В данной статье рассмотрены различные подходы при создании моделей локального прогноза погоды.

Прогноз погоды – научно обоснованное предположение о предстоящих изменениях погоды, составленное на основе анализа развития крупномасштабных атмосферных процессов.

Прогнозы погоды делятся на краткосрочные (от нескольких часов до 1—2 сут), долгосрочные малой заблаговременности (3—10 сут), долгосрочные большой заблаговременности (на месяц и более).

Подготовка прогнозов с помощью компьютерных моделей начинается с описания состояния атмосферы, основанного на прошлых и текущих наблюдениях, в виде процесса, называемого усвоением данных. В данном процессе обычно используется модель численного прогнозирования погоды (ЧПП), которая обобщает и экстраполирует по времени информацию, извлеченную из прошлых наблюдений. Усвоение данных является весьма эффективным при в условиях недостаточности информации 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. Прогнозы с заблаговременностью, превышающей несколько часов, почти всегда полностью основываются на ЧПП. 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 в конечном итоге ограничивать предсказуемость и достоверность моделей.

В настоящее время для прогнозирования погоды используют следующие основные модели ЧПП: ADAS, ETA, Aviation, Ensemble, MM5, MRF/GFS, NGM, Meso-ETA. Модель NGM (Nested Grid Model) является одной из наиболее используемых моделей для краткосрочного прогнозирования (менее чем на 48 часов в будущее). Численные значения для каждого параметра, рассчитываемого в модели, рассчитываются каждые 3 или 6 часов, что позволяет прогнозисту строить получать более детальную информацию для разного времени суток. Результаты прогноза публикуются дважды в день. Модель ЧПП ЕТА является другой точной моделью прогноза погоды на период до 48-84 часов. Эта модель позволяет получит прогноз такой же детализации как и модель NGM. Результаты прогноза публикуются четыре раза в день. Модель ЧПП GFS (Global Forecast System) также является не менее точной, чем модель NGM. Она особенно полезна для прогноза на промежутке 48-72 часа, на котором модель NGM уже не рассчитывает прогноз. Расширенная версия GFS (GFSХ) позволяет получать прогноз погоды вплоть до двух недели в будущее, но точность прогноза резко падает при прогнозе более чем на неделю.

Указанные модели являются крупномасштабными, поэтому с их помощью возможно прогнозирование лишь величин, осредненных по площади элементарной ячейки прогностической модели. С помощью таких осредненных значений можно охарактеризовать «основное» состояние погоды, или ее «фон». Но в атмосфере также происходят процессы меньших, чем элементарная ячейка, масштабов, которые не учитываются в глобальной модели. Поэтому для прогнозирования этих процессов и соответствующей им погоды на уровне города или района разрабатываются специальные локальные прогностические модели.

Другой путь для создания эффективного прогноза погоды – это использование в прогнозировании нейронных сетей. Идея использования нейронных сетей в прогнозировании нашла свое применение в последнее десятилетие ХХ века. Они используются для краткосрочного и среднесрочного прогнозирования. Стандартная процедура использования нейронной сети заключается в «обучении» сети при помощи большого числа имеющихся данных. В процессе обучения, используя блок входных данных, сеть определяет зависимость, на которых основаны входные данные, и в дальнейшем для прогнозирования сеть будет использовать полученную зависимость. Преимуществом нейронных сетей является возможность их дальнейшего динамического обучения в процессе получения новых данных. Считается, что нейронная сеть по сравнению с другими методами наиболее точно определяет зависимости поведения данных.

Автоматизированная система прогноза погоды на локальном уровне может быть построена с использованием одновременно как и результатов ЧПП, так и построением нейронной сети. Архитектура системы показана на основе диаграммы компонентов (рисунок 1).

Рисунок 1 – Диаграмма компонентов