Атмосферные исследователи разрабатывают инструменты ассимиляции данных, используемые во всей науке

Учёные из Национального центра атмосферных исследований (NCAR) в Боулдере, Колорадо, развивают методы ассимиляции данных — процесс интеграции потоков наблюдательных данных в прогностические модели в реальном времени. Этот подход, исторически применявшийся в прогнозах погоды, теперь преобразует множество научных областей, от климатологии до прогнозирования космического мусора.

Инкорпорирование динамических данных позволяет улучшать точность моделей, которые невозможно проверить в лабораторных условиях, таких как климатические или городские транспортные системы. Это ядро научного метода, связывающее наблюдения с теорией. Как отметил Джеффри Андерсон, старший научный сотрудник NCAR: "Мы действительно рассматриваем ассимиляцию данных как инструменты для противопоставления моделей наблюдениям".

Для поддержки научного сообщества в NCAR была создана исследовательская секция DARES, которая разработала программный инструмент DART (Data Assimilation Research Testbed). Выпущенный в 2004 году, DART используется десятками крупных сообществ и сотнями учёных. Ниже — примеры его применения:

• Влажность почвы: Рафаэль Розолем из Бристольского университета использует DART для ассимиляции данных с датчиков космических лучей сети COSMOS, что улучшает модели поверхности суши для прогнозов погоды, мониторинга сельского хозяйства и засух.
• Водные ресурсы снега: Профессор Цзун-Лян Ян из Техасского университета в Остине применяет DART для улучшения представления снега в моделях земной поверхности, что является частью глобальных усилий с участием NCAR и NASA.
• Космический мусор: Исследование, опубликованное в Journal of Atmospheric and Solar-Terrestrial Physics, показало, что использование DART для ассимиляции данных спутника CHAMP позволило улучшить точность Глобальной модели ионосферы-термосферы (GITM) и уменьшить смещение в некоторых симуляциях до 70%.

Хотя ассимиляция данных требует значительных вычислительных мощностей для ансамблевого прогнозирования (многократных запусков модели), она не только корректирует ошибки, но и позволяет изучать чувствительность прогнозов и выявлять системные проблемы в моделях или наблюдательных устройствах. С ростом доступности данных такие инструменты, как DART, становятся ключевым звеном в научном прогрес