Преодоление разрыва между радиолокационной метеорологией/гидрологией/инженерией и прогнозированием погоды

Точный прогноз погоды зависит от фундаментального понимания динамики штормов и микрофизики облаков, их представления в моделях численного прогноза погоды (NWP), а также оптимального использования высокоразрешающих многопараметрических измерений. Об этом заявил профессор Гифу Чжан из Школы метеорологии Университета Оклахомы, один из авторов недавно опубликованного обзорного исследования в журнале Advances in Atmospheric Sciences.

После десятилетий исследований поляриметрия метеорологических радаров достигла зрелости, и высокоразрешающие поляриметрические радиолокационные данные (PRD) теперь доступны на национальном и глобальном уровнях. Существуют высокие ожидания, что богатая информация, предоставляемая PRD, обладает большим потенциалом для улучшения наблюдения, количественной оценки и прогнозирования погоды.

Хотя PRD успешно применяются для обнаружения опасных явлений, классификации гидрометеоров и количественной оценки осадков (QPE), профессор Чжан и его коллеги отмечают, что потенциальное влияние PRD на прогнозирование погоды было ограничено их часто субъективным и эмпирическим использованием. «А разрыв между сообществами радиолокационной метеорологии/гидрологии/инженерии и NWP, — говорит профессор Чжан, — препятствует реализации полного потенциала радиолокационной поляриметрии в QPF [количественном прогнозировании осадков]».

Учитывая сложности оптимального использования этих новых данных PRD и дальнейшего развития радиолокационных технологий, а также преодоления разрыва между радиолокационной метеорологией и NWP, авторы предлагают системный и унифицированный подход. Он основан на статистическом извлечении данных с физическими ограничениями модели, где используется априорная информация, и направлен на оптимальное использование PRD для точного QPE, QPF и предупреждений. Этот подход связывает основанные на наблюдениях методы (верхний ряд на рисунке), используемые сообществом радиолокационной метеорологии, с анализом на основе моделей, также называемым усвоением данных (DA) (нижний ряд), используемым в сообществе NWP.

Как показано в среднем ряду рисунка, прямые операторы, получаемые из моделирования микрофизики и электромагнитного моделирования, а также статистические алгоритмы извлечения данных, необходимы как для методов, основанных на наблюдениях, так и для методов, основанных на DA. Каждое извлечение требует совместимых моделей микрофизики (например, моделей DSD/PSD), соотношений формы/плотности, точного и эффективного электромагнитного моделирования для прямых операторов наблюдения, а также статистических алгоритмов, способных учитывать погрешность измерений, фоновую информацию и ковариацию.

«Для достижения наилучших возможных результатов все компоненты должны быть точно определены, выбраны и использованы совместно, а также перепроверены друг с другом в рамках статистических алгоритмов извлечения данных», — заключает профессор Чжан.