Тоон загвараар богино хугацааны цаг агаарыг урьдчилан таамаглах
Цаг агаар бол хүний амьдралтай хамгийн нягт холбоотой байгалийн үзэгдлүүдийн нэг боловч төгс таамаглахад хамгийн хэцүү үзэгдлүүдийн нэг юм. Практикт хүмүүс нислэгийн хуваарь, тээвэрлэлт, хөдөө аж ахуй, ложистик, өдөр тутмын үйл ажиллагааг төлөвлөх гэх мэт янз бүрийн зорилгоор хэдэн цагаас хэдэн өдрийн өмнө богино хугацааны цаг агаарын мэдээллийг шаарддаг. Энэхүү хэрэгцээг хангахын тулд орчин үеийн цаг уур судлал нь тоон загвар эсвэл физик тэгшитгэл ашиглан агаар мандлын хөгжлийг тооцоолдог цаг агаарын урьдчилсан мэдээний арга болох Тоон Цаг агаарын Урьдчилсан Таамаглал (NWP)-д тулгуурладаг.
Энэ нийтлэлд тоон загварууд хэрхэн ажилладаг, ямар өгөгдөл шаардлагатай, тэдгээрийг тооцоолох үе шатууд, богино хугацааны цаг агаарын урьдчилсан мэдээний сорилтууд болон хамгийн сүүлийн үеийн хөгжлүүдийн талаар авч үзэх болно.
Цаг агаарын тоон загвар гэж юу вэ?
Тоон цаг агаарын загварууд нь одоогийн нөхцөл байдалд үндэслэн ирээдүйн агаар мандлын нөхцөл байдлыг дуурайдаг тооцооллын системүүд юм. Агаар мандлыг дулааны энерги, усны уур, нарны цацраг, дэлхийн гадаргуугийн нөхцөл байдалтай харилцан үйлчилж, хөдөлгөөнтэй шингэн гэж үздэг. Эдгээр агаар мандлын хөдөлгөөн ба өөрчлөлтийг математикийн тэгшитгэлээр тодорхойлж болно - жишээлбэл, шингэний динамикийн тэгшитгэл, термодинамик, усны уурын массын хадгалалтын хуулиар.
Тэгшитгэл нь нарийн төвөгтэй бөгөөд энгийн аналитик шийдэлгүй тул үүнийг дискретчилэлээр шийддэг: агаар мандал нь хэвтээ ба босоо чиглэлд гурван хэмжээст сүлжээнд хуваагддаг. Сүлжээний цэг бүр нь температур, даралт, чийгшил, салхины хурд зэрэг цаг уурын хувьсагчдын утгыг хадгалдаг. Дараа нь компьютер эдгээр хувьсагчдын цаг хугацааны явцад гарсан өөрчлөлтийг тооцоолж (цаг хугацааны алхам), ирэх цагийн цаг агаарын урьдчилсан мэдээг гаргадаг.
Богино хугацааны таамаглал яагаад тийм чухал вэ?
Богино хугацааны урьдчилсан мэдээ (одоо 1-3 хоног хүртэлх хугацаатай) нь үйл ажиллагааны "алтан бүс" юм, учир нь:
1. Шуурхай шийдвэр гаргах: нисэх онгоцны буудал, боомт болон онцгой байдлын албад шуурга, хүчтэй бороо эсвэл хүчтэй салхины талаар эрт сэрэмжлүүлэг өгөх шаардлагатай.
2. Харьцангуй өндөр нарийвчлал: Урт хугацааны таамаглалтай харьцуулахад богино хугацааны таамаглал нь ихэвчлэн илүү нарийвчлалтай байдаг, учир нь агаар мандлын тодорхойгүй байдал хараахан хэт их хөгжөөгүй байна.
3. Нийгэм, эдийн засгийн хамаарал: дараагийн хэдэн цагийн бороо нь хотын үерийн менежмент, ургац хураалтын хуваарь, томоохон хэмжээний арга хэмжээг тодорхойлж чадна.
Гэсэн хэдий ч богино хугацааны урьдчилсан мэдээ илүү нарийвчлалтай боловч конвекц болон үүл үүсэх үйл явц хурдан бөгөөд орон нутагт явагдаж болох тул Индонез зэрэг динамик халуун орны бүс нутагт энэ нь хүндрэлтэй хэвээр байна.
Өгөгдлийн эх сурвалж: Тоон загварын таамаглалын үндэс
Тоон загварууд нь анхны өгөгдлийн чанараас ихээхэн хамаардаг. Үндсэн зарчим нь энгийн: ирээдүйг урьдчилан таамаглах нь анхны нөхцөл байдлаас хамаарна. Гэсэн хэдий ч ажиглалтын цэгүүдийн тоо хязгаарлагдмал тул агаар мандлыг бүхэлд нь хэмжих боломжгүй юм. Тиймээс өгөгдлийг янз бүрийн эх сурвалжаас цуглуулдаг:
1. Гадаргуугийн цаг уурын станцууд: температур, даралт, чийгшил, салхи, хур тунадасыг хэмждэг.
2. Радиозонд (цаг агаарын бөмбөлөг): агаар мандлын босоо профайлыг өгдөг бөгөөд энэ нь агаарын тогтвортой байдал болон үүл үүсэх боломжийг ойлгоход маш чухал юм.
3. Цаг агаарын радар: хур тунадасны эрчим, шуурганы бүтэц, хур тунадасны системийн хөдөлгөөнийг орон нутгийн хэмжээнд нарийвчлан илрүүлдэг.
4. Цаг уурын хиймэл дагуулууд: үүл, үүлний дээд хэсгийн температур, усны уур болон бусад үзүүлэлтүүдийг хянах, ялангуяа далай гэх мэт хуурай газрын станцууд хамгийн бага байдаг газарт.
5. Нисэх онгоцны ажиглалт: арилжааны нислэгийн маршрутуудаас салхи болон температурын өгөгдөл нь тодорхой маршрутын нарийвчлалыг сайжруулахад хэрэгтэй.
6. Хөвүүр болон хөлөг онгоц: далайн цаг уурын системийг урьдчилан таамаглахад тусалдаг далай дээрх ажиглалтууд.
Эдгээр янз бүрийн эх сурвалжаас авсан өгөгдлийг нэгтгэж, загварт зориулсан анхны тогтвортой нөхцлийг бүрдүүлдэг.
Өгөгдөл шингээлт: Ажиглалт ба загваруудыг нэгтгэх
Хамгийн чухал үе шатуудын нэг бол өгөгдөл нэгтгэх явдал юм. Практикт загвар нь өмнөх таамаглалаас гаргаж авсан "суурь" тооцоололтой байдаг бөгөөд үүнийг дараа нь хамгийн сүүлийн үеийн ажиглалтуудыг ашиглан засдаг. 3D-Var, 4D-Var, эсвэл Ensemble Kalman Filters зэрэг орчин үеийн өгөгдөл нэгтгэх аргууд нь хэмжилтийн алдааг харгалзан үзэхийн зэрэгцээ олон янзын ажиглалтын мэдээллийг нэгтгэхэд тусалдаг.
Өгөгдөл нэгтгэхийг дутуу боловч бие биенээ нөхөж буй мэдээллээс "хамгийн сайн" цаг агаарын газрын зургийг бүтээхтэй зүйрлэж болно . Өгөгдөл нэгтгэх нь илүү сайн байх тусам богино хугацааны урьдчилсан мэдээ, ялангуяа аянга цахилгаан, шуурга зэрэг хурдан хөдөлдөг үзэгдлийн хувьд илүү сайн байх болно.
Загварын нягтрал ба параметрчилэл: Үл үзэгдэх дэлгэрэнгүй мэдээллийг бөглөх
Тоон загварууд нь орон зайн нягтрал (торны хэмжээ) болон цаг хугацааны нягтрал (тооцооллын хугацааны интервал)-тай байдаг. Өндөр нягтралтай загварууд (жишээлбэл, 1-3 км) нь бүдүүн нягтралтай загваруудаас (10-50 км) конвектив үүлэн бүтцийг илүү сайн буулгах чадвартай. Гэсэн хэдий ч өндөр нягтрал нь ихээхэн тооцоолох хүч шаарддаг.
Цаашилбал, бүх агаар мандлын процессуудыг, ялангуяа торноос жижиг масштабтай үед явагдаж буй процессуудыг шууд тооцоолж чадахгүй. Тиймээс параметрчиллийг ашигладаг бөгөөд энэ нь жижиг процессуудын том масштабтай холбоотой нөлөөллийг тооцоолох арга юм. Чухал параметрчилэлд дараахь зүйлс орно.
– үүл ба бороо үүсэх (үүлний микрофизик),
– турбулент байдал ба босоо холилт,
– газрын гадаргуу болон ургамлын харилцан үйлчлэл,
- нарны цацраг болон газрын гүний дулаан.
Халуун орны бүс нутагт конвекцийг параметрчлэх нь ихээхэн бэрхшээл учруулдаг. Үүлний дүрслэл дэх жижиг алдаа нь хэдэн цагийн дараа хур тунадасны урьдчилсан мэдээнд мэдэгдэхүйц өөрчлөлт оруулж болно.
Хамтын урьдчилсан мэдээ: Таамаглалын тодорхойгүй байдлыг хэмжих нь
Агаар мандал эмх замбараагүй байна. Анхны нөхцөлд гарсан жижиг алдаанууд цаг хугацааны явцад улам бүр нэмэгдэж болно. Үүнийг шийдвэрлэхийн тулд цаг уурчид хамтын урьдчилсан мэдээг ашигладаг: ганц урьдчилсан мэдээ биш, харин анхны нөхцөл байдал эсвэл загварын тохиргоонд бага зэрэг өөрчлөлттэй олон "гишүүн" урьдчилсан мэдээ.
Хамтын үр дүн нь магадлалын мэдээллийг өгдөг, жишээлбэл:
– “24 цагийн дотор 20 мм-ээс дээш бороо орох магадлал 60% байна”
– “25 зангилаанаас дээш хүчтэй салхитай байх магадлал 30%”
Энэхүү магадлалын арга нь эрсдэлийн менежментэд маш их хэрэгтэй байдаг. Хэт их цаг агаарт үйл явдлын магадлалыг мэдэх нь ганц таамаглалын тооноос илүү чухал байдаг.
Одоо дамжуулалт: Тэргүүлэх цагийн нэмэлт загвар
Маш богино хугацааны урьдчилсан мэдээний хувьд (0-6 цаг) тоон загваруудыг ихэвчлэн радар болон хиймэл дагуулд суурилсан одоо дамжуулалттай хослуулдаг. Одоо дамжуулалт нь одоогийн үүл/борооны хөдөлгөөнийг экстраполяцид онцолдог бөгөөд энэ нь цагийн урьдчилсан мэдээнд илүү давуу талтай болгодог. NWP болон одоо дамжуулалтын хослол нь илүү найдвартай системийг бий болгодог: одоо дамжуулалт нь эхний цагийг зохицуулдаг бол NWP нь үлдсэн цагийг хариуцдаг.
Үерийн аюултай хот суурин газруудын хувьд радарын мэдээнд суурилсан эрт сэрэмжлүүлгийн систем нь хэдэн цаг тутамд шинэчлэгддэг загварын гаралтыг хүлээхээс илүү хурдан хариу үйлдэл үзүүлэх боломжийг олгодог.
Богино хугацааны цаг агаарын урьдчилсан мэдээний гол бэрхшээлүүд
Технологи хөгжиж байгаа ч, ялангуяа орон нутгийн болон онцгой үзэгдлүүдийн хувьд бэрхшээлүүд их хэвээр байна:
1. Ажиглалтын мэдээлэл жигд бус байна: далай, уулс болон алслагдсан бүс нутгуудад ажиглалт дутмаг хэвээр байна.
2. Халуун орны конвекцийн нарийн төвөгтэй үйл явц: аадар бороо хурдан ургаж, маш орон нутгийн шинж чанартай байдаг.
3. Загварын тодорхойгүй байдал: параметрчилэл болон физикийн схемийн сонголт нь хур тунадасны өөр өөр таамаглалыг гаргаж чаддаг.
4. Тооцоолол: өндөр нягтралтай, цогц систем нь супер компьютер болон үйл ажиллагааны өндөр зардал шаарддаг.
5. Олон нийттэй харилцах: таамаглалыг тодорхойгүй байдлын мөн чанарыг алдагдуулахгүйгээр амархан ойлгомжтой мэдээлэл болгон хөрвүүлэх ёстой.
Хамгийн сүүлийн үеийн хөгжил: Хиймэл оюун ухаан болон эрлийз загварууд
Сүүлийн жилүүдэд хиймэл оюун ухаан (AI)-ийн аргуудыг NWP-г нөхөхөд ашиглаж эхэлсэн. Хиймэл оюун ухаан нь тооцооллыг хурдасгах, загварын алдааг засах эсвэл радар болон хиймэл дагуулын зураг дээр суурилсан одоо дамжуулалтад туслах боломжтой. Гэсэн хэдий ч хиймэл оюун ухаан нь NWP-г бүрэн орлохгүй: олон систем одоо агаар мандлын физик болон хиймэл оюун ухааны том өгөгдлийн багцаас нарийн төвөгтэй хэв маягийг таних чадварыг хоёуланг нь ашиглан эрлийз загварууд руу шилжиж байна.
Ирээдүйд богино хугацааны цаг агаарын урьдчилсан мэдээний системүүд харилцаа холбооны хувьд улам бүр бодит цаг хугацаанд, өндөр нягтралтай, магадлал өндөртэй болох төлөвтэй байгаа бөгөөд энэ нь зөвхөн "бороо орох эсэх" төдийгүй "бороо орох магадлал хэр өндөр, хаана орох, нөлөөлөл хэр хүчтэй байх" зэргийг харуулна.
Дүгнэлт
Тоон загвараар богино хугацааны цаг агаарын урьдчилсан мэдээ гаргах нь агаар мандлын физик, ажиглалтын өгөгдөл, математик, томоохон хэмжээний тооцооллыг хослуулсан. Урьдчилан таамаглах амжилт нь анхны өгөгдлийн чанар, нэгтгэх арга, загварын нягтрал, тодорхойгүй байдлыг хэрхэн ангиллаар удирдаж байгаагаас ихээхэн хамаардаг. Орчин үед тоон загваруудыг цаг тутамд болон өдөр тутмын хэмжээнд урьдчилсан мэдээний нарийвчлалыг сайжруулахын тулд одоо технологи болон хиймэл оюун ухаанаар улам бүр нөхөж байна.
Эцсийн дүнд богино хугацааны цаг агаарын урьдчилсан мэдээ нь зөвхөн температурын үзүүлэлт эсвэл бороо орох магадлалын тухай биш, харин улам бүр ойр ойрхон тохиолдож буй онцгой цаг агаарын үзэгдлийн үед аюулгүй байдал, эдийн засгийн үр ашиг, олон нийтийн тэсвэр тэвчээрийг хангах чухал хэрэгсэл юм.
