результаты показывают, что схема NLLE обладает навыком ансамблевого прогноза, схожим со схемой ETKF, и обе демонстрируют лучшие результаты по сравнению со схемами BV и SV. Несмотря на схожие навыки прогнозирования, генерация нелинейных локальных ляпуновских векторов (NLLV) по схеме NLLE требует значительно меньше времени и проще в реализации, чем схема ETKF.

«Мы ожидаем, что схема NLLE будет эффективна для генерации ансамблевых возмущений в высокоразмерной численной модели», — говорит Дин. «В будущей работе мы намерены further исследовать производительность NLLE путем сравнения с различными методами в более сложных моделях, и наша конечная цель — применить метод NLLE в оперативных прогнозах погоды».