Включение небольших, резких контрастов ландшафта улучшает прогнозы погоды

Исследователи из Университета Дьюка, используя популярную модель прогнозирования погоды, показали, что резкие контрасты в относительно небольших объектах ландшафта играют непропорционально большую роль в развитии местной погоды, что, в свою очередь, может влиять на более крупные климатические тенденции. Добавление таких детальных данных, которые в настоящее время упускаются в климатических и погодных моделях, должно повысить точность прогнозов.

Результаты, опубликованные онлайн 27 октября в Journal of Advances in Modeling Earth Systems (JAMES), показывают, что неоднородность ландшафта, например, сельхозугодья рядом с городом или озеро рядом с лесом, может приводить к более мощным грозам. При этом масштаб этих паттернов меньше, чем тот, который можно включить в современные глобальные модели.

Одна из ограничений глобальных моделей, таких как Global Forecasting System (GFS), — это размер сетки для расчётов (от 10 до 100 км на сторону), необходимый для сокращения времени моделирования. Переменные усредняются для всего пространства между узлами сетки, и целый аспект погоды, связанный с мелкими контрастами, упускается.

В своём исследовании учёные использовали более детальную модель Weather and Research Forecasting (WRF) с разрешением 100 метров, чтобы изучить влияние резких границ влажности почвы на образование облаков. Они сфокусировались на участке в 100 км в северо-центральной Оклахоме, используя реальные данные за три летних дня. Результаты показали, что резкие контрасты ландшафта вызывают разницу в атмосферном давлении у поверхности, что запускает вторичные циркуляции в атмосфере и усиливает образование облаков.

«Это не первое исследование, показывающее такую динамику, но первое, использующее реалистичные данные о поверхности суши, а не статистически смоделированные паттерны», — отмечают авторы.

Включение такого уровня детализации в глобальные модели потребует значительной работы, но, по мнению исследователей, это возможно с использованием подходов, разработанных в их группе, и позволит повысить точность как долгосрочных климатических прогнозов, так и местных краткосрочных прогнозов погоды.