stringtranslate.com

Численный прогноз погоды

Показана сетка для численной модели погоды. Сетка делит поверхность Земли по меридианам и параллелям и имитирует толщину атмосферы, располагая ячейки сетки вдали от центра Земли. На вставке показаны различные физические процессы, анализируемые в каждой ячейке сетки, такие как адвекция, осадки, солнечная радиация и радиационное охлаждение Земли.
Модели погоды используют системы дифференциальных уравнений , основанные на законах физики , которые подробно описывают движение жидкости , термодинамику , перенос излучения и химию , а также используют систему координат, которая делит планету на трехмерную сетку. Ветры , теплопередача , солнечная радиация , относительная влажность , фазовые изменения воды и гидрология поверхности рассчитываются внутри каждой ячейки сетки, а взаимодействия с соседними ячейками используются для расчета свойств атмосферы в будущем.

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

Главная панель управления ENIAC в Школе электротехники Мура, которой управляют Бетти Дженнингс и Фрэнсис Билас.

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]

Инициализация

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

Атмосфера представляет собой жидкость . Таким образом, идея численного прогноза погоды состоит в том, чтобы выбрать состояние жидкости в определенный момент времени и использовать уравнения гидродинамики и термодинамики для оценки состояния жидкости в какой-то момент в будущем. Процесс ввода данных наблюдения в модель для создания начальных условий называется инициализацией . На суше карты местности, доступные с разрешением до 1 километра (0,6 мили) по всему миру, используются для моделирования атмосферных циркуляций в регионах с пересеченной топографией, чтобы лучше отображать такие особенности, как ветры на склонах, горные волны и связанную с ними облачность, влияющую на приходящий солнечный свет. радиация. [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]

Вычисление

Прогностическая диаграмма 96-часового прогноза геопотенциальной высоты и температуры 850 мбар от Глобальной системы прогнозирования.

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]

Параметризация

Поле кучевых облаков , которые параметризованы, поскольку они слишком малы, чтобы их можно было явно включить в числовой прогноз погоды.

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]

Домены

Показана сигма-система координат. Линии равных значений сигмы следуют за рельефом внизу и постепенно сглаживаются к верху атмосферы.
Поперечный разрез атмосферы над местностью с изображением сигма-координаты. Мезомасштабные модели разделяют атмосферу по вертикали, используя представления, подобные показанному здесь.

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]

Статистика выходных данных модели

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]

Ансамбли

Показаны два изображения. На верхнем изображении показаны три потенциальных следа, которые мог оставить ураган «Рита». Контуры над побережьем Техаса соответствуют давлению воздуха на уровне моря, предсказанному после прохождения шторма. На нижнем изображении показан ансамбль прогнозов, созданных различными погодными моделями для одного и того же урагана.
Вверху : Модель метеорологических исследований и прогнозирования (WRF) следов урагана Рита (2005 г.). Внизу : распространение многомодельного ансамблевого прогноза NHC.

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]

Приложения

Моделирование качества воздуха

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]

Моделирование климата

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]

Моделирование поверхности океана

Прогноз ветра и волнения в северной части Атлантического океана. Выявлены две области высоких волн: одна к западу от южной оконечности Гренландии, а другая в Северном море. В Мексиканском заливе ожидается спокойное море. Колючки ветра показывают ожидаемую силу и направление ветра через равные промежутки времени над Северной Атлантикой.
NOAA Wavewatch III: 120-часовой прогноз ветра и волн в Северной Атлантике

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

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]

Моделирование лесных пожаров

Простая модель распространения лесных пожаров

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 ]

Смотрите также

Рекомендации

  1. ^ abc Линч , Питер (март 2008 г.). «Истоки компьютерного прогнозирования погоды и моделирования климата» (PDF) . Журнал вычислительной физики . 227 (7): 3431–44. Бибкод : 2008JCoPh.227.3431L. дои : 10.1016/j.jcp.2007.02.034. Архивировано из оригинала (PDF) 8 июля 2010 г. Проверено 23 декабря 2010 г.
  2. ^ Симмонс, AJ; Холлингсворт, А. (2002). «Некоторые аспекты совершенствования навыков численного прогноза погоды». Ежеквартальный журнал Королевского метеорологического общества . 128 (580): 647–677. Бибкод : 2002QJRMS.128..647S. дои : 10.1256/003590002321042135. S2CID  121625425.
  3. ^ Линч, Питер (2006). «Прогноз погоды с помощью численного процесса». Появление численного прогноза погоды . Издательство Кембриджского университета . стр. 1–27. ISBN 978-0-521-85729-1.
  4. ^ аб Чарни, Джул ; Фьёртофт, Рагнар ; фон Нейман, Джон (ноябрь 1950 г.). «Численное интегрирование уравнения баротропной завихренности». Расскажи нам . 2 (4): 237. Бибкод : 1950 Скажите.... 2.. 237C. дои : 10.3402/tellusa.v2i4.8607 .
  5. ^ Кокс, Джон Д. (2002). Наблюдатели за штормом. John Wiley & Sons, Inc. с. 208. ИСБН 978-0-471-38108-2.
  6. ^ аб Харпер, Кристин; Уччеллини, Луи В.; Калнай, Евгения; Кэри, Кеннет; Морон, Лорен (май 2007 г.). «2007: 50-летие оперативного численного прогноза погоды». Бюллетень Американского метеорологического общества . 88 (5): 639–650. Бибкод : 2007BAMS...88..639H. дои : 10.1175/BAMS-88-5-639 .
  7. ^ Американский институт физики (25 марта 2008 г.). «Моделирование общей циркуляции атмосферы». Архивировано из оригинала 25 марта 2008 г. Проверено 13 января 2008 г.
  8. ^ Филлипс, Норман А. (апрель 1956 г.). «Общая циркуляция атмосферы: численный эксперимент». Ежеквартальный журнал Королевского метеорологического общества . 82 (352): 123–154. Бибкод : 1956QJRMS..82..123P. дои : 10.1002/qj.49708235202.
  9. ^ Кокс, Джон Д. (2002). Наблюдатели за штормом. John Wiley & Sons, Inc. с. 210. ИСБН 978-0-471-38108-2.
  10. ^ Линч, Питер (2006). «Интеграция ENIAC». Появление численного прогноза погоды . Издательство Кембриджского университета . стр. 206–208. ISBN 978-0-521-85729-1.
  11. ^ Национальное управление океанических и атмосферных исследований (22 мая 2008 г.). «Первая климатическая модель» . Проверено 8 января 2011 г.
  12. ^ Лесли, LM; Дитахмейер, Г.С. (декабрь 1992 г.). «Численный прогноз погоды в Австралии в режиме реального времени на ограниченной территории: историческая перспектива» (PDF) . Австралийский метеорологический журнал . 41 (СП): 61–77 . Проверено 3 января 2011 г.
  13. ^ аб Шуман, Фредерик Г. (сентябрь 1989 г.). «История численного прогноза погоды в Национальном метеорологическом центре». Погода и прогнозирование . 4 (3): 286–296. Бибкод : 1989WtFor...4..286S. doi : 10.1175/1520-0434(1989)004<0286:HONWPA>2.0.CO;2 .
  14. ^ Стейн, Д.Г. (1991). Моделирование загрязнения воздуха и его применение VIII, Том 8 . Биркхойзер. стр. 241–242. ISBN 978-0-306-43828-8.
  15. ^ Сюэ, Юнкан; Феннесси, Майкл Дж. (20 марта 1996 г.). «Влияние свойств растительности на прогноз летней погоды в США» (PDF) . Журнал геофизических исследований . 101 (D3): 7419. Бибкод : 1996JGR...101.7419X. CiteSeerX 10.1.1.453.551 . дои : 10.1029/95JD02169. Архивировано из оригинала (PDF) 10 июля 2010 г. Проверено 6 января 2011 г. 
  16. ^ аб Хьюз, Гарри (1976). Руководство по прогнозированию статистики выходных данных модели (PDF) . Центр экологических технических приложений ВВС США. стр. 1–16. Архивировано (PDF) из оригинала 17 июня 2019 г.
  17. ^ Бест, DL; Прайор, СП (1983). Системы статистики выходных данных модели обслуживания погоды . Глобальный центр погоды ВВС. стр. 1–90.
  18. ^ abc Тот, Золтан; Калнай, Евгения (декабрь 1997 г.). «Ансамбльное прогнозирование в NCEP и метод размножения». Ежемесячный обзор погоды . 125 (12): 3297–3319. Бибкод : 1997MWRv..125.3297T. CiteSeerX 10.1.1.324.3941 . doi :10.1175/1520-0493(1997)125<3297:EFANAT>2.0.CO;2. S2CID  14668576. 
  19. ^ abc «Система ансамблевого прогнозирования (EPS)». ЕЦСПП . Архивировано из оригинала 30 октября 2010 г. Проверено 5 января 2011 г.
  20. ^ abc Молтени, Ф.; Буизза, Р.; Палмер, Теннесси ; Петролиагис, Т. (январь 1996 г.). «Система ансамблевого прогнозирования ECMWF: методология и проверка». Ежеквартальный журнал Королевского метеорологического общества . 122 (529): 73–119. Бибкод : 1996QJRMS.122...73M. дои : 10.1002/qj.49712252905.
  21. ^ Стенсруд, Дэвид Дж. (2007). Схемы параметризации: ключи к пониманию моделей численного прогноза погоды. Издательство Кембриджского университета. п. 56. ИСБН 978-0-521-86540-1.
  22. ^ Национальный центр климатических данных (20 августа 2008 г.). «Ключ к приземным погодным наблюдениям METAR». Национальное управление океанических и атмосферных исследований . Архивировано из оригинала 1 ноября 2002 г. Проверено 11 февраля 2011 г.
  23. ^ «Формат данных SYNOP (FM-12): наземные синоптические наблюдения» . УНИСИС . 25 мая 2008 г. Архивировано из оригинала 30 декабря 2007 г.
  24. ^ Кришнамурти, Теннесси (январь 1995 г.). «Численный прогноз погоды». Ежегодный обзор механики жидкости . 27 (1): 195–225. Бибкод : 1995АнРФМ..27..195К. doi : 10.1146/annurev.fl.27.010195.001211. S2CID  122230747.
  25. ^ «Вариационная система ассимиляции данных WRF (WRF-Var)» . Университетская корпорация по исследованию атмосферы . 14 августа 2007 г. Архивировано из оригинала 14 августа 2007 г.
  26. ^ Гаффен, Дайан Дж. (07.06.2007). «Радиозондовые наблюдения и их использование в исследованиях, связанных со SPARC». Архивировано из оригинала 7 июня 2007 г.
  27. ^ Баллиш, Брэдли А.; В. Кришна Кумар (ноябрь 2008 г.). «Систематические различия в температурах самолетов и радиозондов» (PDF) . Бюллетень Американского метеорологического общества . 89 (11): 1689–1708. Бибкод : 2008BAMS...89.1689B. дои : 10.1175/2008BAMS2332.1 . Проверено 16 февраля 2011 г.
  28. ^ Национальный центр буев данных (28 января 2009 г.). «Схема добровольных судов наблюдений (СДН) ВМО». Национальное управление океанических и атмосферных исследований . Проверено 15 февраля 2011 г.
  29. ^ 403-е крыло (2011). «Охотники за ураганами». 53-я эскадрилья метеорологической разведки . Архивировано из оригинала 30 мая 2012 г. Проверено 30 марта 2006 г.{{cite web}}: CS1 maint: числовые имена: список авторов ( ссылка )
  30. ^ Ли, Кристофер (08 октября 2007 г.). «Дрон, датчики могут открыть путь в глаз бури». Вашингтон Пост . Проверено 22 февраля 2008 г.
  31. ^ Национальное управление океанических и атмосферных исследований (12 ноября 2010 г.). «НОАА отправляет высокотехнологичный исследовательский самолет для улучшения прогнозов зимних штормов» . Проверено 22 декабря 2010 г.
  32. ^ Стенсруд, Дэвид Дж. (2007). Схемы параметризации: ключи к пониманию моделей численного прогноза погоды. Издательство Кембриджского университета . п. 137. ИСБН 978-0-521-86540-1.
  33. ^ Хоутон, Джон Теодор (1985). Глобальный климат. Архив прессы Кембриджского университета. стр. 49–50. ISBN 978-0-521-31256-1.
  34. ^ Пилке, Роджер А. (2002). Мезомасштабное метеорологическое моделирование . Академическая пресса . стр. 48–49. ISBN 978-0-12-554766-6.
  35. ^ Пилке, Роджер А. (2002). Мезомасштабное метеорологическое моделирование . Академическая пресса . стр. 18–19. ISBN 978-0-12-554766-6.
  36. ^ аб Стрикверда, Джон К. (2004). Конечно-разностные схемы и уравнения в частных производных. СИАМ. стр. 165–170. ISBN 978-0-89871-567-5.
  37. ^ Пилке, Роджер А. (2002). Мезомасштабное метеорологическое моделирование . Академическая пресса . п. 65. ИСБН 978-0-12-554766-6.
  38. ^ Пилке, Роджер А. (2002). Мезомасштабное метеорологическое моделирование . Академическая пресса . стр. 285–287. ISBN 978-0-12-554766-6.
  39. ^ Сундерам, В.С.; ван Альбада, Дж. Дик; Питер, Массачусетс; 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. ^ Цвифельхофер, Вальтер; Крейц, Норберт; Европейский центр среднесрочных прогнозов погоды (2001 г.). Развитие теракомпьютеров: материалы девятого семинара ЕЦСПП по использованию высокопроизводительных вычислений в метеорологии. Всемирная научная. п. 276. ИСБН 978-981-02-4761-4.{{cite book}}: CS1 maint: несколько имен: список авторов ( ссылка )
  41. ^ Чан, Джонни CL и Джеффри Д. Кеперт (2010). Глобальные перспективы тропических циклонов: от науки к смягчению последствий. Всемирная научная. стр. 295–296. ISBN 978-981-4293-47-1. Проверено 24 февраля 2011 г.
  42. ^ Холтон, Джеймс Р. (2004). Введение в динамическую метеорологию, Том 1. Академическое издательство. п. 480. ИСБН 978-0-12-354015-7. Проверено 24 февраля 2011 г.
  43. ^ Браун, Молли Э. (2008). Системы раннего предупреждения о голоде и данные дистанционного зондирования. Спрингер. п. 121. Бибкод : 2008fews.book.....B. ISBN 978-3-540-75367-4. Проверено 24 февраля 2011 г.
  44. ^ Аренс, К. Дональд (2008). Основы метеорологии: приглашение в атмосферу. Cengage Обучение. п. 244. ИСБН 978-0-495-11558-8.
  45. ^ Нарита, Масами и Сиро Омори (6 августа 2007 г.). «3.7 Улучшение прогнозов осадков с помощью оперативной негидростатической мезомасштабной модели с конвективной параметризацией Кейна-Фрича и облачной микрофизикой» (PDF) . 12-я конференция по мезомасштабным процессам . Проверено 15 февраля 2011 г.
  46. ^ Фриерсон, Дарган (14 сентября 2000 г.). «Схема параметризации диагностического облака» (PDF) . Университет Вашингтона . стр. 4–5. Архивировано из оригинала (PDF) 1 апреля 2011 г. Проверено 15 февраля 2011 г.
  47. ^ Стенсруд, Дэвид Дж. (2007). Схемы параметризации: ключи к пониманию моделей численного прогноза погоды. Издательство Кембриджского университета. п. 6. ISBN 978-0-521-86540-1.
  48. ^ Макгаффи, К. и А. Хендерсон-Селлерс (2005). Учебник по моделированию климата . Джон Уайли и сыновья. п. 188. ИСБН 978-0-470-85751-9.
  49. ^ Мельникова, Ирина Н. и Александр В. Васильев (2005). Коротковолновая солнечная радиация в земной атмосфере: расчет, наблюдение, интерпретация. Спрингер. стр. 226–228. ISBN 978-3-540-21452-6.
  50. ^ Стенсруд, Дэвид Дж. (2007). Схемы параметризации: ключи к пониманию моделей численного прогноза погоды. Издательство Кембриджского университета. стр. 12–14. ISBN 978-0-521-86540-1.
  51. ^ Бакланов, Александр, Сью Гриммонд, Александр Махура (2009). Метеорологические модели и модели качества воздуха для городских территорий. Спрингер. стр. 11–12. ISBN 978-3-642-00297-7. Проверено 24 февраля 2011 г.{{cite book}}: CS1 maint: несколько имен: список авторов ( ссылка )
  52. ^ Уорнер, Томас Томкинс (2010). Численный прогноз погоды и климата. Издательство Кембриджского университета . п. 259. ИСБН 978-0-521-51389-0.
  53. ^ Линч, Питер (2006). «Основные уравнения». Появление численного прогноза погоды . Издательство Кембриджского университета . стр. 45–46. ISBN 978-0-521-85729-1.
  54. ^ Аренс, К. Дональд (2008). Основы метеорологии: приглашение в атмосферу. Cengage Обучение. п. 10. ISBN 978-0-495-11558-8.
  55. ^ Янич, Зависа; Галл, Роберт; Пайл, Мэтью Э. (февраль 2010 г.). «Научная документация для решателя NMM» (PDF) . Национальный центр атмосферных исследований . стр. 12–13. Архивировано из оригинала (PDF) 23 августа 2011 г. Проверено 3 января 2011 г.
  56. ^ Пилке, Роджер А. (2002). Мезомасштабное метеорологическое моделирование . Академическая пресса . стр. 131–132. ISBN 978-0-12-554766-6.
  57. ^ Баум, Марша Л. (2007). Когда природа наносит удар: погодные катаклизмы и закон. Издательская группа Гринвуд. п. 189. ИСБН 978-0-275-22129-4.
  58. ^ Глан, Гарри Р.; Лоури, Дейл А. (декабрь 1972 г.). «Использование выходной статистики модели (MOS) в объективном прогнозировании погоды». Журнал прикладной метеорологии . 11 (8): 1203–1211. Бибкод : 1972JApMe..11.1203G. doi : 10.1175/1520-0450(1972)011<1203:TUOMOS>2.0.CO;2 .
  59. ^ Гюльтепе, Исмаил (2007). Туман и облака пограничного слоя: видимость и прогноз тумана. Спрингер. п. 1144. ИСБН 978-3-7643-8418-0. Проверено 11 февраля 2011 г.
  60. ^ Барри, Роджер Грэм; Чорли, Ричард Дж. (2003). Атмосфера, погода и климат. Психология Пресс. п. 172. ИСБН 978-0-415-27171-4. Проверено 11 февраля 2011 г.
  61. ^ Аб Кокс, Джон Д. (2002). Наблюдатели за штормом. John Wiley & Sons, Inc., стр. 222–224. ISBN 978-0-471-38108-2.
  62. ^ аб Манусос, Питер (19 июля 2006 г.). «Системы ансамблевого прогнозирования». Центр гидрометеорологических прогнозов . Проверено 31 декабря 2010 г.
  63. ^ Вейкманн, Клаус; Джефф Уитакер; Андрес Рубичек; Кэтрин Смит (01 декабря 2001 г.). «Использование ансамблевых прогнозов для получения улучшенных среднесрочных (3–15 дней) прогнозов погоды». Центр климатической диагностики . Архивировано из оригинала 28 мая 2010 г. Проверено 16 февраля 2007 г.
  64. ^ Чакраборти, Ариндам (октябрь 2010 г.). «Навыки среднесрочных прогнозов ЕЦСПП в 2008 году тропической конвекции». Ежемесячный обзор погоды . 138 (10): 3787–3805. Бибкод : 2010MWRv..138.3787C. дои : 10.1175/2010MWR3217.1 .
  65. ^ Эпштейн, ES (декабрь 1969 г.). «Стохастический динамический прогноз». Теллус А. 21 (6): 739–759. Бибкод : 1969Tell...21..739E. doi : 10.1111/j.2153-3490.1969.tb00483.x.
  66. ^ Лейт, CE (июнь 1974 г.). «Теоретическое мастерство прогнозов Монте-Карло». Ежемесячный обзор погоды . 102 (6): 409–418. Бибкод : 1974MWRv..102..409L. doi : 10.1175/1520-0493(1974)102<0409:TSOMCF>2.0.CO;2 .
  67. ^ "МОГРЭПС". Метеорологическое бюро . Архивировано из оригинала 22 октября 2012 г. Проверено 1 ноября 2012 г.
  68. ^ ab Warner, Томас Томкинс (2010). Численный прогноз погоды и климата. Издательство Кембриджского университета . стр. 266–275. ISBN 978-0-521-51389-0.
  69. ^ Палмер, Теннесси ; Шаттс, Дж.Дж.; Хагедорн, Р.; Доблас-Рейес, Ф.Дж.; Юнг, Т.; Лойтбехер, М. (май 2005 г.). «Представление неопределенности модели в прогнозировании погоды и климата». Ежегодный обзор наук о Земле и планетах . 33 : 163–193. Бибкод : 2005AREPS..33..163P. doi :10.1146/annurev.earth.33.092203.122552.
  70. ^ Гримит, Эрик П.; Масс, Клиффорд Ф. (октябрь 2004 г.). «Переопределение взаимосвязи между распространением ансамбля и навыками с вероятностной точки зрения» (PDF) . Университет Вашингтона . Архивировано из оригинала (PDF) 12 октября 2008 г. Проверено 2 января 2010 г.
  71. ^ Чжоу, Бинбин; Ду, Джун (февраль 2010 г.). «Прогнозирование тумана на основе многомодельной мезомасштабной системы ансамблевого прогнозирования» (PDF) . Погода и прогнозирование . 25 (1): 303. Бибкод : 2010WtFor..25..303Z. дои : 10.1175/2009WAF2222289.1. S2CID  4947206 . Проверено 2 января 2011 г.
  72. ^ Кейн, Д.; Милелли, М. (12 февраля 2010 г.). «Мультимодельный суперансамбль для количественного прогноза осадков в регионе Пьемонте» (PDF) . Природные опасности и науки о системе Земли . 10 (2): 265. Бибкод : 2010NHESS..10..265C. doi : 10.5194/nhess-10-265-2010 . Проверено 2 января 2011 г.
  73. ^ Дейли, Аарон и Паоло Занетти (2007). Загрязнение атмосферного воздуха (PDF) . Арабская школа науки и технологий и Институт EnviroComp. п. 16 . Проверено 24 февраля 2011 г.
  74. ^ аб Бакланов, Александр; Расмуссен, Аликс; Фэй, Барбара; Берге, Эрик; Финарди, Сандро (сентябрь 2002 г.). «Потенциал и недостатки моделей численного прогнозирования погоды при предоставлении метеорологических данных для прогнозирования загрязнения воздуха в городах». Загрязнение воды, воздуха и почвы: фокус . 2 (5): 43–60. дои : 10.1023/А: 1021394126149. S2CID  94747027.
  75. ^ Маршалл, Джон; Пламб, Р. Алан (2008). Динамика атмосферы, океана и климата: вводный текст . Амстердам: Elsevier Academic Press. стр. 44–46. ISBN 978-0-12-558691-7.
  76. ^ Австралийское статистическое бюро (2005). Ежегодник, Австралия, выпуск 87. с. 40 . Проверено 18 февраля 2011 г.
  77. ^ Празднование 200-летия Национального управления океанических и атмосферных исследований (22 мая 2008 г.). «Первая климатическая модель». Национальное управление океанических и атмосферных исследований . Проверено 20 апреля 2010 г.{{cite web}}: CS1 maint: числовые имена: список авторов ( ссылка )
  78. ^ Бриджмен, Ховард А., Джон Э. Оливер, Майкл Х. Гланц (2006). Глобальная климатическая система: закономерности, процессы и телесвязи. Издательство Кембриджского университета. стр. 284–289. ISBN 978-0-521-82642-6. Проверено 18 февраля 2011 г.{{cite book}}: CS1 maint: несколько имен: список авторов ( ссылка )
  79. ^ Чаликов, Д.В. (август 1978 г.). «Численное моделирование взаимодействия ветрового волнения». Журнал механики жидкости . 87 (3): 561–82. Бибкод : 1978JFM....87..561C. дои : 10.1017/S0022112078001767. S2CID  122742282.
  80. ^ Линь, Пэнчжи (2008). Численное моделирование волн на воде. Психология Пресс. п. 270. ИСБН 978-0-415-41578-1.
  81. ^ Бендер, Лесли К. (январь 1996 г.). «Модификация физики и численных показателей в модели океанских волн третьего поколения». Журнал атмосферных и океанических технологий . 13 (3): 726–750. Бибкод : 1996JAtOT..13..726B. doi : 10.1175/1520-0426(1996)013<0726:MOTPAN>2.0.CO;2 .
  82. ^ Национальный центр ураганов (июль 2009 г.). «Техническое резюме моделей отслеживания и интенсивности Национального центра ураганов» (PDF) . Национальное управление океанических и атмосферных исследований . Проверено 19 февраля 2011 г.
  83. ^ Франклин, Джеймс (20 апреля 2010 г.). «Проверка прогнозов Национального центра ураганов». Национальный центр ураганов . Проверено 2 января 2011 г.
  84. ^ Раппапорт, Эдвард Н.; Франклин, Джеймс Л.; Авила, Ликсион А.; Бэйг, Стивен Р.; Бевен II, Джон Л.; Блейк, Эрик С.; Берр, Кристофер А.; Цзиинг, Цзянн-Гво; Джакинс, Кристофер А.; Кнабб, Ричард Д.; Ландси, Кристофер В.; Майнелли, Мишель; Мэйфилд, Макс; МакЭди, Колин Дж.; Паш, Ричард Дж.; Сиско, Кристофер; Стюарт, Стейси Р.; Триббл, Аша Н. (апрель 2009 г.). «Достижения и проблемы Национального центра ураганов». Погода и прогнозирование . 24 (2): 395–419. Бибкод : 2009WtFor..24..395R. CiteSeerX 10.1.1.207.4667 . дои : 10.1175/2008WAF2222128.1. S2CID  14845745. 
  85. ^ Аб Салливан, Эндрю Л. (июнь 2009 г.). «Моделирование распространения поверхностных пожаров в дикой местности, 1990–2007 гг. 1: Физические и квазифизические модели». Международный журнал диких пожаров . 18 (4): 349. arXiv : 0706.3074 . дои : 10.1071/WF06143. S2CID  16173400.
  86. ^ Асенсио, Мичиган и Л. Феррагут (2002). «О модели лесного пожара с радиацией». Международный журнал численных методов в технике . 54 (1): 137–157. Бибкод : 2002IJNME..54..137A. дои : 10.1002/nme.420. S2CID  122302719.
  87. ^ Мандель, Ян, Линн С. Беннетум , Джонатан Д. Бизли, Дженис Л. Коэн , Крейг К. Дуглас, Минджонг Ким и Энтони Водачек (2008). «Модель лесного пожара с ассимиляцией данных». Математика и компьютеры в моделировании . 79 (3): 584–606. arXiv : 0709.0086 . Бибкод : 2007arXiv0709.0086M. дои : 10.1016/j.matcom.2008.03.015. S2CID  839881.{{cite journal}}: CS1 maint: несколько имен: список авторов ( ссылка )
  88. ^ Кларк, Т.Л., М.А. Дженкинс, Дж. Коэн и Дэвид Пэкхэм (1996). «Совмещенная модель атмосферного огня: конвективное число Фруда и динамическая аппликатура». Международный журнал диких пожаров . 6 (4): 177–190. дои : 10.1071/WF9960177.{{cite journal}}: CS1 maint: несколько имен: список авторов ( ссылка )
  89. ^ Кларк, Терри Л., Мэри Энн Дженкинс, Дженис Коэн и Дэвид Пэкхэм (1996). «Совместная модель атмосферы и пожара: конвективная обратная связь о динамике линии огня». Журнал прикладной метеорологии . 35 (6): 875–901. Бибкод : 1996JApMe..35..875C. doi : 10.1175/1520-0450(1996)035<0875:ACAMCF>2.0.CO;2 .{{cite journal}}: CS1 maint: несколько имен: список авторов ( ссылка )
  90. ^ Ротермель, Ричард К. (январь 1972 г.). «Математическая модель прогнозирования распространения огня при природных пожарах» (PDF) . Лесная служба США . Проверено 28 февраля 2011 г.

дальнейшее чтение

Внешние ссылки