Экспериментальные прогнозы Национального центра атмосферных исследований (NCAR) при Национальном научном фонде США (NSF) показали, что формирующаяся погодная система усилится до супертайфуна. И действительно, грозы в итоге породили супертайфун Рагаса, чьи ветра со скоростью 165 миль в час сделали его самым мощным штормом на Земле в этом году.
Улучшение прогнозов ураганов
Учёные смогли заранее предсказать Рагасу, используя инновационный подход компьютерного моделирования, который может привести к значительному улучшению прогнозов ураганов.
Новая система создаёт глобальные прогнозы в реальном времени с разрешением в 3,75 километра (2,3 мили), моделируя атмосферу Земли с необычной детализацией. Такое мелкомасштабное разрешение позволяет фиксировать грозы по всему миру и показывает, как погодные системы за сотни или даже тысячи миль могут влиять на развитие штормов в тропиках.
«По сути, это выводит погоду в высокое разрешение по всему миру», — сказал Фалько Юдт из NCAR NSF, возглавляющий эту работу. «Мы думаем, что это может реально изменить ситуацию в прогнозировании экстремальных явлений, таких как ураганы и внезапные наводнения, которые приводят к осадкам в глобальном масштабе».
Реальные экспериментальные прогнозы
Экспериментальные прогнозы в реальном времени проводились в течение всего сентября, который исторически является пиком сезона атлантических ураганов. Поскольку первая часть месяца была необычно спокойной, у Юдта мало примеров, чтобы показать, могут ли прогнозы NSF NCAR превзойти те, что производятся операционными моделями прогнозирования.
Но первые признаки обнадёживают: подход NSF NCAR также хорошо себя зарекомендовал в описании быстрого усиления урагана Габриэль над Атлантикой на прошлых выходных.
Для составления прогнозов Юдт использует передовую компьютерную модель — модель для прогнозирования в разных масштабах (MPAS), разработанную на базе NSF NCAR. Он и его коллеги запускают её на суперкомпьютере Derecho в суперкомпьютерном центре NSF NCAR-Вайоминг в Шайенне. Основной целью работы, которую Юдт характеризует как демонстрационный проект, является отслеживание ураганов в Атлантике и восточной части Тихого океана, а также тайфунов в западной части Тихого океана. Но исследователи также хотят увидеть, как модель справится с прогнозированием экстремальных осадков.
Моделирование погоды
Модели погоды, такие как MPAS, используют систему сетки для представления атмосферы, применяя законы физики для моделирования температуры, влажности и других свойств в выбранных точках. Чем ближе расположены точки, тем выше разрешение и больше потенциал для точных прогнозов. Однако на точность также влияют другие факторы, например, то, как модель усваивает данные наблюдений для создания первоначального представления атмосферы, которое служит основой для прогноза.
Компьютерные модели, используемые центрами прогнозирования, часто моделируют атмосферу с различным разрешением. В Национальном центре ураганов, например, который занимается штормами в Атлантике и восточной части Тихого океана, ураганы моделируются в масштабе 2 километра, а окружающая среда — примерно в 6–8 километрах. Более удалённые части земного шара, однако, моделируются гораздо более грубо.
Такой подход центра ураганов и других прогнозистов идеален для краткосрочных прогнозов, сказал Юдт. Но моделирование всего земного шара в высоком разрешении может не только фиксировать штормы в любом месте их возникновения, но и помочь лучше предсказывать тропические циклоны до их формирования, обеспечивая более точные прогнозы, которые выходят за пределы 7–10 дней.
Именно это, по-видимому, и произошло с супертайфуном Рагаса. «Что меня выделяет, так это то, что MPAS предсказал эту систему как супертайфун ещё до того, как шторм сформировался», — сказал Юдт. «Раньше, чем, по сути, ожидали многие операционные модели, и с лучшим прогнозированием его интенсивности».
Он добавил, что такие усилия могут быть полезны и для обучения нового поколения моделей искусственного интеллекта для прогнозирования погоды. Данные высокого разрешения и высокого качества, предоставляемые MPAS, значительно улучшат текущие модели искусственного интеллекта, которые обучаются на гораздо более грубых данных.
Предоставлено Национальным центром атмосферных исследований (NCAR)