Operatív AROME előrejelzések és GNSS ZTD adatasszimiláció az Országos Meteorológiai Szolgálatnál
Mile Máté Módszerfejlesztési Osztály (MO) OMSZ Fömi Teaelőadás 2014.06.10.
Tartalom
Bevezetés, Numerikus előrejelzés és Adatasszimiláció
AROME modell
2/37
Operatív Rendszer
AROME adatasszimiláció (Rapid Update Cycle)
AROME adatasszimiláció ZTD adatokkal
GNSS ZTD adatok
ZTD megfigyelések előfeldolgozása
Eredmények
Tervek
Fömi Teaelőadás 2014.06.10.
Tartalom
Bevezetés, Numerikus előrejelzés és Adatasszimiláció
AROME modell
3/37
Operatív Rendszer
AROME adatasszimiláció (Rapid Update Cycle)
AROME adatasszimiláció ZTD adatokkal
GNSS ZTD adatok
ZTD megfigyelések előfeldolgozása
Eredmények
Tervek
Fömi Teaelőadás 2014.06.10.
Bevezetés
4/37
Numerikus előrejelzés: a hidro-termodinamikai egyenletek (HTE) numerikus megoldása A HTE rendszer megoldásához a parciálisdifferenciál egyenleteknek kezdeti és peremfeltételek szükségesek Adatasszimiláció: kezdeti feltételek megadása A légkör kaotikus viselkedése miatt a pontosság nagyon fontos
Fömi Teaelőadás 2014.06.10.
Bevezetés
5/37
Fömi Teaelőadás 2014.06.10.
Adatasszimiláció
6/37
Elsődleges Cél: kezdeti feltételek meghatározása → objektív analízis Másodlagos Cél: A numerikus előrejelzés minőségének, pontosságának javítása Az analízis a modell geometriára illeszkedik és valamennyi légkörről szerzett információt magába foglalja Fontos, hogy figyelembe vegyük a felhasznált információk megbízhatóságát és hogy végül minél kisebb hibával terhelt legyen a kezdeti feltétel Továbbá meg kell őrizzük az analízis dinamikai konziszenciáját a numerikus modellel
Fömi Teaelőadás 2014.06.10.
Adatasszimiláció
7/37
(a gyakorlatban)
Numerikus modellek egy 3D-s rácson oldják meg a HTE rendszert. A rácson értelmezett meteorológiai változók együttese az ún. állapotvektor (továbbiakban x) amely a mai modellek esetében n~107 nagyságrendű. Adatasszimiláció: az állapotvektor megadása a kezdeti időpillanatban (analízis), úgy, hogy az minél közelebb legyen a valósághoz Információink: megfigyelések/mérések + background/first guess (háttér) + légkör dinamikájának ismerete
Fömi Teaelőadás 2014.06.10.
Kisokos...
8/37
Background vagy First guess: Leggyakrabban a modell által az analízis időpontjára vonatkozó rövidtávú előrejelzés, amely szabályos rácson, közvetlenül a modell változóira adottak. Megfigyelések: Időben rendszeres ám térben rendszertelen számszerű mérések. A megfigyelések számossága kisebb mint numerikus modellek dimenziója és gyakran nem a modell állapothatározóit számszerűsítik. Jó példa a ZTD megfigyelések.
Fömi Teaelőadás 2014.06.10.
Alkalmazott Adatasszimilációs Módszerek
Variációs módszer (VAR) → J(x) veszteségfüggvény minimalizálása
J(x) = (x-xb) B (x-xb) + (y-H[x]) R (y-H[x]) T
9/37
-1
Fömi Teaelőadás 2014.06.10.
T
-1
Alkalmazott Adatasszimilációs Módszerek
Variációs módszer (VAR) → J(x) veszteségfüggvény minimalizálása J(x) = (x-xb)T B-1 (x-xb) + (y-H[x])T R-1 (y-H[x]) Jb
Jo
Iteratív módon keressük a háttér hiba (Jb) tag és a megfigyelési hiba (Jo) tag kombinációjának minimumát a J(x) és gradiensének számolásával
Szemléletesen tehát az analízis a háttér mezőtől és a megfigyelésektől vett távolságának minimalizálásaként adódik, tekintettel azok statisztikai megbízhatóságára
10/37
Fömi Teaelőadás 2014.06.10.
Alkalmazott Adatasszimilációs Módszerek
Variációs módszer (VAR) → J(x) veszteségfüggvény minimalizálása
Jo(x) = (y-H[x])T R-1 (y-H[x])
A megfigyelési hiba (Jo) tag dimenzóját a megfigyelések száma adja.
y – megfigyelési vektor
R – megfigyelési hiba kovariancia mátrix, a mérőműszerek hiba szórását tartalmazza. Feltételezzük, hogy a megfigyelések hibái térben korrelálatlanok H – nemlineáris megfigyelési operátor, a modell állapotvektora és a megfigyelések között teremt kapcsolatot
11/37
Fömi Teaelőadás 2014.06.10.
Asszimilációs ciklus
12/37
Autonóm adatasszimilációs rendszer Analízisek láncolata, amelyben a háttér mező mindig az előző analízisből indul
Fömi Teaelőadás 2014.06.10.
Alkalmazott megfigyelések
13/37
Az adatasszimilációs algoritmussal figyelembe vehető megfigyelési típusok
Fömi Teaelőadás 2014.06.10.
Tartalom
Bevezetés, Numerikus előrejelzés és Adatasszimiláció
AROME modell
Operatív Rendszer
AROME adatasszimiláció (Rapid Update Cycle)
AROME adatasszimiláció ZTD adatokkal
GNSS ZTD adatok
ZTD megfigyelések előfeldolgozása
Eredmények
Tervek
14/37
Fömi Teaelőadás 2014.06.10.
Kisokos...
ARPEGE/ALADIN/AROME modell család: A Meteo-France által kezdeményezett Észak-Afrikai és Közép-európai országokkal közösen fejlesztett numerikus modellek.
ARGEPE (Action de Recherche Petite Echelle Grande Echelle) globális modell ALADIN (Aire Limitée Adaptation Dynamique Développement International) korlátos tartományú modell AROME (Applications of Research for Operations at MEsoscales) korlátos tartományú modell
ECMWF/IFS: (European Centre for Medium-Range Weather Forecasts / Integrated Forecast System) Globális modell Dinamikai Adaptáció vagy Leskálázás: Az előrejelzés kezdeti feltételeit egy kisebb felbontású modell (nagyobb felbontású rácsra interpolált) előrejelzése vagy analízise szolgáltatja.
15/37
Fömi Teaelőadás 2014.06.10.
AROME modell
16/37
2.5 km horizontális felbontás (500*320 rács pont), 60 vertikális szint Kezdeti feltételek: AROME 3DVAR és leskálázott ALADIN (felszín) 4 előrejelzés naponta: 00 UTC (48h); 06 UTC (39h); 12 UTC (48h); 18 UTC (39h) Peremfeltételek: ECMWF/IFS órás csatolási frekvencia
Fömi Teaelőadás 2014.06.10.
AROME adatasszimilációs rendszer
Rapid Update Cycle
Operatív 2013. Március óta 3 órás un. Rapid Update Cycle (8 analízis naponta) Nincs feszíni asszimiláció → SURFEX kezdeti feltételek: ALADIN anal & AROME first guess Háttérhiba reprezentáció (B): Leskálázott ALADIN-EDA Konvencionális megfigyelések SYNOP
Z
T2
H2
U
TEMP
Z
T
Q
U
AIREP 17/37
T
Fömi Teaelőadás 2014.06.10.
U
AROME adatasszimilációs rendszer
Rapid Update Cycle
18/37
Növekvő felbontás → rövidebb időtartamú, kis skálájú jelenségek → kisebb előrejelezhetőség → pontosabb kezdeti feltétel kritikus Rapid Update Cycle (RUC) → több megfigyelés figyelembe vétele A RUC rendszer effektíven alkalmazható operatívan azaz futtatása nem túl költséges → korábban elkészülő előrejelzések
Fömi Teaelőadás 2014.06.10.
AROME adatasszimilációs rendszer
Rapid Update Cycle
Minél több megfigyelés alkalmazása, főként olyanok, amelyek rögtön rendelkezésünkre állnak és nem kell beérkezésükre várakozni.
Továbbá nagy térbeli és időbeli felbontású megfigyelések kívánatosak.
Preferált megfigyelések:
19/37
●
Konvencionális adatok
●
RADAR reflektivitás és radiális szél
●
GNSS (GPS) ZTD (Zenith Total Delay)
●
Geostacionárius műholdas produktumok (MSG-SEVIRI, AMV)
Fömi Teaelőadás 2014.06.10.
AROME adatasszimilációs rendszer
OPLACE
Megfigyelés előfeldolgozó rendszer, amely file formátum konverziót hajt végre. Formátum típusok:
ASCII (OBSOUL)
BUFR
GRIB
Az OMSZ-nél futó OPLACE rendszer megfigyeléseit más országok is használják operatív adatasszimilációs rendszereikhez Ausztria, Csehország, Románia, Horvátország, Szlovénia, Szlovákia, Magyarország
AROME megfigyelések is innen jutnak az adatasszimilációs rendszerbe.
20/37
Fömi Teaelőadás 2014.06.10.
AROME adatasszimilációs rendszer
Operatív bevezetés
Az adatasszimilációs rendszer operatív bevezetése 2013 tavaszán
Példa a verifikációs eredményekből
AROME DYNA – Green AROME DA - Blue
21/37
Fömi Teaelőadás 2014.06.10.
AROME adatasszimilációs rendszer
Operatív bevezetés
Csapadék előrejelzés 0-3h 2013.02.25. 22/37
Fömi Teaelőadás 2014.06.10.
Tartalom
Bevezetés, Numerikus előrejelzés és Adatasszimiláció
AROME modell
Operatív Rendszer
AROME adatasszimiláció (Rapid Update Cycle)
AROME adatasszimiláció ZTD adatokkal
GNSS ZTD adatok
ZTD megfigyelések előfeldolgozása
Eredmények
Tervek
23/37
Fömi Teaelőadás 2014.06.10.
GNSS ZTD adatok
24/37
Teszt jellegű ZTD adatok 2013. telére és nyarára (Rózsa Szabolcs) 2013. decemberétől OMSZ-nél operatív ZTD disszemináció az SGOB Network adataival (E-GVAP EUMETNET GNSS water vapor programme)
E-GVAP file (ASCII) formátum
ZTD megfigyelések órás bontásban
Fömi Teaelőadás 2014.06.10.
GNSS ZTD adatok H megfigyelés operátor
A variációs adatasszimilációs módszerben a modell állapotváltozóiból számítunk mért, megfigyelt paramétereket. A modell ekvivalens ZTD-t a H nemlineáris megfigyelési operátor segítségével számítjuk ki:
n – refractivity index pd – partial pressure of dry air pv – partial pressure of water vapour T – temperature K1, K2, K3 – constants (Smith and Weintraub, 1953) 25/37
Fömi Teaelőadás 2014.06.10.
ZTD megfigyelések előfeldolgozása
26/37
A ZTD megfigyelések adatasszimilációs gyakorlata speciális technikát igényel (pl. az E-GVAP állomás hálózat folyamatosan bővül) Aktív asszimiláció csak megbizható, jó minőségű adatokat szolgáltató állomásokról → White list method (Poli et. al. 2007) Alapértelmezettként passzívan jutnak a ZTD megfigyelések az asszimilációs rendszerben, hogy egy (kb. 15 napos) teszt időszakon megvizsgáljuk az állomásokról érkező adatok minőségét, azaz elkészítsük az un. WHITELIST-et a megbízható állomások listájáról
Fömi Teaelőadás 2014.06.10.
ZTD megfigyelések előfeldolgozása
A teszt időszakon a következő kritériumokat követeljük meg:
27/37
Időben gyakori adatszolgáltatás (40%-nál nagyobb) Statisztikailag elfogadható adatminőség (OMG gaussi eloszlású, abszolút BIAS és STDEV kisebb mint 40mm) A modell felszín magassága és az állomás magassága nem különbözik nagy mértékben. (Küszöb 250m)
Fömi Teaelőadás 2014.06.10.
ZTD megfigyelések előfeldolgozása
28/37
A ZTD megfigyelésekre statikus bias korrekciót alkalmazunk, azaz a teszt időszakon kiszámított (állomásonkénti) BIAS-t az asszimiláció előtt eltávolítjuk. A statikus BC miatt a WHITELIST-et gyakran kell frissíteni amennyiben operatív ZTD asszimilációra kerül sor. Az E-GVAP file formátum átalakítísa is szükséges egy un. OBSOUL szintén ASCII formátumra, amely révén földfelszíni megfigyelések csoportjába soroljuk a ZTD adatokat.
Fömi Teaelőadás 2014.06.10.
Eredmények Degree of Freedom for Signal
29/37
Adatasszimilációs diagnosztika A DFS megadja, hogy mekkora az egyes megfigyelések hatása az analízisre. Abszolút DFS → Szélre vonatkozó megfigyelések nagy hatása Relatív DFS → Nedvességre vonatkozó megfigyelések fontosak
Fömi Teaelőadás 2014.06.10.
Eredmények Adatasszimilációs kísérletek
30/37
Két kísérletet futtattunk 2013. májusára a teszt adatokkal és 2014. januárra. Az első kísérlet során csak 15 állomás adatait, míg a másodiknál már 67 állomás megfigyeléseit sikerült asszimilálni az új SGOB Network révén. A kísérleti AROME előrejelzéseket (PGPS) összehasonlítottuk az operatív csak konvencionális (CONV) adatokat tartalmazó rendszerrel, hogy lássuk a ZTD megfigyelések hatását.
Fömi Teaelőadás 2014.06.10.
Eredmények Adatasszimilációs kísérletek
AROME operatív – CONV AROME kísérlet – PGPS
Verifikáció SYNOP és Rádiószondás megfigyelésekkel szemben 2014.01.05. - 01.27.
31/37
Fömi Teaelőadás 2014.06.10.
Eredmények Adatasszimilációs kísérletek
AROME operatív – CONV AROME kísérlet – PGPS
Verifikáció SYNOP és Rádiószondás megfigyelésekkel szemben 2014.01.05. - 01.27.
32/37
Fömi Teaelőadás 2014.06.10.
Eredmények Adatasszimilációs kísérletek
AROME operatív – CONV AROME kísérlet – PGPS
Verifikáció SYNOP és Rádiószondás megfigyelésekkel szemben 2014.01.05. - 01.27.
33/37
Fömi Teaelőadás 2014.06.10.
Eredmények Adatasszimilációs kísérletek
CONV
PGPS
34/37
Fömi Teaelőadás 2014.06.10.
Tartalom
Bevezetés, Numerikus előrejelzés és Adatasszimiláció
AROME modell
Operatív Rendszer
AROME adatasszimiláció (Rapid Update Cycle)
AROME adatasszimiláció ZTD adatokkal
GNSS ZTD adatok
ZTD megfigyelések előfeldolgozása
Eredmények
Tervek
35/37
Fömi Teaelőadás 2014.06.10.
Tervek
36/37
Tesztelés nyári időszakra, főként nagycsapadékos esetre (COST Action ES1206) Whitelist kritériumok hangolása Operatív bevezetés az AROME adatasszimiláció következő fejlesztési lépcsőjében más megfigyelésekkel együtt VARBC a statikus BC helyett
Fömi Teaelőadás 2014.06.10.
Köszönöm a figyelmet!
Köszönet a közreműködő kollégáknak! Kérdések?