Сандық модельдермен қысқа мерзімді ауа райын болжау
Ауа райы - адам өмірімен ең тығыз байланысты табиғи құбылыстардың бірі, бірақ мінсіз болжау ең қиын құбылыстардың бірі. Іс жүзінде адамдарға әртүрлі мақсаттар үшін - бірнеше сағаттан бірнеше күнге дейін - қысқа мерзімді ауа райы туралы ақпарат қажет: ұшу кестелері, кеме қатынасы, ауыл шаруашылығы, логистика және күнделікті іс-шараларды жоспарлау. Бұл қажеттілікті қанағаттандыру үшін қазіргі заманғы метеорология сандық модельдерге немесе физикалық теңдеулерді қолдана отырып, атмосфералық өзгерістерді есептейтін ауа райын болжау тәсілі - сандық ауа райын болжауға (NWP) сүйенеді.
Бұл мақалада сандық модельдердің қалай жұмыс істейтіні, қандай деректер қажет екені, оларды есептеу кезеңдері және қысқа мерзімді ауа райын болжаудағы қиындықтар мен соңғы жаңалықтар талқыланады.
Сандық ауа райы моделі дегеніміз не?
Сандық ауа райы модельдері - ағымдағы жағдайларға негізделген болашақ атмосфералық жағдайларды модельдейтін есептеу жүйелері. Атмосфера қозғалыстағы және жылу энергиясымен, су буымен, күн радиациясымен және Жер бетінің жағдайларымен әрекеттесетін сұйықтық ретінде қарастырылады. Бұл атмосфералық қозғалыстар мен өзгерістерді математикалық теңдеулер арқылы сипаттауға болады - мысалы, сұйықтық динамикасының теңдеулері, термодинамика және су буының массасының сақталу заңы.
Теңдеу күрделі және қарапайым аналитикалық шешімі жоқ болғандықтан, ол дискреттеу арқылы шешіледі: атмосфера көлденең және тігінен үш өлшемді торға бөлінеді. Әрбір тор нүктесі температура, қысым, ылғалдылық және жел жылдамдығы сияқты метеорологиялық айнымалылардың мәнін сақтайды. Содан кейін компьютер бұл айнымалылардың уақыт бойынша өзгеруін есептейді (уақыт қадамы), алдағы сағаттарға ауа райы болжамдарын жасайды.
Неліктен қысқа мерзімді болжамдар соншалықты маңызды?
Қысқа мерзімді болжамдар (қазір 1-3 күнге дейін) операциялар үшін «алтын аймақ» болып табылады, себебі:
1. Жедел шешім қабылдау: әуежайлар, порттар және төтенше жағдайлар қызметтері дауылдар, қатты жаңбыр немесе қатты жел туралы ерте ескертуді қажет етеді.
2. Салыстырмалы түрде жоғары дәлдік: ұзақ мерзімді болжамдармен салыстырғанда, қысқа мерзімді болжамдар әдетте дәлірек болады, себебі атмосфералық белгісіздік әлі тым көп дамымаған.
3. Әлеуметтік және экономикалық маңыздылығы: алдағы бірнеше сағаттағы жаңбыр қалалық су тасқынын басқаруды, егін жинау кестелерін және ауқымды іс-шараларды анықтай алады.
Дегенмен, қысқа мерзімді болжамдар дәлірек болғанымен, олар қиын болып қала береді, әсіресе Индонезия сияқты динамикалық тропикалық аймақтарда, себебі конвекция және бұлт түзілу процестері тез және жергілікті жерде жүруі мүмкін.
Деректер көзі: Сандық модельді болжаудың негіздері
Сандық модельдер бастапқы деректердің сапасына қатты тәуелді. Негізгі қағида қарапайым: болашақты болжау бастапқы жағдайларға байланысты. Дегенмен, бақылау нүктелерінің саны шектеулі болғандықтан, бүкіл атмосфераны өлшеу мүмкін емес. Сондықтан деректер әртүрлі көздерден жиналады:
1. Жер бетіндегі метеостанциялар: температураны, қысымды, ылғалдылықты, желді және жауын-шашынды өлшейді.
2. Радиозонд (ауа райы шары): атмосфераның тік профилін қамтамасыз етеді — ауаның тұрақтылығын және бұлттардың пайда болу мүмкіндігін түсіну үшін өте маңызды.
3. Ауа райы радары: жергілікті масштабта жауын-шашынның қарқындылығын, дауыл құрылымын және жауын-шашын жүйелерінің қозғалысын егжей-тегжейлі анықтайды.
4. Метеорологиялық жер серіктері: бұлттарды, бұлттардың жоғарғы температурасын, су буын және басқа да параметрлерді бақылайды, әсіресе мұхиттар сияқты құрлықтағы станциялары аз аймақтарда.
5. Әуе кемелерін бақылау: белгілі бір бағыттардағы дәлдікті жақсарту үшін пайдалы коммерциялық ұшу бағыттарынан алынған жел мен температура деректері.
6. Құймалар мен кемелер: теңіздегі ауа райы жүйелерін болжауға көмектесетін бақылаулар.
Осы әртүрлі көздерден алынған деректер модель үшін тұрақты бастапқы шарттар жасау үшін біріктіріледі.
Деректерді ассимиляциялау: бақылаулар мен модельдерді біріктіру
Ең маңызды кезеңдердің бірі - деректерді ассимиляциялау. Іс жүзінде модельде алдыңғы болжамдардан алынған «фондық» бағалау бар, ол кейін ең соңғы бақылауларды пайдаланып түзетіледі. 3D-Var, 4D-Var немесе Ensemble Kalman сүзгілері сияқты қазіргі заманғы деректерді ассимиляциялау әдістері өлшеу қателіктерін ескере отырып, гетерогенді бақылау ақпаратын біріктіруге көмектеседі.
Деректерді ассимиляциялауды толық емес, бірақ бір-бірін толықтыратын ақпарат бөліктерінен «ең жақсы» ауа райы картасын құрумен салыстыруға болады. Деректерді ассимиляциялау неғұрлым жақсы болса, қысқа мерзімді болжамдар соғұрлым жақсы болады, әсіресе найзағай мен дауыл сызықтары сияқты тез өзгеретін құбылыстар үшін.
Модельдің ажыратымдылығы және параметрлендіруі: көрінбейтін мәліметтерді толтыру
Сандық модельдер кеңістіктік ажыратымдылыққа (тор өлшемі) және уақыттық ажыратымдылыққа (есептеу уақыт аралығы) ие. Жоғары ажыратымдылықтағы модельдер (мысалы, 1-3 км) конвективті бұлт құрылымын ірі ажыратымдылықтағы модельдерге (10-50 км) қарағанда жақсырақ түсіре алады. Дегенмен, жоғары ажыратымдылық айтарлықтай есептеу қуатын қажет етеді.
Сонымен қатар, барлық атмосфералық процестерді, әсіресе тордан кіші масштабта жүретін процестерді тікелей есептеу мүмкін емес. Сондықтан, кішігірім процестердің үлкен масштабтарға әсерін бағалау әдісі - параметрлеу қолданылады. Маңызды параметрлеулерге мыналар жатады:
– бұлттар мен жаңбырдың пайда болуы (бұлт микрофизикасы),
– турбуленттілік және тік араластыру,
– жер беті мен өсімдіктердің өзара әрекеттесуі,
– күн радиациясы және геотермалдық жылу.
Тропикалық аймақтарда конвекцияны параметрлеу айтарлықтай қиындық тудырады. Бұлттарды көрсетудегі шағын қателіктер бірнеше сағаттан кейін жауын-шашын болжамында айтарлықтай өзгерістерге әкелуі мүмкін.
Ансамбльдік болжам: болжам белгісіздікті өлшеу
Атмосфера хаотикалық. Бастапқы жағдайлардағы шағын қателіктер уақыт өте келе күшеюі мүмкін. Мұны шешу үшін метеорологтар ансамбльдік болжамды пайдаланады: бір болжам емес, бастапқы жағдайларда немесе модель параметрлерінде шағын ауытқулары бар көптеген «мүше» болжамдар.
Ансамбльдік нәтижелер ықтималдық ақпарат береді, мысалы:
– «24 сағат ішінде 20 мм-ден астам жауын-шашын жауу ықтималдығы 60% құрайды»
– «25 түйіннен жоғары күшті желдің ықтималдығы 30%»
Бұл ықтималдық тәсіл тәуекелдерді басқару үшін өте пайдалы. Қатты ауа райында оқиғаның ықтималдығын білу көбінесе бір болжам санынан гөрі маңыздырақ.
Nowcasting: жетекші сағаттарға арналған қосымша модель
Өте қысқа мерзімді болжамдар үшін (0-6 сағат) сандық модельдер көбінесе радарлық және спутниктік негізделген nowcasting-пен біріктіріледі. nowcasting ағымдағы бұлт/жаңбыр қозғалыстарын экстраполяциялауға баса назар аударады, бұл оны сағаттық болжамдар үшін артықшылықты етеді. NWP және nowcasting үйлесімі сенімдірек жүйені жасайды: nowcasting бірінші сағатты өңдейді, ал NWP қалған сағаттарды өз мойнына алады.
Су тасқыны қаупі бар қалалық аудандар үшін радарлық хабарландыруларға негізделген ерте ескерту жүйесі бірнеше сағат сайын жаңартылып отыратын модель шығысын күтуге қарағанда жылдамырақ жауап беру уақытын қамтамасыз ете алады.
Қысқа мерзімді ауа райын болжаудың негізгі қиындықтары
Технология дамып келе жатқанына қарамастан, әсіресе жергілікті және экстремалды құбылыстар үшін қиындықтар әлі де үлкен:
1. Бақылау деректері біркелкі емес: мұхиттарда, тауларда және шалғай аудандарда әлі де бақылау жоқ.
2. Күрделі тропикалық конвекция процестері: найзағайлар тез өсіп, өте локализацияланған болуы мүмкін.
3. Модельдің белгісіздігі: параметрлеуді және физикалық схеманы таңдау жауын-шашынның әртүрлі болжамдарын тудыруы мүмкін.
4. Есептеу: жоғары ажыратымдылықтағы және кешенді жұмыс суперкомпьютерлерді және үлкен пайдалану шығындарын қажет етеді.
5. Көпшілікке хабарлау: болжамдар белгісіздіктің мәнін жоғалтпай, оңай түсінікті ақпаратқа айналуы керек.
Соңғы жаңалықтар: жасанды интеллект және гибридті модельдер
Соңғы жылдары жасанды интеллект (ЖИ) тәсілдері ЖИ-ді толықтыру үшін қолданыла бастады. ЖИ есептеуді жеделдете алады, модельдік қателіктерді түзете алады немесе радар мен спутниктік суреттерге негізделген қазіргі заманғы хабар таратуға көмектесе алады. Дегенмен, ЖИ ЖИ-ді толық алмастыра алмайды: көптеген жүйелер қазір атмосфералық физиканы да, ЖИ-дің үлкен деректер жиынтығынан күрделі үлгілерді тану мүмкіндігін де пайдалана отырып, гибридті модельдерге көшуде.
Болашақта қысқа мерзімді ауа райын болжау жүйелері нақты уақыт режимінде, жоғары ажыратымдылықта және байланыста ықтималдылыққа ие болады деп күтілуде, бұл тек «жаңбыр жауа ма, жоқ па» дегенді ғана емес, сонымен қатар «жаңбыр жауу ықтималдығы қаншалықты, қай жерде болатынын және әсерінің қаншалықты ауыр болатынын» да көрсетеді.
Қорытынды
Сандық модельдермен қысқа мерзімді ауа райын болжау атмосфералық физиканы, бақылау деректерін, математиканы және ауқымды есептеулерді біріктіреді. Болжамдық табыс көбінесе бастапқы деректердің сапасына, ассимиляция әдісіне, модельді шешуге және белгісіздіктің ансамбльдер арқылы қалай басқарылатынына байланысты. Қазіргі дәуірде сандық модельдер сағаттық және күнделікті масштабта болжам дәлдігін жақсарту үшін nowcasting және жасанды интеллектпен толықтырылуда.
Түптеп келгенде, қысқа мерзімді ауа райын болжау тек температура көрсеткіштері немесе жаңбыр жауу мүмкіндігі туралы ғана емес, сонымен қатар жиілеп бара жатқан экстремалды ауа райы оқиғалары жағдайында қауіпсіздік, экономикалық тиімділік және қоғамдастықтың төзімділігі үшін маңызды құрал болып табылады.
