stringtranslate.com

Модель атмосферы

96-часовой прогноз геопотенциальной высоты и температуры 850 мбар от Глобальной системы прогнозов.

В науке об атмосфере атмосферная модель — это математическая модель , построенная на основе полного набора примитивных динамических уравнений , которые управляют атмосферными движениями. Он может дополнить эти уравнения параметризацией турбулентной диффузии , радиации , влажных процессов ( облаков и осадков ), теплообмена , почвы , растительности, поверхностных вод, кинематических эффектов местности и конвекции . Большинство атмосферных моделей являются численными, т.е. они дискретизируют уравнения движения. Они могут предсказывать микромасштабные явления, такие как торнадо и вихри пограничного слоя , субмикромасштабные турбулентные потоки над зданиями, а также синоптические и глобальные потоки. Горизонтальная область модели может быть либо глобальной , охватывающей всю Землю , либо региональной ( ограниченной области ), охватывающей только часть Земли. Различные типы моделей: термотропные, баротропные , гидростатические и негидростатические. 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 точно решить их невозможно. Поэтому численные методы позволяют получить приближенные решения. В разных моделях используются разные методы решения. В глобальных моделях часто используются спектральные методы для горизонтальных измерений и методы конечных разностей для вертикальных измерений, тогда как в региональных моделях обычно используются методы конечных разностей во всех трех измерениях. Для конкретных мест статистика выходных данных модели использует климатическую информацию, результаты численного прогноза погоды и текущие наблюдения за приземной погодой для разработки статистических взаимосвязей, которые учитывают смещение модели и проблемы с разрешением.

Типы

Основное предположение, сделанное термотропной моделью , заключается в том, что, хотя величина теплового ветра может меняться, его направление не меняется с высотой, и, таким образом, бароклинность в атмосфере можно смоделировать с использованием 500  мб (15  дюймов рт.ст. ) и 1000 мб (30 дюймов ртутного столба) геопотенциальной высоты поверхностей и среднего теплового ветра между ними. [1] [2]

Баротропные модели предполагают, что атмосфера почти баротропна , а это означает, что направление и скорость геострофического ветра не зависят от высоты. Другими словами, нет вертикального сдвига геострофического ветра. Это также означает, что контуры толщины (заместитель температуры) параллельны контурам высоты верхнего уровня. В этом типе атмосферы области высокого и низкого давления являются центрами теплых и холодных температурных аномалий. Максимумы с теплым ядром (такие как субтропический хребет и Бермудско-Азорские острова) и минимумы с холодным ядром вызывают усиление ветров с высотой, причем обратное справедливо для максимумов с холодным ядром (мелкие арктические максимумы) и минимумов с теплым ядром (таких как тропические циклоны ). [3] Баротропная модель пытается решить упрощенную форму атмосферной динамики, основанную на предположении, что атмосфера находится в геострофическом равновесии ; то есть число Россби воздуха в атмосфере мало. [4] Если сделать предположение, что атмосфера бездивергентна , ротор уравнений Эйлера сводится к уравнению баротропной завихренности . Последнее уравнение можно решить для одного слоя атмосферы. Поскольку атмосфера на высоте примерно 5,5 километров (3,4 мили) в основном не имеет дивергенций, баротропная модель лучше всего аппроксимирует состояние атмосферы на геопотенциальной высоте , соответствующей этой высоте, что соответствует 500 мб (15 дюймов ртутного столба) атмосферы. Поверхность давления. [5]

Гидростатические модели отфильтровывают вертикально движущиеся акустические волны из уравнения вертикального импульса, что значительно увеличивает временной шаг, используемый при прогоне модели. Это известно как гидростатическое приближение . Гидростатические модели используют вертикальные координатыдавления или сигма-давления . Координаты давления пересекают топографию, а сигма-координаты повторяют контур суши. Его гидростатическое предположение разумно до тех пор, пока разрешение горизонтальной сетки не является малым, что является масштабом, в котором гидростатическое предположение не работает. Модели, которые используют все уравнение вертикального импульса, известны как негидростатические . Негидростатическую модель можно решить неэластично, то есть она решает полное уравнение неразрывности для воздуха, предполагая, что он несжимаем, или упруго, что означает, что она решает полное уравнение неразрывности для воздуха и полностью сжимаема. Негидростатические модели используют высоту или сигма-высоту в качестве вертикальных координат. Координаты высоты могут пересекать землю, а координаты сигма-высоты повторяют контуры суши. [6]

История

Главная панель управления ENIAC в Школе электротехники Мура

История численного прогнозирования погоды началась в 1920-х годах благодаря усилиям Льюиса Фрая Ричардсона , который использовал процедуры, разработанные Вильгельмом Бьеркнесом . [7] [8] Только с появлением компьютеров и компьютерного моделирования время вычислений стало меньше, 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 году Западная Германия и США начали производить оперативные прогнозы на основе моделей примитивных уравнений , за ними последовали Великобритания в 1972 году и Австралия в 1977 году. [7] [11] Развитие глобальных моделей прогнозирования привело к первые климатические модели. [12] [13] Разработка моделей ограниченной территории (региональных) способствовала прогрессу в прогнозировании следов тропических циклонов , а также качества воздуха в 1970-х и 1980-х годах. [14] [15]

Поскольку выходные данные моделей прогноза, основанные на динамике атмосферы , требуют поправок вблизи уровня земли, статистика вывода моделей (MOS) была разработана в 1970-х и 1980-х годах для отдельных прогнозируемых точек (мест). [16] [17] Даже с ростом мощности суперкомпьютеров способность прогнозирования численных моделей погоды распространяется только примерно на две недели в будущее, поскольку плотность и качество наблюдений - вместе с хаотичным характером используемых уравнений в частных производных для расчета прогноза — вносят ошибки, которые удваиваются каждые пять дней. [18] [19] Использование модельных ансамблевых прогнозов с 1990-х годов помогает определить неопределенность прогноза и расширить прогнозирование погоды дальше в будущее, чем это возможно в противном случае. [20] [21] [22]

Инициализация

Самолет-разведчик погоды WP-3D Orion в полете.
Самолеты-разведчики погоды, такие как WP-3D Orion , предоставляют данные, которые затем используются в числовых прогнозах погоды.

Атмосфера представляет собой жидкость . Таким образом, идея численного прогноза погоды состоит в том, чтобы выбрать состояние жидкости в определенный момент времени и использовать уравнения гидродинамики и термодинамики для оценки состояния жидкости в какой-то момент в будущем. Процесс ввода данных наблюдения в модель для создания начальных условий называется инициализацией . На суше карты местности, доступные с разрешением до 1 километра (0,6 мили) по всему миру, используются для моделирования атмосферных циркуляций в регионах с пересеченной топографией, чтобы лучше отображать такие особенности, как ветры на склонах, горные волны и связанную с ними облачность, влияющую на приходящий солнечный свет. радиация. [23] Основными входными данными метеорологических служб стран являются наблюдения с устройств (называемых радиозондами ) на метеозондах, которые измеряют различные параметры атмосферы и передают их на стационарный приемник, а также с метеорологических спутников . Всемирная метеорологическая организация занимается стандартизацией приборов, практики наблюдений и сроков этих наблюдений во всем мире. Станции сообщают либо ежечасно в сводках METAR [24] , либо каждые шесть часов в сводках SYNOP . [25] Эти наблюдения расположены неравномерно, поэтому они обрабатываются методами ассимиляции данных и объективного анализа, которые выполняют контроль качества и получают значения в местах, используемых математическими алгоритмами модели. [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. Площадки запускают радиозонды на метеозондах, которые поднимаются через тропосферу и далеко в стратосферу . [28] Информация с метеорологических спутников используется там, где традиционные источники данных недоступны. Коммерция предоставляет отчеты пилотов по маршрутам самолетов [29] и отчеты о судах по маршрутам судоходства. [30] В исследовательских проектах самолеты-разведчики используются для полетов в интересующих погодных системах, таких как тропические циклоны , и вокруг них . [31] [32] 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 в течение трех-семи дней в будущем над континентом, расположенным ниже по течению. [33] Морской лед начал инициализироваться в прогнозных моделях в 1971 году. [34] Попытки включить температуру поверхности моря в инициализацию модели начались в 1972 году из-за его роли в модулировании погоды в высоких широтах Тихого океана. [35]

Вычисление

Пример прогноза высоты геопотенциала 500 мбар на основе модели численного прогноза погоды.
Суперкомпьютеры способны запускать очень сложные модели, чтобы помочь ученым лучше понять климат Земли.

Модель — это компьютерная программа, которая производит метеорологическую информацию на будущее в заданных местах и ​​на заданных высотах. В любой модели есть набор уравнений, известных как примитивные уравнения , которые используются для прогнозирования будущего состояния атмосферы. [36] Эти уравнения инициализируются на основе данных анализа и определяются скорости изменений. Эти темпы изменений предсказывают состояние атмосферы на короткое время в будущем, причем каждый временной интервал известен как временной шаг. Затем уравнения применяются к этому новому состоянию атмосферы, чтобы найти новые скорости изменений, и эти новые скорости изменений предсказывают атмосферу в еще более отдаленном будущем. Шаг по времени повторяется до тех пор, пока решение не достигнет желаемого времени прогноза. Длина временного шага, выбранного в модели, связана с расстоянием между точками расчетной сетки и выбирается для обеспечения численной стабильности . [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. Унифицированная модель UKMET запускается на шесть дней вперед, [40] модель Европейского центра среднесрочных прогнозов погоды действует на 10 дней вперед, [41] а модель Глобальной системы прогнозирования, используемая Центром экологического моделирования. выполняется на 16 дней вперед. [42]

Используемые уравнения представляют собой нелинейные уравнения в частных производных, которые невозможно точно решить аналитическими методами [43] , за исключением нескольких идеализированных случаев. [44] Таким образом, численные методы позволяют получить приближенные решения. В разных моделях используются разные методы решения: в некоторых глобальных моделях используются спектральные методы для горизонтальных измерений и методы конечных разностей для вертикальных измерений, тогда как в региональных моделях и других глобальных моделях обычно используются методы конечных разностей во всех трех измерениях. [43] Визуальный результат, полученный с помощью модельного решения, известен как прогностическая диаграмма или программа . [45]

Параметризация

Сетка модели погоды и климата имеет стороны от 5 километров (3,1 мили) до 300 километров (190 миль). Типичное кучевое облако имеет масштаб менее 1 километра (0,62 мили), и для его физического представления с помощью уравнений движения жидкости потребуется еще более мелкая сетка. Следовательно, процессы, которые представляют собой такие облака , параметризуются процессами различной сложности. В самых ранних моделях, если столб воздуха в сетке модели был нестабильным (т. е. нижняя часть была теплее верхней), то он переворачивался, и воздух в этом вертикальном столбе смешивался. Более сложные схемы добавляют усовершенствования, признавая, что только некоторые части коробки могут конвектировать и что происходят унос и другие процессы. Модели погоды, имеющие ячейки со сторонами от 5 километров (3,1 мили) до 25 километров (16 миль), могут явно представлять конвективные облака, хотя им все равно необходимо параметризовать микрофизику облаков . [46] Образование крупномасштабных ( слоистых ) облаков более физически обосновано: они образуются, когда относительная влажность достигает некоторого заданного значения. Тем не менее, необходимо учитывать процессы в масштабе подсети. Вместо того, чтобы предполагать, что облака образуются при относительной влажности 100 %, фракцию облаков можно соотнести с критической относительной влажностью 70 % для слоистых облаков и 80 % или выше для кучевых облаков [47] , что отражает масштаб подсетки. вариации, которые могли бы произойти в реальном мире.

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

Домены

Горизонтальная область модели является либо глобальной , охватывающей всю Землю, либо региональной , охватывающей только часть Земли. Региональные модели также известны как модели ограниченной территории или LAM. В региональных моделях используется более мелкий шаг сетки для разрешения метеорологических явлений явно меньшего масштаба, поскольку их меньшая область применения снижает вычислительные требования. Региональные модели используют совместимую глобальную модель для начальных условий на границе своей области. Неопределенность и ошибки внутри LAM вносятся глобальной моделью, используемой для граничных условий края региональной модели, а также при создании граничных условий для самих LAM. [51]

Вертикальная координата обрабатывается различными способами. Некоторые модели, такие как модель Ричардсона 1922 года, используют геометрическую высоту ( ) в качестве вертикальной координаты. В более поздних моделях геометрическая координата была заменена системой координат давления, в которой геопотенциальные высоты поверхностей постоянного давления становятся зависимыми переменными , что значительно упрощает примитивные уравнения. [52] Это следует из того, что давление в атмосфере Земли уменьшается с высотой . [53] Первая модель, используемая для оперативных прогнозов, однослойная баротропная модель, использовала одну координату давления на уровне 500 миллибар (15 дюймов рт. ст.) [5] и, таким образом, была по существу двумерной. Модели высокого разрешения, также называемые мезомасштабными моделями , такие как модель погодных исследований и прогнозирования, как правило, используют нормированные координаты давления, называемые сигма-координатами . [54]

Глобальные версии

Некоторые из наиболее известных глобальных численных моделей:

Региональные версии

Некоторые из наиболее известных региональных численных моделей:

Статистика выходных данных модели

Поскольку модели прогноза, основанные на уравнениях динамики атмосферы, не могут точно определить погодные условия у земли, были разработаны статистические поправки, чтобы попытаться решить эту проблему. Статистические модели были созданы на основе трехмерных полей, полученных с помощью численных моделей погоды, приземных наблюдений и климатологических условий для конкретных мест. Эти статистические модели вместе называются статистикой выходных данных модели (MOS) [59] и были разработаны Национальной метеорологической службой для набора моделей прогнозирования погоды. [16] К 1983 году ВВС США разработали собственный набор MOS на основе своей динамической модели погоды. [17]

Выходная статистика модели отличается от идеального программного метода, который предполагает, что выходные данные численного прогноза погоды являются идеальными. [60] MOS может корректировать локальные эффекты, которые не могут быть решены моделью из-за недостаточного разрешения сетки, а также ошибок модели. Параметры прогноза в MOS включают максимальные и минимальные температуры, процентную вероятность дождя в течение нескольких часов, ожидаемое количество осадков, вероятность того, что осадки замерзнут в природе, вероятность гроз, облачности и приземных ветров. [61]

Приложения

Моделирование климата

В 1956 году Норман Филлипс разработал математическую модель, которая реалистично отображала ежемесячные и сезонные закономерности в тропосфере. Это была первая успешная климатическая модель . [12] [13] Затем несколько групп начали работать над созданием моделей общей циркуляции . [62] Первая климатическая модель общей циркуляции, объединившая океанические и атмосферные процессы, была разработана в конце 1960-х годов в Лаборатории геофизической гидродинамики , входящей в состав Национального управления океанических и атмосферных исследований США . [63]

К 1975 году Манабе и Ветералд разработали трехмерную модель глобального климата , которая давала примерно точное представление о текущем климате. Удвоение содержания CO 2 в атмосфере модели привело к повышению глобальной температуры примерно на 2 °C. [64] Несколько других типов компьютерных моделей дали аналогичные результаты: невозможно было создать модель, которая бы напоминала реальный климат и не имела бы повышения температуры при увеличении концентрации CO 2 .

К началу 1980-х годов Национальный центр атмосферных исследований США разработал Модель атмосферы сообщества (CAM), которую можно использовать отдельно или как атмосферный компонент модели климатической системы сообщества . Последнее обновление (версия 3.1) автономной CAM было выпущено 1 февраля 2006 года. [65] [66] [67] В 1986 году начались усилия по инициализации и моделированию типов почвы и растительности, что привело к получению более реалистичных прогнозов. [68] Совмещенные климатические модели океана и атмосферы, такие как модель HadCM3 Центра прогнозирования климата и исследований Хэдли , используются в качестве входных данных для исследований изменения климата . [62]

Моделирование ограниченной области

Распространение модели с ураганом Эрнесто (2006 г.) в рамках моделей ограниченной территории Национального центра ураганов.

Прогнозы загрязнения воздуха зависят от атмосферных моделей, которые предоставляют информацию о потоках жидкости для отслеживания движения загрязняющих веществ. [69] В 1970 году частная компания в США разработала региональную модель городского воздуха (UAM), которая использовалась для прогнозирования последствий загрязнения воздуха и кислотных дождей . В середине-конце 1970-х годов Агентство по охране окружающей среды США взяло на себя разработку UAM, а затем использовало результаты регионального исследования загрязнения воздуха для его улучшения. Хотя UAM был разработан для Калифорнии , в 1980-х годах он использовался в других местах Северной Америки, Европы и Азии. [15]

Модель Movable Fine-Mesh, которая начала работать в 1978 году, была первой моделью прогноза тропических циклонов , основанной на динамике атмосферы . [14] Несмотря на постоянное совершенствование управления динамическими моделями, ставшее возможным благодаря увеличению вычислительной мощности, только в 1980-х годах численный прогноз погоды (ЧПП) продемонстрировал навыки прогнозирования траектории тропических циклонов. И только в 1990-х годах ЧПП стабильно превосходило статистические или простые динамические модели. [70] Прогнозирование интенсивности тропических циклонов с использованием ЧПП также оказалось сложной задачей. По состоянию на 2009 год динамическое руководство оставалось менее эффективным, чем статистические методы. [71]

Смотрите также

Рекомендации

  1. ^ Гейтс, В. Лоуренс (август 1955 г.). Результаты численного прогнозирования с использованием моделей баротропной и термотропной атмосферы. База ВВС Ханском : Кембриджские исследовательские лаборатории ВВС. Архивировано из оригинала 22 июля 2011 года.
  2. ^ Томпсон, PD; У. Лоуренс Гейтс (апрель 1956 г.). «Тестирование методов численного прогнозирования на основе баротропной и двухпараметрической бароклинной моделей». Журнал метеорологии . 13 (2): 127–141. Бибкод : 1956JAtS...13..127T. doi : 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». Динамика атмосферы, океана и климата: вводный текст . Амстердам: Elsevier Academic Press. стр. 109–12. ISBN 978-0-12-558691-7.
  5. ^ abc Чарни, Джул ; Фьёртофт, Рагнар; фон Нейман, Джон (ноябрь 1950 г.). «Численное интегрирование уравнения баротропной завихренности». Расскажи нам . 2 (4): 237–254. Бибкод : 1950TellA...2..237C. дои : 10.3402/tellusa.v2i4.8607 .
  6. ^ Джейкобсон, Марк Закари (2005). Основы атмосферного моделирования. Издательство Кембриджского университета. стр. 138–143. ISBN 978-0-521-83970-9.
  7. ^ Аб Линч, Питер (20 марта 2008 г.). «Истоки компьютерного прогнозирования погоды и моделирования климата» (PDF) . Журнал вычислительной физики . 227 (7): 3431–44. Бибкод : 2008JCoPh.227.3431L. дои : 10.1016/j.jcp.2007.02.034. Архивировано из оригинала (PDF) 8 июля 2010 г. Проверено 23 декабря 2010 г.
  8. ^ Линч, Питер (2006). «Прогноз погоды с помощью численного процесса». Появление численного прогноза погоды . Издательство Кембриджского университета . стр. 1–27. ISBN 978-0-521-85729-1.
  9. ^ Кокс, Джон Д. (2002). Наблюдатели за штормом. John Wiley & Sons, Inc. с. 208. ИСБН 978-0-471-38108-2.
  10. ^ Харпер, Кристина; Уччеллини, Луи В.; Калнай, Евгения; Кэри, Кеннет; Морон, Лорен (май 2007 г.). «2007: 50-летие оперативного численного прогноза погоды». Бюллетень Американского метеорологического общества . 88 (5): 639–650. Бибкод : 2007BAMS...88..639H. дои : 10.1175/BAMS-88-5-639 .
  11. ^ Лесли, LM; Дитахмейер, Г.С. (декабрь 1992 г.). «Численный прогноз погоды в Австралии в режиме реального времени на ограниченной территории: историческая перспектива» (PDF) . Австралийский метеорологический журнал . Бюро метеорологии . 41 (СП): 61–77 . Проверено 3 января 2011 г.
  12. ^ ab Норман А. Филлипс (апрель 1956 г.). «Общая циркуляция атмосферы: численный эксперимент» (PDF) . Ежеквартальный журнал Королевского метеорологического общества . 82 (352): 123–154. Бибкод : 1956QJRMS..82..123P. дои : 10.1002/qj.49708235202.
  13. ^ аб Джон Д. Кокс (2002). Наблюдатели за штормом. John Wiley & Sons, Inc. с. 210. ИСБН 978-0-471-38108-2.
  14. ^ аб Шуман, Фредерик Г. (сентябрь 1989 г.). «История численного прогноза погоды в Национальном метеорологическом центре». Погода и прогнозирование . 4 (3): 286–296. Бибкод : 1989WtFor...4..286S. doi : 10.1175/1520-0434(1989)004<0286:HONWPA>2.0.CO;2 . ISSN  1520-0434.
  15. ^ Аб Стейн, DG (1991). Моделирование загрязнения воздуха и его применение VIII, Том 8 . Биркхойзер. стр. 241–242. ISBN 978-0-306-43828-8.
  16. ^ AB Гарри Хьюз (1976). Руководство по прогнозированию статистики выходных данных модели . Центр экологических технических приложений ВВС США. стр. 1–16.
  17. ^ ab L. Best, DL & SP Pryor (1983). Системы статистики выходных данных модели обслуживания погоды . Глобальный центр погоды ВВС. стр. 1–90.
  18. ^ Кокс, Джон Д. (2002). Наблюдатели за штормом. John Wiley & Sons, Inc., стр. 222–224. ISBN 978-0-471-38108-2.
  19. ^ Вейкманн, Клаус, Джефф Уитакер, Андрес Рубичек и Кэтрин Смит (01 декабря 2001 г.). Использование ансамблевых прогнозов для подготовки улучшенных среднесрочных (3–15 дней) прогнозов погоды. Центр климатической диагностики . Проверено 16 февраля 2007 г.
  20. ^ Тот, Золтан; Калнай, Евгения (декабрь 1997 г.). «Ансамбльное прогнозирование в NCEP и метод размножения». Ежемесячный обзор погоды . 125 (12): 3297–3319. Бибкод : 1997MWRv..125.3297T. CiteSeerX 10.1.1.324.3941 . doi :10.1175/1520-0493(1997)125<3297:EFANAT>2.0.CO;2. ISSN  1520-0493. 
  21. ^ «Система ансамблевого прогнозирования (EPS)» . ЕЦСПП . Архивировано из оригинала 25 января 2011 года . Проверено 5 января 2011 г.
  22. ^ Молтени, Ф.; Буизза, Р.; Палмер, Теннесси; Петролиагис, Т. (январь 1996 г.). «Система ансамблевого прогнозирования ECMWF: методология и проверка». Ежеквартальный журнал Королевского метеорологического общества . 122 (529): 73–119. Бибкод : 1996QJRMS.122...73M. дои : 10.1002/qj.49712252905.
  23. ^ Стенсруд, Дэвид Дж. (2007). Схемы параметризации: ключи к пониманию моделей численного прогноза погоды. Издательство Кембриджского университета. п. 56. ИСБН 978-0-521-86540-1.
  24. ^ Национальный центр климатических данных (20 августа 2008 г.). «Ключ к приземным погодным наблюдениям METAR». Национальное управление океанических и атмосферных исследований . Архивировано из оригинала 1 ноября 2002 г. Проверено 11 февраля 2011 г.
  25. ^ «Формат данных SYNOP (FM-12): наземные синоптические наблюдения» . УНИСИС . 25 мая 2008 г. Архивировано из оригинала 30 декабря 2007 г.
  26. ^ Кришнамурти, Теннесси (январь 1995 г.). «Численный прогноз погоды». Ежегодный обзор механики жидкости . 27 (1): 195–225. Бибкод : 1995АнРФМ..27..195К. doi : 10.1146/annurev.fl.27.010195.001211. S2CID  122230747.
  27. ^ «Вариационная система ассимиляции данных WRF (WRF-Var)» . Университетская корпорация по исследованию атмосферы . 14 августа 2007 г. Архивировано из оригинала 14 августа 2007 г.
  28. ^ Гаффен, Дайан Дж. (07.06.2007). «Радиозондовые наблюдения и их использование в исследованиях, связанных со SPARC». Архивировано из оригинала 7 июня 2007 г.
  29. ^ Баллиш, Брэдли А.; В. Кришна Кумар (ноябрь 2008 г.). «Систематические различия в температурах самолетов и радиозондов» (PDF) . Бюллетень Американского метеорологического общества . 89 (11): 1689–1708. Бибкод : 2008BAMS...89.1689B. дои : 10.1175/2008BAMS2332.1 . Проверено 16 февраля 2011 г.
  30. ^ Национальный центр буев данных (28 января 2009 г.). «Схема добровольных судов наблюдений (СДН) ВМО». Национальное управление океанических и атмосферных исследований . Проверено 15 февраля 2011 г.
  31. ^ 403-е крыло (2011). «Охотники за ураганами». 53-я эскадрилья метеорологической разведки . Архивировано из оригинала 30 мая 2012 г. Проверено 30 марта 2006 г.{{cite web}}: CS1 maint: числовые имена: список авторов ( ссылка )
  32. ^ Ли, Кристофер (08 октября 2007 г.). «Дрон, датчики могут открыть путь в глаз бури». Вашингтон Пост . Проверено 22 февраля 2008 г.
  33. ^ Национальное управление океанических и атмосферных исследований (12 ноября 2010 г.). «НОАА отправляет высокотехнологичный исследовательский самолет для улучшения прогнозов зимних штормов» . Проверено 22 декабря 2010 г.
  34. ^ Стенсруд, Дэвид Дж. (2007). Схемы параметризации: ключи к пониманию моделей численного прогноза погоды. Издательство Кембриджского университета . п. 137. ИСБН 978-0-521-86540-1.
  35. ^ Хоутон, Джон Теодор (1985). Глобальный климат. Архив прессы Кембриджского университета. стр. 49–50. ISBN 978-0-521-31256-1.
  36. ^ Пилке, Роджер А. (2002). Мезомасштабное метеорологическое моделирование . Академическая пресса . стр. 48–49. 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. ^ Сундерам, В.С.; Г. Дик ван Альбада; Питер М.А. Слот; Джей Джей Донгарра (2005). Вычислительная наука – ICCS 2005: 5-я Международная конференция, Атланта, Джорджия, США, 22–25 мая 2005 г., Материалы, Часть 1. Springer. п. 132. ИСБН 978-3-540-26032-5.
  39. ^ Цвифельхофер, Вальтер; Норберт Крейц; Европейский центр среднесрочных прогнозов погоды (2001 г.). Развитие теракомпьютеров: материалы девятого семинара ЕЦСПП по использованию высокопроизводительных вычислений в метеорологии. Всемирная научная. п. 276. ИСБН 978-981-02-4761-4.
  40. ^ abc Чан, Джонни CL и Джеффри Д. Кеперт (2010). Глобальные перспективы тропических циклонов: от науки к смягчению последствий. Всемирная научная. стр. 295–301. ISBN 978-981-4293-47-1.
  41. ^ Холтон, Джеймс Р. (2004). Введение в динамическую метеорологию, Том 1. Академическое издательство. п. 480. ИСБН 978-0-12-354015-7.
  42. ^ Браун, Молли Э. (2008). Системы раннего предупреждения о голоде и данные дистанционного зондирования. Спрингер. п. 121. ИСБН 978-3-540-75367-4.
  43. ^ аб Стрикверда, Джон К. (2004). Конечно-разностные схемы и уравнения в частных производных. СИАМ. стр. 165–170. ISBN 978-0-89871-567-5.
  44. ^ Пилке, Роджер А. (2002). Мезомасштабное метеорологическое моделирование . Академическая пресса . п. 65. ИСБН 978-0-12-554766-6.
  45. ^ Аренс, К. Дональд (2008). Основы метеорологии: приглашение в атмосферу. Cengage Обучение. п. 244. ИСБН 978-0-495-11558-8.
  46. ^ Нарита, Масами и Сиро Омори (6 августа 2007 г.). «3.7 Улучшение прогнозов осадков с помощью оперативной негидростатической мезомасштабной модели с конвективной параметризацией Кейна-Фрича и облачной микрофизикой» (PDF) . 12-я конференция по мезомасштабным процессам . Американское метеорологическое общество . Проверено 15 февраля 2011 г.
  47. ^ Фриерсон, Дарган (14 сентября 2000 г.). «Схема параметризации диагностического облака» (PDF) . Университет Вашингтона . стр. 4–5. Архивировано из оригинала (PDF) 1 апреля 2011 года . Проверено 15 февраля 2011 г.
  48. ^ Стенсруд, Дэвид Дж. (2007). Схемы параметризации: ключи к пониманию моделей численного прогноза погоды. Издательство Кембриджского университета. п. 6. ISBN 978-0-521-86540-1.
  49. ^ Мельникова, Ирина Н. и Александр В. Васильев (2005). Коротковолновая солнечная радиация в земной атмосфере: расчет, наблюдение, интерпретация. Спрингер. стр. 226–228. ISBN 978-3-540-21452-6.
  50. ^ Стенсруд, Дэвид Дж. (2007). Схемы параметризации: ключи к пониманию моделей численного прогноза погоды. Издательство Кембриджского университета. стр. 12–14. ISBN 978-0-521-86540-1.
  51. ^ Уорнер, Томас Томкинс (2010). Численный прогноз погоды и климата. Издательство Кембриджского университета . п. 259. ИСБН 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 Обучение. п. 10. ISBN 978-0-495-11558-8.
  54. ^ Янич, Зависа; Галл, Роберт; Пайл, Мэтью Э. (февраль 2010 г.). «Научная документация для решателя NMM» (PDF) . Национальный центр атмосферных исследований . стр. 12–13. Архивировано из оригинала (PDF) 23 августа 2011 г. Проверено 3 января 2011 г.
  55. ^ HIRLAM. Архивировано 30 апреля 2018 г. в Wayback Machine.
  56. ^ Консорциум по маломасштабному моделированию. Консорциум маломасштабного моделирования. Проверено 13 января 2008 г.
  57. ^ Лак, К., Шабуро, П., Массон, В., Пинти, П., Туле, П., Эскобар, Дж., ... и Омонд, П. (2018). Обзор модели Meso-NH версии 5.4 и ее приложений. Разработка геонаучной модели, 11, 1929–1969.
  58. ^ Лафоре, Жан Филипп и др. «Система моделирования атмосферы Meso-NH. Часть I: Адиабатическая формулировка и моделирование управления». Анналы геофизики. Том. 16. № 1. Коперник ГмбХ, 1998.
  59. ^ Баум, Марша Л. (2007). Когда природа наносит удар: погодные катаклизмы и закон. Издательская группа Гринвуд. п. 189. ИСБН 978-0-275-22129-4.
  60. ^ Гюльтепе, Исмаил (2007). Туман и облака пограничного слоя: видимость и прогноз тумана. Спрингер. п. 1144. ИСБН 978-3-7643-8418-0.
  61. ^ Барри, Роджер Грэм и Ричард Дж. Чорли (2003). Атмосфера, погода и климат. Психология Пресс. п. 172. ИСБН 978-0-415-27171-4.
  62. ^ AB Питер Линч (2006). «Интеграция ENIAC». Появление численного прогноза погоды: мечта Ричардсона . Издательство Кембриджского университета . п. 208. ИСБН 978-0-521-85729-1. Проверено 6 февраля 2018 года .
  63. ^ Национальное управление океанических и атмосферных исследований (22 мая 2008 г.). «Первая климатическая модель» . Проверено 8 января 2011 г.
  64. ^ Манабе С.; Ветералд РТ (1975). «Влияние удвоения концентрации CO2 на климат модели общей циркуляции». Журнал атмосферных наук . 32 (3): 3–15. Бибкод :1975ДЖатС...32....3М. doi : 10.1175/1520-0469(1975)032<0003:teodtc>2.0.co;2 .
  65. ^ «Загрузка CAM 3.1» . www.cesm.ucar.edu . Проверено 25 июня 2019 г.
  66. ^ Уильям Д. Коллинз; и другие. (июнь 2004 г.). «Описание модели атмосферы сообщества NCAR (CAM 3.0)» (PDF) . Университетская корпорация по исследованию атмосферы . Архивировано из оригинала (PDF) 26 сентября 2019 года . Проверено 3 января 2011 г.
  67. ^ «МОДЕЛЬ АТМОСФЕРЫ СООБЩЕСТВА CAM3.0» . Университетская корпорация по исследованию атмосферы . Проверено 6 февраля 2018 г. .
  68. ^ Юнкан Сюэ и Майкл Дж. Феннесси (20 марта 1996 г.). «Влияние свойств растительности на прогноз летней погоды в США» (PDF) . Журнал геофизических исследований . 101 (D3): 7419. Бибкод : 1996JGR...101.7419X. CiteSeerX 10.1.1.453.551 . дои : 10.1029/95JD02169. Архивировано из оригинала (PDF) 10 июля 2010 года . Проверено 6 января 2011 г. 
  69. ^ Александр Бакланов; Аликс Расмуссен; Барбара Фэй; Эрик Берге; Сандро Финарди (сентябрь 2002 г.). «Потенциал и недостатки моделей численного прогнозирования погоды при предоставлении метеорологических данных для прогнозирования загрязнения воздуха в городах». Загрязнение воды, воздуха и почвы: фокус . 2 (5): 43–60. дои : 10.1023/А: 1021394126149. S2CID  94747027.
  70. ↑ Джеймс Франклин (20 апреля 2010 г.). «Проверка прогнозов Национального центра ураганов». Национальный центр ураганов . Архивировано из оригинала 2 января 2011 года . Проверено 2 января 2011 г.
  71. ^ Эдвард Н. Раппапорт; Джеймс Л. Франклин; Ликсион А. Авила; Стивен Р. Бэйг; Джон Л. Бевен II; Эрик С. Блейк; Кристофер А. Берр; Цзянн-Гво Цзин; Кристофер А. Джакинс; Ричард Д. Кнабб; Кристофер В. Ландси; Мишель Майнелли; Макс Мэйфилд; Колин Дж. МакЭди; Ричард Дж. Паш; Кристофер Сиско; Стейси Р. Стюарт; Аша Н. Триббл (апрель 2009 г.). «Достижения и проблемы Национального центра ураганов». Погода и прогнозирование . 24 (2): 395–419. Бибкод : 2009WtFor..24..395R. CiteSeerX 10.1.1.207.4667 . дои : 10.1175/2008WAF2222128.1. 

дальнейшее чтение

Внешние ссылки