Атмосферная модель - Atmospheric model

96-часовой прогноз 850 мбар геопотенциальная высота и температура от Глобальная система прогнозов

An атмосферная модель это математическая модель построенный вокруг полного набора примитивный динамические уравнения которые управляют атмосферными движениями. Эти уравнения можно дополнить параметризации за бурный диффузия радиация, влажные процессы (облака и осадки ), Теплообмен, почва, растительность, поверхностные воды, кинематический эффекты местность, и конвекция. Большинство атмосферных моделей являются числовыми, то есть они дискретизируют уравнения движения. Они могут предсказывать микромасштабные явления, такие как торнадо и водовороты пограничного слоя, субмикромасштабные турбулентные потоки над зданиями, а также синоптические и глобальные потоки. Горизонтальная область модели - это либо Глобальный, охватывая всю земной шар, или же региональный (ограниченная площадь), покрывая только часть Земли. Различные типы моделей являются термотропными, баротропный, гидростатический и негидростатический. Некоторые типы моделей делают предположения об атмосфере, что удлиняет используемые временные шаги и увеличивает скорость вычислений.

Прогнозы рассчитываются с использованием математических уравнений физики и динамики атмосферы. Эти уравнения нелинейны и не могут быть решены точно. Таким образом, численные методы позволяют получать приближенные решения. В разных моделях используются разные методы решения. Глобальные модели часто используют спектральные методы для горизонтальных размеров и конечно-разностные методы для вертикального измерения, тогда как региональные модели обычно используют конечно-разностные методы во всех трех измерениях. Для определенных мест, статистика вывода модели использовать климатическую информацию, вывод численный прогноз погоды, а текущие приземные наблюдения за погодой для разработки статистических соотношений, которые учитывают систематические ошибки модели и проблемы с разрешением.

Типы

Основное предположение, сделанное термотропный модель заключается в том, что в то время как величина термический ветер может измениться, его направление не меняется по высоте, и поэтому бароклинность в атмосфере можно смоделировать с помощью 500мб (15 дюйм рт. ст. ) и 1000 мб (30 дюймов рт. ст.) геопотенциальная высота поверхности и средний тепловой ветер между ними.[1][2]

Баротропный модели предполагают, что атмосфера почти баротропный, что означает, что направление и скорость геострофический ветер не зависят от высоты. Другими словами, нет вертикали сдвиг ветра геострофического ветра. Это также означает, что изолинии толщины (прокси для температуры) параллельны контурам высоты верхнего уровня. В такой атмосфере высоко и области низкого давления являются очагами аномалий тепла и холода. Высокие частоты с теплым ядром (например, субтропический хребет и высокие Бермудско-Азорские острова) и холодные минимумы имеют усиление ветров с высотой, с обратным верно для максимумов с холодным ядром (мелкие арктические максимумы) и с минимумами с теплым ядром (например, тропические циклоны ).[3] Баротропная модель пытается решить упрощенную форму атмосферная динамика исходя из предположения, что атмосфера в геострофический баланс; то есть, что Число Россби воздуха в атмосфере мало.[4] Если предположить, что атмосфера без расхождения, то завиток из Уравнения Эйлера сводится к уравнение баротропной завихренности. Последнее уравнение можно решить для одного слоя атмосферы. Поскольку атмосфера на высоте примерно 5,5 км (3,4 мили) в основном не имеет расходимостей, баротропная модель лучше всего приближает состояние атмосферы на геопотенциальная высота соответствует этой высоте, которая соответствует поверхности давления атмосферы в 500 мбар (15 дюймов рт. ст.).[5]

Гидростатический модели отфильтровать вертикально движущиеся акустические волны из уравнения вертикального импульса, что значительно увеличивает временной шаг, используемый в прогоне модели. Это известно как гидростатическое приближение. Гидростатические модели используют давление или сигма-давление вертикальные координаты. Координаты давления пересекают топографию, в то время как сигма-координаты следуют контуру земли. Его гидростатическое предположение является разумным, пока горизонтальное разрешение сетки не является малым, что является масштабом, где гидростатическое предположение не работает. Модели, в которых используется полное уравнение вертикального импульса, известны как негидростатический. Негидростатическая модель может быть решена анупругим образом, то есть она решает все уравнение неразрывности для воздуха предполагается, что он несжимаемый или упруго, что означает, что он решает полное уравнение неразрывности для воздуха и является полностью сжимаемым. В негидростатических моделях в качестве вертикальных координат используется высота или сигма-высота. Координаты высоты могут пересекать сушу, в то время как координаты сигма-высоты повторяют контуры суши.[6]

История

Основная панель управления ENIAC на Школа электротехники Мура
Основная статья: История численного прогноза погоды

В история численного прогноза погоды началось в 1920-х годах усилиями Льюис Фрай Ричардсон кто использовал процедуры, разработанные Вильгельм Бьеркнес.[7][8] Так было до появления компьютеров и компьютерное моделирование это время вычислений было сокращено до меньшего, чем сам период прогноза. ENIAC создал первые компьютерные прогнозы в 1950 году,[5][9] а более мощные компьютеры позже увеличили размер исходных наборов данных и включили более сложные версии уравнений движения.[10] В 1966 г. Западная Германия и Соединенные Штаты начали составлять операционные прогнозы на основе примитивное уравнение моделей, за которыми последовали Великобритания в 1972 году и Австралия в 1977 году.[7][11] Развитие глобального модели прогнозирования привели к первым климатическим моделям.[12][13] Разработка моделей ограниченного района (регионов) способствовала прогрессу в прогнозировании траекторий тропический циклон а также качество воздуха в 1970-1980-х гг.[14][15]

Поскольку вывод прогнозных моделей на основе атмосферная динамика требует исправлений у земли, статистика вывода модели (MOS) были разработаны в 1970-х и 1980-х годах для индивидуальных прогнозные точки (локации).[16][17] Даже с ростом мощности суперкомпьютеров умение прогнозировать численных моделей погоды распространяется только примерно на две недели в будущее, поскольку плотность и качество наблюдений вместе с хаотичный характер уравнения в частных производных используется для расчета прогноза - вводит ошибки, которые удваиваются каждые пять дней.[18][19] Использование ансамблевых прогнозов моделей с 1990-х годов помогает определить неопределенность прогнозов и расширить прогноз погоды дальше в будущее, чем это возможно в противном случае.[20][21][22]

Инициализация

А WP-3D Орион самолет-разведчик погоды в полете

В атмосфера это жидкость. Таким образом, идея численного прогноза погоды состоит в том, чтобы взять образец состояния жидкости в заданное время и использовать уравнения динамика жидкостей и термодинамика чтобы оценить состояние жидкости в какой-то момент в будущем. На суше карты местности, доступные с разрешением до 1 километра (0,62 мили) во всем мире, используются для помощи в моделировании атмосферной циркуляции в регионах с неровной топографией, чтобы лучше отображать такие особенности, как нисходящие ветры, горные волны и связанную с ними облачность, которая влияет на поступающую солнечную радиацию.[23] Основными данными, получаемыми от метеорологических служб страны, являются приземные наблюдения с автоматизированных метеостанции на уровне земли над сушей и с метеорологических буев в море. В Всемирная метеорологическая организация действует по стандартизации оборудования, практики наблюдений и времени проведения этих наблюдений во всем мире. Станции отчитываются ежечасно в METAR отчеты,[24] или каждые шесть часов в СИНОП отчеты.[25] Модели инициализирован используя эти наблюдаемые данные. Наблюдения с нерегулярным интервалом обрабатываются ассимиляция данных и методы объективного анализа, которые осуществляют контроль качества и получают значения в точках, используемых математическими алгоритмами модели. Сетка, используемая для глобальных моделей: геодезический или же икосаэдр, разнесенные по широте, долготе и высоте.[26] Затем данные используются в модели в качестве отправной точки для прогноза.[27]

Для сбора данных наблюдений для использования в численных моделях используются различные методы. Запуск сайтов радиозонды, которые поднимаются через тропосфера и хорошо в стратосфера.[28] Информация из метеорологические спутники используется там, где традиционные источники данных недоступны. Торговля обеспечивает отчеты пилотов по маршрутам самолетов[29] и судовые отчеты по морским маршрутам.[30] Исследовательские проекты используют самолет-разведчик для полетов в интересующие погодные системы и вокруг них, такие как тропические циклоны.[31][32] Самолеты-разведчики также летают над открытыми океанами в холодное время года в системы, которые вызывают значительную неопределенность в прогнозах или, как ожидается, будут иметь сильное воздействие на 3–7 дней в будущем над континентом, находящимся ниже по течению.[33] Морской лед начал использоваться в прогнозных моделях в 1971 году.[34] Усилия по привлечению температура поверхности моря Инициализация модели началась в 1972 году из-за ее роли в изменении погоды в высоких широтах Тихого океана.[35]

Вычисление

Пример 500 мбар геопотенциальная высота прогноз на основе численной модели прогнозирования погоды.
Суперкомпьютеры могут запускать очень сложные модели, чтобы помочь ученым лучше понять климат Земли.

Модель - это компьютерная программа, которая производит метеорологический информация для будущего времени в заданном месте и на заданной высоте. В любой модели есть система уравнений, известная как примитивные уравнения, используется для прогнозирования будущего состояния атмосферы.[36] Эти уравнения инициализируются на основе данных анализа, и определяются скорости изменения. Эти темпы изменения предсказывают состояние атмосферы на короткое время в будущем, с каждым шагом времени, известным как временной шаг. Затем уравнения применяются к этому новому состоянию атмосферы, чтобы найти новые скорости изменения, и эти новые скорости изменения предсказывают состояние атмосферы в еще более отдаленном будущем. Шаг по времени повторяется до тех пор, пока раствор не достигнет желаемого времени прогноза. Длина временного шага, выбранного в модели, связана с расстоянием между точками на расчетной сетке и выбирается для поддержания числовая стабильность.[37] Временные шаги для глобальных моделей составляют порядка десятков минут,[38] в то время как временные шаги для региональных моделей составляют от одной до четырех минут.[39] Глобальные модели запускаются в разное время в будущем. В УКМЕТ Единая модель запускается на шесть дней в будущее,[40] то Европейский центр среднесрочных прогнозов погоды модель рассчитана на 10 дней вперед,[41] в то время как Глобальная система прогнозов модель, управляемая Центр экологического моделирования выполняется на 16 дней в будущее.[42]

Используемые уравнения: нелинейный уравнения в частных производных, которые невозможно решить точно аналитическими методами,[43] за исключением нескольких идеализированных случаев.[44] Таким образом, численные методы позволяют получать приближенные решения. В разных моделях используются разные методы решения: некоторые глобальные модели используют спектральные методы для горизонтальных размеров и методы конечных разностей для вертикального измерения, в то время как региональные модели и другие глобальные модели обычно используют конечно-разностные методы во всех трех измерениях.[43] Визуальный результат, создаваемый модельным решением, известен как прогнозная карта, или же прога.[45]

Параметризация

Основная статья: Параметризация (климат)

Ячейки сетки моделей погоды и климата имеют стороны от 5 километров (3,1 мили) до 300 километров (190 миль). Типичный кучевое облако имеет масштаб менее 1 километра (0,62 мили), и для его физического представления уравнениями движения жидкости потребуется сетка даже более мелкого размера. Следовательно, процессы, которые такие облака представляют являются параметризованный, процессами различной сложности. В самых ранних моделях, если столб воздуха в сетке модели был нестабильным (т. Е. Нижний слой был теплее верхнего), он переворачивался, и воздух в этом вертикальном столбце перемешивался. Более сложные схемы добавляют улучшения, учитывая, что только некоторые части коробки могут собирать и что происходит увлечение и другие процессы. Погодные модели, которые имеют ячейки сетки со сторонами от 5 км (3,1 мили) до 25 км (16 миль), могут явно представлять конвективные облака, хотя их все еще необходимо параметризовать. микрофизика облаков.[46] Формирование крупномасштабных (слоистый -типа) облака более физически обоснованы, они образуются, когда относительная влажность достигает некоторого заданного значения. Тем не менее, необходимо учитывать процессы субсетевого масштаба. Вместо того чтобы предполагать, что облака образуются при относительной влажности 100%, фракция облачности может быть связано с критической относительной влажностью 70% для слоистых облаков и 80% или выше для кучевых облаков,[47] отражая изменение масштаба подсетки, которое могло бы произойти в реальном мире.

Количество солнечной радиации, достигающей уровня земли в пересеченной местности или из-за переменной облачности, параметризуется, поскольку этот процесс происходит в молекулярном масштабе.[48] Кроме того, размер сетки моделей велик по сравнению с фактическим размером и неровностью облаков и топографии. Учитывается угол наклона Солнца, а также влияние нескольких облачных слоев.[49] Тип почвы, тип растительности и влажность почвы определяют, сколько радиации идет на потепление и сколько влаги попадает в прилегающую атмосферу. Таким образом, их важно параметризовать.[50]

Домены

Горизонтальная область модели - это либо Глобальный, покрывающего всю Землю, или региональный, покрывая только часть Земли. Региональные модели также известны как ограниченная площадь модели или LAM. В региональных моделях используется более мелкий интервал сетки для явного разрешения метеорологических явлений меньшего масштаба, поскольку их меньшая область уменьшает вычислительные потребности. Региональные модели используют совместимую глобальную модель для начальных условий границы своей области. Неопределенность и ошибки в LAM вносятся в глобальную модель, используемую для граничных условий границы региональной модели, а также при создании граничных условий для самих LAM.[51]

Вертикальная координата обрабатывается различными способами. В некоторых моделях, например в модели Ричардсона 1922 года, используется геометрическая высота () как вертикальную координату. Более поздние модели заменили геометрические координаты с системой координат давления, в которой геопотенциальные высоты поверхностей постоянного давления становятся зависимые переменные, значительно упрощая примитивные уравнения.[52] Это следует из того, что давление уменьшается с высотой через Атмосфера Земли.[53] Первая модель, используемая для оперативных прогнозов, однослойная баротропная модель, использовала одну координату давления на уровне 500 миллибар (15 дюймов ртутного столба),[5] и поэтому был по существу двумерным. Модели с высоким разрешением, также называемые мезомасштабные модели-такой как Модель исследования и прогнозирования погоды обычно используют нормализованные координаты давления, называемые сигма координаты.[54]

Глобальные версии

Некоторые из наиболее известных глобальных числовых моделей:

Региональные версии

Некоторые из наиболее известных региональных численных моделей:

  • WRF В Модель исследования и прогнозирования погоды был разработан совместно NCEP, NCAR и сообществом метеорологических исследований. WRF имеет несколько конфигураций, в том числе:
    • WRF-NMM Негидростатическая мезомасштабная модель WRF - это основная модель краткосрочного прогноза погоды для США, заменяющая модель Eta.
    • WRF-ARW Расширенные исследования WRF, разработанные в основном в США. Национальный центр атмосферных исследований (НКАР)
  • NAM Термин «Североамериканская мезомасштабная модель» относится к любой региональной модели. NCEP работает на территории Северной Америки. NCEP начал использовать эту систему обозначений в январе 2005 года. С января 2005 года по май 2006 года модель Eta использовала это обозначение. Начиная с мая 2006 года NCEP начал использовать WRF-NMM в качестве оперативного NAM.
  • RAMS то Региональная система атмосферного моделирования разработан в Государственный университет Колорадо для численного моделирования атмосферной метеорологии и других явлений окружающей среды в масштабах от метров до сотен километров - теперь поддерживается в открытом доступе
  • MM5 В Пятое поколение мезомасштабной модели штата Пенсильвания / NCAR
  • ARPS Продвинутая система прогнозирования регионов, разработанная в Университет Оклахомы представляет собой комплексную многомасштабную негидростатическую систему моделирования и прогнозирования, которую можно использовать для прогнозирования погоды в региональном масштабе вплоть до моделирования и прогнозирования в масштабе торнадо. Усвоение расширенных радиолокационных данных для прогнозирования грозы является ключевой частью системы.
  • HIRLAM Модель с ограниченным районом высокого разрешения, разработана европейским исследовательским консорциумом ЧПП. HIRLAM софинансируется 10 европейскими метеорологическими службами. Мезомасштабная модель HIRLAM известна как HARMONIE и разработана в сотрудничестве с консорциумами Meteo France и ALADIN.
  • GEM-LAM Global Environmental Multiscale Limited Area Model, GEM с высоким разрешением 2,5 км (1,6 мили) от Метеорологическая служба Канады (МСК)
  • Аладин Гидростатическая и негидростатическая модель с высоким разрешением и ограниченной площадью, разработанная и эксплуатируемая несколькими странами Европы и Северной Африки под руководством Météo-France.[40]
  • КОСМО Модель COSMO, ранее известная как LM, aLMo или LAMI, представляет собой негидростатическую модель ограниченной площади, разработанную в рамках Консорциума маломасштабного моделирования (Германия, Швейцария, Италия, Греция, Польша, Румыния и Россия). .[55]
  • Мезо-NH Модель Meso-NH[56] представляет собой негидростатическую модель ограниченной площади, разработанную совместно Национальным исследовательским центром метеорологических исследований и Лабораторией аэрологии (Франция, Тулуза) с 1998 года.[57] Его применение - от мезомасштабных до сантиметровых масштабов моделирования погоды.

Статистика вывода модели

Основная статья: Статистика вывода модели

Поскольку модели прогнозов, основанные на уравнениях динамики атмосферы, не могут полностью определить погодные условия вблизи земли, были разработаны статистические поправки, чтобы попытаться решить эту проблему. Статистические модели были созданы на основе трехмерных полей, созданных численными моделями погоды, приземных наблюдений и климатологических условий для конкретных мест. Эти статистические модели в совокупности называются статистика вывода модели (MOS),[58] и были разработаны Национальная служба погоды для своего набора моделей прогнозирования погоды.[16] В ВВС США к 1983 году разработал собственный набор МОП на основе своей динамической модели погоды.[17]

Статистика выпуска модели отличается от идеальная прога метод, который предполагает, что результаты численного прогноза погоды идеальны.[59] MOS может корректировать локальные эффекты, которые не могут быть разрешены моделью из-за недостаточного разрешения сетки, а также смещения модели. Параметры прогноза в MOS включают максимальные и минимальные температуры, процентную вероятность дождя в течение нескольких часов, ожидаемое количество осадков, вероятность того, что осадки будут заморожены в природе, вероятность гроз, облачность и приземный ветер.[60]

Приложения

Климатическое моделирование

Основные статьи: Климатическая модель и Модель общей циркуляции

В 1956 году Норман Филлипс разработал математическую модель, которая реалистично отображала месячные и сезонные закономерности в тропосфере. Это был первый успешный климатическая модель.[12][13] Затем несколько групп начали работать над созданием модели общей циркуляции.[61] Первая модель климата общей циркуляции объединила океанические и атмосферные процессы и была разработана в конце 1960-х гг. Лаборатория геофизической гидродинамики, компонент США Национальное управление океанических и атмосферных исследований.[62] К началу 1980-х годов США Национальный центр атмосферных исследований разработал модель атмосферы сообщества (CAM), которая может работать сама по себе или как атмосферный компонент Модель климатической системы сообщества. Последнее обновление (версия 3.1) автономного CAM было выпущено 1 февраля 2006 г.[63][64][65] В 1986 году начались работы по инициализации и моделированию типов почвы и растительности, что привело к более реалистичным прогнозам.[66] Связанные климатические модели океана и атмосферы, такие как Центр климатических прогнозов и исследований Хэдли с HadCM3 модели, используются в качестве входных данных для изменение климата исследования.[61]

Моделирование ограниченной площади

Распространение модели с Ураган Эрнесто (2006) в рамках моделей ограниченной территории Национального центра ураганов

Прогнозы загрязнения воздуха зависят от атмосферных моделей, чтобы обеспечить поток жидкости информация для отслеживания движения загрязняющих веществ.[67] В 1970 году частная компания в США разработала региональную модель урбанистического аэродрома (UAM), которая использовалась для прогнозирования воздействия загрязнения воздуха и кислотный дождь. В середине-конце 1970-х гг. Агентство по охране окружающей среды США взяла на себя разработку UAM, а затем использовала результаты регионального исследования загрязнения воздуха для его улучшения. Хотя UAM был разработан для Калифорния, он использовался в 1980-х годах в других странах Северной Америки, Европы и Азии.[15]

Модель Movable Fine-Mesh, которая начала работать в 1978 году, была первой модель прогноза тропических циклонов быть основанным на атмосферная динамика.[14] Несмотря на постоянно совершенствующееся руководство динамической моделью, которое стало возможным за счет увеличения вычислительной мощности, только в 1980-х годах численное прогнозирование погоды (ЧПП) показало навык в прогнозировании следа тропических циклонов. И только в 1990-х годах ЧПП стабильно превосходила статистический или простые динамические модели.[68] Прогнозирование интенсивности тропических циклонов с помощью ЧПП также было сложной задачей. По состоянию на 2009 год динамическое руководство оставалось менее эффективным, чем статистические методы.[69]

Смотрите также

Рекомендации

  1. ^ Гейтс, У. Лоуренс (август 1955 г.). Результаты численного прогнозирования с использованием баротропных и термотропных моделей атмосферы. База ВВС Хэнском: Кембриджские исследовательские лаборатории ВВС США.
  2. ^ Томпсон, П. Д .; У. Лоуренс Гейтс (апрель 1956 г.). «Тест численных методов прогнозирования на основе баротропной и двухпараметрической бароклинной моделей». Журнал метеорологии. 13 (2): 127–141. Bibcode:1956JAtS ... 13..127T. Дои:10.1175 / 1520-0469 (1956) 013 <0127: ATONPM> 2.0.CO; 2. ISSN  1520-0469.
  3. ^ Уоллес, Джон М. и Питер В. Хоббс (1977). Наука об атмосфере: вводный обзор. Academic Press, Inc., стр. 384–385. ISBN  978-0-12-732950-5.
  4. ^ Маршалл, Джон; Пламб, Р. Алан (2008). «Сбалансированный поток». Атмосфера, океан и динамика климата: вводный текст. Амстердам: Elsevier Academic Press. С. 109–12. ISBN  978-0-12-558691-7.
  5. ^ а б c Чарни, Джул; Фьёртофт, Рагнар; фон Нейман, Джон (Ноябрь 1950 г.). «Численное интегрирование уравнения баротропной завихренности». Скажи нам. 2 (4): 237–254. Bibcode:1950TellA ... 2..237C. Дои:10.3402 / tellusa.v2i4.8607.
  6. ^ Джейкобсон, Марк Захари (2005). Основы атмосферного моделирования. Издательство Кембриджского университета. С. 138–143. ISBN  978-0-521-83970-9.
  7. ^ а б Линч, Питер (2008-03-20). «Истоки компьютерного прогнозирования погоды и моделирования климата» (PDF). Журнал вычислительной физики. 227 (7): 3431–44. Bibcode:2008JCoPh.227.3431L. Дои:10.1016 / j.jcp.2007.02.034. Архивировано из оригинал (PDF) на 2010-07-08. Получено 2010-12-23.
  8. ^ Линч, Питер (2006). «Прогноз погоды с помощью числового процесса». Появление численного прогноза погоды. Издательство Кембриджского университета. С. 1–27. ISBN  978-0-521-85729-1.
  9. ^ Кокс, Джон Д. (2002). Наблюдатели за бурей. John Wiley & Sons, Inc. стр.208. ISBN  978-0-471-38108-2.
  10. ^ Харпер, Кристина; Уччеллини, Луи В .; Калнай, Евгения; Кэри, Кеннет; Морон, Лорен (май 2007 г.). "2007: 50 лет оперативному численному прогнозированию погоды". Бюллетень Американского метеорологического общества. 88 (5): 639–650. Bibcode:2007BAMS ... 88..639H. Дои:10.1175 / БАМС-88-5-639.
  11. ^ Лесли, L.M .; Дитахмейер, Г.С. (декабрь 1992 г.). «Численное прогнозирование погоды в ограниченной области в реальном времени в Австралии: историческая перспектива» (PDF). Австралийский метеорологический журнал. Бюро метеорологии. 41 (SP): 61–77. Получено 2011-01-03.
  12. ^ а б Норман А. Филлипс (апрель 1956 г.). «Общая циркуляция атмосферы: численный эксперимент» (PDF). Ежеквартальный журнал Королевского метеорологического общества. 82 (352): 123–154. Bibcode:1956QJRMS..82..123P. Дои:10.1002 / qj.49708235202.
  13. ^ а б Джон Д. Кокс (2002). Наблюдатели за бурей. John Wiley & Sons, Inc. стр.210. ISBN  978-0-471-38108-2.
  14. ^ а б Шуман, Фредерик Г. (Сентябрь 1989 г.). «История численного прогноза погоды в Национальном метеорологическом центре». Погода и прогнозирование. 4 (3): 286–296. Bibcode:1989Вт для ... 4..286С. Дои:10.1175 / 1520-0434 (1989) 004 <0286: HONWPA> 2.0.CO; 2. ISSN  1520-0434.
  15. ^ а б Стейн, Д. Г. (1991). Моделирование загрязнения воздуха и его применение VIII, Том 8. Birkhäuser. С. 241–242. ISBN  978-0-306-43828-8.
  16. ^ а б Гарри Хьюз (1976). Руководство по прогнозированию выходной статистики модели. Центр экологических технических приложений ВВС США. С. 1–16.
  17. ^ а б Л. Бест, Д. Л. и С. П. Прайор (1983). Системы статистики вывода модели атмосферного обслуживания. Центр глобальной погоды ВВС. С. 1–90.
  18. ^ Кокс, Джон Д. (2002). Наблюдатели за бурей. John Wiley & Sons, Inc., стр.222–224. ISBN  978-0-471-38108-2.
  19. ^ Вейкманн, Клаус, Джефф Уитакер, Андрес Рубичек и Кэтрин Смит (2001-12-01). Использование ансамблевых прогнозов для составления улучшенных среднесрочных (3–15 дней) прогнозов погоды. Центр климатической диагностики. Проверено 16 февраля 2007.
  20. ^ Тот, Золтан; Калнай Евгения (Декабрь 1997 г.). «Ансамблевое прогнозирование в NCEP и метод селекции». Ежемесячный обзор погоды. 125 (12): 3297–3319. Bibcode:1997MWRv..125.3297T. CiteSeerX  10.1.1.324.3941. Дои:10.1175 / 1520-0493 (1997) 125 <3297: EFANAT> 2.0.CO; 2. ISSN  1520-0493.
  21. ^ «Система ансамблевого прогнозирования (EPS)». ЕЦСПП. Архивировано из оригинал 25 января 2011 г.. Получено 2011-01-05.
  22. ^ Molteni, F .; Buizza, R .; Palmer, T.N .; Петролягис, Т. (январь 1996 г.). «Система ансамблевого прогнозирования ECMWF: методология и проверка». Ежеквартальный журнал Королевского метеорологического общества. 122 (529): 73–119. Bibcode:1996QJRMS.122 ... 73M. Дои:10.1002 / qj.49712252905.
  23. ^ Стенсруд, Дэвид Дж. (2007). Схемы параметризации: ключи к пониманию численных моделей прогнозирования погоды. Издательство Кембриджского университета. п. 56. ISBN  978-0-521-86540-1.
  24. ^ Национальный центр климатических данных (2008-08-20). «Ключ к наблюдениям за приземной погодой в сводке METAR». Национальное управление океанических и атмосферных исследований. Архивировано из оригинал на 2002-11-01. Получено 2011-02-11.
  25. ^ «Формат данных SYNOP (FM-12): приземные синоптические наблюдения». UNISYS. 2008-05-25. Архивировано из оригинал 30 декабря 2007 г.
  26. ^ Квон, Дж. Х. (2007). Параллельная вычислительная гидродинамика: параллельные вычисления и их приложения: материалы конференции Parallel CFD 2006, город Пусан, Корея (15–18 мая 2006 г.). Эльзевир. п. 224. ISBN  978-0-444-53035-6.
  27. ^ "Система ассимиляции вариационных данных WRF (WRF-Var)". Университетская корпорация атмосферных исследований. 2007-08-14. Архивировано из оригинал на 2007-08-14.
  28. ^ Гаффен, Дайан Дж. (2007-06-07). «Радиозондовые наблюдения и их использование в исследованиях, связанных с SPARC». Архивировано из оригинал на 2007-06-07.
  29. ^ Баллиш, Брэдли А. и В. Кришна Кумар (2008-05-23). Исследование систематических различий в температурах самолетов и радиозондов, имеющих значение для ЧПП и исследований климата. Проверено 25 мая 2008.
  30. ^ Национальный центр буев данных (2009-01-28). "Схема ВМО судов, добровольно проводящих наблюдения (СДН)". Национальное управление океанических и атмосферных исследований. Получено 2011-02-15.
  31. ^ 403-е крыло (2011 г.). "Охотники за ураганами". 53-я эскадрилья метеорологической разведки. В архиве из оригинала 2 апреля 2006 г.. Получено 2006-03-30.
  32. ^ Ли, Кристофер (2007-10-08). «Дрон, датчики могут открыть путь в Око бури». Вашингтон Пост. Получено 2008-02-22.
  33. ^ Национальное управление океанических и атмосферных исследований (2010-11-12). «NOAA отправляет высокотехнологичный исследовательский самолет, чтобы улучшить прогнозы зимних штормов». В архиве из оригинала от 3 января 2011 г.. Получено 2010-12-22.
  34. ^ Стенсруд, Дэвид Дж. (2007). Схемы параметризации: ключи к пониманию численных моделей прогнозирования погоды. Издательство Кембриджского университета. п. 137. ISBN  978-0-521-86540-1.
  35. ^ Хоутон, Джон Теодор (1985). Глобальный климат. Архив издательства Кембриджского университета. С. 49–50. ISBN  978-0-521-31256-1.
  36. ^ Пилке, Роджер А. (2002). Мезомасштабное метеорологическое моделирование. Академическая пресса. С. 48–49. ISBN  978-0-12-554766-6.
  37. ^ Пилке, Роджер А. (2002). Мезомасштабное метеорологическое моделирование. Академическая пресса. С. 285–287. ISBN  978-0-12-554766-6.
  38. ^ Sunderam, V. S .; Г. Дик ван Альбада; Питер М. А. Слот; Дж. Дж. Донгарра (2005). Вычислительные науки - ICCS 2005: 5-я Международная конференция, Атланта, Джорджия, США, 22–25 мая 2005 г., Труды, часть 1. Springer. п. 132. ISBN  978-3-540-26032-5.
  39. ^ Цвифльхофер, Вальтер; Норберт Крайц; Европейский центр среднесрочных прогнозов погоды (2001 г.). Развитие теракомпьютеров: материалы девятого семинара ЕЦСПП по использованию высокопроизводительных вычислений в метеорологии. World Scientific. п. 276. ISBN  978-981-02-4761-4.
  40. ^ а б c Чан, Джонни С. Л. и Джеффри Д. Кеперт (2010). Глобальные перспективы тропических циклонов: от науки к смягчению последствий. World Scientific. С. 295–301. ISBN  978-981-4293-47-1.
  41. ^ Холтон, Джеймс Р. (2004). Введение в динамическую метеорологию, Том 1. Академическая пресса. п. 480. ISBN  978-0-12-354015-7.
  42. ^ Браун, Молли Э. (2008). Системы раннего предупреждения о голоде и данные дистанционного зондирования. Springer. п. 121. ISBN  978-3-540-75367-4.
  43. ^ а б Стрикверда, Джон К. (2004). Конечно-разностные схемы и уравнения в частных производных. СИАМ. С. 165–170. ISBN  978-0-89871-567-5.
  44. ^ Пилке, Роджер А. (2002). Мезомасштабное метеорологическое моделирование. Академическая пресса. п. 65. ISBN  978-0-12-554766-6.
  45. ^ Аренс, К. Дональд (2008). Основы метеорологии: приглашение в атмосферу. Cengage Learning. п. 244. ISBN  978-0-495-11558-8.
  46. ^ Нарита, Масами и Широ Омори (6 августа 2007 г.). «3.7 Улучшение прогнозов осадков с помощью оперативной негидростатической мезомасштабной модели с конвективной параметризацией Каина-Фрича и микрофизикой облаков» (PDF). 12-я конференция по мезомасштабным процессам. Американское метеорологическое общество. Получено 2011-02-15.
  47. ^ Фриерсон, Дарган (14 сентября 2000 г.). «Схема параметризации диагностического облака» (PDF). Вашингтонский университет. С. 4–5. Архивировано из оригинал (PDF) 1 апреля 2011 г.. Получено 2011-02-15.
  48. ^ Стенсруд, Дэвид Дж. (2007). Схемы параметризации: ключи к пониманию численных моделей прогнозирования погоды. Издательство Кембриджского университета. п. 6. ISBN  978-0-521-86540-1.
  49. ^ Мельникова, Ирина Н. и Александр В. Васильев (2005). Коротковолновое солнечное излучение в атмосфере Земли: расчет, наблюдение, интерпретация. Springer. С. 226–228. ISBN  978-3-540-21452-6.
  50. ^ Стенсруд, Дэвид Дж. (2007). Схемы параметризации: ключи к пониманию численных моделей прогнозирования погоды. Издательство Кембриджского университета. С. 12–14. ISBN  978-0-521-86540-1.
  51. ^ Уорнер, Томас Томкинс (2010). Численное прогнозирование погоды и климата. Издательство Кембриджского университета. п. 259. ISBN  978-0-521-51389-0.
  52. ^ Линч, Питер (2006). «Основные уравнения». Появление численного прогноза погоды. Издательство Кембриджского университета. С. 45–46. ISBN  978-0-521-85729-1.
  53. ^ Аренс, К. Дональд (2008). Основы метеорологии: приглашение в атмосферу. Cengage Learning. п. 10. ISBN  978-0-495-11558-8.
  54. ^ Янич, Зависа; Галл, Роберт; Пайл, Мэтью Э. (февраль 2010 г.). «Научная документация для NMM Solver» (PDF). Национальный центр атмосферных исследований. С. 12–13. Архивировано из оригинал (PDF) на 2011-08-23. Получено 2011-01-03.
  55. ^ Консорциум по маломасштабному моделированию. Консорциум мелкомасштабного моделирования. Проверено 13 января 2008.
  56. ^ Лак, К., Шабуро, П., Массон, В., Пинти, П., Тулет, П., Эскобар, Дж., ... и Омон, П. (2018). Обзор модели Meso-NH версии 5.4 и ее приложений. Разработка геонаучной модели, 11, 1929-1969.
  57. ^ Lafore, Jean Philippe и др. «Система моделирования атмосферы Meso-NH. Часть I: Адиабатическая формулировка и моделирование контроля». Annales geophysicae. Vol. 16. № 1. Copernicus GmbH, 1998.
  58. ^ Баум, Марша Л. (2007). Когда поражает природа: погодные катаклизмы и закон. Издательская группа «Гринвуд». п. 189. ISBN  978-0-275-22129-4.
  59. ^ Гультепе, Исмаил (2007). Туман и пограничный слой облаков: видимость и прогноз тумана. Springer. п. 1144. ISBN  978-3-7643-8418-0.
  60. ^ Барри, Роджер Грэм и Ричард Дж. Чорли (2003). Атмосфера, погода и климат. Психология Press. п. 172. ISBN  978-0-415-27171-4.
  61. ^ а б Питер Линч (2006). «Интеграции ENIAC». Появление численных прогнозов погоды: мечта Ричардсона. Издательство Кембриджского университета. п. 208. ISBN  978-0-521-85729-1. Получено 6 февраля 2018.
  62. ^ Национальное управление океанических и атмосферных исследований (22 мая 2008 г.). «Первая климатическая модель». Получено 8 января 2011.
  63. ^ "CAM 3.1 Скачать". www.cesm.ucar.edu. Получено 2019-06-25.
  64. ^ Уильям Д. Коллинз; и другие. (Июнь 2004 г.). "Описание модели атмосферы сообщества NCAR (CAM 3.0)" (PDF). Университетская корпорация атмосферных исследований. Получено 3 января 2011.
  65. ^ "МОДЕЛЬ АТМОСФЕРЫ СООБЩЕСТВА CAM3.0". Университетская корпорация атмосферных исследований. Получено 6 февраля 2018.
  66. ^ Юнкан Сюэ и Майкл Дж. Феннесси (20 марта 1996 г.). «Влияние свойств растительности на прогноз погоды в США на лето» (PDF). Журнал геофизических исследований. 101 (D3): 7419. Bibcode:1996JGR ... 101.7419X. CiteSeerX  10.1.1.453.551. Дои:10.1029 / 95JD02169. Архивировано из оригинал (PDF) 10 июля 2010 г.. Получено 6 января 2011.
  67. ^ Александр Бакланов; Аликс Расмуссен; Барбара Фэй; Эрик Берге; Сандро Финарди (сентябрь 2002 г.). «Возможности и недостатки моделей численного прогнозирования погоды в предоставлении метеорологических данных для прогнозирования загрязнения воздуха в городах». Загрязнение воды, воздуха и почвы: в центре внимания. 2 (5): 43–60. Дои:10.1023 / А: 1021394126149.
  68. ^ Джеймс Франклин (20 апреля 2010 г.). «Проверка прогнозов Национального центра ураганов». Национальный центр ураганов. В архиве из оригинала от 2 января 2011 г.. Получено 2 января 2011.
  69. ^ Эдвард Н. Раппапорт; Джеймс Л. Франклин; Ликсион А. Авила; Стивен Р. Бейг; Джон Л. Бевен II; Эрик С. Блейк; Кристофер А. Берр; Цзянь-Гво Цзин; Кристофер А. Джакинс; Ричард Д. Кнабб; Кристофер В. Ландси; Мишель Майнелли; Макс Мэйфилд; Колин Дж. Макади; Ричард Дж. Паш; Кристофер Сиско; Стейси Р. Стюарт; Ахша Н. Триббл (апрель 2009 г.). «Достижения и проблемы в Национальном центре ураганов». Погода и прогнозирование. 24 (2): 395–419. Bibcode:2009WtFor..24..395R. CiteSeerX  10.1.1.207.4667. Дои:10.1175 / 2008WAF2222128.1.

дальнейшее чтение

  • Роулстон, Ян; Норбери, Джон (2013). Невидимый во время бури: роль математики в понимании погоды. Принстон: Издательство Принстонского университета. ISBN  978-0-691-15272-1.

внешняя ссылка