väderprognos så funkar det

Transkript

1 väderprognos så funkar det Per Kållberg, SMHI vad är numeriska prognoser? kommunikationer - nätverk observationer och hur de används produkter 1

2 2

3 väderprognos så funkar det vad är numeriska prognoser? kommunikationer - nätverk observationer och hur de används produkter 3

4 atmosfären styrs av fysikaliska lagar som kan formuleras med ekvationer ekvationerna kan inte lösas analytiskt, därför måste approximativa numeriska metoder användas, och det kräver stora datorer. känner man nuläget kan ekvationerna integreras framåt i tiden d.v.s. en prognos av det framtida vädret. växelverkan mellan atmosfären och den underliggande marken och havet är viktiga för att bestämma vädret. 4

5 lite historia Vilhelm Bjerknes ca. 1903: beskrev principen för numeriska prognoser L.F. Richardson 1921: första heroiska försöket som misslyckades C.G. Rossby 1938: visade hur ekvationerna kunde förenklas Charney Fjörtoft - von Neumann 1950: första lyckade försöket på ENIAC MVC-BESK 1953: första operationella realtidsprognosen i världen SMHI-SAAB D : SMHI numeriska prognoser ECMWF-CRAY1 1979: Globala operationella prognoser 5

6 så här ser väderekvationerna ut (ofta kallade Eulers ekvationer) kontinuitetsekvationen ( massan bevaras ) rörelseekvationen ( Newton s lag ) ~ dv ~ ~ ~ = 2Ω V α p gk + τ~ dt gaslagen den termodynamiska ekvationen ( energiprincipen ) ρ ~ =.( ρv ) t p=ρrt cp dt RT =Q+ ω dt p och en ekvation för vattenångan dq/dt = E - C 6

7 SMHIs beräkningsdator Bore hos NSC i Linköping Linux kluster med 140 beräkningsnoder varje nod har två Intel-Xeon processorer med fyra beräkningskärnor och 16GB primärminne alltså totalt 1120 beräkningkärnor och 2240 GB primärminne teoretisk maxkapacitet miljarder flyttalsoperationer per sekund 7

8 SMHIs (nästa) numeriska prognossystem HIRLAM (HIgh Resolution Limited Area Model) ett samarbete mellan de nordiska länderna, Irland, Nederländerna, Spanien, (Frankrike) och de baltiska länderna 306*306 gridpunkter, 0.1º*0.1 º (ca. 11*11km.) och 60 vertikala nivåer finita differenser 4-Dim variationell data assimilation konventionella observationer (SYNOP, SHIP, TEMP, PILOT,BUOY, AIREP) AMSU-A radianser MODIS vindar Scatterometer vindar prognos av tryck, temperatur, vind, luftfuktighet, moln, nederbörd, marktemperatur, markfuktighet finita differenser semi-lagrangesk tidsintegration körs fyra gånger per dygn klar efter ca. 2 timmar randvillkor från ECMWF 8

9 beräkningspunkter HIRLAM-11 ca.11km 9

10 HIRLAM 11km orografi 10

11 ECMWF ECMWF is an independent international organization, supported by 18 member states 12 co-operating states Co-operating agreements: Croatia Czech Republic Estonia Hungary Iceland Lithuania Montenegro Morocco Serbia Romania Slovakia 11 Slovenia

12 ECMWF nuvarande datorsystem 12

13 ECMWF s operationella analysis och prognossystem Numerik: TL799L91 (799 vågor, 91 nivåer 0-80 km) semi-lagrangesk formulering Tidssteg: 12 minuter Prognosvariabler: vind, temperatur, luftfuktighet, moln (mängd, vattenhalt, iskristallhalt) lufttryck vid marken, ozon, temperatur och fuktighet i marken Grid: Gaussiskt grid, ~25 km, 76,757,590 gridpunkter i tre dimensioner Körs två gånger per dygn (00GMT och 12GMT) fram till 14 dagar finns på SMHI efter ca. 7 timmar 13

14 atmosfären rymmer många skalor ingen naturlig uppdelning mellan skalorna många processer kan inte lösas upp i modellerna de måste parametriseras 14

15 parametriserade processer 15

16 väderprognos så funkar det vad är numeriska prognoser? kommunikationer - nätverk observationer och hur de används produkter 16

17 17

18 New Delhi 64/8 Sondre Stormfjord Oslo Reykjavik Moscow Riga 64 16/8 Vilnius Offenbach Prague 256/128 FR 256 (CIR:64) Vienna Melbourne 16 Toulouse Lisbon 8 Interregional circuit Belgrade 8/ Tirana Rome Algiers Nairobi Tripoli Athens N/O Ankara Larnaca Tunis NI N/O N/O Baku NI 64/ N/O Yerevan Sofia 8/ Beirut 16 Malta Bet Dagan 64 MTN circuit Regional circuit Tbilisi Zagreb Nairobi 64 RTH Centre in other region 9.6 Bucharest 9.6 NI 9.6 Jeddah 128 Dakar 64/8 Cairo 19.2 NI Budapest Skopje 0.05 NMC Ljubljana 16/8 Madrid Casablanca 64/8 32/ Kishenev 16/8 48/16 Zurich 32/96 32/64 Bratislava 64 Hanoi Tehran Kiev 8/16 Almaty NI Brussels 128/64 Tashkent 0.1 Minsk 16/8 16/64 ECMWF Novosibirsk /8 16 Washington 16/8 Warsaw 48 Khabarovsk Beijing De Bilt Exeter Tallinn 24/8 Norrköping Copenhagen Dublin Beijing NI Helsinki NI Damascus 16/8 RMDCN Committed Information Rate Amman 18 NI XII Regional Meteorological Telecommunication Network for Region VI (Europe) - point-to-point circuits kbits/sek

19 Reception of satellite distribution systems (DWDSAT, MDD, RETIM and TV-Inform-Meteo) TV-Inform-meteo DWDSAT (DVB) Offenbach Moscow METEOSAT DCPs EUMETSAT RETIM (DVB) RTT MDD Sofia Toulouse Fax, RTT MDD Rome RTH multipoint system via satellite radio broadcast NUBIS (DVB) Albania Armenia Austria Azerbaijan Belarus Belgium Bulgaria Croatia Cyprus Czech Republic Finland France Germany Georgia Greece Hungary Israel Italy Jordan Kazakhstan Latvia Lebanon Lithuania Luxembourg Malta Netherlands Norway Poland Portugal Republic of Moldova Romania Russian Federation Slovak Republic Slovenia Sweden Switzerland Syrian Arab Republic Turkey Ukraine UK Former Yugoslav Republic of Macedonia Yugoslavia RETIM RETIM RETIM DWDSAT TV-Inform-Meteo TV-Inform-Meteo DWDSAT DWDSAT DWDSAT DWDSAT DWDSAT MDD MDD MDD RETIM RETIM RETIM RETIM RETIM MDD MDD MDD RETIM RETIM TV-Inform-Meteo MDD RETIM MDD MDD MDD RETIM TV-Inform-Meteo DWDSAT RETIM RETIM RETIM RETIM RETIM DWDSAT DWDSAT MDD MDD MDD MDD RETIM TV-Inform-Meteo DWDSAT MDD RETIM TV-Inform-Meteo DWDSAT DWDSAT DWDSAT RETIM MDD MDD RETIM RETIM MDD RETIM MDD MDD RETIM DWDSAT Regional Meteorological Telecommunication 19 Network for Region VI (Europe) Figure 2 - multipoint telecommunication systems

20 SMHI: huvudsaklig datakomm över fasta linjer : eget WAN samt internationell datakomm. Rev WAN GTS ECMWF Sundsvall Oslo Helsingfors Arlanda Göteborg Riga Malmö Köpenhamn Vilnius Reading 20 Offenbach Moskva

21 SMHI, extern datakommunikation, i huvuddrag, NSC/Linköping RMDCN (IP/VPN MPLS) Regional Meteorological Data Communications Network (För SMHI: f n komm. med partners i 8 länder) 3 Mbps/prim 3 Mbps/sec 100 Mbps Telia k k k INTERNET 90+ Mbps TDC SjöV/svartfiber LFV/Arlanda (128 Kbps) 21 LiUnet 1 Gbps SMHI-LAN/ WAN (till 4 reg.-kontor; Mbps),med begränsade backupförb. Även anv. av DATEL, ISDN o DPK, en del via SMHI-telefonväxelaccesser, t ex: för ADAC 8+2 Mbps Försvarsmakten

22 22

23 väderprognos så funkar det vad är numeriska prognoser kommunikationer - nätverk observationer och hur de används produkter 23

24 väderobservationer antal mottagna av ECMWF under ett dygn i Mars

25 25

26 26

27 27

28 28

29 29

30 30

31 31

32 4D-var: fyrdimensionell variationell data assimilation fyra med tidsdimensionen 32

33 variationell data assimilation J mäter avståndet mellan analysen och den nya informationen (observationer och en föregående prognos som kallas bakgrund ) J (Ta ) = J b (Ta ) + J o (Ta ) kostnad avvikelse från bakgrund avvikelse från observation (T To ) 2 Jo = 2 σo X To X Ta = Tb + k (To Tb ) (T Tb ) 2 Jb = σ b2 X Tb den bästa analysen är den som minimerar J ( minsta kvadratmetoden ) kan lösas med en iterativ process 33

34 vad mäter egentligen satelliterna? de mäter den strålning (infraröd eller värmestrålning ) som luftens vattenånga, koldioxid och ozon emitterar och transmitterar och det finns en ekvation för detta: L(ν ) = 0 dτ (ν ) B (ν, T ( z )) dz dz eller L(ν ) = B(ν, T ( z )) K ( z )dz 0 34

35 här bestäms radiansen av temperaturen på en enda nivå i atmosfären. z K(z) här bestäms radiansen av medeltemperaturen i ett skikt i atmosfären. z K(z) 35

36 kallt z mittemellan K(z) K(z) varmt 36

37 genom att välja olika kanaler med olika transmissionsförmåga kan man känna av temperaturen i olika skikt AMSUA 37

38 HIRS AMSUA AIRS Ch-14 Ch-1 Ch-13 Ch-12 Ch-11 Ch-2 38

39 omkring 106 observationer Y omkring modellvärden X - temperatur, fuktighet, vindar, lufttryck x a = x b + K(y H(x b )) analys bakgrund matris med vikter (kort prognos) J(x) = (x x b )T B 1 (x x b ) + (y H(x))T R 1 (y H(x)) J(x) minimeras iterativt 39

40 hur man assimilerar satellitradianserna modellens radians jämför observerad satelliteradians Jo H modellens T,u,v,q 40

41 dagens en 6-timmars prognos från i går kväll, gällande klockan 02:00 i natt det analyserade läget klockan 02:00 i natt prognoser från 02:00 i natt 41

42 nattens bakgrund (kl. 02:00). 6-timmars prognos av lufttrycket från 20:00 i går kväll 42

43 nattens analys av lufttrycket (kl. 02:00) med analysinkrementen 43

44 numerisk (HIRLAM) prognos gällande kl. 14:00 idag, onsdag. 44

45 numerisk (HIRLAM) prognos gällande kl. 20:00 i kväll, onsdag. 45

46 numerisk (HIRLAM) prognos gällande kl. 02:00 i natt, torsdag. 46

47 numerisk (HIRLAM) prognos gällande kl. 14:00 i morgon, torsdag. 47

48 väderprognos så funkar det vad är numeriska prognoser? lite historia kommunikationer - nätverk observationer och hur de används produkter 48

49 Basproduktion Styrning Editering Programkomponenter Mesan Basdatabas Programkomponenter PMP arbetsarea PMP produktion 1D-HIRLAM HIRLAM22 HIRLAM44 Produkt ionsgodkänd prognos Valda modeller Produkt ion ECMWF Observationer inkl. f järranalysinf o ROAD-databasen 49 8

50 50

51 hur bra är de numeriska prognoserna? här ECMWF 51

52 ensembelprognoser väderprognoser minskar i användbarhet eftersom fel i initialtillståndet (analysen) växer med tiden (initialfel). dessutom är själva prognosmodellen inte perfekt (modellfel). ensembler av flera prognoskörningar som utgår från något olika initialtillstånd (och eventuellt med en viss slumpmässighet inprogrammerad i prognosmodellen) är ett sätt att komma längre än 5-6 dygn. ensemblerna kan ge en uppfattning om sannolikheten för olika händelser 52

53 Temperatur vad är en ensembelprognos? Initialt prognoslängd prognos en beskrivning av väderutvecklingen i form av sannolikheter Probability Density Function (PDF) 53