Том 36, номер 04, статья № 8

Аннотация:

Предложен метод классификации членов ансамбля прогнозов погоды и выявления из полученного набора того класса, который с наибольшей вероятностью отражает будущее состояние атмосферы. Первый прогностический месяц ансамбля используется для сравнения каждого из выделенных классов с фактически реализовавшимися полями давления и температуры с целью выявления наиболее реалистичного сценария развития макроциркуляционных процессов. Лучший класс из ансамбля используется для прогноза полей аномалий давления и температуры на следующий месяц. Предложенный метод позволяет повысить качество прогнозов погоды в северо-западной части РФ и Арктическом бассейне.
 

Ключевые слова:

ансамблевый прогноз погоды, долгосрочный прогноз погоды, классификация ансамбля, сценарий развития, макроциркуляционный процесс, постпроцессинг, оценка качества прогноза, аномалии приземного давления и температуры

Список литературы:

1. Вильфанд Р.М., Мартазинова В.Ф., Цепелев В.Ю., Хан В.М., Мироничева Н.П., Елисеев Г.В., Ивано­ва Е.К., Тищенко В.А., Уткузова Д.Н. Комплексирование синоптико-статистических и гидродинамических прогнозов температуры воздуха на месяц // Метеорол. и гидрол. 2017. № 8. С. 5–17.
2. Bauer P., Thorpe A., Brunet G. The quiet revolution of numerical weather prediction // Nature. 2015. V. 525, N 7567. P. 47–55.
3. Руководящие указания по системам ансамблевого прогнозирования и прогнозированию // Документ ВМО. 2012. № 1091. С. 24.
4. Цепелев В.Ю., Анискина О.Г. Ансамблевый прогноз: составление, использование, интерпретация. СПб.: Изд.-полиграф. ассоциация высш. учеб. заведений, 2022. 110 с.
5. Ambühl J., Cattani D., Eckert Р. Neural Interpretation of ECMWF Ensemble Predictions. Veröffentlichungen der MeteoSchweiz, 2010. V. 85.
6. Kistler R., Kalnay E., Collins W., Saha S., White G., Woollen J., Chelliah M., Ebisuzaki W., Kanamitsu M., Kousky V., van den Dool H., Jenne R., Fiorino M. The NCEP-NCAR 50-year Reanalysis: Monthly means CD-ROM and Documentation // Bull. Am. Meteorol. Soc. 2001. N 82. P. 247–268.
7. Jouan G., Cuzol A., Monbet V., Monnier G. Weather types prediction at medium-range from ensemble forecasts // 9th International Workshop on Climate Informatics. Paris, 2019. URL: https://hal.archives-ouvertes.fr/hal-02425230v2 (last access: 12.11.2022).
8. Lavaysse C., Vogt J., Toreti A., L. Carrera M., Pappenberger F. On the use of weather regimes to forecast meteorological drought over Europe // Nat. Hazards Earth Syst. Sci. 2018. V. 18. P. 3297–3309.
9. Piero A. Chessa. Classification and Validation of the ECMWF EPS Pertubered Forecasts Using Pre-defined Weather Regimes: Technical Memorandum 317. ECMWF, 2000. 30 р.
10. Rasp S., Lerch S. Neural networks for postprocessing ensemble weather forecasts // Mon. Weather Rev. 2018. V. 146, N 11. P. 3885–3900.
11. Grönquist P., Yao C., Ben-Nun T., Dryden N., Dueben P., Li S. Hoefler T. Deep Learning for Post-Processing Ensemble Weather Forecasts // ECMWF-ESA Workshop on Machine Learning for Earth System Observation and Prediction. 2020. P. 2–9.
12. URL:https://confluence.ecmwf.int/display/FCST/Forecast+User+Portal (last access: 12.11.2022).
13. Suranjana Saha, Shrinivas Moorthi, Hua-Lu Pan, Xingren Wu, Jiande Wang, Sudhir Nadiga, Patrick Tripp, Robert Kistler, John Woollen, David Behringer, Haixia Liu, Diane Stokes, Robert Grumbine, George Gayno, Jun Wang, Yu-Tai Hou, Hui-ya Chuang, Hann-Ming H. Juang, Joe Sela, Mark Iredell, Russ Treadon, Daryl Kleist, Paul Van Delst, Dennis Keyser, John Derber, Michael Ek, Jesse Meng, Helin Wei, Rongqian Yang, Stephen Lord, Huug van den Dool, Arun Kumar, Wanqiu Wang, Craig Long, Muthuvel Chelliah, Yan Xue, Boyin Huang, Jae-Kyung Schemm, Wesley Ebisuzaki, Roger Lin, Pingping Xie, Mingyue Chen, Shuntai Zhou, Wayne Higgins, Cheng-Zhi Zou, Quanhua Liu, Yong Chen, Yong Han, Lidia Cucurull, Richard W. Reynolds, Glenn Rutledge, Mitch Goldberg. The NCEP climate forecast system reanalysis // Bull. Am. Meteorol. Soc. 2010. V. 91, N 8. P. 1015–1058.
14. Yussouf N., Stensrud D.J., Lakshmivarahan S. Cluster analysis of multimodel ensemble data over New England // Mon. Weather Rev. 2004. V. 132. P. 242–246.
15. Наставление по глобальной системе обработки дан­ных и прогнозирования // Дополнение IV к Техническому регламенту ВМО. 2005: ТОМ I. (Дополнение IV к Техническому регламенту ВМО). Глобальные аспекты. Добавление II.8. Стандартная система проверки оправдываемости (ССПО) долгосрочных прогнозов (ДП). Женева: Секретариат Всемирной метеорологической организации, 1992. 173 с.
16. Lamberson W., Bodner M., Sienkiewicz S., Nelson J. The use of multi-model ensemble clustering in the Weather Prediction Center’s Extended Range Forecast Experiment // 8th NCEP Ensemble Users Workshop. 2019, August. URL: https://ral.ucar.edu/sites/default/files/ docs//075-lamberson-bill-clustering-presentation.pdf.
17. Zheng M. Applying fuzzy clustering to a multi-model ensemble for U.S. East Coast winter storms: Scenario identification and forecast verification // Weather Forecast. 2017. V. 32, N 3. Р. 1253–1271.
18. Савичев А.И., Цепелев В.Ю. Прогноз погоды на месяц по методу типовых макропроцессов. СПб. // Уч. зап. Рос. гос. гидромет. ун-та. 2008. № 8. С. 62–81.
19. Цепелев В.Ю., Хан В.М. Вероятностное представление долгосрочных метеорологических прогнозов, раз­работанных синоптическими методами // Метеоро­л. и гидрол. 2014. № 4. С. 17–32.
20. Doycheva K., Horn G., Koch C., Schumann A., König M. Assessment and weighting of meteorological ensemble forecast members based on supervised machine learning with application to runoff simulations and flood warning // Adv. Eng. Inform. 2016. V. 33. Р. 112–134.
21. РД 52.27.284-91. Методические указания. Проведение производственных (оперативных) испытаний новых и усовершенствованных методов гидрометеорологических и гелиогеофизических прогнозов. Л.: Гидрометеоиздат, 1991. 150 с.