Где моделирование встречается с наблюдениями: Улучшение оперативной системы прогнозирования Великих озёр
Хотя Великие озёра называются озёрами, из-за их огромных размеров они являются настоящими внутренними морями. Они влияют на региональные погодные условия, обеспечивают питьевой водой миллионы людей и двигают экономику нескольких штатов.
Прогнозирование уровня воды, температуры и течений в озёрах чрезвычайно важно из-за множества способов, которыми условия в озёрах влияют на коммерцию, отдых и благополучие сообществ. Эти прогнозы составляют Оперативную систему прогнозирования Великих озёр (GLOFS) — автоматизированную систему прогнозов на основе моделей, управляемую Национальным управлением океанических и атмосферных исследований США (NOAA).
Информация системы позволяет лицам, принимающим решения, делать обоснованный выбор, а прогнозная продукция регулярно используется самыми разными пользователями. Уровни воды используются энергетическими компаниями; данные о волнах и течениях — Береговой охраной США для поисково-спасательных операций; температурные профили — любителями водного спорта и рыбаками. Информация также применяется для прогнозирования вредоносного цветения водорослей и условий гипоксии (низкого содержания растворённого кислорода) в Великих озёрах.
Для постоянного улучшения GLOFS NOAA сотрудничает с университетскими исследователями. В Мичиганском технологическом университете профессор Пэнфэй Сюэ помогает NOAA, добавляя компонент ассимиляции данных. Он отмечает, что типичная оперативная система прогнозирования должна включать три компонента: моделирование, сеть наблюдений и анализ данных. Регион Великих озёр обладает относительно плотными и долгосрочными данными наблюдений. Внедрение этих данных в модель может улучшить краткосрочное прогнозирование. Этот метод, называемый ассимиляцией данных, является одним из наиболее эффективных подходов для статистического объединения данных наблюдений и динамики модели.
«Количественная оценка неопределённостей модели и наблюдений лежит в основе методов ассимиляции данных, — объясняет Сюэ. — Прелесть ассимиляции данных в том, чтобы использовать информацию о несоответствиях между результатами модели и наблюдениями (известными лишь в ограниченных точках наблюдений) для корректировки систематической ошибки модели в трёхмерном пространстве за пределами этих точек».
Другой предел полевых наблюдений — их высокая стоимость. Направляя данные наблюдений в модель, а затем используя модель для прогнозирования лучших мест для будущего сбора данных, работа Сюэ помогает улучшить моделирование GLOFS и эффективно выбирать места для исследований. Его предварительные результаты показывают, что ассимиляция данных способна сократить усилия по отбору проб и повысить точность прогнозирования за счёт оптимизации мест отбора проб.
Исследование Сюэ использует высокопроизводительные вычисления для создания высокоточных моделей. Результаты моделирования используются для создания долгосрочной базы температурных данных с ассимиляцией для озера Эри. Моделирование озера Эри является доказательством концепции перед полной модернизацией GLOFS с использованием ассимиляции данных. Проект также будет применять машинное обучение для дальнейшего повышения производительности модели и адаптивного отбора проб, с целью распространения метода на все пять Великих озёр.