Численный прогноз погоды - Numerical weather prediction

Для более широкого освещения этой темы см. Атмосферная модель.
Показана сетка для численной модели погоды. Сетка делит поверхность Земли по меридианам и параллелям и имитирует толщину атмосферы, складывая ячейки сетки вдали от центра Земли. На вставке показаны различные физические процессы, проанализированные в каждой ячейке сетки, такие как адвекция, осадки, солнечная радиация и радиационное охлаждение Земли.
Погодные модели используют системы дифференциальные уравнения основанный на законах физика, которые подробно движение жидкости, термодинамика, перенос излучения, и химия и используйте систему координат, которая делит планету на трехмерную сетку. Ветры, теплопередача, солнечная радиация, относительная влажность, фазовые переходы воды и поверхность гидрология вычисляются в каждой ячейке сетки, а взаимодействия с соседними ячейками используются для расчета свойств атмосферы в будущем.

Численный прогноз погоды (ЧПП) использует математические модели атмосферы и океанов в предсказывать погоду исходя из текущих погодных условий. Хотя первая попытка была предпринята в 1920-х годах, только с появлением компьютерное моделирование в 1950-х годах эти численные прогнозы погоды давали реалистичные результаты. В разных странах мира используется ряд глобальных и региональных моделей прогнозов с использованием текущих наблюдений за погодой, полученных от радиозонды, метеорологические спутники и другие системы наблюдений в качестве входных данных.

Математические модели, основанные на одних и тех же физических принципах, могут использоваться для создания краткосрочных прогнозов погоды или долгосрочных прогнозов климата; последние широко применяются для понимания и проектирования изменение климата. Улучшения, внесенные в региональные модели, позволили значительно улучшить тропа циклона и качество воздуха прогнозы; однако атмосферные модели плохо справляются с процессами обработки, которые происходят в относительно ограниченных областях, таких как пожары.

Для работы с огромными наборами данных и выполнения сложных вычислений, необходимых для современного численного прогнозирования погоды, требуются одни из самых мощных суперкомпьютеры в мире. Даже с ростом мощности суперкомпьютеров умение прогнозировать численных моделей погоды длится всего около шести дней. Факторы, влияющие на точность численных прогнозов, включают плотность и качество наблюдений, используемых в качестве исходных данных для прогнозов, а также недостатки самих численных моделей. Методы постобработки, такие как статистика вывода модели (MOS) были разработаны для улучшения обработки ошибок в численных прогнозах.

Более фундаментальная проблема заключается в хаотичный характер уравнения в частных производных которые управляют атмосферой. Эти уравнения невозможно решить точно, а небольшие ошибки со временем растут (удваиваются примерно каждые пять дней). Сегодняшнее понимание состоит в том, что такое хаотическое поведение ограничивает точные прогнозы примерно 14 днями даже с точными исходными данными и безупречной моделью. Кроме того, используемые в модели дифференциальные уравнения в частных производных необходимо дополнить параметризации за солнечная радиация, влажные процессы (облака и осадки ), Теплообмен, почва, растительность, поверхностные воды и влияние ландшафта. В попытке количественно оценить большой объем неотъемлемой неопределенности, остающейся в численных прогнозах, ансамблевые прогнозы используются с 1990-х годов, чтобы помочь измерить уверенность в прогнозе и получить полезные результаты в более отдаленном будущем, чем это возможно в противном случае. Этот подход анализирует несколько прогнозов, созданных с помощью отдельной модели прогноза или нескольких моделей.

История

Основная статья: История численного прогноза погоды
Основная панель управления ENIAC на Школа электротехники Мура управляется Бетти Дженнингс и Фрэнсис Билас.

В история численного прогноза погоды началось в 1920-х годах усилиями Льюис Фрай Ричардсон, который использовал процедуры, первоначально разработанные Вильгельм Бьеркнес[1] составить вручную шестичасовой прогноз состояния атмосферы над двумя точками в Центральной Европе, что займет не менее шести недель.[1][2] Так было до появления компьютеров и компьютерное моделирование это время вычислений было сокращено до меньшего, чем сам период прогноза. В ENIAC был использован для создания первых прогнозов погоды с помощью компьютера в 1950 году на основе очень упрощенного приближения к определяющим атмосферным уравнениям.[3][4] В 1954 г. Карл-Густав Россби группа в Шведский метеорологический и гидрологический институт использовали ту же модель для составления первого оперативного прогноза (т. е. обычного прогноза для практического использования).[5] Оперативное численное прогнозирование погоды в Соединенных Штатах началось в 1955 году в рамках Объединенной группы численного прогнозирования погоды (JNWPU), совместного проекта ВВС США, военно-морской и Бюро погоды.[6] В 1956 г. Норман Филлипс разработал математическую модель, которая могла бы реалистично отображать месячные и сезонные закономерности в тропосфере; это стало первым успешным климатическая модель.[7][8] После работы Филлипса несколько групп начали работать над созданием модели общей циркуляции.[9] Первая модель климата общей циркуляции, сочетающая в себе океанические и атмосферные процессы, была разработана в конце 1960-х гг. NOAA Лаборатория геофизической гидродинамики.[10]

По мере того, как компьютеры становились все более мощными, размер исходных наборов данных увеличивался и новые атмосферные модели были разработаны для использования дополнительных доступных вычислительных мощностей. Эти более новые модели включают больше физических процессов в упрощенном виде. уравнения движения в численном моделировании атмосферы.[5] В 1966 г. Западная Германия и Соединенные Штаты начали составлять операционные прогнозы на основе модели с примитивными уравнениями, затем Соединенное Королевство в 1972 году и Австралия в 1977 году.[1][11] Разработка моделей ограниченного района (регионов) способствовала прогрессу в прогнозировании траекторий тропические циклоны а также качество воздуха в 1970-1980-х гг.[12][13] К началу 1980-х годов модели начали включать взаимодействие почвы и растительности с атмосферой, что привело к более реалистичным прогнозам.[14]

Вывод прогнозных моделей на основе атмосферная динамика не может разрешить некоторые детали погоды у поверхности Земли. Таким образом, в 1970-х и 1980-х годах была разработана статистическая связь между выходными данными численной модели погоды и соответствующими условиями на земле, известная как статистика вывода модели (MOS).[15][16] Начиная с 1990-х годов, модельные ансамблевые прогнозы использовались, чтобы помочь определить неопределенность прогноза и расширить окно, в котором численное прогнозирование погоды будет жизнеспособным в более отдаленное будущее, чем это было возможно в противном случае.[17][18][19]

Инициализация

Самолет-разведчик погоды WP-3D Orion в полете.
Самолет-разведчик погоды, такой как этот WP-3D Орион, предоставить данные, которые затем используются в численных прогнозах погоды.

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. Процесс ввода данных наблюдений в модель для генерации первоначальные условия называется инициализация. На суше карты местности, доступные с разрешением до 1 километра (0,6 мили) во всем мире, используются для помощи в моделировании атмосферной циркуляции в регионах с пересеченной топографией, чтобы лучше отображать такие особенности, как нисходящие ветры, горные волны и связанная с этим облачность, которая влияет на поступающую солнечную радиацию.[20] Основными данными от метеорологических служб страны являются наблюдения с устройств (называемых радиозонды ) в метеозондах, которые измеряют различные атмосферные параметры и передают их на фиксированный приемник, а также от метеорологические спутники. В Всемирная метеорологическая организация действует по стандартизации оборудования, практики наблюдений и времени проведения этих наблюдений во всем мире. Станции отчитываются ежечасно в METAR отчеты,[21] или каждые шесть часов в СИНОП отчеты.[22] Эти наблюдения расположены неравномерно, поэтому они обрабатываются ассимиляция данных и методы объективного анализа, которые осуществляют контроль качества и получают значения в точках, используемых математическими алгоритмами модели.[23] Затем данные используются в модели в качестве отправной точки для прогноза.[24]

Для сбора данных наблюдений для использования в численных моделях используются различные методы. Сайты запускают радиозонды в метеозондах, которые поднимаются над тропосфера и хорошо в стратосфера.[25] Информация с метеорологических спутников используется там, где традиционные источники данных недоступны. Торговля обеспечивает отчеты пилотов по маршрутам самолетов[26] и судовые отчеты по морским маршрутам.[27] Исследовательские проекты используют самолет-разведчик для полетов в интересующие погодные системы и вокруг них, такие как тропические циклоны.[28][29] Самолеты-разведчики также летают над открытыми океанами в холодное время года в системы, которые вызывают значительную неопределенность в прогнозах или, как ожидается, окажут сильное воздействие на континент, расположенный ниже по течению, в течение трех-семи дней в будущем.[30] Морской лед начал использоваться в прогнозных моделях в 1971 году.[31] Усилия по привлечению температура поверхности моря Инициализация модели началась в 1972 году из-за ее роли в изменении погоды в высоких широтах Тихого океана.[32]

Вычисление

Основная статья: Атмосферная модель
Прогностическая карта Североамериканского континента предоставляет геопотенциальные высоты, температуры и скорости ветра через определенные промежутки времени. Значения взяты на высоте, соответствующей поверхности давления 850 миллибар.
А прогнозная карта 96-часового прогноза 850 мбар геопотенциальная высота и температура от Глобальная система прогнозов

Модель атмосферы - это компьютерная программа, которая производит метеорологический информация для будущего времени в заданном месте и на заданной высоте. В любой современной модели есть система уравнений, известная как примитивные уравнения, используется для прогнозирования будущего состояния атмосферы.[33] Эти уравнения вместе с закон идеального газа - используются для развития плотность, давление, и потенциальная температура скалярные поля и воздух скорость (ветер) векторное поле атмосферы во времени. Дополнительные уравнения переноса загрязняющих веществ и др. аэрозоли включены также в некоторые модели высокого разрешения с примитивными уравнениями.[34] Используемые уравнения: нелинейный уравнения в частных производных, которые невозможно решить точно аналитическими методами,[35] за исключением нескольких идеализированных случаев.[36] Таким образом, численные методы позволяют получать приближенные решения. В разных моделях используются разные методы решения: некоторые глобальные модели и почти все региональные модели используют методы конечных разностей для всех трех пространственных измерений, в то время как другие глобальные модели и несколько региональных моделей используют спектральные методы для горизонтальных размеров и конечно-разностных методов по вертикали.[35]

Эти уравнения инициализируются на основе данных анализа, и определяются скорости изменения. Эти темпы изменения предсказывают состояние атмосферы на короткое время в будущем; приращение времени для этого прогноза называется шаг времени. Это будущее состояние атмосферы затем используется в качестве отправной точки для другого применения прогнозных уравнений, чтобы найти новые скорости изменения, и эти новые скорости изменения предсказывают атмосферу на еще одном временном шаге в будущее. Это изменение времени повторяется, пока решение не достигнет желаемого времени прогноза. Длина временного шага, выбранного в модели, связана с расстоянием между точками на расчетной сетке и выбирается для поддержания численная стабильность.[37] Временные шаги для глобальных моделей составляют десятки 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] в то время как Европейский центр среднесрочных прогнозов погоды ' Интегрированная система прогнозов и Environment Canada с Глобальная многомасштабная модель окружающей среды оба истекают через десять дней в будущее,[41] и Глобальная система прогнозов модель, управляемая Центр экологического моделирования запускается на шестнадцать дней в будущее.[42] Визуальный результат, создаваемый модельным решением, известен как прогнозная карта, или же прога.[43]

Параметризация

Поле кучевые облака, которые параметризованы, поскольку они слишком малы для явного включения в численный прогноз погоды.
Основная статья: Параметризация (климат)

Некоторые метеорологические процессы являются слишком мелкомасштабными или слишком сложными, чтобы их можно было явно включить в численные модели прогнозирования погоды. Параметризация представляет собой процедуру для представления этих процессов, связывая их с переменными в масштабах, которые разрешает модель. Например, ячейки сетки в моделях погоды и климата имеют стороны длиной от 5 километров (3 миль) до 300 километров (200 миль). Типичный кучевое облако имеет масштаб менее 1 километра (0,6 мили), и для его физического представления уравнениями движения жидкости потребуется сетка даже более мелкого размера. Следовательно, процессы, которые такие облака представляют параметризованы процессами различной сложности. В самых ранних моделях, если столб воздуха в сетке модели был условно нестабильным (по сути, нижняя часть была более теплой и влажной, чем верхняя), а содержание водяного пара в любой точке внутри колонки становилось насыщенным, то он перевернулся ( теплый влажный воздух начнет подниматься), и воздух в этой вертикальной колонне перемешается. Более сложные схемы признают, что только некоторые части коробки могут собирать и это увлечение и происходят другие процессы. Погодные модели с ячейками сетки размером от 5 до 25 километров (от 3 до 16 миль) могут явно представлять конвективные облака, хотя их необходимо параметризовать. микрофизика облаков которые происходят в меньшем масштабе.[44] Формирование крупномасштабных (слоистый -тип) облака более физически обоснованы; они образуются, когда относительная влажность достигает некоторого заданного значения. Необходимо учитывать процессы субсетевого масштаба. Вместо того чтобы предполагать, что облака образуются при относительной влажности 100%, фракция облачности может быть связано с критическим значением относительной влажности менее 100%,[45] отражает изменение масштаба подсетки, которое происходит в реальном мире.

Количество солнечной радиации, достигающей земли, а также образование облачных капель происходят в молекулярном масштабе, поэтому их необходимо параметризовать, прежде чем они могут быть включены в модель. Атмосферное сопротивление производимые горами также должны быть параметризованы, так как ограничения в разрешении высота контуры приводят к значительному занижению сопротивления.[46] Этот метод параметризации также применяется для поверхностного потока энергии между океаном и атмосферой, чтобы определить реальную температуру поверхности моря и тип морского льда, находящегося у поверхности океана.[47] Учитывается угол наклона Солнца, а также влияние нескольких облачных слоев.[48] Тип почвы, тип растительности и влажность почвы - все это определяет, сколько радиации идет на потепление и сколько влаги попадает в прилегающую атмосферу, и поэтому важно параметризовать их вклад в эти процессы.[49] В моделях качества воздуха параметризации учитывают атмосферные выбросы из нескольких относительно крошечных источников (например, дороги, поля, фабрики) в определенных ячейках сетки.[50]

Домены

Показана сигма-система координат. Линии с одинаковыми значениями сигмы следуют за ландшафтом внизу и постепенно сглаживаются к верху атмосферы.
Поперечное сечение атмосферы над местностью с представлением сигма-координат. Мезомасштабные модели разделяют атмосферу по вертикали с использованием представлений, аналогичных показанному здесь.

Горизонтальный область модели либо Глобальный, покрывающего всю Землю, или региональный, покрывая только часть Земли. Региональные модели (также известные как ограниченная площадь модели, или LAM) позволяют использовать более мелкий интервал сетки, чем глобальные модели, потому что доступные вычислительные ресурсы сосредоточены на определенной области, а не распространяются по всему миру. Это позволяет региональным моделям явно разрешать мелкомасштабные метеорологические явления, которые не могут быть представлены на более грубой сетке глобальной модели. Региональные модели используют глобальную модель для определения условий на границе своей области (граничные условия ), чтобы позволить системам из-за пределов области региональной модели перемещаться в ее область. Неопределенность и ошибки в региональных моделях вносятся глобальной моделью, используемой для граничных условий границы региональной модели, а также ошибками, относящимися к самой региональной модели.[51]

Системы координат

Горизонтальные координаты

Горизонтальное положение может быть выражено непосредственно в географические координаты (широта и долгота ) для глобальных моделей или в картографическая проекция плоские координаты для региональных моделей. Немецкая метеослужба использует для своих глобальных ICON модель (икосаэдрическая негидростатическая модель глобальной циркуляции) сетка на основе правильный икосаэдр. Базовые ячейки в этой сетке представляют собой треугольники вместо четырех угловых ячеек в традиционной сетке широта-долгота. Преимущество состоит в том, что, в отличие от широты-долготы, ячейки везде на земном шаре имеют одинаковый размер. Недостатком является то, что уравнения в этой непрямоугольной сетке более сложные.

Вертикальные координаты

Вертикальная координата обрабатывается различными способами. В модели Льюиса Фрая Ричардсона 1922 года использовалась 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] Эта корреляция между системами координат может быть сделана, поскольку 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 (около 5 500 м (18 000 футов)),[3] 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] Эта система координат получила свое название от независимая переменная привыкший шкала атмосферное давление по отношению к давлению на поверхности, а в некоторых случаях также и к давлению в верхней части домена.[55]

Статистика вывода модели

Основная статья: Статистика вывода модели

Поскольку модели прогнозов, основанные на уравнениях динамики атмосферы, не могут полностью определять погодные условия, были разработаны статистические методы, чтобы попытаться исправить прогнозы. Статистические модели были созданы на основе трехмерных полей, созданных с помощью численных моделей погоды, приземных наблюдений и климатологических условий для конкретных мест. Эти статистические модели в совокупности называются статистика вывода модели (MOS),[56] и были разработаны Национальная служба погоды за набор моделей прогноза погоды в конце 1960-х годов.[15][57]

Статистика выпуска модели отличается от идеальная прога метод, который предполагает, что результаты численного прогноза погоды идеальны.[58] MOS может корректировать локальные эффекты, которые не могут быть разрешены моделью из-за недостаточного разрешения сетки, а также смещения модели. Поскольку MOS запускается по соответствующей глобальной или региональной модели, ее производство известно как постобработка. 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.[59]

Ансамбли

Основная статья: Ансамблевое прогнозирование
Показаны два изображения. На верхнем изображении показаны три потенциальных следа, которые могли быть сняты ураганом «Рита». Изолинии над побережьем Техаса соответствуют атмосферному давлению на уровне моря, предсказанному после урагана. На нижнем изображении показан ансамбль прогнозов траекторий для одного и того же урагана с помощью различных моделей погоды.
Вершина: Модель исследования и прогнозирования погоды (WRF) моделирование Ураган Рита (2005) треки. Нижний: Распространение многомодельного ансамблевого прогноза NHC.

В 1963 г. Эдвард Лоренц обнаружил хаотическая природа из динамика жидкостей уравнения, участвующие в прогнозировании погоды.[60] Чрезвычайно малые ошибки в температуре, ветре или других исходных данных числовых моделей будут усиливаться и удваиваться каждые пять дней.[60] делая невозможным для долгосрочных прогнозов - тех, которые делаются более чем на две недели - предсказать состояние атмосферы с любой степенью умение прогнозировать. Кроме того, существующие сети наблюдений имеют плохой охват в некоторых регионах (например, над большими водоемами, такими как Тихий океан), что вносит неопределенность в истинное начальное состояние атмосферы. Хотя система уравнений, известная как Уравнения Лиувилля, существует для определения начальной неопределенности при инициализации модели, уравнения слишком сложны, чтобы работать в режиме реального времени, даже с использованием суперкомпьютеров.[61] Эти неопределенности ограничивают точность модели прогноза примерно пятью или шестью днями в будущем.[62][63]

Эдвард Эпштейн в 1969 г. признал, что атмосфера не может быть полностью описана с помощью одного прогона прогноза из-за неотъемлемой неопределенности, и предложил использовать ансамбль из стохастический Моделирование Монте-Карло производить средства и отклонения для состояния атмосферы.[64] Хотя этот ранний образец ансамбля показал свое мастерство, в 1974 г. Сесил Лейт показали, что они дают адекватные прогнозы только тогда, когда ансамбль распределение вероятностей была репрезентативной выборкой вероятностного распределения в атмосфере.[65]

С 1990-х годов ансамблевые прогнозы использовались оперативно (как обычные прогнозы) для учета стохастической природы погодных процессов, то есть для разрешения присущей им неопределенности. Этот метод включает анализ нескольких прогнозов, созданных с помощью отдельной модели прогноза с использованием различных физических параметризации или меняющиеся начальные условия.[61] Начиная с 1992 г. ансамблевые прогнозы подготовлен Европейский центр среднесрочных прогнозов погоды (ЕЦСПП) и Национальные центры экологического прогнозирования ансамблевые прогнозы моделей использовались, чтобы помочь определить неопределенность прогноза и расширить окно, в котором численное прогнозирование погоды будет жизнеспособным в более отдаленном будущем, чем это возможно в противном случае.[17][18][19] Модель ECMWF, Система ансамблевого прогнозирования,[18] использует сингулярные векторы смоделировать начальный плотность вероятности, в то время как ансамбль NCEP, Глобальная система ансамблевого прогнозирования, использует метод, известный как векторное разведение.[17][19] Великобритания Метеорологический офис выполняет глобальные и региональные ансамблевые прогнозы, в которых возмущения начальных условий производятся с использованием Фильтр Калмана.[66] В Глобальную и региональную систему ансамблевого прогнозирования (MOGREPS) входят 24 члена ансамбля.

При подходе, основанном на единственной модели, ансамблевой прогноз обычно оценивается с точки зрения среднего значения отдельных прогнозов относительно одной переменной прогноза, а также степени согласия между различными прогнозами в рамках ансамблевой системы, которая представлена ​​их общим разбросом. Распространение ансамбля диагностируется с помощью таких инструментов, как диаграммы спагетти, которые показывают разброс одной величины на прогностических диаграммах для конкретных временных шагов в будущем. Другой инструмент, в котором используется ансамблевое распространение, - это метеограмма, который показывает разброс прогноза одной величины для одного конкретного местоположения. Обычно разброс по ансамблю слишком мал, чтобы включать в себя фактически имеющуюся погоду, что может привести к неверной диагностике неопределенности модели синоптиками;[67] эта проблема становится особенно серьезной для прогнозов погоды примерно на десять дней вперед.[68] Когда разброс по ансамблю невелик и решения прогноза согласованы в рамках нескольких прогонов модели, синоптики ощущают большую уверенность в среднем по ансамблю и прогнозу в целом.[67] Несмотря на такое восприятие, отношения распространения навыков часто бывает слабым или не обнаруживается, так как ошибка распространения корреляции обычно меньше 0,6, и только при особых обстоятельствах колеблется в пределах 0,6–0,7.[69] Взаимосвязь между ансамблевым распространением и умение прогнозировать существенно меняется в зависимости от таких факторов, как модель прогноза и регион, для которого делается прогноз.

Подобно тому, как многие прогнозы из одной модели могут использоваться для формирования ансамбля, несколько моделей также могут быть объединены для создания ансамблевого прогноза. Такой подход называется многомодельное ансамблевое прогнозирование, и было показано, что он улучшает прогнозы по сравнению с подходом на основе одной модели.[70] Модели в многомодельном ансамбле могут быть скорректированы с учетом их различных предубеждений. Этот процесс известен как суперсамблевое прогнозирование. Этот тип прогноза значительно снижает количество ошибок в выходных данных модели.[71]

Приложения

Моделирование качества воздуха

Смотрите также: Моделирование атмосферной дисперсии

Прогноз качества воздуха пытается предсказать, когда концентрации загрязнителей достигнут уровней, опасных для здоровья населения. Концентрация загрязняющих веществ в атмосфере определяется их транспорт, или же иметь в виду скорость движения в атмосфере, их распространение, химическое превращение, и земля отложение.[72] В дополнение к информации об источнике загрязняющих веществ и местности, эти модели требуют данных о состоянии поток жидкости в атмосфере для определения его переноса и распространения.[73] Метеорологические условия, такие как тепловые инверсии может препятствовать поднятию приземного воздуха, задерживая загрязняющие вещества у поверхности,[74] что делает точные прогнозы таких событий критически важными для моделирования качества воздуха. Для моделей качества воздуха в городах требуется очень мелкая вычислительная сетка, требующая использования мезомасштабных моделей погоды с высоким разрешением; Несмотря на это, качество числовых прогнозов погоды является основной неопределенностью в прогнозах качества воздуха.[73]

Климатическое моделирование

Смотрите также: Глобальная климатическая модель

Общая модель циркуляции (GCM) - это математическая модель которые можно использовать в компьютерном моделировании глобальной циркуляции планетного атмосфера или океан. Модель общей циркуляции атмосферы (AGCM) по сути такая же, как и модель глобального численного прогноза погоды, а некоторые (например, та, которая используется в Объединенной модели Великобритании) могут быть настроены как для краткосрочных прогнозов погоды, так и для долгосрочных прогнозов климата. . Вместе с морской лед компоненты поверхности суши, AGCM и океанические GCM (OGCM) являются ключевыми компонентами глобальных климатических моделей и широко применяются для понимания климат и проектирование изменение климата. Что касается аспектов изменения климата, в модели климата можно ввести ряд сценариев антропогенных выбросов, чтобы увидеть, как парниковый эффект изменит климат Земли.[75] Версии, предназначенные для климатических приложений с временными шкалами от десятилетий до столетий, были первоначально созданы в 1969 г. Сюкуро Манабэ и Кирк Брайан на Лаборатория геофизической гидродинамики в Принстон, Нью-Джерси.[76] При запуске в течение нескольких десятилетий вычислительные ограничения означают, что модели должны использовать грубую сетку, которая оставляет неразрешенными взаимодействия меньшего масштаба.[77]

Моделирование поверхности океана

Прогноз ветра и волнения в северной части Атлантического океана. Выявлены две области высоких волн: одна к западу от южной оконечности Гренландии, а другая в Северном море. В Мексиканском заливе прогнозируется спокойное море. Шипы ветра показывают ожидаемую силу и направление ветра с регулярными интервалами над Северной Атлантикой.
NOAA Wavewatch III 120-часовой прогноз ветра и волнения в Северной Атлантике
Основные статьи: Прогноз погоды на море, Динамика океана, и Модель ветровой волны

Передача энергии между ветром, дующим над поверхностью океана, и верхним слоем океана является важным элементом волновой динамики.[78] В спектральное волновое уравнение переноса используется для описания изменения волнового спектра при изменении топографии. Он имитирует генерацию волн, движение волн (распространение в жидкости), обмеление волн, преломление, передача энергии между волнами и диссипация волн.[79] Поскольку приземный ветер является основным механизмом воздействия в уравнении переноса спектральных волн, модели океанских волн используют информацию, полученную с помощью численных моделей прогнозирования погоды, в качестве входных данных для определения того, сколько энергии передается из атмосферы в слой на поверхности океана. Наряду с рассеиванием энергии через белые шапки и резонанс Между волнами, приземный ветер из численных моделей погоды позволяет более точно прогнозировать состояние морской поверхности.[80]

Прогнозирование тропических циклонов

Смотрите также: Модель прогноза тропических циклонов

Прогнозирование тропических циклонов также основывается на данных, предоставляемых численными моделями погоды. Три основных класса модели наведения тропических циклонов Существуют: статистические модели основаны на анализе поведения шторма с использованием климатологии и сопоставляют положение и дату шторма для создания прогноза, который не основан на физических характеристиках атмосферы в данный момент. Динамические модели - это числовые модели, которые решают основные уравнения потока жидкости в атмосфере; они основаны на тех же принципах, что и другие модели численного прогнозирования погоды для ограниченной области, но могут включать специальные вычислительные методы, такие как уточненные пространственные области, которые движутся вместе с циклоном. Модели, в которых используются элементы обоих подходов, называются статистико-динамическими моделями.[81]

В 1978 г. первый модель отслеживания ураганов на основе атмосферная динамика - подвижная мелкоячеистая (MFM) модель - начала действовать.[12] В области прогнозирование тропических циклонов несмотря на постоянно совершенствующееся руководство по динамической модели, которое происходило с увеличением вычислительной мощности, только в 1980-х годах численное прогнозирование погоды показало навык, и до 1990-х годов, когда он стабильно превосходил статистический или простые динамические модели.[82] Прогнозирование интенсивности тропического циклона на основе численного прогноза погоды по-прежнему является сложной задачей, поскольку статистические методы по-прежнему демонстрируют более высокую квалификацию по сравнению с динамическим управлением.[83]

Моделирование лесного пожара

Смотрите также: Моделирование лесного пожара
Простая модель распространения лесных пожаров

В молекулярном масштабе существует два основных конкурирующих процесса реакции, участвующих в разложении целлюлоза, или древесное топливо, в пожары. Когда в целлюлозном волокне мало влаги, улетучивание топлива происходит; этот процесс будет производить промежуточные газообразные продукты, которые в конечном итоге будут источником горение. Когда присутствует влага или когда от волокна отводится достаточно тепла, обугливание происходит. В химическая кинетика Обе реакции указывают на то, что существует точка, в которой уровень влажности достаточно низок - и / или скорости нагрева достаточно высоки - для того, чтобы процессы горения стали самодостаточными. Следовательно, изменения скорости, направления, влажности, температуры или скорость отставания на разных уровнях атмосферы может оказать значительное влияние на поведение и распространение лесных пожаров. Поскольку лесной пожар действует как источник тепла для атмосферного потока, лесной пожар может изменить локальные адвекция паттерны, представляя Обратная связь между огнем и атмосферой.[84]

Упрощенная двухмерная модель распространения лесных пожаров, использовавшая конвекция для представления эффектов ветра и местности, а также лучистая теплопередача как доминирующий метод переноса тепла привел к реакционно-диффузионные системы из уравнения в частных производных.[85][86] Более сложные модели присоединяются к численным моделям погоды или вычислительная гидродинамика модели с компонентом лесных пожаров, которые позволяют оценить эффекты обратной связи между огнем и атмосферой.[84] Дополнительная сложность в последнем классе моделей приводит к соответствующему увеличению требований к мощности их компьютеров. Фактически, полная трехмерная обработка горение через прямое численное моделирование в масштабах, подходящих для атмосферного моделирования, в настоящее время нецелесообразно из-за чрезмерных вычислительных затрат, которые потребуются для такого моделирования. Цифровые погодные модели имеют ограниченные возможности прогнозирования при пространственном разрешении менее 1 километра (0,6 мили), что вынуждает сложные модели лесных пожаров параметризовать пожары, чтобы рассчитать, как ветры будут локально изменены лесным пожаром, и использовать эти измененные ветры для определения скорость локального распространения огня.[87][88][89] Хотя такие модели как Лос-Аламос FIRETEC решает проблему концентрации топлива и кислород, расчетная сетка не может быть достаточно тонкой, чтобы разрешить реакцию горения, поэтому должны быть сделаны приближения для распределения температуры в каждой ячейке сетки, а также для самих скоростей реакции горения.

Смотрите также

Рекомендации

  1. ^ а б c Линч, Питер (март 2008 г.). «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.
  2. ^ Линч, Питер (2006). «Прогноз погоды с помощью числового процесса». Появление численного прогноза погоды. Издательство Кембриджского университета. стр.1 –27. ISBN  978-0-521-85729-1.
  3. ^ а б Чарни, Джул; Фьёртофт, Рагнар; фон Нейман, Джон (Ноябрь 1950 г.). «Численное интегрирование уравнения баротропной завихренности». Скажи нам. 2 (4): 237. Bibcode:1950TellA ... 2..237C. Дои:10.3402 / tellusa.v2i4.8607.
  4. ^ Кокс, Джон Д. (2002). Наблюдатели за бурей. John Wiley & Sons, Inc. стр.208. ISBN  978-0-471-38108-2.
  5. ^ а б 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.
  6. ^ Американский институт физики (25 марта 2008 г.). «Моделирование общей циркуляции атмосферы». Архивировано из оригинал на 2008-03-25. Получено 2008-01-13.
  7. ^ Филлипс, Норман А. (апрель 1956 г.). «Общая циркуляция атмосферы: численный эксперимент». Ежеквартальный журнал Королевского метеорологического общества. 82 (352): 123–154. Bibcode:1956QJRMS..82..123P. Дои:10.1002 / qj.49708235202.
  8. ^ Кокс, Джон Д. (2002). Наблюдатели за бурей. John Wiley & Sons, Inc. стр.210. ISBN  978-0-471-38108-2.
  9. ^ Линч, Питер (2006). «Интеграции ENIAC». Появление численного прогноза погоды. Издательство Кембриджского университета. стр.206 –208. ISBN  978-0-521-85729-1.
  10. ^ Национальное управление океанических и атмосферных исследований (2008-05-22). «Первая климатическая модель». Получено 2011-01-08.
  11. ^ Лесли, L.M .; Дитахмейер, Г.С. (декабрь 1992 г.). «Численное прогнозирование погоды в ограниченном районе в реальном времени в Австралии: историческая перспектива» (PDF). Австралийский метеорологический журнал. 41 (SP): 61–77. Получено 2011-01-03.
  12. ^ 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.
  13. ^ Стейн, Д. Г. (1991). Моделирование загрязнения воздуха и его применение VIII, Том 8. Birkhäuser. С. 241–242. ISBN  978-0-306-43828-8.
  14. ^ Сюэ, Юнкан; Феннесси, Майкл Дж. (1996-03-20). «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) на 2010-07-10. Получено 2011-01-06.
  15. ^ а б Хьюз, Гарри (1976). Руководство по прогнозированию выходной статистики модели (PDF). Центр экологических технических приложений ВВС США. С. 1–16.
  16. ^ Бест, Д. Л .; Прайор, С. П. (1983). Системы статистики вывода модели атмосферного обслуживания. Центр глобальной погоды ВВС. С. 1–90.
  17. ^ а б c 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.
  18. ^ а б c «Система ансамблевого прогнозирования (EPS)». ЕЦСПП. Архивировано из оригинал на 2010-10-30. Получено 2011-01-05.
  19. ^ а б c 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.
  20. ^ Стенсруд, Дэвид Дж. (2007). Схемы параметризации: ключи к пониманию численных моделей прогнозирования погоды. Издательство Кембриджского университета. п. 56. ISBN  978-0-521-86540-1.
  21. ^ Национальный центр климатических данных (2008-08-20). «Ключ к данным приземных наблюдений за погодой». Национальное управление океанических и атмосферных исследований. Получено 2011-02-11.
  22. ^ «Формат данных SYNOP (FM-12): приземные синоптические наблюдения». UNISYS. 2008-05-25. Архивировано из оригинал 30 декабря 2007 г.
  23. ^ Кришнамурти, Т. Н. (январь 1995 г.). «Численный прогноз погоды». Ежегодный обзор гидромеханики. 27 (1): 195–225. Bibcode:1995АнРФМ..27..195К. Дои:10.1146 / annurev.fl.27.010195.001211.
  24. ^ "Система ассимиляции вариационных данных WRF (WRF-Var)". Университетская корпорация атмосферных исследований. 2007-08-14. Архивировано из оригинал на 2007-08-14.
  25. ^ Гаффен, Дайан Дж. (2007-06-07). «Радиозондовые наблюдения и их использование в исследованиях, связанных с SPARC». Архивировано из оригинал на 2007-06-07.
  26. ^ Ballish, Bradley A .; В. Кришна Кумар (ноябрь 2008 г.). «Систематические различия в температурах самолетов и радиозондов» (PDF). Бюллетень Американского метеорологического общества. 89 (11): 1689–1708. Bibcode:2008БАМС ... 89.1689Б. Дои:10.1175 / 2008BAMS2332.1. Получено 2011-02-16.
  27. ^ Национальный центр буев данных (28 января 2009 г.). "Схема ВМО судов, добровольно проводящих наблюдения (СДН)". Национальное управление океанических и атмосферных исследований. Получено 2011-02-15.
  28. ^ 403-е крыло (2011 г.). "Охотники за ураганами". 53-я эскадрилья метеорологической разведки. Получено 2006-03-30.
  29. ^ Ли, Кристофер (2007-10-08). «Дрон, датчики могут открыть путь в Око бури». Вашингтон Пост. Получено 2008-02-22.
  30. ^ Национальное управление океанических и атмосферных исследований (2010-11-12). «NOAA отправляет высокотехнологичный исследовательский самолет, чтобы улучшить прогнозы зимних штормов». Получено 2010-12-22.
  31. ^ Стенсруд, Дэвид Дж. (2007). Схемы параметризации: ключи к пониманию численных моделей прогнозирования погоды. Издательство Кембриджского университета. п. 137. ISBN  978-0-521-86540-1.
  32. ^ Хоутон, Джон Теодор (1985). Глобальный климат. Архив издательства Кембриджского университета. С. 49–50. ISBN  978-0-521-31256-1.
  33. ^ Пилке, Роджер А. (2002). Мезомасштабное метеорологическое моделирование. Академическая пресса. стр.48 –49. ISBN  978-0-12-554766-6.
  34. ^ Пилке, Роджер А. (2002). Мезомасштабное метеорологическое моделирование. Академическая пресса. стр.18 –19. ISBN  978-0-12-554766-6.
  35. ^ а б Стрикверда, Джон К. (2004). Конечно-разностные схемы и уравнения в частных производных. СИАМ. С. 165–170. ISBN  978-0-89871-567-5.
  36. ^ Пилке, Роджер А. (2002). Мезомасштабное метеорологическое моделирование. Академическая пресса. п.65. ISBN  978-0-12-554766-6.
  37. ^ Пилке, Роджер А. (2002). Мезомасштабное метеорологическое моделирование. Академическая пресса. стр.285 –287. ISBN  978-0-12-554766-6.
  38. ^ Sunderam, V. S .; ван Альбада, Дж. Дик; Питер, М. А .; Слоут, 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; Крейц, Норберт; 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.CS1 maint: несколько имен: список авторов (связь)
  40. ^ Чан, Джонни С. Л. и Джеффри Д. Кеперт (2010). Глобальные перспективы тропических циклонов: от науки к смягчению последствий. World Scientific. С. 295–296. ISBN  978-981-4293-47-1. Получено 2011-02-24.
  41. ^ Холтон, Джеймс Р. (2004). Введение в динамическую метеорологию, Том 1. Академическая пресса. п. 480. ISBN  978-0-12-354015-7. Получено 2011-02-24.
  42. ^ Браун, Молли Э. (2008). Системы раннего предупреждения о голоде и данные дистанционного зондирования. Системы раннего предупреждения о голоде и данные дистанционного зондирования. Springer. п. 121. Bibcode:2008fews.book ..... B. ISBN  978-3-540-75367-4. Получено 2011-02-24.
  43. ^ Аренс, К. Дональд (2008). Основы метеорологии: приглашение в атмосферу. Cengage Learning. п. 244. ISBN  978-0-495-11558-8.
  44. ^ 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. Получено 2011-02-15.
  45. ^ Фриерсон, Дарган (14 сентября 2000 г.). «Схема параметризации диагностического облака» (PDF). Вашингтонский университет. С. 4–5. Архивировано из оригинал (PDF) на 2011-04-01. Получено 2011-02-15.
  46. ^ Стенсруд, Дэвид Дж. (2007). Схемы параметризации: ключи к пониманию численных моделей прогнозирования погоды. Издательство Кембриджского университета. п. 6. ISBN  978-0-521-86540-1.
  47. ^ Макгаффи, К. и А. Хендерсон-Селлерс (2005). Учебник по моделированию климата. Джон Уайли и сыновья. п. 188. ISBN  978-0-470-85751-9.
  48. ^ 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.
  49. ^ 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.
  50. ^ Бакланов, Александр, Сью Гриммонд, Александр Махура (2009). Метеорологические модели и модели качества воздуха для городских районов. Springer. С. 11–12. ISBN  978-3-642-00297-7. Получено 2011-02-24.CS1 maint: несколько имен: список авторов (связь)
  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. стр.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. ^ Пилке, Роджер А. (2002). Мезомасштабное метеорологическое моделирование. Академическая пресса. стр.131 –132. ISBN  978-0-12-554766-6.
  56. ^ Баум, Марша Л. (2007). Когда поражает природа: погодные катаклизмы и закон. Издательская группа "Гринвуд". п. 189. ISBN  978-0-275-22129-4.
  57. ^ Глан, Гарри Р .; Лоури, Дейл А. (декабрь 1972 г.). «Использование выходной статистики модели (MOS) в объективном прогнозировании погоды». Журнал прикладной метеорологии. 11 (8): 1203–1211. Bibcode:1972JApMe..11.1203G. Дои:10.1175 / 1520-0450 (1972) 011 <1203: TUOMOS> 2.0.CO; 2.
  58. ^ Гультепе, Исмаил (2007). Туман и пограничный слой облаков: видимость и прогноз тумана. Springer. п. 1144. ISBN  978-3-7643-8418-0. Получено 2011-02-11.
  59. ^ Барри, Роджер Грэм; Чорли, Ричард Дж. (2003). Атмосфера, погода и климат. Психология Press. п. 172. ISBN  978-0-415-27171-4. Получено 2011-02-11.
  60. ^ а б Кокс, Джон Д. (2002). Наблюдатели за бурей. John Wiley & Sons, Inc., стр.222–224. ISBN  978-0-471-38108-2.
  61. ^ а б Манусос, Питер (19 июля 2006 г.). «Системы ансамблевого прогнозирования». Центр гидрометеорологического прогнозирования. Получено 2010-12-31.
  62. ^ Вейкманн, Клаус; Джефф Уитакер; Андрес Рубичек; Кэтрин Смит (2001-12-01). «Использование ансамблевых прогнозов для получения улучшенных среднесрочных (3–15 дней) прогнозов погоды». Центр климатической диагностики. Архивировано из оригинал на 2010-05-28. Получено 2007-02-16.
  63. ^ Чакраборти, Ариндам (октябрь 2010 г.). «Навыки среднесрочных прогнозов ЕЦСПП в 2008 году в год тропической конвекции». Ежемесячный обзор погоды. 138 (10): 3787–3805. Bibcode:2010MWRv..138.3787C. Дои:10.1175 / 2010MWR3217.1.
  64. ^ Эпштейн, Э. (Декабрь 1969 г.). «Стохастическое динамическое предсказание». Теллус А. 21 (6): 739–759. Bibcode:1969 Расскажи ... 21..739E. Дои:10.1111 / j.2153-3490.1969.tb00483.x.
  65. ^ Лейт, CE (июнь 1974 г.). «Теоретический навык прогнозов Монте-Карло». Ежемесячный обзор погоды. 102 (6): 409–418. Bibcode:1974MWRv..102..409L. Дои:10.1175 / 1520-0493 (1974) 102 <0409: TSOMCF> 2.0.CO; 2.
  66. ^ «МОГРЕПС». Метеорологический офис. Архивировано из оригинал на 2012-10-22. Получено 2012-11-01.
  67. ^ а б Уорнер, Томас Томкинс (2010). Численное прогнозирование погоды и климата. Издательство Кембриджского университета. С. 266–275. ISBN  978-0-521-51389-0.
  68. ^ Palmer, T.N .; Shutts, G.J .; Hagedorn, R .; Doblas-Reyes, F.J .; Юнг, Т .; Лейтбехер, М. (май 2005 г.). «Представление модели неопределенности в прогнозе погоды и климата». Ежегодный обзор наук о Земле и планетах. 33: 163–193. Bibcode:2005AREPS..33..163P. Дои:10.1146 / annurev.earth.33.092203.122552.
  69. ^ Гримит, Эрик П .; Масса, Клиффорд Ф. (октябрь 2004 г.). «Переосмысление взаимосвязи ансамблевого распространения и навыков с вероятностной точки зрения» (PDF). Вашингтонский университет. Архивировано из оригинал (PDF) на 2008-10-12. Получено 2010-01-02.
  70. ^ Чжоу, Бинбинь; Ду, июнь (февраль 2010 г.). "Прогнозирование тумана на основе многомодельной системы прогнозирования мезомасштабного ансамбля" (PDF). Погода и прогнозирование. 25 (1): 303. Bibcode:2010WtFor..25..303Z. Дои:10.1175 / 2009WAF2222289.1. Получено 2011-01-02.
  71. ^ Cane, D .; Милелли, М. (12 февраля 2010 г.). «Многомодельный метод SuperEnsemble для количественных прогнозов осадков в регионе Пьемонте» (PDF). Опасные природные явления и науки о Земле. 10 (2): 265. Bibcode:2010NHESS..10..265C. Дои:10.5194 / nhess-10-265-2010. Получено 2011-01-02.
  72. ^ Дэйли, Аарон и Паоло Заннетти (2007). Загрязнение окружающего воздуха (PDF). Арабская школа науки и технологий и Институт EnviroComp. п. 16. Получено 2011-02-24.
  73. ^ а б Бакланов Александр; Расмуссен, Аликс; Фэй, Барбара; Бердж, Эрик; Финарди, Сандро (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. S2CID  94747027.
  74. ^ Маршалл, Джон; Пламб, Р. Алан (2008). Атмосфера, океан и динамика климата: вводный текст. Амстердам: Elsevier Academic Press. стр.44 –46. ISBN  978-0-12-558691-7.
  75. ^ Австралийское статистическое бюро (2005 г.). Ежегодник, Австралия, выпуск 87. п. 40. Получено 2011-02-18.
  76. ^ Национальное управление океанических и атмосферных исследований 200-летие (22 мая 2008 г.). «Первая климатическая модель». Национальное управление океанических и атмосферных исследований. Получено 2010-04-20.
  77. ^ Бриджмен, Ховард А., Джон Э. Оливер, Майкл Х. Гланц (2006). Глобальная климатическая система: закономерности, процессы и телесвязи. Издательство Кембриджского университета. С. 284–289. ISBN  978-0-521-82642-6. Получено 2011-02-18.CS1 maint: несколько имен: список авторов (связь)
  78. ^ Чаликов Д.В. (август 1978 г.). «Численное моделирование взаимодействия ветрового волнения». Журнал гидромеханики. 87 (3): 561–82. Bibcode:1978JFM .... 87..561C. Дои:10.1017 / S0022112078001767.
  79. ^ Линь, Пэнчжи (2008). Численное моделирование водных волн. Психология Press. п. 270. ISBN  978-0-415-41578-1.
  80. ^ Бендер, Лесли С. (январь 1996 г.). «Модификация физики и чисел в модели океанских волн третьего поколения». Журнал атмосферных и океанических технологий. 13 (3): 726–750. Bibcode:1996JAtOT..13..726B. Дои:10.1175 / 1520-0426 (1996) 013 <0726: MOTPAN> 2.0.CO; 2.
  81. ^ Национальный центр ураганов (Июль 2009 г.). "Техническое резюме моделей трека и интенсивности Национального центра ураганов" (PDF). Национальное управление океанических и атмосферных исследований. Получено 2011-02-19.
  82. ^ Франклин, Джеймс (2010-04-20). «Проверка прогнозов Национального центра ураганов». Национальный центр ураганов. Получено 2011-01-02.
  83. ^ Раппапорт, Эдвард Н .; Франклин, Джеймс Л .; Avila, Lixion A .; Бейг, Стивен Р .; Бевен II, Джон Л .; Блейк, Эрик С .; Берр, Кристофер А .; Цзин, Цзянь-Гво; Джакинс, Кристофер А .; Knabb, Ричард Д .; Ландси, Кристофер В .; Майнелли, Мишель; Мэйфилд, Макс; МакАди, Колин Дж .; Паш, Ричард Дж .; Сиско, Кристофер; Стюарт, Стейси Р.; Триббл, Ахша Н. (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.
  84. ^ а б Салливан, Эндрю Л. (июнь 2009 г.). «Моделирование распространения пожаров на поверхности дикой природы, 1990–2007 гг. 1: Физические и квазифизические модели». Международный журнал Wildland Fire. 18 (4): 349. arXiv:0706.3074. Дои:10.1071 / WF06143. S2CID  16173400.
  85. ^ Асенсио, М. И. и Л. Феррагут (2002). «На модели лесного пожара с радиацией». Международный журнал численных методов в инженерии. 54 (1): 137–157. Bibcode:2002IJNME..54..137A. Дои:10.1002 / nme.420.
  86. ^ Мандель, Ян, Линн С. Беннетум, Джонатан Д. Бизли, Дженис Л. Коэн, Крейг С. Дуглас, Минджонг Ким и Энтони Водачек (2008). «Модель лесного пожара с усвоением данных». Математика и компьютеры в моделировании. 79 (3): 584–606. arXiv:0709.0086. Bibcode:2007arXiv0709.0086M. Дои:10.1016 / j.matcom.2008.03.015. S2CID  839881.CS1 maint: несколько имен: список авторов (связь)
  87. ^ Кларк, Т. Л., М. А. Дженкинс, Дж. Коэн и Дэвид Пэкхэм (1996). «Совместная модель атмосферного пожара: конвективное число Фруда и динамическая аппликатура». Международный журнал Wildland Fire. 6 (4): 177–190. Дои:10.1071 / WF9960177.CS1 maint: несколько имен: список авторов (связь)
  88. ^ Кларк, Терри Л., Жениться на Энн Дженкинс, Дженис Коэн и Дэвид Пэкхэм (1996). «Совместная модель атмосферного пожара: конвективная обратная связь по динамике линии пожара». Журнал прикладной метеорологии. 35 (6): 875–901. Bibcode:1996JApMe..35..875C. Дои:10.1175 / 1520-0450 (1996) 035 <0875: ACAMCF> 2.0.CO; 2.CS1 maint: несколько имен: список авторов (связь)
  89. ^ Ротермель, Ричард К. (январь 1972 г.). «Математическая модель для прогнозирования распространения пожаров при лесных пожарах» (PDF). Лесная служба США. Получено 2011-02-28.

дальнейшее чтение

  • Бенистон, Мартин (1998). От турбулентности к климату: численные исследования атмосферы с иерархией моделей. Берлин: Springer. ISBN  978-3-540-63495-9.
  • Калнай Евгения (2003). Атмосферное моделирование, ассимиляция данных и предсказуемость. Атмосферное моделирование. Издательство Кембриджского университета. п. 364. Bibcode:2002amda.book ..... K. ISBN  978-0-521-79629-3.
  • Рулстон, Ян и Норбери, Джон (2013). Невидимый во время бури: роль математики в понимании погоды. Издательство Принстонского университета. ISBN  978-0691152721.
  • Томпсон, Филипп (1961). Численный анализ и прогноз погоды. Нью-Йорк: Компания Macmillan.
  • Министерство торговли США; Национальный океанический; Атмосферное управление; Национальная служба погоды, ред. (1979). Справочник национальной метеорологической службы № 1 - Факсимильные устройства. Вашингтон, округ Колумбия: Министерство торговли.

внешняя ссылка