stringtranslate.com

Модель прогноза тропических циклонов

Значительные ошибки в траектории все еще случаются время от времени, как видно из этого раннего прогноза Эрнесто (2006) . Официальный прогноз NHC обозначен светло-голубым цветом, тогда как фактический путь шторма — белая линия над Флоридой .

Модель прогноза тропических циклонов — это компьютерная программа, которая использует метеорологические данные для прогнозирования аспектов будущего состояния тропических циклонов . Существует три типа моделей: статистические, динамические или комбинированные статистико-динамические. [1] Динамические модели используют мощные суперкомпьютеры со сложным программным обеспечением для математического моделирования и метеорологические данные для расчета будущих погодных условий . Статистические модели прогнозируют эволюцию тропического циклона более простым способом, экстраполируя исторические наборы данных, и, таким образом, могут быстро запускаться на таких платформах, как персональные компьютеры . Статистико-динамические модели используют аспекты обоих типов прогнозирования. Для тропических циклонов существует четыре основных типа прогнозов: траектория , интенсивность, штормовой нагон и осадки . Динамические модели не были разработаны до 1970-х и 1980-х годов, причем более ранние усилия были сосредоточены на проблеме штормовых нагонов.

Модели треков не демонстрировали прогностических способностей по сравнению со статистическими моделями до 1980-х годов. Статистико-динамические модели использовались с 1970-х по 1990-е годы. Ранние модели используют данные из предыдущих прогонов моделей, в то время как поздние модели выдают выходные данные после отправки официального прогноза урагана. Использование консенсусных , ансамблевых и суперансамблевых прогнозов снижает ошибки больше, чем любая отдельная модель прогноза. Как консенсусные, так и суперансамблевые прогнозы могут использовать руководство глобальных и региональных прогонов моделей для улучшения производительности больше, чем любой из их соответствующих компонентов. Методы, используемые в Объединенном центре предупреждения о тайфунах, показывают, что суперансамблевые прогнозы являются очень мощным инструментом для прогнозирования треков.

Статистическое руководство

r-CLIPER для урагана Изабель (2003)

Первым статистическим руководством, используемым Национальным центром ураганов, был метод аналоговых ураганов (HURRAN), который был доступен в 1969 году. Он использовал недавно разработанную базу данных тропических циклонов Северной Атлантики для поиска штормов с похожими траекториями. Затем он смещал их траектории по текущему пути шторма и использовал местоположение, направление и скорость движения, а также дату для поиска подходящих аналогов. Метод хорошо справлялся со штормами к югу от 25-й параллели , которые еще не повернули на север, но плохо с системами вблизи или после рекурвации. [2] С 1972 года статистическая модель Climatology and Persistence (CLIPER) использовалась для помощи в составлении прогнозов траекторий тропических циклонов. В эпоху искусных динамических прогнозов CLIPER теперь используется в качестве базовой линии для демонстрации мастерства модели и прогнозиста. [3] Статистический прогноз интенсивности ураганов (SHIFOR) используется с 1979 года для прогнозирования интенсивности тропических циклонов. Он использует климатологию и инерционность для прогнозирования будущей интенсивности, включая текущий юлианский день , текущую интенсивность циклона, интенсивность циклона 12 часов назад, начальную широту и долготу шторма, а также его зональные (восток-запад) и меридиональные (север-юг) компоненты движения. [2]

Серия статистико-динамических моделей, которые использовали уравнения регрессии, основанные на выходных данных CLIPER и последних выходных данных примитивных моделей уравнений, запущенных в Национальном метеорологическом центре, а затем Национальном центре прогнозирования окружающей среды , были разработаны в период с 1970-х по 1990-е годы и получили названия NHC73, NHC83, NHC90, NHC91 и NHC98. [1] [4] В области прогнозирования траекторий тропических циклонов , несмотря на постоянное улучшение динамического модельного руководства, которое происходило с ростом вычислительной мощности, только в десятилетие 1980-х годов численное прогнозирование погоды продемонстрировало свою эффективность , и только в 1990-х годах оно последовательно превосходило статистические или простые динамические модели. [5] В 1994 году была создана версия SHIFOR для северо-западной части Тихого океана для прогнозирования тайфунов , известная как Статистический прогноз интенсивности тайфунов (STIFOR), которая использовала данные 1971–1990 годов для этого региона для разработки прогнозов интенсивности на 72 часа вперед. [6]

Что касается прогнозирования интенсивности, то статистическая схема прогнозирования интенсивности ураганов (SHIPS) использует взаимосвязи между условиями окружающей среды из Глобальной системы прогнозирования (GFS), такими как вертикальный сдвиг ветра и температура поверхности моря , климатология и устойчивость (поведение шторма) с помощью методов множественной регрессии, чтобы составить прогноз интенсивности для систем в северной части Атлантического океана и северо-восточной части Тихого океана. [1] Похожая модель была разработана для северо-западной части Тихого океана и Южного полушария, известная как Статистическая система прогнозирования интенсивности (STIPS), которая учитывает взаимодействие с сушей через входные условия окружающей среды из модели Глобальной оперативной системы прогнозирования ВМС (NOGAPS). [7] Версия SHIPS с компонентом внутреннего распада известна как Decay SHIPS (DSHIPS). Модель уравнения логистического роста (LGEM) использует те же входные данные, что и SHIPS, но в рамках упрощенной динамической системы прогнозирования. [1] В рамках прогнозирования осадков тропических циклонов была разработана модель Rainfall Climatology and Persistence (r-CLIPER) с использованием микроволновых данных об осадках с полярно-орбитальных спутников над океаном и измерений осадков первого порядка с суши, чтобы получить реалистичное распределение осадков для тропических циклонов на основе прогноза траектории Национального центра ураганов. Она действует с 2004 года. [8] Была разработана статистико-параметрическая модель радиусов ветра для использования в Национальном центре ураганов и Объединенном центре предупреждения о тайфунах, которая использует климатологию и устойчивость для прогнозирования структуры ветра на пять дней вперед. [2]

Динамическое наведение

Пример SLOSH-пробега

Первая динамическая модель прогнозирования траектории ураганов, модель прогнозирования траектории баротропного тропического циклона Сандерса (SANBAR) [9] , была представлена ​​в 1970 году и использовалась Национальным центром по наблюдению за ураганами в качестве части его оперативного руководства по траектории до 1989 года. Она была основана на упрощенном наборе атмосферных динамических уравнений (эквивалентная баротропная формулировка) с использованием ветра, усредненного по глубинному слою.

В 1972 году была разработана первая модель для прогнозирования штормовых нагонов вдоль континентального шельфа Соединенных Штатов, известная как Специальная программа по перечислению амплитуд нагонов от ураганов (SPLASH). [10] В 1978 году начала работать первая полнофизическая модель отслеживания ураганов, основанная на атмосферной динамике — модель подвижной мелкой сетки (MFM). [11] Квазилагранжева модель ограниченной области (QLM) — это многоуровневая примитивная модель уравнения, использующая декартову сетку и Глобальную систему прогнозирования (GFS) для граничных условий. [2] В начале 1980-х годов было обнаружено, что ассимиляция спутниковых ветров из водяного пара, инфракрасных и видимых спутниковых изображений улучшает прогнозирование траектории тропических циклонов. [12] Модель ураганов Геофизической лаборатории гидродинамики (GFDL) использовалась в исследовательских целях в период с 1973 по середину 1980-х годов. После того, как было установлено, что она может продемонстрировать эффективность в прогнозировании ураганов, многолетний переход преобразовал исследовательскую модель в оперативную модель, которую Национальная метеорологическая служба могла использовать как для прогнозирования траектории, так и для прогнозирования интенсивности в 1995 году. [13] К 1985 году была разработана модель Sea Lake and Overland Surges from Hurricanes (SLOSH) для использования в районах Мексиканского залива и вблизи восточного побережья США, которая оказалась более надежной, чем модель SPLASH. [14]

Модель бета-адвекции (BAM) используется в оперативном режиме с 1987 года с использованием управляющих ветров, усредненных в слое от 850 гПа до 200 гПа, и бета-эффекта, который заставляет шторм дрейфовать на северо-запад из-за различий в эффекте Кориолиса по всему тропическому циклону. [15] Чем больше циклон, тем больше, вероятно, будет воздействие бета-эффекта. [16] Начиная с 1990 года, в оперативном режиме использовались три версии BAM: BAM неглубокий (BAMS) средние ветры в слое от 850 гПа до 700 гПа, BAM средний (BAMM), который использует средние ветры в слое от 850 гПа до 400 гПа, и BAM глубокий (BAMD), который совпадает с BAM до 1990 года. [4] Для слабого урагана без развитой центральной грозовой активности BAMS работает хорошо, потому что слабые штормы, как правило, направляются ветрами низкого уровня. [1] По мере того, как шторм становится сильнее, а связанная с ним грозовая активность вблизи его центра становится глубже, BAMM и BAMD становятся более точными, поскольку эти типы штормов больше направляются ветрами верхнего уровня. Если прогноз из трех версий схож, то прогнозист может сделать вывод о минимальной неопределенности, но если версии сильно различаются, то прогнозист менее уверен в предсказанном пути из-за большей неопределенности. [17] Большие различия между прогнозами моделей также могут указывать на сдвиг ветра в атмосфере, что также может повлиять на прогноз интенсивности. [1]

Протестированная в 1989 и 1990 годах, модель Vic Ooyama Barotropic (VICBAR) использовала кубическое B-сплайновое представление переменных для объективного анализа наблюдений и решений уравнений прогнозирования мелководья на вложенных доменах с граничными условиями, определенными как глобальная модель прогноза. [18] Она была реализована в оперативном порядке как модель Limited Area Sine Transform Barotropic (LBAR) в 1992 году с использованием GFS для граничных условий. [2] К 1990 году Австралия разработала собственную модель штормовых нагонов, которую можно было запустить за несколько минут на персональном компьютере. [19] Японское метеорологическое агентство (JMA) разработало собственную модель тайфунов (TYM) в 1994 году, [20] а в 1998 году агентство начало использовать собственную динамическую модель штормовых нагонов . [21]

Прогноз NOAA для урагана Айрин

Модель Hurricane Weather Research and Forecasting (HWRF) является специализированной версией модели Weather Research and Forecasting (WRF) и используется для прогнозирования траектории и интенсивности тропических циклонов . Модель была разработана Национальным управлением океанических и атмосферных исследований (NOAA), Военно-морской исследовательской лабораторией США , Университетом Род-Айленда и Университетом штата Флорида . [22] Она была введена в эксплуатацию в 2007 году. [23] Несмотря на улучшения в прогнозировании траектории, прогнозирование интенсивности тропического циклона на основе численного прогноза погоды продолжает оставаться сложной задачей, поскольку статистические методы продолжают демонстрировать более высокую точность по сравнению с динамическим руководством. [24] Помимо специализированных руководств, для целей отслеживания и интенсивности используются такие глобальные руководства, как GFS, унифицированная модель (UKMET), NOGAPS, японская глобальная спектральная модель (GSM), модель Европейского центра среднесрочных прогнозов погоды , французские модели Action de Recherche Petite Echelle Grande Echelle (ARPEGE) и Aire Limit´ee Adaptation Dynamique Initialisation (ALADIN), модель Национального центра среднесрочного прогнозирования погоды (NCMRWF) Индии, модели Глобальной системы усвоения и прогнозирования данных (GDAPS) и Региональной системы усвоения и прогнозирования данных (RDAPS) Кореи, модель Операционной региональной спектральной модели (ORSM) Гонконга/Китая и канадская модель глобальной многомасштабной экологической модели (GEM). [2]

Своевременность

Некоторые модели не выдают результаты достаточно быстро, чтобы их можно было использовать для цикла прогнозирования сразу после запуска модели (включая HWRF, GFDL и FSSE). Большинству из вышеперечисленных моделей треков (кроме CLIPER) требуются данные из глобальных погодных моделей , таких как GFS, которые выдают результаты примерно через четыре часа после синоптического времени 00:00, 06:00, 12:00 и 18:00 по всемирному координированному времени (UTC). Для половины своих прогнозов NHC выпускает прогнозы только через три часа после этого времени, поэтому некоторые «ранние» модели — NHC90, BAM и LBAR — запускаются с использованием 12-часового прогноза на текущее время. «Поздние» модели, такие как GFS и GFDL, заканчивают работу после того, как рекомендация уже была выпущена. Эти модели интерполируются в текущее положение шторма для использования в следующем цикле прогнозирования — например, GFDI, интерполированная версия модели GFDL. [1] [25]

Методы консенсуса

Вверху : Моделирование траекторий урагана Рита с помощью модели WRF . Внизу : Распространение многомодельного ансамблевого прогноза NHC.

Использование консенсуса моделей прогнозирования снижает ошибку прогноза. [26] С точки зрения траектории, модель GUNA представляет собой консенсус интерполированных версий GFDL, UKMET с контролем качества, применяемым к трекеру циклонов, моделям NOGAPS ВМС США и GFS. Версия GUNA, скорректированная с учетом смещений модели, известна как CGUN. Консенсус TCON представляет собой консенсус GUNA плюс модель WRF для ураганов. Версия TCON, скорректированная с учетом смещений модели, известна как TCCN. Запаздывающее среднее последних двух запусков членов в рамках модели TCON плюс модель ECMWF известна как консенсус TVCN. Версия TVCN, скорректированная с учетом смещений модели, является консенсусом TVCC. [1]

В начале 2013 года NAVGEM заменила NOGAPS в качестве основной оперативной глобальной модели прогнозирования ВМС. В сезоне 2013 года и до тех пор, пока не будет проведена проверка модели, она не будет использоваться при разработке каких-либо консенсусных прогнозов.

Для интенсивности комбинация моделей LGEM, интерполированной GFDL, интерполированной HWRF и DSHIPS известна как консенсус ICON. Запаздывающее среднее последних двух запусков моделей в консенсусе ICON называется консенсусом IVCN. [1] По всей северо-западной части Тихого океана и Южному полушарию формируется консенсус STIPS из десяти членов на основе выходных данных NOGAPS, GFS, японской GSM, связанной системы прогнозирования мезомасштаба океана и атмосферы (COAMPS), UKMET, японской TYM, GFDL с граничными условиями NOGAPS, модели метеорологического агентства ВВС (AFWA), австралийской системы прогнозирования локальной зоны тропических циклонов и баротропной модели Вебера. [7]

Ансамблевые методы

Ни одна модель не является идеально точной, поскольку невозможно узнать все об атмосфере достаточно своевременно, а проводимые атмосферные измерения не являются абсолютно точными. [27] Использование ансамблевого метода прогнозирования, будь то ансамбль из нескольких моделей или многочисленные члены ансамбля, основанные на глобальной модели, помогает определить неопределенность и дополнительно ограничить ошибки. [28] [29]

JMA разработала систему ансамблевого прогнозирования тайфунов из 11 членов, известную как Typhoon Ensemble Prediction System (TEPS), с февраля 2008 года, которая работает на 132 часа вперед. Она использует версию GSM с более низким разрешением (с большим шагом сетки) с десятью возмущенными членами и одним невозмущенным членом. Система уменьшает ошибки в среднем на 40 километров (25 миль) на пять дней вперед по сравнению с GSM с более высоким разрешением. [30]

Florida State Super Ensemble (FSSE) создается из набора моделей, которые затем используют статистические уравнения регрессии, разработанные в течение фазы обучения, чтобы уменьшить их смещения, что дает прогнозы лучше, чем модели-члены или их среднее решение. Он использует 11 глобальных моделей, включая пять, разработанных в Университете штата Флорида , Унифицированную модель, GFS, NOGAPS, NOGAPS ВМС США, модель Австралийского бюро метеорологических исследований (BMRC) и канадскую модель Recherche en Prévision Numérique (RPN). Он демонстрирует значительную способность в прогнозировании пути, интенсивности и осадков тропических циклонов. [31]

Система Systematic Approach Forecast Aid (SAFA) была разработана Объединенным центром предупреждения о тайфунах для создания выборочного консенсусного прогноза, который исключал из рассмотрения больше ошибочных прогнозов в 72-часовом временном интервале с использованием модели ВМС США NOGAPS, GFDL, глобальных и тайфунных моделей Японского метеорологического агентства, а также UKMET. Все модели улучшились за пятилетнюю историю SAFA, и удаление ошибочных прогнозов оказалось сложным в ходе операций. [32]

Теория солнечных пятен

Отчет 2010 года связывает низкую активность солнечных пятен с высокой активностью ураганов . Анализ исторических данных показал, что вероятность того, что хотя бы один ураган ударит по континентальной части США в год пиковой активности солнечных пятен, составляет 25%, а в год низкой активности солнечных пятен — 64%. В июне 2010 года предсказатели ураганов в США не использовали эту информацию. [33]

Точность модели прогноза ураганов

Точность моделей прогнозирования ураганов может значительно различаться от шторма к шторму. Для некоторых штормов факторы, влияющие на траекторию урагана, относительно просты, и модели не только точны, но и дают схожие прогнозы, в то время как для других штормов факторы, влияющие на траекторию урагана, более сложны, и разные модели дают очень разные прогнозы. [34]

Смотрите также

Ссылки

  1. ^ abcdefghi Национальный центр по наблюдению за ураганами (июль 2009 г.). "Техническое резюме моделей траектории и интенсивности Национального центра по наблюдению за ураганами" (PDF) . Национальное управление океанических и атмосферных исследований . стр. 1–7 . Получено 26 февраля 2011 г. .
  2. ^ abcdef Чан, Джонни CL и Джеффри Д. Кеперт (2010). Глобальные перспективы тропических циклонов: от науки к смягчению последствий. World Scientific. стр. 288–292. ISBN 978-981-4293-47-1. Получено 24 февраля 2011 г.
  3. ^ Knaff, John A.; Demaria, Mark; Sampson, Charles R.; Gross, James M. (февраль 2003 г.). "Статистические прогнозы интенсивности тропических циклонов на 5 дней, полученные из климатологии и устойчивости" (PDF) . Weather and Forecasting . 18 : 80–81. Bibcode :2003WtFor..18...80K. doi :10.1175/1520-0434(2003)018<0080:SDTCIF>2.0.CO;2. ISSN  1520-0434 . Получено 25 февраля 2011 г. .
  4. ^ ab Simpson, Robert H. (2003). Ураган!: борьба с катастрофой: прогресс и проблемы с Галвестона, 1900. Американский геофизический союз . стр. 110. ISBN 978-0-87590-297-5. Получено 25 февраля 2011 г.
  5. ^ Франклин, Джеймс (20 апреля 2010 г.). "Проверка прогноза Национального центра по ураганам". Национальный центр по ураганам . Получено 2 января 2011 г.
  6. ^ Чу, Джан-Хва (ноябрь 1994 г.). «Модель регрессии для прогноза интенсивности тропических циклонов в западной части северной части Тихого океана». Исследовательская лаборатория ВМС США . Архивировано из оригинала 8 апреля 2013 г. Получено 15 марта 2011 г.
  7. ^ ab Sampson, Charles R., John A. Knaff и Mark DeMaria (1 марта 2006 г.). "Консенсус по статистической модели интенсивности для Объединенного центра предупреждения о тайфунах" (PDF) . Получено 15 марта 2011 г.{{cite web}}: CS1 maint: multiple names: authors list (link)
  8. ^ Национальный исследовательский совет (США). Комитет по будущему миссий по измерению осадков, Национальный исследовательский совет (США). Совет по атмосферным наукам и климату (2007). Роль NOAA в космической глобальной оценке осадков и их применении. National Academies Press. ISBN 978-0-309-10298-8.
  9. ^ RW Burpee (2008). "Модель прогнозирования траектории баротропического тропического циклона Сандерса (SANBAR)". Метеорологические монографии . 33 (55): 233–240. Bibcode : 2008MetMo..33..233B. doi : 10.1175/0065-9401-33.55.233 .
  10. ^ Jelesnianski, CP, J. Chen и WA Shaffer (апрель 1992 г.). "SLOSH: Sea, lake, and Overland Surges from Hurricanes. NOAA Technical Report NWS 48" (PDF) . Национальное управление океанических и атмосферных исследований . стр. 2. Архивировано из оригинала (PDF) 21 июля 2011 г. . Получено 15 марта 2011 г. .{{cite web}}: CS1 maint: multiple names: authors list (link)
  11. ^ Шуман, Фредерик Г. (сентябрь 1989 г.). «История численного прогнозирования погоды в Национальном метеорологическом центре». Погода и прогнозирование . 4 (3): 286–296. Bibcode :1989WtFor...4..286S. doi : 10.1175/1520-0434(1989)004<0286:HONWPA>2.0.CO;2 . ISSN  1520-0434.
  12. ^ Le Marshall; JF; LM Leslie & AF Bennett (1996). «Тропический циклон Бети — пример преимуществ усвоения почасовых спутниковых данных о ветре» (PDF) . Australian Meteorological Magazine . 45 : 275.
  13. ^ Лаборатория геофизической гидродинамики (28 января 2011 г.). «Оперативное прогнозирование траектории и интенсивности ураганов». Национальное управление океанических и атмосферных исследований . Получено 25 февраля 2011 г.
  14. ^ Jarvinen BJ & CJ Neumann (1985). "Оценка модели штормового нагона SLOSH". Бюллетень Американского метеорологического общества . 66 (11): 1408–1411. Bibcode :1985BAMS...66.1408.. doi : 10.1175/1520-0477-66.11.1408 .
  15. ^ Глоссарий метеорологии (июнь 2000 г.). "Бета-эффект". Американское метеорологическое общество . Архивировано из оригинала 6 июня 2011 г. Получено 5 мая 2008 г.
  16. ^ "Раздел 1. Влияние на движение тропических циклонов". ВМС США . 2011. Получено 25 февраля 2011 г.
  17. ^ Уорнер, Томас Томкинс (2010). Численное прогнозирование погоды и климата. Cambridge University Press . С. 266–275. ISBN 978-0-521-51389-0. Получено 11 февраля 2011 г.
  18. ^ Демария, Марк; Аберсон, Сим Д.; Ояма, Кацуюки В.; Лорд, Стивен Дж. (1992). «Вложенная спектральная модель для прогнозирования траектории ураганов». Monthly Weather Review . 120 (8): 1628–1643. Bibcode : 1992MWRv..120.1628D. doi : 10.1175/1520-0493(1992)120<1628:ANSMFH>2.0.CO;2 . ISSN  1520-0493.
  19. ^ Хабберт, Грэм Д., Грег Дж. Холланд, Лэнс М. Лесли, Майкл Дж. Мэнтон (март 1991 г.). «Компьютерные методы: система реального времени для прогнозирования штормовых нагонов тропических циклонов». Погода и прогнозирование . 6 (1): 86–87. Bibcode : 1991WtFor...6...86H. doi : 10.1175/1520-0434(1991)006<0086:ARTSFF>2.0.CO;2 . ISSN  1520-0434.{{cite journal}}: CS1 maint: multiple names: authors list (link)
  20. ^ Zschau, Jochen & Andreas N. Küppers (2003). Системы раннего оповещения для уменьшения опасности стихийных бедствий. Springer. стр. 172. ISBN 978-3-540-67962-2. Получено 16 марта 2011 г.
  21. ^ Хигаки, Масакадзу, Хиронори Хаясибара и Футоши Нодзаки (20 апреля 2009 г.). «Описание модели прогнозирования штормовых нагонов в Японском метеорологическом агентстве» (PDF) . Японское метеорологическое агентство . стр. 25 . Получено 15 марта 2011 г. .{{cite web}}: CS1 maint: multiple names: authors list (link)
  22. ^ "Точность прогноза погоды повышается с новой компьютерной моделью". Пресс-релиз UCAR . Архивировано из оригинала 19 мая 2007 года . Получено 9 июля 2007 года .
  23. ^ "Новая усовершенствованная модель ураганов помогает прогнозистам NOAA". Журнал NOAA . Получено 9 июля 2007 г.
  24. ^ Раппапорт, Эдвард Н.; Франклин, Джеймс Л.; Авила, Ликсион А.; Бейг, Стивен Р.; Бевен, Джон Л.; Блейк, Эрик С.; Берр, Кристофер А.; Цзинь, Цзян-Гво; Джакинс, Кристофер А.; Кнабб, 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 Национального центра по ураганам». Погода и прогнозирование . 24 (2): 395–419. Bibcode :2009WtFor..24..395R. CiteSeerX 10.1.1.207.4667 . doi : 10.1175/2008WAF2222128.1. S2CID  14845745. 
  25. ^ Франклин, Джеймс Л. (21 мая 2006 г.). "Отчет о проверке прогноза Национального центра по ураганам за 2005 г." (PDF) . Национальный центр по ураганам . стр. 6 . Получено 26 февраля 2011 г. .
  26. ^ Кимберлен, Тодд (июнь 2007 г.). «Движение тропических циклонов и их интенсивность». Центр гидрометеорологического прогнозирования . Получено 21 июля 2007 г.
  27. ^ Эпштейн, ES (декабрь 1969). «Стохастическое динамическое предсказание». Tellus . 21 (6): 739–759. Bibcode : 1969Tell...21..739E. doi : 10.1111/j.2153-3490.1969.tb00483.x.
  28. ^ Grimit, Eric P.; Mass, Clifford F. (октябрь 2004 г.). «Переосмысление связи между распределением ансамбля и навыками с вероятностной точки зрения» (PDF) . Вашингтонский университет . Архивировано из оригинала (PDF) 12 октября 2008 г. . Получено 2 января 2010 г. .
  29. ^ Zhou, Binbin; Du, Jun (февраль 2010 г.). "Fog Prediction From a Multimodel Mesoscale Ensemble Prediction System" (PDF) . Weather and Forecasting . 25 (1): 303–322. Bibcode :2010WtFor..25..303Z. doi :10.1175/2009WAF2222289.1. S2CID  4947206. Архивировано из оригинала (PDF) 21 июля 2011 г. . Получено 2 января 2011 г. .
  30. ^ Ямагучи, Мунехико и Такуя Комори (20 апреля 2009 г.). «Описание системы прогнозирования ансамбля тайфунов в Японском метеорологическом агентстве» (PDF) . Японское метеорологическое агентство . стр. 14–15 . Получено 15 марта 2011 г. .
  31. ^ Палмер, Тим и Ренате Хагедорн (2006). Предсказуемость погоды и климата. Cambridge University Press. С. 532–545. ISBN 978-0-521-84882-4. Получено 26 февраля 2011 г.
  32. ^ Сэмпсон, Чарльз Р., Джон А. Кнафф и Эдвард М. Фукада (июнь 2007 г.). «Заметки и переписка: оперативная оценка выборочного консенсуса в западной части северо-тихоокеанского бассейна». Погода и прогнозирование . 22 (3): 671–675. Bibcode : 2007WtFor..22..671S. doi : 10.1175/WAF991.1 .{{cite journal}}: CS1 maint: multiple names: authors list (link)
  33. ↑ Уэймер, Джим (1 июня 2010 г.). «Исследователи: Меньше солнечных пятен, больше штормов». Мельбурн, Флорида: Florida Today. стр. 1A.
  34. ^ [NULL]. «Ураганы: наука и общество: точность модели прогнозирования ураганов».

Внешние ссылки