Dagens system: klimatologisk ensemble Kör HBV-modellen med historiska P- och T- observationer fram till prognosdagen Använd historiska P- och T-serier över vårflödesperioden som indata Resultatet kan uttryckas i sannolikhetstermer: maximum, median, minimum etc.
Dagens system: klimatologisk ensemble
Klimatologisk ensemble: begränsningar Klimatologisk ensemble vårflödet under ett normalt år Ingen förbättring de senaste 20 åren 50 40 30 20 10 Volymfel (%) 0-10 -20-30 -40 Suorva Porjus Tjaktjajaure Parki Letsi Sädvajaure Överuman -50 1988 1992 1996 2000 2004
Projektet: målsättning och upplägg Användning av meteorologiska långtidsprognoser/klimatprognoser för förbättrad uppskattning av vårfloden, prognos för detta år Angrepp 1: Reducerad klimatologisk ensemble Välj ut mest troliga historiska år baserat på senaste väderutvecklingen Angrepp 2: Meteorologisk långtidsprognos Använd meteorologisk långtidsprognos från ECMWF som indata Angrepp 3: Direkt Q-prognos via statistisk nedskalning Statistiskt baserad prognos på total vårflodsvolym Kombinera i ett multi-metod system
Områden och data Total data period: 1961-2010 Utvärdering gjord för vårflödena 2000-2010, prognostillfällen 1/1, 1/3 och 1/5
Klimatologisk ensemble: resultat MAE = Mean Absolute Error, medelfel SIM = simulering med observerade T och P ( perfekt prognos ) FC 1/1 = prognos 1 jan
Reducerad ensemble: metodik TCI Klimatindex NAO EA SCAND Välja alla år med jämförbara TCI kombinationer Köra HBV med reducerad ensemble analoga år HBV Prognos Vårflödesvolym maj-jun-jul
Reducerad ensemble: metodik CP Cirkulationsmönster Dagliga MSLP Era40 (1ºx1º) och Era-Interim (0.75ºx0.75º) Fuzzy-regelbaserad klassificering Välja alla år med jämförbara CP kombinationer Köra HBV med reducerad ensemble analoga år HBV Prognos Vårflödesvolym maj-jun-jul
Reducerad ensemble: resultat RI = relativ MAE-förbättring jämfört med klimatologisk prognos FY+ = andelen år det nya angreppet har lägre MAE än klimatologisk prognos fet stil beyder att det nya angreppet är bättre än klimatologisk prognos
ECMWF prognoser i HBV: metodik Vindelälven och Ljusnan Modellerna använder griddade data Långtidsprognoser ECMWF (European Centre for Medium-range Weather Forecasting) 41 ensembler Dagliga P och T (1ºx1º) HBV grid format Köra HBV med ECMWF ensembler ECMWF ensembler P och T HBV Prognos Vårflödesvolym maj-jun-jul
ECMWF prognoser i HBV: resultat RI = relativ MAE-förbättring jämfört med klimatologisk prognos FY+ = andelen år det nya angreppet har lägre MAE än klimatologisk prognos fet stil beyder att det nya angreppet är bättre än klimatologisk prognos
Statistisk nedskalning: metodik GCM prognos för säsong jan-mar från atmosfärens tillstånd i december i december GCM prognos jan-feb-mar SVD Prognos Vårflödesvolym maj-jun-jul Globala Klimatmodeller (GCM) Météo - France ARPEGE kopplat till ORCA ECMWF CY31R1 Integrated Forecast System Träningsperiod från 1982 till året innan prognosen Atmosfäriska variabler Geopotental heights 850 hpa ARPEGE Surface latent heat flux ARPEGE Surface sensible heat flux CY31R1
Statistisk nedskalning: domän SVD
Statistisk nedskalning: resultat RI = relativ MAE-förbättring jämfört med klimatologisk prognos FY+ = andelen år det nya angreppet har lägre MAE än klimatologisk prognos fet stil beyder att det nya angreppet är bättre än klimatologisk prognos
Multi-modell: median RI = relativ MAE-förbättring jämfört med klimatologisk prognos Medianprognos, dvs. använd alltid den mittersta
Multi-modell: viktad RI = relativ MAE-förbättring jämfört med klimatologisk prognos Viktade prognoser, baserat på individuell utvärdering
Slutsatser Det är idag (2011) svårt att göra vårflödesprognoser som totalt sett är markant bättre än dagens klimat-baserade från IHMS För enskilda älvar och prognostillfällen kan en minsking av prognosfelet med upp till 30% erhållas genom analys av dominerande vädertyper eller statistisk nedskalning Med en kombinerad multi-modell kan en generell minskning av prognosfelet med ~10% uppnås Framtida studier Intressanta och användbara samband har påvisats men mera djupgående analyser behövs för att bättre förstå och beskriva de olika beroenden som finns i tid och rum Ytterligare förbättring av CP-metodik kan vara möjlig med en optimal klassificering, bättre anpassad till specifika älvar/regioner och datakällor Genom statistisk nedskalning/kalibrering av ECMWF-prognoserna bör en bättre representation av klimatet i avrinningsområdet kunna erhållas och därmed bättre prognoser