Korrektion av systematiska fel i meteorologiska prognoser: en förstudie om vårflodsprognoser

Relevanta dokument
KORREKTION AV SYSTEMATISKA FEL I METEOROLOGISKA PROGNOSER

Dagens system: klimatologisk ensemble

Preliminär elmarknadsstatistik per månad för Sverige 2014

EN BÄTTRE BALANS MED SVAGT SJUNKANDE TRÄVARUPRISER 2015 OCH EN NY PRISUPPGÅNG I MITTEN AV 2016

2016, Arbetslösa samt arbetslösa i program i GR i åldrarna år

Preliminär elmarknadsstatistik per månad för Sverige 2014

Från klimatmodell till hydrologiska tillämpningar

EN BÄTTRE BALANS MED SVAGT SJUNKANDE TRÄVARUPRISER 2015 OCH EN NY PRISUPPGÅNG I MITTEN AV 2016

EN BÄTTRE BALANS MED SVAGT SJUNKANDE TRÄVARUPRISER 2015 OCH EN NY PRISUPPGÅNG I MITTEN AV 2016

Hydrologiska Prognosmodeller med exempel från Vänern och Mölndalsån. Sten Lindell

Metodkonferensen Norrköping, Osäkerheter i hydrologiska modeller

Preliminär elmarknadsstatistik per månad för Sverige 2013

Intensiv nederbörd och hydrologisk risk: mot högupplösta flödesprognoser Jonas Olsson

Läsvecka Mål för veckan Måndag Tisdag Onsdag Torsdag Fredag Lördag Söndag 31 aug 1 sep 2 sep 3 sep 4 sep 5 sep 6 sep

Tidsserier och vattenkraftoptimering presentation

Göran Lindström & Joel Dahné. Snödjupsmätningar för uppdatering av prognosmodeller

Mätningar och indata Hur modellerna är uppbyggda Felkällor Statistiska tolkningar Ensembler Starka/Svaga sidor. Vad Mäts?

Radardata för högupplösta nederbördsanalyser och hydrologiska prognoser. Peter Berg, Emil Björck, Lars Norin, Jonas Olsson, Wei Yang

Har (förändringar i) klimat eller markanvändning störst betydelse för ändringen i höga flöden?

HUVA - Hydrologiskt Utvecklingsarbete inom Vattenkraftindustrin. Tillrinning. Björn Norell

Hydrologiska prognosoch varningstjänsten SMHI

UTVÄRDERING AV MULTIMETODMODELLENS SÄSONGSPROGNOSER 2017

Framtidens översvämningsrisker

HUVA - Hydrologiskt Utvecklingsarbete inom Vattenkraftindustrin

SMHIs nederbördsmätning

Elin Sjökvist och Gustav Strandberg. Att beräkna framtidens klimat

Umeälvens Vattenregleringsföretag, (UVF) och dess roll i vattenhushållning

Luftföroreningar & pollen - Hur kan vi prognosticera riskerna och informera allmänheten?

Teknisk not: Lönealgoritmen

Vattenreglering vad är det?

HUVA-dagen Spårvagnshallarna, Birger Jarslgatan 57 A, 7 dec Fredrik Martinsson, programansvarig för HUVA Peter Calla, ordförande HUVA

Beräknad naturlig vattenföring i Dalälven

SMHIs Hydrologiska prognos- och varningstjänsten - reflektioner efter vårfloden Sara-Sofia Asp

Ekonomisk rapport UN juli Barn och Utbildningsförvaltningen

Vad händer med havsnivån i Stockholms län - vad behöver vi planera för? Signild Nerheim SMHI

Realtidsmätning av vattenkvalitet och automatisk provtagning vid befarad mikrobiell förorening

Avkastning Premiepension Bas sedan starten

Spar Räntefonden 13 Spar Sverigefonden 14 Spar Världsfonden 15 Spar Realräntefonden 16 Spar Fastighetsfonden 17

Nyhetsbrev. Projekt SEAREG avslutas. Slutseminarium för den svenska delen. Konferens I DET HÄR NUMRET

Sannolikhetsmodellering av is på vindkraftverk genom deterministisk sampling

Beräknad naturlig vattenföring i Dalälven i ett framtida klimat

The Dundee Hydrological Regime Alteration Method (DHRAM) Åsa Widén

Modeller för små och stora beslut

Bilaga 1 Uppföljning till departementet xls Inledning

Avkastning Premiepension Bas sedan starten

Elin Sjökvist och Gustav Strandberg. Att beräkna framtidens klimat

Bilaga 1 Uppföljning till departementet 0904.xls Inledning

måndag tisdag onsdag torsdag fredag lördag söndag den 26 dec den 27 den 28 den 29 den 30 den 31 den 1 jan 17

Chantal Donnelly, Berit Arheimer, Hydrologienheten, FoU. Hur kommer vattenflöden och näringsämnestransport i Sverige och Europa att påverkas?

Kartläggning av luftkvalitet med hjälp av SIMAIR Gunnar Omstedt, SMHI

Tyck om Burlöv Den första resp. sista synpunkten under aktuell period registrerades

Nr 99, Hydrologi. Utvärdering av SMHIs hydrologiska prognos- och varningstjänst under vårfloden i fjällen juni 2005.

Långvarig torka kontra extrem nederbörd

Budgetprognos 2007:2. Tema

Extreme Forecast Index

Klimatscenarier och klimatprognoser. Torben Königk, Rossby Centre/ SMHI

Göta älvutredningen (GÄU)

Framtidsklimat i Kalmar län

Utvärdering av skatteunderlagsprognoser för 2016

Framtidsklimat i Östergötlands län

Årsavstämning: befolkning 31/ enligt Kommunala invånarregistret. tar varje år fram. Feb Mar Apr Maj Jun Jul Aug Sep Okt Nov Dec

4,3 6,4 9,5 11,9 13,3 12,8 9,2 8,9 4,8 5,8 8,3 5,2 7,5 10,0 12,4 15,0 14,9 9,8 9,1 5,2 7,5 8,1 4,6 6,6 9,9 11,8 13,4 13,4 9,3 8,1 4,8 6,3 8,4 7,1 9,2

Klimathistoria. Skillnad dagens klimat/istid, globalt 6ºC Temperatur, koldioxid, och metan har varierat likartat. idag Senaste istiden

Jämförelse av Solhybrider

Påverkan, anpassning och sårbarhet IPCC:s sammanställning Sten Bergström

Djurgårdsstaden. 1 Sammanfattning Jörgen Jones

Preliminär elmarknadsstatistik per månad för Sverige 2014

TYCK OM BURLÖV! Statistikrapport. Socialförvaltningen

Referensmätning av klimat vid Skogliga Försöksparkerna. Årsrapport Sveriges lantbruksuniversitet

Från utsläppsscenarier till lokal nederbörd och översvämningsrisker

Sammanfattning till Extremregn i nuvarande och framtida klimat

Inkvarteringsstatistik för hotell

Referensmätning av klimat vid Skogliga Försöksparkerna. Årsrapport Sveriges lantbruksuniversitet

Varför gör vi det här?

Effektiv styrning av extrema säsongstoppar Case Vianor AB. Peter Einarsson Logistikchef

Befolkningen uppgick efter vecka 21 till vilket är 747 fler jämfört med vid årsskiftet.

Linnéa Gimbergson, Barbro Johansson, Julia Zabori, Joel Dahné, Johan Södling, Carolina Cantone. Klimatdatatjänster för Europa Clim4Energy och SWICCA

Hydrologiska ensembleprognoser

Bambino Banker. Sida 1

Handelsbarometern. Svensk Handels indikator över framtidsförväntningarna bland handelns företag. Februari 2018

WindPRO 2 version Aug 2006 Project:

Vad tror vi om häftiga regn i framtiden?

Vad händer med havsnivån i Stockholms län - vad behöver vi planera för? Sten Bergström SMHI

Den svenska hydrologiska tjänsten Gunlög Wennerberg

Analys av klimatförändringars inverkan på framtida vattenstånd i Glafsfjorden/Kyrkviken

WindPRO version aug 2008 Printed/Page :22 / 1. SHADOW - Huvudresultat. Öringe uppdaterad

Fjärrkylanläggning Rosenlundsverket Miljövänlig kyla i centrala Göteborg

Multifraktaler och fysiskt baserade skattningar av extrema flöden

Referensmätning av klimat vid Skogliga Försöksparkerna. Årsrapport Sveriges lantbruksuniversitet

Referensmätning av klimat vid Skogliga Försöksparkerna. Årsrapport Sveriges lantbruksuniversitet

Klimatanpassning i utvecklingsländer svensk expertis på export

Elavtal. Jämförelse av bindningsmånader

Handelsbarometern. Svensk Handels indikator över framtidsförväntningarna bland handelns företag. Oktober 2017

Översvämningsprognoser i områden med ofullständiga data. Metodutveckling och utvärdering. Hydrologi

Personalkostnadsanalys VGR:s sjukhus

Dimensionerande nederbörd igår, idag och imorgon Jonas German, SMHI

Fördjupat underlag rörande ekonomin - månatlig redovisning november xls Inledning

Resultat från energiberäkning

Sannolikhetsprognoser för nedisning på vindturbiner

Referensmätning av klimat vid Skogliga Försöksparkerna. Årsrapport Sveriges lantbruksuniversitet

Transkript:

Korrektion av systematiska fel i meteorologiska prognoser: en förstudie om vårflodsprognoser Jonas Olsson, Peter Berg, Johan Södling, Gitte Berglöv, Henrik Spångmyr, Jörgen Rosberg SMHI

Bakgrund och problemställning Numera utfärdas meteorologiska långtidsprognoser (upp till 1 år framåt) på många institut Dessa kan potentiellt användas för att driva en hydrologisk modell och generera långtidsprognoser av vattenflöden Meteorologiska långtidsprognoser har dock ofta systematiska fel (bias) som påverkar kvalitén på flödesprognoser Bias går att korrigera genom statistisk metodik Är flödesprognoser baserade på bias-korrigerade meteorologiska långtidsprognoser bättre än den traditionella IHMS-metoden baserad på en klimatologisk ensemble?

Utförda experiment Daglig nederbörd (P) och temperatur (T) från meteorologiska långtidsprognoser (ensembler) från ECMWF har extraherats för Vindelälven och Ljusnan, prognosdatum 1/1, 1/3, 1/5, period 1981-2010 Prognoserna har utvärderats mot observationer (PTHBV) m.a.p. bias och prediktabilitet Prognoserna har bias-korrigerats genom distribution mapping med DBS-metoden Prognoserna har använts som indata för att med de hydrologiska modellerna HBV och HYPE göra vårflodsprognoser för två stationer i varje älv Vårflodsprognoserna har utvärderats och jämförts med IHMS-metoden

Resultat i sammanfattning Prognoserna överskattar P med ~10% (~20% i april maj) och underskattar T med ~1 C (på månadsbasis). Genom bias korrigering kunde bias i P minskas till ~3% och bias i T helt elimineras. Månadsmedel-P och -T kan förutsägas med god (T) eller någorlunda (P) träffsäkerhet för månaden direkt efter prognostillfället; därefter är träffsäkerheten låg. HBV prognoser för Vindelälven: Redan okorrigerade prognoser gav ett något bättre resultat än IHMS; med bias korrigering förbättras resultatet ytterligare. HBV prognoser för Ljusnan: Bias korrigerade prognoser är avsevärt bättre än okorrigerade men inte bättre än IHMS. HBV vs. S HYPE: Med bias korrigerade prognoser är träffsäkerheten i de båda modellerna totalt sett likartad.

Områden och grid

Proceduren vid vårflodsprognoser 1. Kör HBV-modellen med observerade dagliga P och T som indata under en uppvärmingsperiod fram till prognostillfället initialiserad modell

Proceduren vid vårflodsprognoser 1. Kör HBV-modellen med observerade dagliga P och T som indata under en uppvärmingsperiod fram till prognostillfället initialiserad modell 2. Kör HBV-modellen med en ensemble av dagliga P och T tidsserier från prognostillfället till slutet på vårflodsperioden en ensemble av flödesserier Prognoskörningar Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec

Proceduren vid vårflodsprognoser 1. Kör HBV-modellen med observerade dagliga P och T som indata under en uppvärmingsperiod fram till prognostillfället initialiserad modell 2. Kör HBV-modellen med en ensemble av dagliga P och T tidsserier från prognostillfället till slutet på vårflodsperioden en ensemble av flödesserier 3. Ackumulera flödet under vårflodsperioden, beräkna percentiler. 60000 50000 Q VF (m 3 /s) 40000 30000 75% medel 50% 25% 20000 10000 0 01 maj 01 jun 01 jul

Proceduren vid vårflodsprognoser 1. Kör HBV-modellen med observerade dagliga P och T som indata under en uppvärmingsperiod fram till prognostillfället initialiserad modell 2. Kör HBV-modellen med en ensemble av dagliga P och T tidsserier från prognostillfället till slutet på vårflodsperioden en ensemble av flödesserier 3. Ackumulera flödet under vårflodsperioden, beräkna percentiler. Två sätt att generera indata i steg 2 IHMS (klimatologi): P och T under prognosperioden från alla historiska år ECMWF (prognos): P och T från meteorologiska långtidsprognoser

ECMWF T bias ( C): originalprognos (ORG) Jämförelse med PTHBV i perioden 1981-2010 10

ECMWF P bias (%): originalprognos (ORG) Jämförelse med PTHBV i perioden 1981-2010 11

Distribution-Based Scaling (DBS) Bias-korrigering av dagliga tidsserier genom att skalera om sannolikhetsfördelningarna i prognoserna så att de överensstämmer med observerade fördelningar Gamma-födelning används för P och normalfördelning för T Yang, W., Andréasson, J., Graham, L.P., Olsson, J., Rosberg, J., and F. Wetterhall (2010) Distribution-based scaling to improve usability of regional climate model projections for hydrological climate change impact studies, Hydrol. Res., 41, 211-229. 12

ECMWF T bias ( C): korrigerad (COR) Jämförelse med PTHBV i perioden 1981-2010 13

ECMWF P bias (%): korrigerad (COR) Jämförelse med PTHBV i perioden 1981-2010 14

Prediktabilitet av månadsmedel-t Vilken korrelation finns mellan prognoserad och observerad T? Resultat: hög korrelation mellan observerad och prognoserad T bara för månaden närmast efter prognostillfället (i bästa fall) 15

Prediktabilitet av månadsmedel-t Skulle de exceptionellt varma vårarna (april-maj) 1984 och 2002 och de exceptionellt kalla vårarna 1985 och 1997 kunnat förutsägas? Resultat: 1984 förutsades bli kallt (fel), 1985 förutsades också bli kallt (rätt), 1997 och 2002 förutsades bli normala 16

Vårflodsprognoserna i Vindelälven Bias, alltså tendensen att vårflodsvolymen ligger systematiskt för högt eller för lågt Resultat: systematisk underskattning av IHMS, nästan ingen bias i korrigerad prognos 17

Vårflodsprognoserna i Vindelälven Genomsnittligt absolutfel, alltså avvikelse från observerad vårflodsvolym Resultat: korrigerad prognos tydligt mera träffsäker än IHMS 1/1, något bättre också 1/3 och 1/5 18

Vårflodsprognoserna i Ljusnan I termer av både bias och medelfel är IHMS överlag mera träffsäker även än den korrigerad långtidsprognosen Varför det? Vi har inte kunnat gå på djupet med detta men gissar: 1/ förekomsten av smältepisoder innan den egentliga vårfloden gör det mer svårförutsägbart här än i Vindelälven, och/eller 2/ alla regleringar i Ljusnan påverkar prognoserna 19

HBV vs. HYPE Totalt sett blir prognoserna lika bra Hej alla! Jaha, hur ska man tolka det här då? Ingen direkt imponerande prediktabilitet och dubbla budskap från de båda älvarna Vårt hopp står till att Kean fixar det med sin multimetodmodell (kl. 13:00) Men tack för uppmärksamheten och stort tack Kean för hjälpen med presentationen! Hoppas vi ses på nästa HUVA-dag! /Jonas 20