За последние несколько десятилетий благодаря значительным достижениям в науке появились улучшенные и более эффективные методы проведения наблюдений и своевременного сбора данных из разнообразных источников, включающих радиолокаторы и спутники. Использование данных этих наблюдений в научно обоснованных методах привело к значительному повышению качества прогнозов погоды, и в результате этого люди во всем мире стали полагаться на прогнозы погоды как на ценный вклад во многие процессы принятия решений.

Подготовка прогнозов с помощью компьютеров начинается с описания состояния атмосферы, основанного на прошлых и текущих наблюдениях, в виде процесса, называемого усвоением данных, в котором используется модель численного прогнозирования погоды (ЧПП) для обобщения и экстраполяции по времени информации, извлеченной из прошлых наблюдений. Усвоение данных является весьма эффективным при неполном охвате данными наблюдений из различных источников, используемыми с целью создания логически согласованной оценки состояния атмосферы. Однако, подобно прогнозу, усвоение данных базируется на модели ЧПП и не может непосредственно использовать наблюдения таких масштабов и процессов, которые не представлены в модели.

Фактором, ограничивающим качество некоторых прогнозов, является наличие районов с очень бедным охватом данными.Поэтому все еще имеется потребность в улучшенных системах наблюдений и в методах усвоения данных этих систем моделями ЧПП.

Благодаря различной исследовательской деятельности, включая проведение полевых экспериментов, теоретическую работу и численное моделирование, в научном понимании физических процессов достигнут значительный прогресс.

Однако атмосферные процессы изначально являются нелинейными, и не все физические процессы можно понять или представить в моделях ЧПП. Например, широкое разнообразие возможного наличия воды и частиц льда в облаках необходимо значительно упростить до представления в виде небольших кучевых облаков, которые могут быть источником ливневого дождя. Постоянные исследовательские усилия с использованием ожидаемых улучшений в компьютерной технологии и физических измерениях позволят улучшить эти приближения. И даже после этого все еще окажется невозможным представлять все виды движения и процессы в атмосфере.

Имеется широкий спектр видов атмосферного движения — от планетарного масштаба до местной турбулентности. Некоторые из них являются неустойчивыми и организованы таким образом, что поток усиливается за счет, например, энергии, получаемой при нагревании и при конденсации влаги. Это свойство атмосферы означает, что небольшие неопределенности состояния атмосферы также будут возрастать, и таким образом, в конечном итоге, окажется невозможным точно предсказать неустойчивые системы. Насколько это быстро происходит, зависит от типа и размера движений. Для конвективных движений, таких, как грозы, ограничение составляет порядка часов, в то время как для крупномасштабных движений оно составляет порядка двух недель.

Прогнозы в пределах от 0 и вплоть до 6—12 часов основываются на более интенсивном, с точки зрения наблюдений подходе, и называются прогнозами текущей погоды. Традиционно прогнозирование текущей погоды концентрируется на анализе и экстраполяции наблюдаемых метеорологических полей с особым упором на мезомасштабные поля облаков и осадков, полученные по данным спутников и радиолокаторов. Продукция в виде прогноза текущей погоды особенно ценна в случае маломасштабных неблагоприятных явлений погоды, связанных с сильной конвекцией и интенсивными циклонами. В случае с тропическими циклонами, прогнозирование текущей погоды является важным подходом для обнаружения и последующего краткосрочного предсказания, которое обеспечивает действительность прогноза в некоторых случаях свыше 24 часов. Однако интенсивность изменения явлений, таких, как сильная конвекция, во времени является таковой, что простая экстраполяция важных характеристик приводит к тому, что продукция очень быстро ухудшается со временем, даже во временных масштабах порядка одного часа. Поэтому разрабатываются методы, в которых сочетаются методы экстраполяции с ЧПП, при этом как за счет смешения двух видов продукции, так и с помощью улучшенной ассимиляции подробных мезомасштабных наблюдений. Это изначально очень трудная задача, и хотя точность и конкретность будут улучшаться в предстоящие годы, эти виды продукции всегда будут нести в себе неопределенность, касающуюся конкретного местоположения, времени и суровости таких метеорологических явлений, как грозы и бури с градом, торнадо и нисходящие порывы ветра.

Численное прогнозирование погоды: прогнозы с заблаговременностью, превышающей несколько часов, почти всегда полностью основываются на ЧПП. В действительности, большую часть улучшений в оправдываемости прогнозов погоды за последние 20 лет можно отнести за счет компьютерных моделей ЧПП, которые строятся с использованием уравнений, описывающих динамическое и физическое изменение атмосферы. Модели ЧПП представляют атмосферу на трехмерной сетке, при этом в типичных оперативных системах в 2001 г. используется горизонтальное разрешение 50—100 км для крупномасштабного прогнозирования, и 5—40 км — для прогнозирования по ограниченному району в мезомасштабе. С поступлением более мощных компьютеров это представление улучшится.

Точно можно предсказывать только погодные системы, которые в несколько раз превышают шаг сетки, и поэтому явления в меньших масштабах должны представляться в приближенном виде с использованием статистических и других методов. Эти ограничения в моделях ЧПП оказывают особое влияние на подробные прогнозы местных элементов погоды, таких, как облачность и туман, а также экстремальных явлений, таких, как интенсивные осадки и максимальные порывы ветра. Они также вносят вклад в неопределенности, которые могут хаотично возрастать и, в конечном итоге, ограничивать предсказуемость.

Ансамблевое прогнозирование: неопределенность существует всегда, даже в наших сведениях о текущем состоянии атмосферы. Она хаотично возрастает во времени с поступлением большого количества новой информации, которая вначале не добавляет дополнительное значение, до тех пор, пока не остается только климатологическая информация.

Скорость роста этой неопределенности трудно оценить, поскольку она зависит от трехмерной структуры атмосферного потока. Решение этой проблемы состоит в использовании группы прогнозов — ансамбля — с рядом незначительно отличающихся начальных условий и/или группы моделей ЧПП с различными, но равновозможными приближениями. Если ансамбль хорошо построен, то его прогнозы охватят весь диапазон возможных результатов, включая ряд образований, где могут возрастать неопределенности. По этому комплекту прогнозов можно автоматически получить информацию о вероятностях, соответствующую требованиям пользователей.

Ансамбли прогнозов зависят от ограничений ЧПП, рассмотренных ранее. Кроме того, поскольку группа прогнозов рассчитывается одновременно, то остается меньше компьютерных мощностей для каждого прогноза. В этой связи требуется увеличение шага сетки, что ведет к затруднениям в представлении некоторых суровых явлений погоды меньшего горизонтального масштаба. С учетом ограниченного количества прогнозов в ансамбле, трудно вычислить вероятности весьма экстремальных и редких явлений непосредственно по ансамблю. Более того, невозможно изменить модели ЧПП, используемые для должной выборки ошибок моделирования, и, таким образом, иногда во всех моделях будут допускаться одни и те же ошибки.

За пределами двух недель обычные недельные подробные прогнозы погоды имеют очень низкий уровень успешности, но прогнозы среднемесячных значений, полученные с использованием ЧПП для предсказания аномалий температуры поверхности моря, в пределах нескольких месяцев все еще имеют значительную успешность для некоторых регионов и сезонов.

При сезонном временном масштабе подробные прогнозы метеорологических явлений или последовательностей метеорологических образований невозможны. Как уже упоминалось выше, хаотический характер поведения атмосферы налагает фундаментальное ограничение порядка двух недель для таких детерминистских предсказаний, связанное с быстрым возрастанием ошибок начальных условий, возникающих за счет несовершенных и неполных наблюдений. Тем не менее в ограниченном смысле проявляется некая предсказуемость аномалий температуры и осадков с более длительной заблаговременностью вплоть до нескольких сезонов. Это происходит в связи с взаимодействиями между атмосферой, океанами и поверхностью суши, которые становятся важными во временных масштабах порядка сезона.

Характер предсказуемости в сезонных временных масштабах следует понимать в вероятностном смысле. Это не точная последовательность погоды, которая обладает предсказуемостью с большой временной заблаговременностью (сезон или более),а скорее некоторые статистические аспекты погоды, имеющие потенциальную предсказуемость, например среднее значение или отклонение температуры/осадков за сезон. Хотя погода в любой определенный день совершенно неопределенна в долгосрочном плане, устойчивое влияние медленно изменяющихся условий на поверхности может изменить шансы для конкретного типа погоды в этот день. Если проводить грубую аналогию с процессом игры в кости, то незначительное, но систематическое влияние граничного вынуждающего воздействия можно сравнить с киданием кости «со смещенным центром тяжести». При каждом определенном броске мы не можем предсказать результатов, но после нескольких бросков такая шулерская кость будет чаще выпадать с определенным результатом по сравнению с другими. Это вид ограниченной предсказуемости, которая характеризует сезонное прогнозирование.

В настоящее время сезонные предсказания подготавливаются с использованием как статистических схем, так и динамических моделей. Статистический подход стремится к обнаружению повторяющихся схем в климате, связанных с предикторным полем, таким, как температура поверхности моря. Такие модели продемонстрировали оправдываемость при прогнозировании Эль-Ниньо и некоторых из его глобальных климатических воздействий. Основными инструментами для динамического прогнозирования являются совмещенные модели — модели, которые включают как атмосферу, так и другие важные среды, особенно океан. Такие модели инициализируются с использованием имеющихся наблюдений и интегрируются по времени, с тем чтобы подготовить сезонное предсказание. Проблема неопределенности решается с использованием ансамблевого подхода, при котором модель климата прогоняется множество раз с несколько разными исходными условиями (в пределах ошибок наблюдений или ошибок выборки).Отсюда получают распределение результатов, по которым можно оценить статистические данные о климате. Недавно получены обещающие результаты, рассчитанные по продукции ансамбля из нескольких моделей.

Имеется несколько ограничений, касающихся существующих предсказаний. Большинство из совмещенных моделей (и в меньшей степени не совмещенных моделей) демонстрирует несколько серьезных постоянных систематических ошибок, которые неизбежно снижают уровень оправдываемости прогноза. Наличие данных является ограничением как для статистических моделей, так и для динамических моделей. В последнем случае имеется весьма ограниченная информация об условиях на поверхности большей части глобального океана и суши. Кроме того, в имеющихся методах инициализации не учитываются должным образом систематические ошибки моделей, ограничивая еще более полезность прогноза. Окончательный набор ограничений возникает по практическим причинам. В связи с требованиями к ресурсам большинство сезонных предсказаний не могут производиться с разрешениями, сравнимыми с прогнозированием погоды. Далее, для некоторых моделей используются ансамбли довольно небольших размеров (порядка 10), что, безусловно, меньше размера, оптимального для получения надежных вероятностных прогнозов. Последние исследования касаются потенциала для приведения масштабов климатических прогнозов к региональному уровню путем применения различных средств, а также возможностей получения более подробной вероятностной климатической информации за счет расширенных ансамблей, рассчитанных по одной или нескольким моделям.

В настоящее время рассматривается вопрос о возможном использовании сезонных прогнозов в различных контекстах. В каждом случае для эффективного использования потребуется особое внимание к проблеме неопределенности, присущей сезонным прогнозам. Можно предположить, что в ближайшем будущем передовые достижения позволят улучшить оценки неопределенности, связанной с прогнозами, что позволит осуществлять лучшее использование прогностической продукции.

В прогнозах, выраженных в качестве вероятностей или ансамблей, содержится намного больше информации, чем в детерминистских прогнозах, и поэтому трудно передать все эту информацию пользователям. В транслируемых прогнозах можно лишь дать широкую картину наиболее вероятного результата и, возможно, некоторые указания на значительные риски. Решение каждого пользователя может основываться на вероятностях ряда конкретных явлений. Их характер, а также пороги вероятности для принятия мер по прогнозам, будут различными. Таким образом, для важных решений пользователю необходимо применять свои конкретные критерии, касающиеся подробной прогностической информации.

Далее кратко рассмотрим, как делается численный прогноз погоды. Алгоритм прогноза приведен ниже. - Измеренные данные контролируются: а) отбрасываются чрезмерно большие или малые значения (например, ветер со скоростью 200 м/сек, отрицательный угол его направления, отрицательная влажность и т.п.); б) значения сравниваются с результатом в предыдущий момент измерения в этом месте и в тот же момент, но в ближайших точках измерения; в) проверяется выполнение некоторых соотношений: значения не должны слишком отклоняться от значений предыдущего прогноза на срок измерения. Программа комплексного контроля проверяет невязки во всех частных контролях, а затем принимает решение об ошибочности или верности данного измерения. Системы усвоения метеорологической информации используют разнообразные данные от самых разнообразных наблюдательных приборов и должны быстро их проверить и согласовать между собой. - Проконтролированные данные интерполируются в правильную сетку точек на поверхности Земли (или ее части, если прогноз предполагается давать региональный, а не глобальный). При этой интерполяции следует учесть статистические характеристики как реальных метеорологических полей, так и полей предыдущего прогноза на момент данного объективного анализа. - Данные в геометрически правильной сетке используются в качестве начальных для системы уравнений в частных производных, описывающих динамику атмосферы. Это уравнения газовой динамики, в которые добавлены различные физические эффекты, не наблюдаемые в идеальном газе. Учитывается вращение Земли, ускорение силы тяжести, солнечная и отраженная от поверхности Земли радиация, фазовые переходы воды и т.д.

Во многих моделях вместо закона сохранения вертикального импульса используют уравнение гидростатики. Это существенно понижает порядок систему уравнений по времени, а значит, упрощенная система требует меньшего количества начальных данных, нежели полная.

К уравнениям нужно добавить начальные данные, получаемые из измерений, и граничные условия На верхней границе модели и на боковых границах, если модель описывает не всю атмосферу, также нужно поставить граничные условия. Если это границы не физические (т.е. на них не происходит специальных физических процессов), а волюнтаристические (например, область есть прямоугольник, накрывающий ту или иную страну, а граница прямоугольника просто задана на карте), то граничные условия эти вычислительные, а не физические. Производится стыковка с прогностической моделью большего масштаба так, чтобы эта искусственная граница не порождала сильные вычислительные волны.

Дифференциальные уравнения динамики атмосферы решаются приближенно. Для этого они аппроксимируются дискретными моделями.

2.1 Нейропрогнозирование

Возможность использования нейронных сетей для прогноза погоды исследуется в течение продолжительного времени. Преимущество нейронных сетей заключается в том, что они хорошо описывают поведение нелинейных систем (а модель погоды является нелинейной системой). Существует несколько подходов прогнозирования с помощью нейросетей. Один из таких подходов заключается в использовании ансамбля искусственных нейронных сетей (an ensemble of artificial neural networks) для прогноза погоды. Ансамбль состоит из конечного числа нейронных сетей, которые обучены для одной и той же цели. В общем случае ансамбль сетей строится в два этапа: обучение числа компонент нейронных сетей и затем объединение предсказаний этих компонент. Ансамблевые методы объединяют выходы нескольких нейросетей. Выход ансамбля представляет собой взвешенное среднее каждой нейросети, где вес определяется как функция относительной ошибки каждой сети, определенной при обучении. В итоге результирующая сеть часто превосходит каждую из составляющих сетей. В качестве составных частей ансамбля можно использовать нейронные сети следующих типов: MLPN, ERNN, RBFN и HFM, причем комбинации этих сетей могут быть различны. Архитектура сети представлена на рисунке 1. Исследования показывают, что ансамблевый метод дает более высокую точность прогноза по сравнению с одинарными нейросетями или регрессионными моделями.

Рисунок 1 – Структура автоматизированной системы мониторинга и прогнозирования метеопараметров атмосферы