ИСПОЛЬЗОВАНИЕ АВТОМАТИЧЕСКОЙ ТИПИЗАЦИИ СИНОПТИЧЕСКОЙ СИТУАЦИИ ДЛЯ УСЛОВНОЙ ВЕРИФИКАЦИИ ЧИСЛЕННЫХ ПРОГНОЗОВ ПОГОДЫ В ПЕРМСКОМ КРАЕ

Сергей Владимирович Костарев; Игорь Николаевич Русин

doi:10.17072/2079-7877-2021-1-68-80

Авторы

Сергей Владимирович Костарев Санкт-Петербургский государственный университет, Санкт-Петербург https://orcid.org/0000-0002-2576-6219
Игорь Николаевич Русин ФГБУ «Главная геофизическая обсерватория им. А.И. Воейкова», Санкт-Петербург https://orcid.org/0000-0003-3683-2696

DOI:

https://doi.org/10.17072/2079-7877-2021-1-68-80

Ключевые слова:

условная верификация, автоматическая типизация, тип синоптической ситуации, модель GFS, модель GEM, приземная температура воздуха, Пермский край

Аннотация

Рассматривается возможность верификации краткосрочных прогнозов приземной температуры воздуха по моделям Global Forecast System (GFS) и Global Environment Multiscale (GEM) в Пермском крае на примере летнего и зимнего сезонов 2018–2019 гг. в зависимости от типа наблюдаемой синоптической ситуации. Разработана система для автоматического определения типа синоптической ситуации на основе двухступенчатой процедуры, включающей в себя разложение полей приземного давления методом главных компонент и последующую кластеризацию коэффициентов разложения методом K-средних. Установлено, что прогнозы модели GFS в летний период в большей степени зависят от синоптической ситуации, чем зимой. Ухудшение качества прогнозов по модели GFS, выражающееся в систематическом занижении прогностической температуры на 0,6°–1,2°, наблюдается при синоптических ситуациях, для которых характерна адвекция тепла. Различие в успешности прогнозов по модели GEM, напротив, более выражено в зимний период. Резкое ухудшение качества прогнозов зафиксировано для центральной части антициклона в ночные часы, когда доля оправдавшихся прогнозов понижается до 44%. Полученные результаты могут быть полезны при оперативном прогнозировании или постпроцессинге модельных прогнозов.

Библиографические ссылки

Аухадеев Т.Р. Барико-циркуляционный режим Приволжского федерального округа // Географический вестник. 2014. № 2 (29). С. 50–59.

Базовые требования к технологии подготовки краткосрочных прогнозов погоды. РД 52.27.723-2009. Обнинск: ИГ-СОЦИН, 2009. 32 с.

Калинин Н.А., Пищальникова Е.В., Шихов А.Н., Быков А.В. Прогноз сильных снегопадов на Урале с использованием численных моделей атмосферы // Географический вестник. 2019. №1(48). С. 93–106. doi: 10.17072/2079-7877-2019-1-93-106.

Костарев С.В., Русин И.Н. Оценка качества численного прогноза температуры воздуха в зависимости от синоптической ситуации в Пермском крае // Географический вестник. 2019. №3(50). С. 48–62. doi: 10.17072/2079-7877-2019-3-48-62.

Проведение производственных (оперативных) испытаний новых и усовершенствованных методов гидрометеорологических и гелиогеофизических прогнозов РД № 52.27.284-91: метод. указания. Л.: Гидрометеоиздат, 1991. 149 с.

Смирнов Ч.П., Вайновский П.А., Титов Ю.Э. Статистический диагноз и прогноз океанологических процессов. СПб.: Гидрометеоиздат, 1992. 200 с.

Bertolani L., Salerno R., Dipierro G. Self-organizing maps: an application to NWP models verification // Primo Congresso Nazionale AISAM. Bologna, 2018. P. 105.

Bundel A.Yu., Astakhova E.D., Rozinkina I.A., Alferov D.Yu., Semenov A.E. Verification of Short- and Medium-range Precipitation Forecasts from the Ensemble Modeling System of the Hydrometcenter of Russia // Russ. Meteorol. Hydrol. 2011. V. 36. No. 10. P. 653–662. doi: 0.3103/S1068373911100025.

Casati B., Haiden T., Brown B., Nurmi P., Lemieux J.-F. Verification of environmental prediction in polar regions: Recommendations for the Year of Polar Prediction. WWRP 2017-1. Geneva: WMO, 2017. 44 p.

Casati B., Wilson L.J., Stephenson D.B., Nurmi P., Ghelli A., Pocernich M., Damrath U., Ebert E.E., Brown B.G., Mason S. Forecast verification: current status and future directions//Meteorol. Appl. 2008. V. 15. No. 1. P. 3–18. doi: 10.1002/met.52.

Compo G.P., Whitaker J.S., Sardeshmukh P.D., Matsui N., Allan R.J., Yin X., Gleason B.E., Vose R.S., Rutledge G., Bessemoulin P., Brönnimann S., Brunet M., Crouthamel R.I., Grant A.N., Groisman P.Y., Jones P.D., Kruk M.C., Kruger A.C., Marshall G.J., Maugeri M., Mok H.Y., Nordli Ø., Ross T.F., Trigo R.M., Wang X.L., Woodruff S.D., Worley S.J. The twentieth century reanalysis project // Q. J. Roy. Meteorol. Soc. 2011. V. 137. No. 654. P. 1–28. doi: 10.1002/qj.776.

Cuell, C., Bonsal B. An assessment of climatological synoptic typing by principal component analysis and kmeans clustering // Theor. Appl. Climatol. 2009. V. 98. P. 361–373. doi: 10.1007/s00704-009-0119-8.

Dahni R.R. An automated synoptic typing system using archived and real-time NWP model output // 19th International Conference on Interactive Information and Processing Systems (IIPS) for Meteorology, Oceanography and Hydrology. Long Beach, California, 2003.

Huth R. Properties of the circulation classification scheme based on the rotated principal component analysis // Meteorol. Atmos. Phys. 1996. V. 59. P. 217–233. doi: 10.1007/BF01030145.

Jiang N. A new objective procedure for classifying New Zealand synoptic weather types during 1958-2008 // Int. J. Climatol. 2011. V. 31. P. 863–879. doi: 10.1002/joc.2126.

Jiang N., Cheung K., Luo K., Beggs P.J., Zhou W. On two objective procedures for classifying synoptic weather types over east Australia // Int. J. Climatol. 2012. V. 32. P. 1475–1494. doi: 10.1002/joc.2373.

Kalinin N.A., Kislov A.V., Babina E.D., Vetrov A.L. Estimation of air temperature reproduction quality by the MM5 model in the Urals in July // Russ. Meteorol. Hydrol. 2010. V. 35. No. 10. P. 659–664. doi: 10.3103/S106837391010002X.

Key J., Crane R.G. A comparison of synoptic classification schemes based on ‘objective’ procedures. // Journal of Climatology. 1986. V. 6. P. 375–388. doi: 10.1002/joc.3370060404.

Kirchhofer W. Classification of European 500 mb patterns // Arbeitsbericht der Schweizerischen Meteorologischen Zentralanstalt. 1973. V. 43. P. 1–16.

Lund I.A. Map-pattern classification by statistical methods // J. Appl. Meteorol. 1963. V. 2. P. 56–65. doi: 10.1175/1520-0450(1963)002<0056:MPCBSM>2.0.CO;2.

McMurdie L.A., Casola J. Weather regimes and forecast errors in the Pacific Northwest // Weather Forecast. 2009. V. 24. No. 3. P. 829–842. doi: 10.1175/2008WAF2222172.1.

NCEP. List of GFS implementations. URL: www.emc.ncep.noaa.gov/emc/pages/numerical_forecast_systems/gfs/implementations.php (дата обращения: 04.10.2020).

Neal R., Fereday D., Crocker R., Comer R.E. A flexible approach to defining weather patterns and their application in weather forecasting over Europe // Meteorol. Appl. 2016. V. 23. No 3. P. 389–400. doi: 10.1002/met.1563.

Pedregosa F., Varoquaux G., Gramfort A., Michel V., Thirion B., Grisel O., Blondel M., Prettenhofer P., Weiss R., Dubourg V., Vanderplas J., Passos A., Cournapeau D., Brucher M., Perrot M., Duchesnay E. Scikit-learn: Machine Learning in Python // J. Mach. Learn. Res. 2011. V. 12. P. 2825–2830.

Qaddouri A., Lee V. The Canadian Global Environmental Multiscale model on the Yin-Yang grid system // Q. J. Roy. Meteorol. Soc. 2011. V. 137. No. 660. P. 1913–1926. doi: 10.1002/qj.873.

Rossa A., Nurmi P., Ebert E. Overview of methods for the verification of quantitative precipitation forecasts // Precipitation: Advances in Measurement, Estimation and Prediction / Ed. S.C., Michaelides. Berlin: Springer-Verlag Berlin Heidelberg, 2008. С. 419–452. doi: 10.1007/978-3-540-77655-0.

Rousseeuw, P.J. Silhouettes: A Graphical Aid to the Interpretation and Validation of Cluster Analysis // Comput. Appl. Math. 1987. V. 20. P. 53–65. doi: 10.1016/0377-0427(87)90125-7.