Kysymys:
Kuinka säämallit toimivat?
hichris123
2014-04-16 01:15:10 UTC
view on stackexchange narkive permalink

Käytämme jatkuvasti erilaisia ​​säämalleja, kuten ECMWF ja GFS. Nämä mallit ovat yksinkertaisesti hämmästyttäviä minulle.

Kuinka nämä mallit toimivat? Tiedän, että heidän on otettava mukaan erilaisia ​​datapisteitä - mitä nämä ovat ja miten malli sitä käyttää? Kuinka he myös laativat ennusteen tai kartan tulevaisuuden tapahtumista?

Neljä vastused:
#1
+29
Jon Ericson
2014-04-16 03:30:37 UTC
view on stackexchange narkive permalink

Kaikki ilmakehän numeeriset mallit on rakennettu primitiivisistä yhtälöistä johdettujen laskelmien ympärille, jotka kuvaavat ilmavirtaa. Vilhelm Bjerknes löysi suhteet ja tuli siten numeerisen sääennusteen isäksi. Käsitteellisesti yhtälöiden voidaan ajatella kuvaavan, kuinka ilmapaketti liikkuu suhteessa ympäristöönsä. Esimerkiksi opimme nuorena, että kuuma ilma nousee. Hydrostaattinen pystysuora momenttiyhtälö selittää, miksi ja kvantifioi, missä olosuhteissa kuuma ilma lakkaa nousemasta. (Kun ilma nousee, se laajenee ja jäähtyy, kunnes se saavuttaa hydrostaattisen tasapainon.) Muut yhtälöt huomioivat muun tyyppiset liikkeet ja lämmönsiirron.

Valitettavasti yhtälöt ovat epälineaarisia, mikä tarkoittaa, että et voi yksinkertaisesti kytke muutama numero ja saat hyödyllisiä tuloksia. Sen sijaan säämallit ovat simulaatioita, jotka jakavat ilmakehän kolmiulotteisiksi ruudukoiksi ja laskevat kuinka aine ja energia virtaa yhdestä avaruuskuutiosta toiseen erillisten ajanjaksojen aikana. Todellinen ilmakehän virtaus on jatkuva, ei erillinen, joten mallit ovat välttämättä likiarvoja. Eri mallit tekevät erilaiset likiarvot niiden erityistarkoitukseen sopiviksi.

Numeeriset mallit ovat parantuneet ajan myötä useista syistä:

  1. Lisää ja parempia syötetietoja,
  2. Tiukemmat ristikot ja
  3. paremmat likiarvot.

Laskentatehon kasvu on antanut mallien käyttää pienempiä ruudukoita. Laskelmien määrä kuitenkin kasvaa räjähdysmäisesti laatikkojen määrän kanssa ja prosessi kärsii vähenevästä tuotosta. Asioiden tulopäässä enemmän ja parempia antureita parantavat mallin alkuolosuhteiden tarkkuutta. Synoptic scale ja mesoscale -mallit ottavat huomioon General Circulation Models -ominaisuudet, mikä auttaa asettamaan kohtuulliset sisäiset ehdot. Lähtöpuolella Model Output Statistics tekee merkittävän työn arvioidessaan paikallista säätä vertaamalla nykyistä mallin tilaa aikaisempiin tietoihin tilanteista, jolloin malli osoitti samanlaisia ​​tuloksia. Lopuksi kokonaisuusmallit käyttävät useiden mallien tulosta syötteenä ja tuottavat erilaisia ​​mahdollisia tuloksia.

Voit mainita myös parannussyiden luettelossasi: paremmat parametrisointijärjestelmät mikrofysiikalle, säteilylle, maanpinnan vuorovaikutukselle jne. tiukemmat ruudukot, jotka mahdollistavat nimenomaisen konvektion parametrisoidun konvektion sijasta; tietojen assimilaatio.
@casey: Haluaisin ehkä mainita, että omakohtainen tietoni ennustemalleista on yli 15 (ja lähempänä 20) vuotta vanha. Jos olisit valmis ehdottamaan muokkausta, hyväksyn sen mielelläni. :-)
#2
+21
milancurcic
2014-05-01 08:56:25 UTC
view on stackexchange narkive permalink

Säänmallit (tai, kuten kentällä yleisemmin kutsutaan, ilmakehämallit) ovat tietokoneohjelmia, jotka lukevat syöttötietoja (alkuolosuhteet) ja ratkaisevat osittaisia ​​differentiaaliyhtälöitä tulevan ilmakehän tuottamiseksi. Vaikka @JonEricson tarjoaa kaiken kaikkiaan hyvän, mutta anekdoottisen yhteenvedon mallien toiminnasta, kuvaan tässä tarkat vaiheet mitä ilmakehämallilla tarvitaan ennusteen tuottamiseen. Tämä vastaus koskee yleensä myös valtamerien kierto- ja ilmastomalleja. Monet ihmiset uskovat, että sääennustajat istuvat kartan edessä ja ideoivat, mihin pilvi menee. Tämän vastauksen tarkoituksena on antaa helposti ymmärrettävä mutta perusteellinen selitys ilmakehän ja valtamerien ennustusmallien toiminnasta.

  1. Ilmakehän evoluutio voidaan kuvata osittaisdifferenssiyhdistelmillä (PDE). Yleisimmin nämä ovat primitiivisiä yhtälöitä, jotka koostuvat momenttiyhtälöstä (nopeuden $ \ mathbf {v} $ tai momentin $ \ mathbf {\ rho v} $ ratkaiseminen), jatkuvuudesta (tai massasäilöyhtälöstä) ) ja lämpöenergiayhtälö (lämpötilan $ T $ ja ominaiskosteuden $ q $ ratkaiseminen). Jatkuvuusyhtälö on tarpeen sulkemiseksi momenttiyhtälöiden kanssa. Näitä yhtälöitä voidaan lähentää monin tavoin, jolloin saadaan supistettu ja / tai yksinkertaistettu yhtälöjoukko. Jotkut näistä likiarvoista ovat hydrostaattisia, Boussinessq, elastisia jne. Ilmakehän primitiivisten yhtälöiden täydellisimmässä muodossa prognostiset tilamuuttujat ovat $ u $, $ v $, $ w $, $ p $, $ T $, $ q $. Idealisoitua ilmakehää voitaisiin myös simuloida vain impulssi- ​​ja jatkuvuusyhtälöillä (ei termodynamiikkaa), matalan veden yhtälöillä tai pelkästään absoluuttisella pyörteyhtälöllä. Katso esimerkki jälkimmäisestä, katso Charney, Fjortoft ja von Neumann (1950) edelläkävijä, joka ennusti numeerisesti 500 mb: n pyörteisyyden integroimalla absoluuttisen pyörreyhtälön ajassa. Koska heidän mallinsa oli barotrooppinen, se ei voinut tuottaa syklogeneesiä. He saavuttivat kuitenkin historian ensimmäisen onnistuneen numeerisen sääennusteen ja heidän mallinsa juoksi ensimmäisellä yleiskäyttöisellä tietokoneella, ENIAC.

  2. Ota nyt impulssiyhtälö esimerkiksi:

    $$ \ dfrac {\ partituali \ rho \ mathbf {v}} {\ osittainen t} + \ nabla (\ rho \ mathbf {v} ^ {2}) +2 \ Omega \ kertaa \ rho \ mathbf {v} = - \ nabla p + \ nu \ nabla ^ {2} (\ rho \ mathbf {v}) + \ Phi $$

    Vasemmalta oikealle meillä on vauhdin, advektion, Coriolis-voiman, paineen gradientin, viskoosin hajoamisen ja lopuksi minkä tahansa ulkoisen pakottamisen tai aliruudukon taipumus. Valitettavasti advektiotermi $ \ nabla (\ rho \ mathbf {v} ^ {2}) $ ei ole lineaarinen, ja tämän termin takia tämän yhtälön analyyttinen ratkaisu ei ole tiedossa. Tämä termi on myös syy ilmakehälle ja muille nesteille, jotka ovat luonteeltaan kaoottisia, ja pienet virheet muodossa $ \ mathbf {v} $ kasvavat nopeasti, koska ne lisääntyvät tällä termillä. Jos yhtälö on linearisoitu, $ \ nabla (\ rho \ mathbf {v} ^ {2}) = 0 $, löytyy analyyttisiä ratkaisuja. Esimerkiksi Rossby-, Kelvin- ja Poincare-aallot ovat kaikki analyyttisiä ratkaisuja tietylle pienennetylle linearisoidulle momentti- tai pyörreyhtälölle. On tärkeää tunnistaa, että tarvitsemme epälineaarisen advektiotermin, jos haluamme tuottaa tarkkoja ennusteita. Siksi ratkaisemme yhtälöt numeerisesti.

  3. Kuinka nämä PDE: t ratkaista? Suorittimet eivät kykene tekemään johdannaisia ​​- he osaavat lisätä ja kertoa numeroita. Kaikki muut toiminnot ovat johdettu näistä kahdesta. Meidän on jotenkin arvioitava osittaiset johdannaiset käyttämällä aritmeettisia perusoperaatioita. Kiinnostava alue (esimerkiksi maapallo) diskretisoidaan ruudukossa. Jokaisella ruudukon solulla on arvo jokaiselle tilamuuttujalle. Otetaan esimerkiksi paineen gradienttitermi x-suuntaan:

    $$ \ nabla_ {x} p = \ dfrac {\ osittainen p} {\ osittain x} \ noin \ dfrac {\ Delta p} {\ Delta x} = \ dfrac {p_ {i + 1, j} -p_ {i-1, j}} {2 \ Delta x_ {i, j}} $$

    missä $ i, j $ ovat ruudukkoindeksit dollareissa $ x, y $. Tässä esimerkissä käytettiin avaruudessa keskitettyjä äärellisiä eroja. Osittaisten johdannaisten diskretisoimiseksi on monia muita menetelmiä, ja nykyaikaisissa malleissa käytetyt menetelmät ovat tyypillisesti paljon kehittyneempiä kuin tämä esimerkki. Jos ruudukkoväli ei ole tasainen, on käytettävä äärellisiä tilavuusmenetelmiä, jos ennustettu kvantitatiivisuus halutaan säilyttää. Rajaelementtimenetelmät ovat yleisempiä laskennallisissa nestedynamiikan ongelmissa, jotka on määritelty rakentamattomille silmille tekniikassa, mutta niitä voidaan käyttää myös ilmakehän ja valtamerien ratkaisijoihin. Spektraalimenetelmiä käytetään joissakin globaaleissa malleissa, kuten GFS ja ECMWF.

  4. Ruudukon mittakaavassa (termi $ \ Phi $) ratkaisemattomat prosessit toteutetaan parametrisointimenetelmien muodossa. Parametroidut prosessit voivat sisältää turbulenssin ja rajakerroksen sekoittumisen, kumpupään konvektion, pilvimikrofysiikan, säteilyn, maaperän fysiikan, kemiallisen koostumuksen jne.. Kaikille edellä luetelluille fyysisille prosesseille on olemassa monia erilaisia ​​järjestelmiä. Jotkut toimivat paremmin kuin toiset erilaisissa sääskenaarioissa.

  5. Kun kaikki yhtälöiden termit on diskretisoitu paperille, erilliset yhtälöt kirjoitetaan tietokoneen muodossa. koodi. Suurin osa ilmakehän, valtameren kierrosta ja aaltomalleista on kirjoitettu Fortranissa. Tämä johtuu lähinnä historiallisista syistä - Fortranilla oli pitkä historia, ja hänellä oli ylellisyyttä saada hyvin kypsiä kääntäjiä ja hyvin optimoituja lineaarisia algebrakirjastoja. Nykyään, kun käytettävissä on erittäin tehokkaita C-, C ++- ja Fortran-kääntäjiä, kyse on enemmän mieltymyksistä. Fortran-koodi on kuitenkin edelleen yleisin ilmakehän ja valtamerien mallinnuksessa, jopa äskettäin aloitetuissa projekteissa. Lopuksi esimerkkikoodirivi yllä olevalle paineen gradienttitermille näyttäisi tältä:

      dpdx (i, j, k) = 0.5 * (p (i + 1, j, k) - p (i-1, j, k)) / dx (i, j)  

    Koko koodi käännetään konekieleksi, joka ladataan sitten prosessorille. Malliohjelma ei tyypillisesti ole käyttäjäystävällinen hienon graafisen käyttöliittymän kanssa - se suoritetaan yleisimmin tyhmistä päätelaitteista korkean suorituskyvyn moniprosessoriryhmissä.

  6. Kun ohjelma on aloitettu, se siirtyy huomaamattomasti tulevaisuuteen. Lasketut arvot tilamuuttujille jokaisessa ruudukkopisteessä tallennetaan ulostulotiedostoon, yleensä joka tunti (simulointiaika). Tulostustiedostot voidaan sitten lukea visualisointi- ja grafiikkaohjelmilla tuottaa kauniita kuvia malliennusteesta. Näitä käytetään sitten ennustajille ohjeellisen ja kohtuullisen ennusteen antamiseen.

Pidän tästä vastauksesta niin paljon! Se on ytimekäs, mutta myös täydellinen.
#3
+12
gerrit
2014-04-16 02:11:19 UTC
view on stackexchange narkive permalink

Tämä ei ole täydellinen vastaus. Yksi säämallien osa koostuu tietojen assimilaatiosta tai 4D-var.

Olen samaa mieltä siitä, että ne ovat hämmästyttäviä, ja kysymykseen miten he työskentelevät on liian laaja, jotta niihin ei voida vastata. Joten suosittelen, että luet tietojen assimilaation ja erityisesti 4D-Varin. Käsitteet ovat jonkin verran samanlaisia ​​käänteisessä teoriassa, mutta niiden ulottuvuus on paljon suurempi. Pienessä pähkinänkuoressa:

  • Mallissa on jokaisessa vaiheessa ja ruudukossa tausta , joka koostuu viimeisimmistä tiedoista, jotka sillä on koko ilmakehästä (ja merestä! ). Tämä on valtava määrä tietoa.
  • Sitten se syöttää noin kuuden tunnin välein ison osan mittauksista. Se käyttää Bayesin menetelmää (katso yllä oleva 4D-Var-linkki) yhdistääkseen taustan ja mittaukset uuden arvion tekemiseen ilmakehän tilasta.
  • Mittaukset ovat, luonnollisesti saatavilla vain nykyisyydelle ja menneisyydelle. Loppuosa on periaatteessa ekstrapolointia. Mutta hyvän arvion saamiseksi malliajo alkaa jonkin aikaa aiemmin; joten ennusteen ensimmäinen osa on tosiasiallisesti menneisyyttä tai nykyisyyttä (ne eivät näytä sinulle yhtä malleissa ;-).

Ei voi mennä yksityiskohtiin, mutta totta, ne ovat hämmästyttäviä!

#4
+8
Tom Au
2014-04-16 17:57:07 UTC
view on stackexchange narkive permalink

Sään malleja ja ennusteita ohjaavat differentiaaliyhtälöjärjestelmät. Aloitetaan syy-muuttujien nykyisistä tasoista tai arvoista: lämpötila, kosteus, ilmanpaine jne. On myös otettava huomioon näiden muuttujien "johdannaiset" tai muutosnopeudet. Tästä syystä tarvitaan differentiaaliyhtälöitä, jotka sisältävät sekä muuttujat että niiden johdannaiset selittääkseen erilaisia ​​"aalto" -ilmiöitä, kuten lämpö, ​​valo ja ääni jne. maan ennustaminen, sään ennustaminen on edelleen noppaa, koska muuttujat ovat ilmeisen "satunnaisia". (Jotkut niistä ovat todella satunnaisia, toiset selitetään paremmin ajan myötä.) "Viipaloimalla ja leikkaamalla" muuttujia (ja hyödyntämällä aiempia kokemuksia, sääennusteet ovat hitaasti, mutta varmasti tarkentuneet ajan myötä suuremmissa tiloissa. Lisääntynyt laskentateho on myös auttoi. (Tarkempien ennusteiden pidentäminen on hankalampaa, koska liikkuvia osia on edelleen liian paljon.) Toistaiseksi näyttää siltä, ​​että meillä olevat työkalut ovat "pudotus ämpäriin" verrattuna maapallo ja maailmankaikkeus (jotkut säämallit voivat johtua planeettojen välisessä avaruudessa tapahtuvista asioista), joten on todella hämmästyttävää, että voimme usein tuottaa enemmän tai vähemmän tarkkoja sääennusteita.



Tämä Q & A käännettiin automaattisesti englanniksi.Alkuperäinen sisältö on saatavilla stackexchange-palvelussa, jota kiitämme cc by-sa 3.0-lisenssistä, jolla sitä jaetaan.
Loading...