stringtranslate.com

Атмосферная модель

96-часовой прогноз высоты геопотенциала 850 мбар и температуры от Глобальной системы прогнозирования

В атмосферной науке атмосферная модель — это математическая модель, построенная вокруг полного набора примитивных динамических уравнений , которые управляют атмосферными движениями. Она может дополнять эти уравнения параметризациями для турбулентной диффузии, радиации , влажных процессов ( облаков и осадков ), теплообмена , почвы , растительности, поверхностных вод, кинематических эффектов рельефа и конвекции. Большинство атмосферных моделей являются числовыми, то есть 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 является либо глобальной , охватывающей всю Землю (или другое планетарное тело ), ​​либо региональной ( ограниченной области ), охватывающей только часть Земли. Атмосферные модели также различаются по тому, как они вычисляют вертикальные движения жидкости; некоторые типы моделей являются термотропными, [1] баротропными , гидростатическими и негидростатическими. Эти типы моделей различаются по своим предположениям об атмосфере, которые должны обеспечивать баланс между скоростью вычислений и точностью модели по отношению к моделируемой ею атмосфере.

Прогнозы вычисляются с использованием математических уравнений для физики и динамики атмосферы. Эти уравнения нелинейны и их невозможно решить точно. Поэтому численные методы получают приближенные решения. Различные модели используют разные методы решения. Глобальные модели часто используют спектральные методы для горизонтальных измерений и методы конечных разностей для вертикальных измерений, в то время как региональные модели обычно используют методы конечных разностей во всех трех измерениях. Для определенных местоположений статистика выходных данных модели использует климатическую информацию, выходные данные численного прогноза погоды и текущие наблюдения за погодой на поверхности для разработки статистических соотношений, которые учитывают смещение модели и проблемы разрешения.

Типы

Термотропный

Основное предположение, сделанное в термотропной модели, заключается в том, что, хотя величина термического ветра может меняться, его направление не меняется по отношению к высоте, и, таким образом, бароклинность в атмосфере можно моделировать с использованием  поверхностей геопотенциальной высоты 500 мб (15  дюймов рт . ст. ) и 1000 мб (30 дюймов рт. ст.) и среднего термического ветра между ними. [2] [3]

баротропный

Баротропные модели предполагают, что атмосфера почти баротропна , что означает, что направление и скорость геострофического ветра не зависят от высоты. Другими словами, нет вертикального сдвига ветра геострофического ветра. Это также подразумевает, что контуры толщины (прокси для температуры) параллельны контурам высоты верхнего уровня. В этом типе атмосферы области высокого и низкого давления являются центрами теплых и холодных температурных аномалий. Высокотемпературные максимумы с теплым ядром (такие как субтропический хребет и Бермудско-Азорский максимум) и низкотемпературные минимумы с холодным ядром имеют усиливающиеся ветры с высотой, причем обратное верно для высокотемпературных максимумов с холодным ядром (неглубоких арктических максимумов) и низкотемпературных минимумов с теплым ядром (таких как тропические циклоны ). [4] Баротропная модель пытается решить упрощенную форму атмосферной динамики, основанную на предположении, что атмосфера находится в геострофическом равновесии ; то есть, что число Россби воздуха в атмосфере мало. [5] Если предположить, что атмосфера свободна от дивергенции , то ротор уравнений Эйлера сводится к уравнению баротропной вихревой завихренности . Это последнее уравнение можно решить для одного слоя атмосферы. Поскольку атмосфера на высоте приблизительно 5,5 километров (3,4 мили) в основном свободна от дивергенции, баротропная модель наилучшим образом аппроксимирует состояние атмосферы на геопотенциальной высоте, соответствующей этой высоте, что соответствует поверхности давления атмосферы 500 мб (15 дюймов рт. ст.). [6]

Гидростатический

Гидростатические модели отфильтровывают вертикально движущиеся акустические волны из уравнения вертикального импульса, что значительно увеличивает временной шаг, используемый в ходе выполнения модели. Это известно как гидростатическое приближение . Гидростатические модели используют либо вертикальные координаты давления, либо сигма-давления . Координаты давления пересекают топографию, в то время как сигма-координаты следуют контуру земли. Его гидростатическое предположение разумно, пока горизонтальное разрешение сетки не мало, что является масштабом, в котором гидростатическое предположение не выполняется. Модели, которые используют все уравнение вертикального импульса, известны как негидростатические. Негидростатическая модель может быть решена неупруго, то есть она решает полное уравнение непрерывности для воздуха, предполагая, что он несжимаем, или упруго, то есть она решает полное уравнение непрерывности для воздуха и является полностью сжимаемым. Негидростатические модели используют высоту или сигма-высоту для своих вертикальных координат. Координаты высоты могут пересекать землю, в то время как координаты сигма-высоты следуют контурам земли. [7]

История

Главная панель управления ENIAC в Школе электротехники Мура

История численного прогнозирования погоды началась в 1920-х годах усилиями Льюиса Фрая Ричардсона , который использовал процедуры, разработанные Вильгельмом Бьеркнесом . [8] [9] Только с появлением компьютера и компьютерного моделирования время вычислений было сокращено до уровня, меньшего, чем сам период прогнозирования. ENIAC создал первые компьютерные прогнозы в 1950 году, [6] [10] а более мощные компьютеры позже увеличили размер исходных наборов данных и включили более сложные версии уравнений движения. [11] В 1966 году Западная Германия и Соединенные Штаты начали производить оперативные прогнозы на основе моделей примитивных уравнений , за ними последовали Великобритания в 1972 году и Австралия в 1977 году. [8] [12] Развитие глобальных моделей прогнозирования привело к появлению первых климатических моделей. [13] [14] Разработка моделей ограниченной области (региональных) способствовала прогрессу в прогнозировании траекторий тропических циклонов , а также качества воздуха в 1970-х и 1980-х годах. [15] [16]

Поскольку выходные данные моделей прогноза, основанные на атмосферной динамике , требуют поправок вблизи уровня земли, в 1970-х и 1980-х годах были разработаны статистические данные модели выходных данных (MOS) для отдельных точек прогноза (местоположений). [17] [18] Даже с ростом мощности суперкомпьютеров, прогнозная способность численных моделей погоды распространяется только примерно на две недели вперед, поскольку плотность и качество наблюдений — вместе с хаотичной природой дифференциальных уравнений в частных производных, используемых для расчета прогноза — вносят ошибки, которые удваиваются каждые пять дней. [19] [20] Использование ансамблевых прогнозов моделей с 1990-х годов помогает определить неопределенность прогноза и расширить прогноз погоды дальше в будущее, чем это было бы возможно в противном случае. [21] [22] [23]

Инициализация

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

Атмосфера представляет собой жидкость . Таким образом, идея численного прогнозирования погоды заключается в том, чтобы взять образец состояния жидкости в определенный момент времени и использовать уравнения динамики жидкости и термодинамики для оценки состояния жидкости в определенный момент времени в будущем. Процесс ввода данных наблюдений в модель для создания начальных условий называется инициализацией . На суше карты рельефа, доступные с разрешением до 1 километра (0,6 мили) по всему миру, используются для моделирования атмосферных циркуляций в регионах с неровной топографией, чтобы лучше отображать такие особенности, как нисходящие ветры, горные волны и связанная с ними облачность, которая влияет на поступающее солнечное излучение. [24] Основными входными данными от метеорологических служб стран являются наблюдения с устройств (называемых радиозондами ) на метеорологических шарах, которые измеряют различные параметры атмосферы и передают их на стационарный приемник, а также с метеорологических спутников . Всемирная метеорологическая организация действует для стандартизации приборов, методов наблюдения и сроков этих наблюдений во всем мире. Станции либо ежечасно сообщают в отчетах METAR , [25] либо каждые шесть часов в отчетах SYNOP . [26] Эти наблюдения неравномерно распределены, поэтому они обрабатываются методами усвоения данных и объективного анализа, которые выполняют контроль качества и получают значения в местах, пригодных для использования математическими алгоритмами модели. [27] Затем данные используются в модели в качестве отправной точки для прогноза. [28]

Для сбора данных наблюдений для использования в числовых моделях используются различные методы. Сайты запускают радиозонды на метеорологических шарах, которые поднимаются через тропосферу и далеко в стратосферу . [29] Информация с метеорологических спутников используется там, где недоступны традиционные источники данных. Commerce предоставляет отчеты пилотов по маршрутам самолетов [30] и отчеты судов по маршрутам судоходства. [31] Исследовательские проекты используют разведывательные самолеты для полетов в и вокруг интересующих погодных систем, таких как тропические циклоны . [32] [33] Разведывательные самолеты также летают над открытым океаном в холодное время года в системы, которые вызывают значительную неопределенность в прогнозировании или, как ожидается, окажут сильное воздействие в течение трех-семи дней в будущем на континенте ниже по течению. [34] Морской лед начал инициализироваться в моделях прогнозирования в 1971 году. [35] Попытки включить температуру поверхности моря в инициализацию модели начались в 1972 году из-за ее роли в модулировании погоды в более высоких широтах Тихого океана. [36]

Вычисление

Пример прогноза высоты геопотенциала 500 мбар с помощью числовой модели прогнозирования погоды.
Суперкомпьютеры способны запускать сложнейшие модели, помогая ученым лучше понять климат Земли.

Модель — это компьютерная программа, которая выдает метеорологическую информацию для будущих времен в заданных местах и ​​на заданных высотах. В любой модели есть набор уравнений, известных как примитивные уравнения , которые используются для прогнозирования будущего состояния атмосферы. [37] Эти уравнения инициализируются из данных анализа, и определяются скорости изменения. Эти скорости изменения предсказывают состояние атмосферы на короткое время в будущем, причем каждое приращение времени известно как временной шаг. Затем уравнения применяются к этому новому состоянию атмосферы, чтобы найти новые скорости изменения, и эти новые скорости изменения предсказывают атмосферу в еще большее время в будущем. Шаг по времени повторяется до тех пор, пока решение не достигнет желаемого времени прогноза. Длина шага по времени, выбранного в модели, связана с расстоянием между точками на вычислительной сетке и выбирается для поддержания численной стабильности . [38] Шаги по времени для глобальных моделей составляют порядка десятков минут, [39] в то время как шаги по времени для региональных моделей составляют от одной до четырех минут. [40] Глобальные модели запускаются в разное время в будущем. Унифицированная модель UKMET рассчитана на шесть дней вперед, [41] модель Европейского центра среднесрочных прогнозов погоды рассчитана на 10 дней вперед, [ 42] а модель Глобальной системы прогнозирования, разработанная Центром моделирования окружающей среды, рассчитана на 16 дней вперед. [43]

Используемые уравнения представляют собой нелинейные уравнения в частных производных, которые невозможно решить точно с помощью аналитических методов, [44] за исключением нескольких идеализированных случаев. [45] Поэтому численные методы позволяют получить приближенные решения. Различные модели используют различные методы решения: некоторые глобальные модели используют спектральные методы для горизонтальных измерений и методы конечных разностей для вертикальных измерений, в то время как региональные модели и другие глобальные модели обычно используют методы конечных разностей во всех трех измерениях. [44] Визуальный вывод, полученный в результате решения модели, известен как прогностическая карта , или prog . [46]

Параметризация

Ячейки сетки моделей погоды и климата имеют стороны от 5 километров (3,1 мили) до 300 километров (190 миль). Типичное кучевое облако имеет масштаб менее 1 километра (0,62 мили) и потребует еще более мелкой сетки, чтобы быть физически представленным уравнениями движения жидкости. Поэтому процессы, которые представляют такие облака , параметризуются процессами различной сложности. В самых ранних моделях, если столб воздуха в ячейке сетки модели был нестабилен (т. е. нижняя часть теплее верхней), то он переворачивался, и воздух в этой вертикальной колонке смешивался. Более сложные схемы добавляют улучшения, признавая, что только некоторые части ячейки могут конвектировать и что происходит увлечение и другие процессы. Погодные модели, которые имеют ячейки сетки со сторонами от 5 километров (3,1 мили) до 25 километров (16 миль), могут явно представлять конвективные облака, хотя им все еще необходимо параметризовать микрофизику облаков . [47] Образование крупномасштабных облаков ( слоистых ) имеет более физическую основу, они образуются, когда относительная влажность достигает некоторого предписанного значения. Тем не менее, необходимо учитывать процессы в масштабе подсетки. Вместо того, чтобы предполагать, что облака образуются при 100% относительной влажности, фракцию облаков можно связать с критической относительной влажностью 70% для слоистых облаков и на уровне или выше 80% для кучевых облаков, [48] отражая изменение масштаба подсетки, которое имело бы место в реальном мире.

Количество солнечной радиации, достигающей уровня земли в пересеченной местности или из-за переменной облачности, параметризуется, поскольку этот процесс происходит в молекулярном масштабе. [49] Кроме того, размер сетки моделей велик по сравнению с фактическим размером и неровностью облаков и топографии. Учитывается угол падения солнечных лучей, а также воздействие нескольких слоев облаков. [50] Тип почвы, тип растительности и влажность почвы определяют, сколько радиации идет на потепление и сколько влаги втягивается в прилегающую атмосферу. Таким образом, их важно параметризовать. [51]

Домены

Горизонтальная область модели является либо глобальной , охватывающей всю Землю, либо региональной , охватывающей только часть Земли. Региональные модели также известны как модели ограниченной области , или LAM. Региональные модели используют более мелкий шаг сетки для явного разрешения метеорологических явлений меньшего масштаба, поскольку их меньший домен снижает вычислительные требования. Региональные модели используют совместимую глобальную модель для начальных условий края их домена. Неопределенность и ошибки в LAM вносятся глобальной моделью, используемой для граничных условий края региональной модели, а также в создание граничных условий для самих LAM. [52]

Вертикальная координата обрабатывается различными способами. Некоторые модели, такие как модель Ричардсона 1922 года, используют геометрическую высоту ( ) в качестве вертикальной координаты. Более поздние модели заменили геометрическую координату системой координат давления, в которой геопотенциальные высоты поверхностей постоянного давления становятся зависимыми переменными , что значительно упростило примитивные уравнения. [53] Это следует из того, что давление уменьшается с высотой через атмосферу Земли . [54] Первая модель, используемая для оперативных прогнозов, однослойная баротропная модель, использовала одну координату давления на уровне 500 миллибар (15 дюймов рт. ст.) [6] и, таким образом, была по существу двумерной. Модели высокого разрешения — также называемые мезомасштабными моделями — такие как модель Weather Research and Forecasting, как правило, используют нормализованные координаты давления, называемые сигма-координатами . [55]

Глобальные версии

Некоторые из наиболее известных глобальных численных моделей:

Региональные версии

Некоторые из наиболее известных региональных численных моделей:

Статистика выходных данных модели

Поскольку модели прогнозирования, основанные на уравнениях динамики атмосферы, не идеально определяют погодные условия вблизи земли, были разработаны статистические поправки, чтобы попытаться решить эту проблему. Статистические модели были созданы на основе трехмерных полей, созданных числовыми моделями погоды, поверхностными наблюдениями и климатологическими условиями для конкретных мест. Эти статистические модели в совокупности называются статистикой выходных данных модели (MOS), [60] и были разработаны Национальной метеорологической службой для их набора моделей прогнозирования погоды. [17] Военно-воздушные силы США разработали свой собственный набор MOS, основанный на их динамической модели погоды к 1983 году. [18]

Статистика выходных данных модели отличается от метода идеальной программы , который предполагает, что выходные данные численного прогноза погоды идеальны. [61] MOS может корректировать локальные эффекты, которые не могут быть разрешены моделью из-за недостаточного разрешения сетки, а также смещения модели. Параметры прогноза в MOS включают максимальную и минимальную температуру, процентную вероятность дождя в течение нескольких часов, ожидаемое количество осадков, вероятность того, что осадки будут заморожены в природе, вероятность гроз, облачности и приземных ветров. [62]

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 . [13] [14] Затем несколько групп начали работать над созданием моделей общей циркуляции . [63] Первая модель общей циркуляции климата объединила океанические и атмосферные процессы и была разработана в конце 1960-х годов в Лаборатории геофизической гидродинамики , входящей в состав Национального управления океанических и атмосферных исследований США . [64]

К 1975 году Манабе и Везеральд разработали трехмерную модель глобального климата , которая дала приблизительно точное представление о текущем климате. Удвоение CO2 в атмосфере модели дало примерно 2 °C повышение глобальной температуры. [65] Несколько других видов компьютерных моделей дали похожие результаты: было невозможно создать модель, которая давала бы что-то похожее на реальный климат и не имела бы повышения температуры при увеличении концентрации CO2 .

К началу 1980-х годов Национальный центр атмосферных исследований США разработал модель атмосферы сообщества (CAM), которая может работать сама по себе или как атмосферный компонент модели климатической системы сообщества . Последнее обновление (версия 3.1) автономной модели CAM было выпущено 1 февраля 2006 года. [66] [67] [68] В 1986 году начались работы по инициализации и моделированию типов почв и растительности, что привело к более реалистичным прогнозам. [69] Связанные климатические модели океана и атмосферы, такие как модель HadCM3 Центра прогнозирования и исследования климата Хэдли , используются в качестве входных данных для исследований изменения климата . [63]

Моделирование ограниченной области

Распространение модели с ураганом Эрнесто (2006) в рамках моделей ограниченной области Национального центра по ураганам

Прогнозы загрязнения воздуха зависят от атмосферных моделей, которые предоставляют информацию о потоках жидкости для отслеживания перемещения загрязняющих веществ. [70] В 1970 году частная компания в США разработала региональную модель городского воздухораздела (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 ее улучшения. Хотя UAM была разработана для Калифорнии , в 1980-х годах она использовалась в других местах Северной Америки, Европы и Азии. [16]

Модель Movable Fine-Mesh, которая начала работать в 1978 году, была первой моделью прогнозирования тропических циклонов , основанной на атмосферной динамике . [15] Несмотря на постоянное улучшение динамического модельного руководства, ставшего возможным благодаря увеличению вычислительной мощности, только в 1980-х годах численное прогнозирование погоды (ЧПП) продемонстрировало мастерство в прогнозировании траектории тропических циклонов. И только в 1990-х годах ЧПП последовательно превосходило статистические или простые динамические модели. [71] Прогнозирование интенсивности тропических циклонов с использованием ЧПП также было сложной задачей. По состоянию на 2009 год динамическое руководство оставалось менее мастерским, чем статистические методы. [72]

Смотрите также

Ссылки

  1. ^ "Термотропная модель - Глоссарий метеорологии". glossarystaging.ametsoc.net . Американское метеорологическое общество . Получено 24 октября 2024 г. .
  2. ^ Гейтс, У. Лоуренс (август 1955 г.). Результаты численного прогнозирования с использованием баротропных и термотропных атмосферных моделей. База ВВС Ханском : Исследовательские лаборатории ВВС Кембриджа. Архивировано из оригинала 22 июля 2011 г.
  3. ^ Томпсон, PD; W. Lawrence Gates (апрель 1956 г.). «Тест методов численного прогнозирования на основе баротропных и двухпараметрических бароклинных моделей». Журнал метеорологии . 13 (2): 127–141. Bibcode : 1956JAtS...13..127T. doi : 10.1175/1520-0469(1956)013<0127:ATONPM>2.0.CO;2 . ISSN  1520-0469.
  4. ^ Уоллес, Джон М. и Питер В. Хоббс (1977). Атмосферная наука: вводный обзор . Academic Press, Inc. стр. 384–385. ISBN 978-0-12-732950-5.
  5. ^ Маршалл, Джон; Пламб, Р. Алан (2008). «Сбалансированный поток». Атмосфера, океан и динамика климата: вводный текст . Амстердам: Elsevier Academic Press. С. 109–12. ISBN 978-0-12-558691-7.
  6. ^ abc Чарни, Джул ; Фьёртофт, Рагнар; фон Нейман, Джон (ноябрь 1950 г.). «Численное интегрирование уравнения баротропной завихренности». Теллус . 2 (4): 237–254. Бибкод : 1950Tell....2..237C. дои : 10.3402/tellusa.v2i4.8607 .
  7. ^ Якобсон, Марк Закари (2005). Основы атмосферного моделирования. Cambridge University Press. С. 138–143. ISBN 978-0-521-83970-9.
  8. ^ ab Lynch, Peter (2008-03-20). "Истоки компьютерного прогнозирования погоды и моделирования климата" (PDF) . Journal of Computational Physics . 227 (7): 3431–44. Bibcode :2008JCoPh.227.3431L. doi :10.1016/j.jcp.2007.02.034. Архивировано из оригинала (PDF) 2010-07-08 . Получено 2010-12-23 .
  9. ^ Линч, Питер (2006). «Прогнозирование погоды с помощью числового процесса». Возникновение числового прогноза погоды . Cambridge University Press . С. 1–27. ISBN 978-0-521-85729-1.
  10. ^ Кокс, Джон Д. (2002). Storm Watchers. John Wiley & Sons, Inc. стр. 208. ISBN 978-0-471-38108-2.
  11. ^ Харпер, Кристин; Уччеллини, Луис В.; Калнай, Евгения; Кэри, Кеннет; Мороне, Лорен (май 2007 г.). «2007: 50-я годовщина оперативного численного прогнозирования погоды». Бюллетень Американского метеорологического общества . 88 (5): 639–650. Bibcode : 2007BAMS...88..639H. doi : 10.1175/BAMS-88-5-639 .
  12. ^ Лесли, Л. М.; Дитахмейер, Г. С. (декабрь 1992 г.). «Численное прогнозирование погоды в ограниченном районе в режиме реального времени в Австралии: историческая перспектива» (PDF) . Australian Meteorological Magazine . 41 (SP). Бюро метеорологии : 61–77 . Получено 03.01.2011 .
  13. ^ ab Norman A. Phillips (апрель 1956 г.). "Общая циркуляция атмосферы: численный эксперимент" (PDF) . Quarterly Journal of the Royal Meteorological Society . 82 (352): 123–154. Bibcode : 1956QJRMS..82..123P. doi : 10.1002/qj.49708235202.
  14. ^ ab John D. Cox (2002). Storm Watchers. John Wiley & Sons, Inc. стр. 210. ISBN 978-0-471-38108-2.
  15. ^ ab 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.
  16. ^ ab Steyn, DG (1991). Моделирование загрязнения воздуха и его применение VIII, том 8. Биркхойзер. стр. 241–242. ISBN 978-0-306-43828-8.
  17. ^ ab Гарри Хьюз (1976). Руководство по прогнозированию статистики выходных данных модели . Центр технических приложений по охране окружающей среды ВВС США. С. 1–16.
  18. ^ ab L. Best, DL & SP Pryor (1983). Системы статистики выходных данных модели службы погоды в воздухе . Air Force Global Weather Central. С. 1–90.
  19. ^ Кокс, Джон Д. (2002). Storm Watchers. John Wiley & Sons, Inc. стр. 222–224. ISBN 978-0-471-38108-2.
  20. ^ Вайкманн, Клаус, Джефф Уитакер, Андрес Рубичек и Кэтрин Смит (2001-12-01). Использование ансамблевых прогнозов для получения улучшенных среднесрочных (3–15 дней) прогнозов погоды. Центр диагностики климата . Получено 2007-02-16.
  21. ^ Тот, Золтан; Калнай, Евгения (декабрь 1997 г.). «Ансамблевое прогнозирование в NCEP и метод разведения». Monthly Weather Review . 125 (12): 3297–3319. Bibcode : 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. 
  22. ^ "Система прогнозирования ансамбля (EPS)". ECMWF . Архивировано из оригинала 25 января 2011 года . Получено 2011-01-05 .
  23. ^ Molteni, F.; Buizza, R.; Palmer, TN; Petroliagis, T. (январь 1996 г.). «Система ансамблевого прогнозирования ECMWF: методология и проверка». Quarterly Journal of the Royal Meteorological Society . 122 (529): 73–119. Bibcode : 1996QJRMS.122...73M. doi : 10.1002/qj.49712252905.
  24. ^ Стенсруд, Дэвид Дж. (2007). Схемы параметризации: ключи к пониманию численных моделей прогнозирования погоды. Cambridge University Press. стр. 56. ISBN 978-0-521-86540-1.
  25. ^ Национальный центр климатических данных (2008-08-20). "Ключ к наблюдениям за погодой на поверхности METAR". Национальное управление океанических и атмосферных исследований . Архивировано из оригинала 2002-11-01 . Получено 2011-02-11 .
  26. ^ "Формат данных SYNOP (FM-12): Синоптические наблюдения на поверхности". UNISYS . 2008-05-25. Архивировано из оригинала 2007-12-30.
  27. ^ Кришнамурти, TN (январь 1995). «Численное прогнозирование погоды». Annual Review of Fluid Mechanics . 27 (1): 195–225. Bibcode : 1995AnRFM..27..195K. doi : 10.1146/annurev.fl.27.010195.001211. S2CID  122230747.
  28. ^ "Система вариационной ассимиляции данных WRF (WRF-Var)". Университетская корпорация атмосферных исследований . 2007-08-14. Архивировано из оригинала 2007-08-14.
  29. ^ Гаффен, Дайан Дж. (2007-06-07). "Радиозондовые наблюдения и их использование в исследованиях, связанных со SPARC". Архивировано из оригинала 2007-06-07.
  30. ^ Ballish, Bradley A.; V. Krishna Kumar (ноябрь 2008 г.). «Систематические различия в температурах самолетов и радиозондов» (PDF) . Бюллетень Американского метеорологического общества . 89 (11): 1689–1708. Bibcode :2008BAMS...89.1689B. doi :10.1175/2008BAMS2332.1 . Получено 16.02.2011 .
  31. ^ Национальный центр данных буев (2009-01-28). "Схема судов добровольного наблюдения ВМО (VOS)". Национальное управление океанических и атмосферных исследований . Получено 2011-02-15 .
  32. ↑ 403-е крыло (2011). «Охотники за ураганами». 53-я эскадрилья метеорологической разведки . Архивировано из оригинала 2012-05-30 . Получено 2006-03-30 .{{cite web}}: CS1 maint: числовые имена: список авторов ( ссылка )
  33. ^ Ли, Кристофер (2007-10-08). «Дрон и датчики могут открыть путь в глаз бури». The Washington Post . Получено 22.02.2008 .
  34. ^ Национальное управление океанических и атмосферных исследований (2010-11-12). "NOAA отправляет высокотехнологичный исследовательский самолет для улучшения прогнозов зимних штормов" . Получено 2010-12-22 .
  35. ^ Стенсруд, Дэвид Дж. (2007). Схемы параметризации: ключи к пониманию численных моделей прогнозирования погоды. Cambridge University Press . стр. 137. ISBN 978-0-521-86540-1.
  36. ^ Хоутон, Джон Теодор (1985). Глобальный климат. Архив Cambridge University Press. С. 49–50. ISBN 978-0-521-31256-1.
  37. ^ Pielke, Roger A. (2002). Мезомасштабное метеорологическое моделирование . Academic Press . стр. 48–49. ISBN 978-0-12-554766-6.
  38. ^ Pielke, Roger A. (2002). Мезомасштабное метеорологическое моделирование . Academic Press . С. 285–287. ISBN 978-0-12-554766-6.
  39. ^ 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.
  40. ^ Цвифльхофер, Вальтер; Норберт Крайц; Европейский центр среднесрочных прогнозов погоды (2001). Достижения в области теракомпьютерных вычислений: материалы девятого семинара ЕЦСПП по использованию высокопроизводительных вычислений в метеорологии. World Scientific. стр. 276. ISBN 978-981-02-4761-4.
  41. ^ abc Чан, Джонни CL и Джеффри Д. Кеперт (2010). Глобальные перспективы тропических циклонов: от науки к смягчению последствий. World Scientific. стр. 295–301. ISBN 978-981-4293-47-1.
  42. ^ Холтон, Джеймс Р. (2004). Введение в динамическую метеорологию, том 1. Academic Press. стр. 480. ISBN 978-0-12-354015-7.
  43. ^ Браун, Молли Э. (2008). Системы раннего предупреждения о голоде и данные дистанционного зондирования. Springer. стр. 121. ISBN 978-3-540-75367-4.
  44. ^ ab Strikwerda, John C. (2004). Конечно-разностные схемы и уравнения в частных производных. SIAM. С. 165–170. ISBN 978-0-89871-567-5.
  45. ^ Pielke, Roger A. (2002). Мезомасштабное метеорологическое моделирование . Academic Press . стр. 65. ISBN 978-0-12-554766-6.
  46. ^ Аренс, К. Дональд (2008). Основы метеорологии: приглашение в атмосферу. Cengage Learning. стр. 244. ISBN 978-0-495-11558-8.
  47. ^ Нарита, Масами и Сиро Омори (2007-08-06). "3.7 Улучшение прогнозов осадков с помощью оперативной негидростатической мезомасштабной модели с конвективной параметризацией Кейна-Фрича и микрофизикой облаков" (PDF) . 12-я конференция по мезомасштабным процессам . Американское метеорологическое общество . Получено 15.02.2011 .
  48. ^ Фриерсон, Дарган (2000-09-14). "Схема параметризации диагностического облака" (PDF) . Вашингтонский университет . стр. 4–5. Архивировано из оригинала (PDF) 1 апреля 2011 г. . Получено 2011-02-15 .
  49. ^ Стенсруд, Дэвид Дж. (2007). Схемы параметризации: ключи к пониманию численных моделей прогнозирования погоды. Cambridge University Press. стр. 6. ISBN 978-0-521-86540-1.
  50. ^ Мельникова, Ирина Н. и Александр В. Васильев (2005). Коротковолновая солнечная радиация в атмосфере Земли: расчет, наблюдение, интерпретация. Springer. С. 226–228. ISBN 978-3-540-21452-6.
  51. ^ Стенсруд, Дэвид Дж. (2007). Схемы параметризации: ключи к пониманию численных моделей прогнозирования погоды. Cambridge University Press. С. 12–14. ISBN 978-0-521-86540-1.
  52. ^ Уорнер, Томас Томкинс (2010). Численное прогнозирование погоды и климата. Cambridge University Press . стр. 259. ISBN 978-0-521-51389-0.
  53. ^ Линч, Питер (2006). «Фундаментальные уравнения». Возникновение численного прогнозирования погоды . Cambridge University Press . С. 45–46. ISBN 978-0-521-85729-1.
  54. ^ Аренс, К. Дональд (2008). Основы метеорологии: приглашение в атмосферу. Cengage Learning. стр. 10. ISBN 978-0-495-11558-8.
  55. ^ Janjic, Zavisa; Gall, Robert; Pyle, Matthew E. (февраль 2010 г.). "Scientific Documentation for the NMM Solver" (PDF) . National Center for Atmospheric Research . стр. 12–13. Архивировано из оригинала (PDF) 2011-08-23 . Получено 2011-01-03 .
  56. ^ "HIRLAM". Архивировано из оригинала 30 апреля 2018 года.
  57. ^ Консорциум по мелкомасштабному моделированию. Консорциум по мелкомасштабному моделированию. Получено 13.01.2008.
  58. ^ Lac, C., Chaboureau, P., Masson, V., Pinty, P., Tulet, P., Escobar, J., ... и Aumond, P. (2018). Обзор версии модели Meso-NH 5.4 и ее приложений. Geoscientific Model Development, 11, 1929-1969.
  59. ^ Лафоре, Жан Филипп и др. «Система моделирования атмосферы Meso-NH. Часть I: Адиабатическая формулировка и моделирование управления». Annales geophysicae. Т. 16. № 1. Copernicus GmbH, 1998.
  60. ^ Баум, Марша Л. (2007). Когда наступает стихия: погодные катастрофы и закон. Greenwood Publishing Group. стр. 189. ISBN 978-0-275-22129-4.
  61. ^ Гултепе, Исмаил (2007). Туман и облака пограничного слоя: видимость тумана и прогнозирование. Springer. стр. 1144. ISBN 978-3-7643-8418-0.
  62. ^ Барри, Роджер Грэм и Ричард Дж. Чорли (2003). Атмосфера, погода и климат. Psychology Press. стр. 172. ISBN 978-0-415-27171-4.
  63. ^ ab Питер Линч (2006). "Интеграции ENIAC". Возникновение численного прогнозирования погоды: мечта Ричардсона . Cambridge University Press . стр. 208. ISBN 978-0-521-85729-1. Получено 6 февраля 2018 г.
  64. ↑ Национальное управление океанических и атмосферных исследований (22 мая 2008 г.). «Первая климатическая модель» . Получено 8 января 2011 г.
  65. ^ Manabe S.; Wetherald RT (1975). «Влияние удвоения концентрации CO2 на климат модели общей циркуляции». Журнал атмосферных наук . 32 (3): 3–15. Bibcode :1975JAtS...32....3M. doi : 10.1175/1520-0469(1975)032<0003:teodtc>2.0.co;2 .
  66. ^ "CAM 3.1 Download". www.cesm.ucar.edu . Получено 2019-06-25 .
  67. ^ Уильям Д. Коллинз и др. (июнь 2004 г.). «Описание модели атмосферы сообщества NCAR (CAM 3.0)» (PDF) . Университетская корпорация по атмосферным исследованиям . Архивировано из оригинала (PDF) 26 сентября 2019 г. . Получено 3 января 2011 г. .
  68. ^ "CAM3.0 COMMUNITY ATMOSPHERE MODEL". University Corporation for Atmospheric Research . Получено 6 февраля 2018 г.
  69. ^ Yongkang Xue & Michael J. Fennessey (20 марта 1996 г.). "Влияние свойств растительности на прогноз погоды летом в США" (PDF) . Journal of Geophysical Research . 101 (D3): 7419. Bibcode :1996JGR...101.7419X. CiteSeerX 10.1.1.453.551 . doi :10.1029/95JD02169. Архивировано из оригинала (PDF) 10 июля 2010 г. . Получено 6 января 2011 г. . 
  70. ^ Александр Бакланов; Аликс Расмуссен; Барбара Фэй; Эрик Берге; Сандро Финарди (сентябрь 2002 г.). «Потенциал и недостатки численных моделей прогнозирования погоды в предоставлении метеорологических данных для прогнозирования загрязнения городского воздуха». Загрязнение воды, воздуха и почвы: Focus . 2 (5): 43–60. doi :10.1023/A:1021394126149. S2CID  94747027.
  71. ↑ Джеймс Франклин (20 апреля 2010 г.). "Проверка прогноза Национального центра по ураганам". Национальный центр по ураганам . Архивировано из оригинала 2 января 2011 г. Получено 2 января 2011 г.
  72. ^ Эдвард Н. Раппапорт; Джеймс Л. Франклин; Ликсион А. Авила; Стивен Р. Бейг; Джон Л. Бевен II; Эрик С. Блейк; Кристофер А. Берр; Цзянн-Гво Цзинь; Кристофер А. Джакинс; Ричард Д. Кнабб; Кристофер В. Лэндси; Мишель Майнелли; Макс Мэйфилд; Колин Дж. Макади; Ричард Дж. Паш; Кристофер Сиско; Стейси Р. Стюарт; Ахша Н. Триббл (апрель 2009 г.). «Достижения и проблемы Национального центра по изучению ураганов». Погода и прогнозирование . 24 (2): 395–419. Bibcode :2009WtFor..24..395R. CiteSeerX 10.1.1.207.4667 . doi :10.1175/2008WAF2222128.1. 

Дальнейшее чтение

Внешние ссылки