Понимание этих различных подходов и их совместной работы, даёт более глубокое представление о том, как создаются современные прогнозы и почему их точность постоянно растёт.
Глобальные и региональные метеорологические модели
Модели численного прогнозирования погоды обычно делят на две основные категории: глобальные модели и региональные модели. Обе воспроизводят одну и ту же физику атмосферы, но отличаются географическим охватом, пространственным разрешением и назначением.
Глобальные модели моделируют атмосферу по всей планете. Они обеспечивают непрерывное представление атмосферных условий от полюса до полюса и являются необходимыми для понимания крупномасштабных циркуляционных процессов, таких как струйные течения, планетарные волны и крупные барические системы. Поскольку они охватывают всю Землю, глобальные модели должны находить баланс между пространственным разрешением и вычислительными затратами. В результате их шаг сетки обычно больше, чем у региональных моделей.
Несколько основных глобальных моделей используются в оперативной деятельности метеорологическими службами по всему миру. К ним относятся Global Forecast System (GFS), которая эксплуатируется Национальными центрами прогнозирования окружающей среды США, Integrated Forecasting System (IFS), используемая Европейским центром среднесрочных прогнозов погоды, модель ICON, разработанная Немецкой метеорологической службой и Немецким аэрокосмическим центром, Global Environmental Multiscale Model (GEM), используемая Environment and Climate Change Canada, модель ARPEGE, разработанная Météo-France, а также Unified Model (UM) Метеорологической службы Великобритании. Обычно эти модели предоставляют прогнозы от нескольких дней до примерно двух недель вперёд и формируют основу глобального прогнозирования погоды.
Региональные модели, которые иногда называют моделями ограниченной области, сосредоточены на определённом географическом регионе, например Европе, Северной Америке или Восточной Азии. Поскольку они моделируют меньшую территорию, они могут работать со значительно более высоким пространственным разрешением. Это позволяет более точно воспроизводить атмосферные процессы меньшего масштаба, включая сложный рельеф, прибрежные эффекты, локальные ветровые системы и конвективные штормы. Примерами региональных моделей являются COSMO-D2, используемая Немецкой метеорологической службой для высокоразрешённых прогнозов над Германией, региональная конфигурация модели ICON-EU и широко используемая модель Weather Research and Forecasting Model (WRF).
Региональные модели зависят от глобальных моделей для получения крупномасштабного атмосферного контекста. Глобальные симуляции обеспечивают граничные условия, которые определяют развитие региональных прогнозов. На практике центры прогнозирования часто запускают как глобальные, так и региональные модели одновременно, объединяя их преимущества для создания прогнозов, которые являются физически согласованными в планетарном масштабе и одновременно очень детализированными на локальном уровне.
Ансамблевое прогнозирование: учёт атмосферной неопределённости
Одним из важнейших достижений современного прогнозирования погоды является ансамблевое прогнозирование. Вместо выполнения одной симуляции прогноза метеорологические центры запускают одну и ту же модель много раз с немного различающимися начальными условиями или конфигурациями модели. Причина такого подхода заключается в хаотической природе атмосферы. Даже очень небольшие неопределённости в начальном состоянии атмосферы могут со временем усиливаться и в конечном итоге приводить к очень разным прогнозным результатам. Поэтому один запуск модели представляет лишь один возможный сценарий.
Ансамблевое прогнозирование преодолевает это ограничение, создавая набор симуляций, каждая из которых представляет возможную эволюцию атмосферы. Вместе эти симуляции образуют ансамбль прогнозов. Анализируя различия между отдельными симуляциями, метеорологи могут оценить диапазон возможных погодных сценариев.
Если все члены ансамблевого прогнозирования дают очень похожие результаты – уверенность в прогнозе относительно высокая. Если же симуляции существенно различаются – атмосферу считают менее предсказуемой, и возможен более широкий спектр погодных сценариев.
Вероятностное прогнозирование
Тесно связанным с ансамблевым прогнозированием является понятие вероятностного прогнозирования. Вместо предсказания одного конкретного значения вероятностные прогнозы выражают вероятность различных погодных результатов. Например, вместо того чтобы утверждать, что в определённом месте выпадет ровно пять миллиметров осадков, вероятностный прогноз может указывать на семидесятипроцентную вероятность измеряемых осадков или двадцатипроцентную вероятность того, что количество осадков превысит десять миллиметров.
Эти вероятности обычно получают на основе ансамблевых симуляций. Если многие члены ансамбля прогнозируют дождь в определённом месте и в определённое время, соответственно увеличивается и вероятность осадков.
Вероятностные прогнозы особенно ценны для принятия решений. Такие отрасли, как авиация, сельское хозяйство, управление чрезвычайными ситуациями и энергетика, часто нуждаются в оценке риска, а не в одном детерминированном значении прогноза. Чёткое сообщение о неопределённости позволяет вероятностному прогнозированию лучше отражать естественную изменчивость атмосферы.
Машинное обучение в прогнозировании погоды
В последние годы машинное обучение начало играть всё более важную роль в метеорологии. В то время как традиционные модели численного прогнозирования погоды основаны на физических уравнениях, описывающих движение атмосферы, методы машинного обучения основаны на выявлении закономерностей в больших наборах данных.
Используя обширные архивы исторических метеорологических наблюдений и результатов моделей, алгоритмы машинного обучения могут изучать взаимосвязи между атмосферными переменными и результатами прогнозов. Эти методы особенно полезны для постобработки модельных прогнозов, исправления систематических ошибок, улучшения краткосрочных прогнозов и повышения детализации локальных прогнозов. Например, модели машинного обучения могут уточнять температурные прогнозы в сложных городских условиях, улучшать оценки осадков или выявлять атмосферные шаблоны, связанные с опасными погодными явлениями.
В последние годы значительное внимание привлекли несколько новых систем прогнозирования на основе искусственного интеллекта. Среди них GraphCast, разработанная Google DeepMind, Pangu-Weather, созданная Huawei, и FourCastNet, разработанная NVIDIA. Эти модели способны создавать глобальные прогнозы в течение нескольких минут, используя графические процессоры и значительно меньше вычислительных ресурсов, чем традиционные системы численного прогнозирования погоды.
Несмотря на эти достижения, такие системы всё ещё в значительной степени зависят от данных, полученных из физических моделей, а также от крупных наборов данных реанализа, таких как ERA5. По этой причине машинное обучение в настоящее время лучше всего рассматривать как дополняющую технологию, а не как замену традиционного численного прогнозирования погоды.
meteoblue Learning MultiModel (mLM)
Одним из примеров того, как машинное обучение улучшает оперативное прогнозирование, является meteoblue Learning MultiModel (mLM). Эта технология совершенствует численное прогнозирование погоды, объединяя результаты моделей с метеорологическими наблюдениями в реальном времени и выбирая модель, которая в данный момент показывает наилучшие результаты для конкретного места и ситуации.
В настоящее время mLM реализована для температуры воздуха, температуры точки росы и скорости ветра. Перед запуском в августе 2018 года систему проверили с использованием наблюдений более чем с 30 000 метеорологических станций по всему миру. Проверка показала среднюю точность около 1,2 K для 24-часового прогноза температуры и 2,0 K для шестидневного прогноза, что превышает точность традиционных моделей, симуляций MOS и реанализа ERA5.
Благодаря интеграции нескольких моделей прогнозирования, наблюдений в реальном времени и методов машинного обучения meteoblue Learning MultiModel (mLM) повышает практическую точность прогнозов погоды, особенно на локальном уровне.
Гибридные системы моделирования
Сочетание физического моделирования и искусственного интеллекта привело к появлению гибридных систем прогнозирования. Такие системы объединяют преимущества численного прогнозирования погоды с возможностями машинного обучения распознавать закономерности. В гибридных подходах численные модели продолжают моделировать фундаментальную физику атмосферы, тогда как алгоритмы машинного обучения помогают в задачах, таких как улучшение начальных условий, ускорение отдельных вычислительных этапов, уточнение локальных прогнозов или анализ больших объёмов ансамблевых данных.
Исследования в нескольких центрах прогнозирования продемонстрировали перспективные результаты сочетания традиционных систем прогнозирования с инструментами машинного обучения. Такие гибридные системы показывают, как методы, основанные на данных, могут улучшать прогнозирование погоды без замены физических основ атмосферного моделирования. По мере роста вычислительной мощности и расширения наборов наблюдательных данных ожидается, что гибридные подходы будут играть всё более важную роль в будущем развитии систем прогнозирования погоды.
Взгляд в будущее
Прогнозирование погоды эволюционировало от ручных расчётов до глобальных суперкомпьютерных систем, способных моделировать атмосферу с впечатляющей точностью. В то же время эта область продолжает быстро развиваться. Улучшения спутниковых наблюдений, методов ассимиляции данных, ансамблевого прогнозирования и искусственного интеллекта постепенно расширяют границы возможного.
Хотя неопределённость всегда будет оставаться неотъемлемой характеристикой атмосферного прогнозирования, способность количественно оценивать и чётко коммуницировать эту неопределённость стала одним из крупнейших преимуществ современных прогнозов.
Вместе глобальные и региональные модели, ансамблевые системы и новые гибридные технологии формируют основу следующего поколения прогнозирования погоды – области, в которой научные инновации и технологический прогресс остаются тесно взаимосвязанными.
Если вы хотите подробнее ознакомиться с этой темой, посетите форум сообщества meteoblue, чтобы продолжить обсуждение с экспертами и участниками сообщества.
