Численный прогноз погоды ( ЧПП ) использует математические модели атмосферы и океанов для прогнозирования погоды на основе текущих погодных условий. Хотя первая попытка была предпринята в 1920-х годах, только с появлением компьютерного моделирования в 1950-х годах числовые прогнозы погоды дали реалистичные результаты. В различных странах мира используется ряд глобальных и региональных моделей прогнозирования, в качестве входных данных используются текущие наблюдения за погодой, передаваемые с радиозондов , метеорологических спутников и других систем наблюдения.
Математические модели, основанные на одних и тех же физических принципах, могут использоваться для создания либо краткосрочных прогнозов погоды, либо долгосрочных прогнозов климата; последние широко применяются для понимания и прогнозирования изменения климата . Усовершенствования, внесенные в региональные модели, позволили значительно улучшить прогнозы траектории тропических циклонов и качества воздуха ; однако атмосферные модели плохо справляются с процессами, происходящими на относительно ограниченной территории, такими как лесные пожары .
Для работы с огромными наборами данных и выполнения сложных вычислений, необходимых для современного численного прогноза погоды, требуются одни из самых мощных суперкомпьютеров в мире. Даже с увеличением мощности суперкомпьютеров способность прогнозирования численных моделей погоды составляет всего около шести дней. Факторы, влияющие на точность численных прогнозов, включают плотность и качество наблюдений, используемых в качестве входных данных для прогнозов, а также недостатки самих численных моделей. Методы постобработки, такие как статистика выходных данных модели (MOS), были разработаны для улучшения обработки ошибок в числовых прогнозах.
Более фундаментальная проблема заключается в хаотической природе уравнений в частных производных , описывающих атмосферу. Точно решить эти уравнения невозможно, и небольшие ошибки со временем растут (удваиваются примерно каждые пять дней). В настоящее время считается, что такое хаотичное поведение ограничивает точность прогнозов примерно 14 днями даже при наличии точных входных данных и безупречной модели. Кроме того, уравнения в частных производных, используемые в модели, необходимо дополнить параметризациями солнечной радиации , влажных процессов (облаков и осадков), теплообмена , почвы , растительности, поверхностных вод и влияния местности. В попытке количественно оценить большую степень внутренней неопределенности, остающейся в числовых прогнозах, с 1990-х годов используются ансамблевые прогнозы, чтобы помочь оценить достоверность прогноза и получить полезные результаты в более отдаленном будущем, чем это возможно в противном случае. Этот подход анализирует несколько прогнозов, созданных с помощью отдельной модели прогноза или нескольких моделей.
История численного прогнозирования погоды началась в 1920-х годах благодаря усилиям Льюиса Фрая Ричардсона , который использовал процедуры, первоначально разработанные Вильгельмом Бьеркнесом [1] для создания вручную шестичасового прогноза состояния атмосферы над двумя точками в Центральной Европе. , на это уйдет не менее шести недель. [2] [1] [3] Только с появлением компьютеров и компьютерного моделирования время вычислений стало меньше, чем сам период прогноза. ENIAC использовался для создания первых прогнозов погоды с помощью компьютера в 1950 году на основе сильно упрощенной аппроксимации уравнений, управляющих атмосферой . [4] [5] В 1954 году группа Карла-Густава Россби из Шведского метеорологического и гидрологического института использовала ту же модель для получения первого оперативного прогноза (т.е. обычного прогноза для практического использования). [6] Оперативное численное прогнозирование погоды в США началось в 1955 году в рамках Объединенного подразделения численного прогнозирования погоды (JNWPU), совместного проекта ВВС , ВМФ и Бюро погоды США . [7] В 1956 году Норман Филлипс разработал математическую модель, которая могла реалистично отображать ежемесячные и сезонные закономерности в тропосфере; это стало первой успешной климатической моделью . [8] [9] После работы Филлипса несколько групп начали работать над созданием моделей общей циркуляции . [10] Первая модель климата общей циркуляции, сочетающая в себе как океанические, так и атмосферные процессы, была разработана в конце 1960-х годов в Лаборатории геофизической гидродинамики NOAA . [11]
Поскольку компьютеры стали более мощными, размер исходных наборов данных увеличился, и были разработаны новые модели атмосферы , позволяющие использовать преимущества дополнительной доступной вычислительной мощности. Эти новые модели включают больше физических процессов в упрощенные уравнения движения при численном моделировании атмосферы. [6] 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. [1] [12] Разработка моделей ограниченной территории (региональных) способствовал прогрессу в прогнозировании следов тропических циклонов , а также качества воздуха в 1970-х и 1980-х годах. [13] [14] К началу 1980-х годов модели начали включать взаимодействие почвы и растительности с атмосферой, что привело к более реалистичным прогнозам. [15]
Результаты прогнозных моделей, основанных на динамике атмосферы, не позволяют определить некоторые детали погоды у поверхности Земли. Таким образом, в 1970-х и 1980-х годах была разработана статистическая взаимосвязь между результатами численной модели погоды и последующими условиями на земле, известная как статистика выходных данных модели (MOS). [16] [17] Начиная с 1990-х годов, модельные ансамблевые прогнозы использовались, чтобы помочь определить неопределенность прогноза и расширить окно, в котором числовые прогнозы погоды жизнеспособны, дальше в будущее, чем это возможно в противном случае. [18] [19] [20]
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. [21] 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 [22] , либо каждые шесть часов в сводках SYNOP . [23] 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. [24] Затем данные используются в модели в качестве отправной точки для прогноза. [25]
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 . [26] Информация с метеорологических спутников используется там, где традиционные источники данных недоступны. Коммерция предоставляет отчеты пилотов по маршрутам самолетов [27] и отчеты о судах по маршрутам судоходства. [28] В исследовательских проектах самолеты-разведчики используются для полетов в интересующих погодных системах, таких как тропические циклоны , и вокруг них . [29] [30] 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. [31] Морской лед начал инициализироваться в прогнозных моделях в 1971 году. [32] Попытки включить температуру поверхности моря в инициализацию модели начались в 1972 году из-за его роли в модулировании погоды в высоких широтах Тихого океана. [33]
Модель атмосферы — это компьютерная программа, которая производит метеорологическую информацию на будущее в заданных местах и на определенных высотах. В любой современной модели есть набор уравнений, известных как примитивные уравнения , которые используются для прогнозирования будущего состояния атмосферы. [34] Эти уравнения — наряду с законом идеального газа — используются для эволюции скалярных полей плотности , давления и потенциальной температуры, а также векторного поля скорости воздуха (ветра) в атмосфере во времени. Дополнительные уравнения переноса загрязняющих веществ и других аэрозолей также включены в некоторые модели высокого разрешения с примитивными уравнениями. [35] Используемые уравнения представляют собой нелинейные уравнения в частных производных, которые невозможно точно решить аналитическими методами, [36] за исключением нескольких идеализированных случаев. [37] Таким образом, численные методы позволяют получить приближенные решения. В разных моделях используются разные методы решения: некоторые глобальные модели и почти все региональные модели используют методы конечных разностей для всех трех пространственных измерений, в то время как другие глобальные модели и несколько региональных моделей используют спектральные методы для горизонтальных измерений и методы конечных разностей в вертикальных. [36]
Эти уравнения инициализируются на основе данных анализа и определяются скорости изменений. Эти темпы изменений предсказывают состояние атмосферы на короткое время в будущем; приращение времени для этого прогноза называется временным шагом . Это будущее состояние атмосферы затем используется в качестве отправной точки для другого применения прогностических уравнений для поиска новых скоростей изменений, и эти новые скорости изменений предсказывают атмосферу на еще большем временном шаге в будущее. Этот 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 . [38] Временные шаги для глобальных моделей составляют порядка десятков минут, [39] в то время как временные шаги для региональных моделей составляют от одной до четырех минут. [40] Глобальные модели запускаются в разное время в будущем. Унифицированная модель UKMET запускается на шесть дней вперед, [41] в то время как Интегрированная система прогнозирования Европейского центра среднесрочных прогнозов погоды и Глобальная экологическая многомасштабная модель Канады по окружающей среде рассчитаны на десять дней вперед, [42 ] , а модель Глобальной системы прогнозирования , разработанная Центром экологического моделирования, запускается на шестнадцать дней вперед. [43] Визуальный результат, полученный с помощью модельного решения, известен как прогностическая диаграмма или программа . [44]
Некоторые метеорологические процессы слишком мелкомасштабны или слишком сложны, чтобы их можно было явно включить в модели численного прогнозирования погоды. Параметризация — это процедура представления этих процессов путем сопоставления их с переменными в масштабах, которые разрешает модель. Например, ячейки сетки в моделях погоды и климата имеют стороны длиной от 5 до 300 километров (200 миль). Типичное кучевое облако имеет масштаб менее 1 километра (0,6 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 внутри ячейки модели был условно неустойчив (по сути, дно было теплее и влажнее, чем верх) и содержание водяного пара в любой точке столба становилось насыщенным, то он переворачивался ( теплый, влажный воздух начнет подниматься), и воздух в вертикальном столбе смешается. Более сложные схемы признают, что только некоторые части коробки могут конвекционировать и что происходят унос и другие процессы. Модели погоды с размерами ячеек от 5 до 25 километров (от 3 до 16 миль) могут явно представлять конвективные облака, хотя им необходимо параметризовать микрофизику облаков , которые происходят в меньшем масштабе. [45] Образование крупномасштабных облаков ( слоистого типа) более физически обосновано; они образуются, когда относительная влажность достигает некоторого заданного значения. Доля облаков может быть связана с этим критическим значением относительной влажности. [46]
Количество солнечной радиации, достигающей земли, а также образование облачных капель происходят на молекулярном уровне, поэтому их необходимо параметризовать, прежде чем их можно будет включить в модель. Атмосферное сопротивление , создаваемое горами, также должно быть параметризовано, поскольку ограничения в разрешении контуров высот приводят к значительному занижению оценки сопротивления. [47] Этот метод параметризации также применяется для поверхностного потока энергии между океаном и атмосферой, чтобы определить реалистичную температуру поверхности моря и тип морского льда, обнаруженного вблизи поверхности океана. [48] Учитывается угол наклона 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, поэтому важно параметризовать их вклад в эти процессы. [50] В рамках моделей качества воздуха параметризация учитывает выбросы в атмосферу из множества относительно небольших источников (например, дорог, полей, заводов) в пределах определенных ячеек сетки. [51]
Горизонтальная область модели является либо глобальной , охватывающей всю Землю, либо региональной , охватывающей только часть Земли. Региональные модели (также известные как модели с ограниченной областью или LAM) позволяют использовать меньший интервал сетки, чем глобальные модели, поскольку доступные вычислительные ресурсы сосредоточены на определенной области, а не разбросаны по всему земному шару. Это позволяет региональным моделям четко определять метеорологические явления меньшего масштаба, которые невозможно представить на более грубой сетке глобальной модели. Региональные модели используют глобальную модель для определения условий на границе своей области ( граничных условий ), чтобы позволить системам, находящимся за пределами области региональной модели, перемещаться в ее область. Неопределенность и ошибки в региональных моделях вносятся глобальной моделью, используемой для граничных условий границы региональной модели, а также ошибками, относящимися к самой региональной модели. [52]
Вертикальная координата обрабатывается различными способами. В модели Льюиса Фрая Ричардсона 1922 года в качестве вертикальной координаты использовалась геометрическая высота ( ). 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. [53] Эту корреляцию между системами координат можно установить, поскольку давление в атмосфере Земли уменьшается с высотой . [54] Первая модель, используемая для оперативных прогнозов, однослойная баротропная модель, использовала одну координату давления на уровне 500 миллибар (около 5500 м (18 000 футов)) [4] 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 . [55] Эта система координат получила свое название от независимой переменной , используемой для масштабирования атмосферного давления по отношению к давлению на поверхности, а в некоторых случаях также к давлению в верхней части области. [56]
Поскольку модели прогнозов, основанные на уравнениях динамики атмосферы, не могут точно определить погодные условия, были разработаны статистические методы, чтобы попытаться скорректировать прогнозы. Статистические модели были созданы на основе трехмерных полей, полученных с помощью численных моделей погоды, приземных наблюдений и климатологических условий в конкретных местах. Эти статистические модели вместе называются статистикой выходных данных моделей (MOS) [57] и были разработаны Национальной метеорологической службой для набора моделей прогнозирования погоды в конце 1960-х годов. [16] [58]
Выходная статистика модели отличается от идеального программного метода, который предполагает, что выходные данные численного прогноза погоды являются идеальными. [59] MOS может корректировать локальные эффекты, которые не могут быть решены моделью из-за недостаточного разрешения сетки, а также ошибок модели. Поскольку MOS запускается по соответствующей глобальной или региональной модели, его производство называется постобработкой. 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. [60]
В 1963 году Эдвард Лоренц обнаружил хаотическую природу уравнений гидродинамики , используемых в прогнозировании погоды. [61] Чрезвычайно небольшие ошибки в температуре, ветре или других исходных данных, вносимых в числовые модели, будут увеличиваться и удваиваться каждые пять дней, [61] делая невозможным долгосрочные прогнозы, сделанные более чем на две недели вперед, для предсказания. состояние атмосферы с любой степенью прогнозирования . Кроме того, существующие сети наблюдений имеют плохой охват в некоторых регионах (например, над крупными водоемами, такими как Тихий океан), что вносит неопределенность в истинное исходное состояние атмосферы. Хотя существует набор уравнений, известный как уравнения Лиувилля , для определения начальной неопределенности при инициализации модели, эти уравнения слишком сложны, чтобы их можно было запускать в реальном времени, даже с использованием суперкомпьютеров. [62] Эти неопределенности ограничивают точность модели прогноза примерно пятью или шестью днями вперед. [63] [64]
Эдвард Эпштейн признал в 1969 году, что атмосферу невозможно полностью описать с помощью одного прогноза из-за присущей ей неопределенности, и предложил использовать ансамбль стохастических симуляций Монте-Карло для получения средних значений и отклонений состояния атмосферы. [65] Хотя этот ранний пример ансамбля показал мастерство, в 1974 году Сесил Лейт показал, что они дают адекватные прогнозы только тогда, когда распределение вероятностей ансамбля является репрезентативной выборкой распределения вероятностей в атмосфере. [66]
С 1990-х годов ансамблевые прогнозы используются в оперативном порядке (как обычные прогнозы) для учета стохастической природы погодных процессов, то есть для устранения присущей им неопределенности. Этот метод включает в себя анализ нескольких прогнозов, созданных с помощью отдельной модели прогноза, с использованием различных физических параметризаций или различных начальных условий. [62] Начиная с 1992 года, когда ансамблевые прогнозы готовились Европейским центром среднесрочных прогнозов погоды (ECMWF) и Национальными центрами экологического прогнозирования , модельные ансамблевые прогнозы использовались для определения неопределенности прогноза и расширения окна, в котором Численное прогнозирование погоды жизнеспособно в более отдаленном будущем, чем это возможно в противном случае. [18] [19] [20] Модель ECMWF, Система ансамблевого прогнозирования, [19] использует сингулярные векторы для моделирования начальной плотности вероятности , в то время как ансамбль NCEP, Глобальная система ансамблевого прогнозирования, использует метод, известный как селекция векторов . [18] [20] Метеорологическое бюро Великобритании выполняет глобальные и региональные ансамблевые прогнозы, в которых возмущения начальных условий используются 24 членами ансамбля в Глобальной и региональной системе ансамблевого прогнозирования Метеорологического бюро (MOGREPS) для создания 24 различных прогнозов. [67]
В рамках подхода, основанного на единой модели, ансамблевый прогноз обычно оценивается с точки зрения среднего значения отдельных прогнозов, касающихся одной прогнозируемой переменной, а также степени согласия между различными прогнозами в рамках ансамблевой системы, что представлено их общим разбросом. Распространение ансамбля диагностируется с помощью таких инструментов, как спагетти-диаграммы , которые показывают дисперсию одной величины на прогностических диаграммах для определенных временных шагов в будущем. Еще одним инструментом, в котором используется ансамблевый разброс, является метеограмма , которая показывает дисперсию прогноза одной величины для одного конкретного места. Обычно разброс по ансамблю слишком мал, чтобы включать погоду, которая действительно происходит, что может привести к тому, что синоптики неправильно диагностируют неопределенность модели; [68] эта проблема становится особенно серьезной для прогнозов погоды примерно на десять дней вперед. [69] Когда разброс по ансамблю невелик и прогнозные решения согласованы в рамках нескольких прогонов модели, синоптики чувствуют большую уверенность в среднем по ансамблю и в прогнозе в целом. [68] Несмотря на такое мнение, связь между разбросом и навыками часто бывает слабой или не обнаруживается, поскольку корреляция между ошибками в разбросе обычно меньше 0,6 и только при особых обстоятельствах колеблется в пределах 0,6–0,7. [70] Взаимосвязь между разбросом ансамбля и умением прогнозировать существенно варьируется в зависимости от таких факторов, как модель прогноза и регион, для которого делается прогноз. [ нужна цитата ]
Точно так же, как многие прогнозы на основе одной модели могут использоваться для формирования ансамбля, несколько моделей также могут быть объединены для создания ансамблевого прогноза. Этот подход называется многомодельным ансамблевым прогнозированием , и было показано, что он улучшает прогнозы по сравнению с подходом, основанным на одной модели. [71] Модели в составе мультимодельного ансамбля можно корректировать с учетом различных предвзятостей. Этот процесс известен как прогнозирование суперансамбля . Этот тип прогноза значительно уменьшает ошибки в выходных данных модели. [72]
Прогнозирование качества воздуха пытается предсказать, когда концентрации загрязняющих веществ достигнут уровней, опасных для здоровья населения. Концентрация загрязняющих веществ в атмосфере определяется их переносом или средней скоростью движения через атмосферу, их диффузией , химическим превращением и отложением на земле . [73] Помимо информации об источниках загрязняющих веществ и местности, эти модели требуют данных о состоянии потока жидкости в атмосфере для определения ее переноса и диффузии. [74] Метеорологические условия, такие как термические инверсии, могут препятствовать подъему приземного воздуха, улавливая загрязняющие вещества вблизи поверхности, [75] что делает точные прогнозы таких явлений решающими для моделирования качества воздуха. Модели качества городского воздуха требуют очень мелкой вычислительной сетки, что требует использования мезомасштабных моделей погоды с высоким разрешением; несмотря на это, качество числовых прогнозов погоды является основной неопределенностью в прогнозах качества воздуха. [74]
Модель общей циркуляции (МОЦ) — это математическая модель , которую можно использовать в компьютерном моделировании глобальной циркуляции планетарной атмосферы или океана. Модель общей циркуляции атмосферы (AGCM) по существу аналогична глобальной модели численного прогноза погоды, а некоторые из них (например, модель, используемая в Объединенной модели Великобритании) могут быть настроены как для краткосрочных прогнозов погоды, так и для долгосрочных прогнозов климата. . Наряду с компонентами морского льда и поверхности суши, МОГК и океанические МОЦ (OGCM) являются ключевыми компонентами глобальных климатических моделей и широко применяются для понимания климата и прогнозирования изменения климата . Что касается аспектов изменения климата, в климатические модели можно включить ряд сценариев антропогенных химических выбросов, чтобы увидеть, как усиленный парниковый эффект изменит климат Земли. [76] Версии, предназначенные для климатических приложений с временными масштабами от десятилетий до столетий, были первоначально созданы в 1969 году Сюкуро Манабе и Кирком Брайаном в Лаборатории геофизической гидродинамики в Принстоне, штат Нью-Джерси . [77] При работе в течение нескольких десятилетий вычислительные ограничения означают, что модели должны использовать грубую сетку, которая оставляет нерешенными взаимодействия более мелкого масштаба. [78]
Передача энергии между ветром, дующим над поверхностью океана, и верхним слоем океана является важным элементом динамики волн. [79] Уравнение спектрального переноса волн используется для описания изменения спектра волн при изменении топографии. Он моделирует генерацию волн, движение волн (распространение внутри жидкости), обмеление волн , преломление , передачу энергии между волнами и рассеяние волн. [80] Поскольку приземные ветры являются основным механизмом воздействия в уравнении переноса спектральных волн, модели океанских волн используют информацию, полученную с помощью моделей численного прогнозирования погоды, в качестве входных данных для определения того, сколько энергии передается из атмосферы в слой на поверхности океана. . Наряду с рассеянием энергии через белые шапки и резонансом между волнами, приземные ветры на основе численных моделей погоды позволяют более точно прогнозировать состояние морской поверхности. [81]
Прогнозирование тропических циклонов также опирается на данные, предоставляемые численными моделями погоды. Существуют три основных класса моделей управления тропическими циклонами : Статистические модели основаны на анализе поведения штормов с использованием климатологии и коррелируют положение и дату шторма для получения прогноза, который не основан на физике атмосферы в данный момент. Динамические модели — это численные модели, которые решают основные уравнения движения жидкости в атмосфере; они основаны на тех же принципах, что и другие модели численного прогнозирования погоды на ограниченной территории, но могут включать специальные вычислительные методы, такие как уточненные пространственные области, которые движутся вместе с циклоном. Модели, использующие элементы обоих подходов, называются статистико-динамическими моделями. [82]
В 1978 году начала работать первая модель отслеживания ураганов, основанная на динамике атмосферы , — модель подвижной мелкой сетки (MFM). [13] В области прогнозирования траекторий тропических циклонов , несмотря на постоянное совершенствование управления динамическими моделями, которое происходило с увеличением вычислительной мощности, только в 1980-х годах численное прогнозирование погоды продемонстрировало свои навыки , и до 1990-х годов, когда оно постоянно превосходило статистические или простые динамические модели. [83] Прогнозирование интенсивности тропического циклона на основе численного прогноза погоды по-прежнему остается сложной задачей, поскольку статистические методы по-прежнему демонстрируют более высокую эффективность по сравнению с динамическим управлением. [84]
На молекулярном уровне существуют два основных конкурирующих реакционных процесса, участвующих в разложении целлюлозы или древесного топлива при лесных пожарах . Когда в целлюлозном волокне мало влаги, происходит улетучивание топлива; в этом процессе будут образовываться промежуточные газообразные продукты, которые в конечном итоге станут источником сгорания . При наличии влаги или при отводе достаточного количества тепла от волокна происходит обугливание . Химическая кинетика обеих реакций указывает на то, что существует точка, в которой уровень влаги достаточно низок — и/или скорость нагрева достаточно высока — чтобы процессы горения стали самодостаточными. Следовательно, изменения скорости, направления ветра, влажности, температуры или скорости градиента на разных уровнях атмосферы могут оказать существенное влияние на поведение и рост лесного пожара. Поскольку лесной пожар действует как источник тепла для атмосферного потока, он может изменить структуру местной адвекции , создавая петлю обратной связи между огнем и атмосферой. [85]
Упрощенная двумерная модель распространения лесных пожаров, в которой использовалась конвекция для представления воздействия ветра и местности, а также радиационная теплопередача как доминирующий метод переноса тепла, привела к реакционно-диффузионным системам уравнений в частных производных . [86] [87] Более сложные модели объединяют численные модели погоды или модели вычислительной гидродинамики с компонентом лесного пожара, который позволяет оценить эффекты обратной связи между пожаром и атмосферой. [85] Дополнительная сложность моделей последнего класса приводит к соответствующему увеличению требований к мощности их компьютеров. Фактически, полное трехмерное рассмотрение горения посредством прямого численного моделирования в масштабах, соответствующих атмосферному моделированию, в настоящее время непрактично из-за чрезмерных вычислительных затрат, которые потребуются для такого моделирования. Численные модели погоды имеют ограниченные возможности прогнозирования при пространственном разрешении менее 1 километра (0,6 мили), что вынуждает сложные модели лесных пожаров параметризовать пожар, чтобы рассчитать, как ветры будут изменены на местном уровне в результате лесного пожара, и использовать эти измененные ветры для определения Скорость, с которой огонь будет распространяться локально. [88] [89] [90] Хотя такие модели, как FIRETEC Лос -Аламоса, определяют концентрации топлива и кислорода , расчетная сетка не может быть достаточно мелкой, чтобы определить реакцию горения, поэтому необходимо сделать приближения для распределения температуры внутри каждого ячейки сетки, а также для самих скоростей реакций горения. [ нужна цитата ]
{{cite web}}
: CS1 maint: числовые имена: список авторов ( ссылка ){{cite book}}
: CS1 maint: несколько имен: список авторов ( ссылка ){{cite book}}
: CS1 maint: несколько имен: список авторов ( ссылка ){{cite web}}
: CS1 maint: числовые имена: список авторов ( ссылка ){{cite book}}
: CS1 maint: несколько имен: список авторов ( ссылка ){{cite journal}}
: CS1 maint: несколько имен: список авторов ( ссылка ){{cite journal}}
: CS1 maint: несколько имен: список авторов ( ссылка ){{cite journal}}
: CS1 maint: несколько имен: список авторов ( ссылка ){{cite book}}
: |journal=
игнорируется ( помощь )