Система численного прогноза погоды WRF-Украина

Представлена програмна система чисельного прогнозування погоди WRF-Україна. Обчислювальним ядром цієї системи є модель чисельного прогнозу погоди нового покоління WRF. Розроблений комплекс програмних засобів включає автоматизовані засоби візуалізації результатів розрахунків та їх статистичної обробк...

Ausführliche Beschreibung

Gespeichert in:

Bibliographische Detailangaben
Datum:	2008
Hauptverfasser:	Гузий, А.М., Ковалец, И.В., Кущан, А.А., Железняк, М.И.
Format:	Artikel
Sprache:	Russian
Veröffentlicht:	Інститут проблем математичних машин і систем НАН України 2008
Schriftenreihe:	Математичні машини і системи
Schlagworte:	Моделювання і управління великими системами
Online Zugang:	http://dspace.nbuv.gov.ua/handle/123456789/46829
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!
Назва журналу:	Digital Library of Periodicals of National Academy of Sciences of Ukraine
Zitieren:	Система численного прогноза погоды WRF-Украина / А.М. Гузий, И.В. Ковалец, А.А. Кущан, М.И. Железняк // Мат. машини і системи. — 2008. — № 4. — С. 123–131. — Бібліогр.: 8 назв. — рос.

Institution

Digital Library of Periodicals of National Academy of Sciences of Ukraine

id	irk-123456789-46829
record_format	dspace
spelling	irk-123456789-468292013-07-08T03:02:52Z Система численного прогноза погоды WRF-Украина Гузий, А.М. Ковалец, И.В. Кущан, А.А. Железняк, М.И. Моделювання і управління великими системами Представлена програмна система чисельного прогнозування погоди WRF-Україна. Обчислювальним ядром цієї системи є модель чисельного прогнозу погоди нового покоління WRF. Розроблений комплекс програмних засобів включає автоматизовані засоби візуалізації результатів розрахунків та їх статистичної обробки і уточнення з використанням нейромереж і даних вимірювань. Представлена программная система численного прогнозирования погоды WRF-Украина. Вычислительным ядром этой системы является модель численного прогноза погоды нового поколения WRF. Разработанный комплекс программных средств включает в себя автоматизированные средства визуализации результатов расчетов, их статистической обработки и уточнения с использованием нейросетей и данных измерений. The software system of numerical weather prediction for Ukrainian territory is presented. The computational kernel of the system is the numerical weather prediction model WRF. The developed software includes automated means of visualization of the results of calculations and their statistical postprocessing and correction with the use of neural network and measurements. 2008 Article Система численного прогноза погоды WRF-Украина / А.М. Гузий, И.В. Ковалец, А.А. Кущан, М.И. Железняк // Мат. машини і системи. — 2008. — № 4. — С. 123–131. — Бібліогр.: 8 назв. — рос. 1028-9763 http://dspace.nbuv.gov.ua/handle/123456789/46829 004.9:504:519.6 ru Математичні машини і системи Інститут проблем математичних машин і систем НАН України
institution	Digital Library of Periodicals of National Academy of Sciences of Ukraine
collection	DSpace DC
language	Russian
topic	Моделювання і управління великими системами Моделювання і управління великими системами
spellingShingle	Моделювання і управління великими системами Моделювання і управління великими системами Гузий, А.М. Ковалец, И.В. Кущан, А.А. Железняк, М.И. Система численного прогноза погоды WRF-Украина Математичні машини і системи
description	Представлена програмна система чисельного прогнозування погоди WRF-Україна. Обчислювальним ядром цієї системи є модель чисельного прогнозу погоди нового покоління WRF. Розроблений комплекс програмних засобів включає автоматизовані засоби візуалізації результатів розрахунків та їх статистичної обробки і уточнення з використанням нейромереж і даних вимірювань.
format	Article
author	Гузий, А.М. Ковалец, И.В. Кущан, А.А. Железняк, М.И.
author_facet	Гузий, А.М. Ковалец, И.В. Кущан, А.А. Железняк, М.И.
author_sort	Гузий, А.М.
title	Система численного прогноза погоды WRF-Украина
title_short	Система численного прогноза погоды WRF-Украина
title_full	Система численного прогноза погоды WRF-Украина
title_fullStr	Система численного прогноза погоды WRF-Украина
title_full_unstemmed	Система численного прогноза погоды WRF-Украина
title_sort	система численного прогноза погоды wrf-украина
publisher	Інститут проблем математичних машин і систем НАН України
publishDate	2008
topic_facet	Моделювання і управління великими системами
url	http://dspace.nbuv.gov.ua/handle/123456789/46829
citation_txt	Система численного прогноза погоды WRF-Украина / А.М. Гузий, И.В. Ковалец, А.А. Кущан, М.И. Железняк // Мат. машини і системи. — 2008. — № 4. — С. 123–131. — Бібліогр.: 8 назв. — рос.
series	Математичні машини і системи
work_keys_str_mv	AT guzijam sistemačislennogoprognozapogodywrfukraina AT kovaleciv sistemačislennogoprognozapogodywrfukraina AT kuŝanaa sistemačislennogoprognozapogodywrfukraina AT železnâkmi sistemačislennogoprognozapogodywrfukraina
first_indexed	2025-07-04T06:21:00Z
last_indexed	2025-07-04T06:21:00Z
_version_	1836696273221058560
fulltext	© Гузий А.М., Ковалец И.В., Кущан А.А., Железняк М.И., 2008 123 ISSN 1028-9763. Математичні машини і системи, 2008, № 4 УДК 004.9:504:519.6 А.М. ГУЗИЙ, И.В. КОВАЛЕЦ, А.А. КУЩАН, М.И. ЖЕЛЕЗНЯК СИСТЕМА ЧИСЛЕННОГО ПРОГНОЗА ПОГОДЫ WRF-УКРАИНА Аbstract: The software system of numerical weather prediction for Ukrainian territory is presented. The computational kernel of the system is the numerical weather prediction model WRF. The developed software includes automated means of visualization of the results of calculations and their statistical postprocessing and correction with the use of neural network and measurements. Key words: numerical weather prediction, software system. Анотація: Представлена програмна система чисельного прогнозування погоди WRF-Україна. Обчислювальним ядром цієї системи є модель чисельного прогнозу погоди нового покоління WRF. Розроблений комплекс програмних засобів містить автоматизовані засоби візуалізації результатів розрахунків та їх статистичної обробки й уточнення з використанням нейромереж і даних вимірювань. Ключові слова: чисельний прогноз погоди, програмна система, нейромережа. Аннотация: Представлена программная система численного прогнозирования погоды WRF-Украина. Вычислительным ядром этой системы является модель численного прогноза погоды нового поколения WRF. Разработанный комплекс программных средств включает в себя автоматизированные средства визуализации результатов расчетов, их статистической обработки и уточнения с использованием нейросетей и данных измерений. Ключевые слова: численный прогноз погоды, программная система, нейросеть. 1. Введение Во всем мире в гидрометеорологических службах используются численные модели прогноза погоды для прогнозирования детальных распределений метеорологических элементов (скорости и направления ветра, осадков и др.) во времени и пространстве. Эти модели используются не только для прогнозирования погоды, но и для принятия решений в различных отраслях, таких как авиация, реагирование на стихийные бедствия и другие. В 2000 – 2003 гг. в Украине впервые создана система численного прогноза погоды ММ5- Украина на основе американской региональной модели MM5 [1] и разработан соответствующий программный комплекс [2]. Результаты оперативных прогнозов погоды системы MM5-Украина доступны на Интернет сайте МЕТЕОПРОГ [3]. Система MM5-Украина неоднократно использовалась для прогнозирования наводнений в Закарпатье [4], распространения радионуклидов в атмосфере [5] и др. При этом была выявлена важность повышения точности прогнозирования. Точность прогнозирования метеорологических моделей сложным образом зависит от многих факторов. Среди них самыми важными являются: а) разнообразие физических процессов, которые описываются уравнениями модели, и соответствующие физические параметризации; б) точность и детальность входных данных; в) возможность усвоения (ассимиляции) данных измерений в расчетах модели. В настоящее время дальнейшая разработка метеорологической модели ММ5 прекращена, поскольку при поддержке Национального центра атмосферных исследований США разработана новая численная метеорологическая модель – WRF [6], которая так же, как и MM5, свободно распространяется в Интернете. В модели WRF используются более современные, чем в ММ5, физические параметризации и методы усвоения данных измерений, что создает потенциальную возможность улучшения качества прогнозов на сайте МЕТЕОПРОГ с помощью использования ISSN 1028-9763. Математичні машини і системи, 2008, № 4 124 модели WRF. Однако для реализации этой возможности должна быть создана программная система, позволяющая не только получать и визуализировать результаты расчетов, но и производить сравнения этих результатов, во-первых, с данными измерений, а, во-вторых, с расчетами ММ5, полученными для аналогичных условий. В последующих разделах описывается созданная для этих целей программная система WRF-Украина. 2. Программная система WRF-Украина 2.1. Метеорологическая модель WRF В трехмерной численной метеорологической модели WRF [6] численно решается полная система уравнений гидротермодинамики атмосферы, которая включает в себя уравнения неразрывности, переноса импульса (с учетом эффектов сжимаемости и негидростатичности), переноса влаги и внутренней энергии. Пользователю модели предлагается библиотека различных параметризаций процессов в пограничном слое атмосферы, формирования облачности и осадков. В модели реализованы возможности создавать вложенные вычислительные области и использовать алгоритмы усвоения данных наблюдений. В WRF используется σ -система вертикальных координат, которая позволяет описывать сложный рельеф, и «шахматная» сетка по горизонтали. При интегрировании уравнений гидродинамики используется расщепление по направлениям (в горизонтальных направлениях используется явная схема, а при вычислении вертикальных потоков и скоростей – неявная) и по физическим процессам. WRF является региональной моделью, поэтому для ее инициализации и задания граничных условий необходимы результаты расчетов глобальной модели численного прогноза погоды. Цикл работы модели WRF состоит из подготовки данных, включая их горизонтальную и вертикальную интерполяцию на сетку модели, улучшение интерполированных данных с помощью усвоения наблюдений метеостанций и радиозондов и численное интегрирование. 2.2. Адаптация модели WRF к условиям Украины Расчеты WRF-Украина проводятся в области размером 3000x3000x10 км, с центром в точке: 47,3º с.ш. и 32,4º в.д. Таким образом, вычислительная область целиком покрывает всю территорию Украины. Горизонтальное разрешение модели: 100 узлов с запада на восток и 106 с севера на юг, шаг сетки по этим направлениям одинаков, и равен 30 км (в ММ5-Украина используется горизонтальный шаг сетки 27 км). Вертикальное разрешение модели – 14 уровней; минимальный вертикальный шаг сетки у поверхности Земли ≈ 50 м. Для решения задачи метеорологического прогноза система уравнений гидротермодинамики атмосферы должна быть дополнена начальными и граничными условиями. В качестве начальных условий должны задаваться трехмерные распределения полей трех компонент скорости, температуры, давления и влажности. В качестве граничных условий должны задаваться значения температуры, влажности и компонент скорости на боковых и на верхней границах области, а также значения потоков тепла, влаги и импульса на нижней границе области, прилегающей к поверхности Земли. ISSN 1028-9763. Математичні машини і системи, 2008, № 4 125 Начальные распределения в принципе можно построить с помощью интерполяции имеющихся измерений на территории Украины, а в качестве граничных условий на боковых и на верхней границах задавать постоянные значения переменных. Однако такой способ не учитывает влияние глобальной циркуляции атмосферы на развитие метеорологических полей в пределах Украины. Поэтому для задания начальных условий и условий на боковой и верхней границах целесообразно использовать данные прогнозов модели глобальной циркуляции атмосферы. В ММ5-Украина для этой цели используются данные оперативных прогнозов Национального центра прогнозирования атмосферы NCEP (США) (Кущан и др, 2005). Прогностические поля модели NCEP сроком на 168 ч. прогнозного времени определяют начальные и граничные условия для метеорологических переменных и в WRF-Украина. Граничные условия на подстилающей поверхности зависят от свойств подстилающей поверхности. Используются следующие данные о подстилающей поверхности: высота поверхности над уровнем моря, категория подстилающей поверхности в соответствии с классификацией Геологической службы США USGS (например, лес, водная поверхность, и т.д.), тип растительности, тип почвы, средняя сезонная температура, среднемесячное альбедо. Соответствующие данные, как и для ММ5-Украина, брались с сайта USGS. WRF MM5 ARWpost wrf.ctl, wrf.dat GRADS MM5toGrads mm5.ctl, mm5.dat stnmap txt2bin.exe station.map station.ctl station.dat Images .txt files Error.class errors.txt Measurements Measure.class stationtxt.dat station.ctl Рис. 1. Схема подсистемы визуализации и обработки данных численного прогноза погоды и измерений ISSN 1028-9763. Математичні машини і системи, 2008, № 4 126 2.3. Подсистема визуализации и обработки результатов Разработана программная подсистема, позволяющая визуализировать и сравнивать данные измерений и результаты работы моделей WRF-Украина и ММ5-Украина. На вход системы подаются данные измерений и выходные файлы моделей WRF-Украина и MM5-Украина. На выходе генерируются графики с результатами прогнозов и измерений, а также текстовый файл с погрешностями расчетов моделей ММ5 и WRF. Подсистема позволяет также автоматически строить пространственные (двумерные) распределения метеорологических элементов по результатам расчетов и измерений. Возможны также построения продольных сечений метеорологических элементов. Работа проводилась в ОС Suse Linux 10.1. Интегральные осадки за время от начала прогноза, рассчитываемые моделями WRF и ММ5, а также измеренные, для удобства сравнения преобразуются в скорости выпадений (мм/ч) и интерполируются по времени. Программа txt2bin создает бинарный файл с данными измерений в соответствии c форматом GRADS и данными, записанными в station.ctl. GRADS scripts – читают входные .ctl, .dat, и .map файлы и создают графики зависимости переменных от времени и текстовые файлы со значениями переменных. Объект класса Error – читает текстовые файлы, вычисляет погрешности и записывает их в файл errors.txt. Для разработки системы были использованы средства свободно распространяемой программы GRADS (скрипты для построения графиков и интерполяции), а также Java SDK, C. На рис. 1 представлена схема работы подсистемы визуализации и обработки результатов. Объект класса Measure обрабатывает файл с измерениями, записывает результат в выходной файл stationtxt.dat и создает файл station.ctl, в котором находится описание содержимого файла station.dat. 2.4. Подсистема постобработки результатов нейросетью Постобработка архива прогнозов и измерений является перспективным средством уточнения дальнейших прогнозов [7]. В настоящей работе разработана подсистема постобработки результатов для уточнения прогнозов температуры и осадков по пункту с использованием нейронной сети. Подсистема реализована в среде MATLAB 7.0. Используется нейросеть прямого распространения с двумя скрытыми слоями (15+1 нейрон в каждом из слоев). У первого функция активации ( )2tan ( ) 2 / 1 1xsig x e−= + − , у второго ( )purelin x x= . На вход подаются данные прогноза системы MM5-Украина на 48 часов, при этом на выходе сети получается вектор, состоящий из прогноза температуры (или 6-часовых сумм осадков) на 48 часов, для выбранной станции. При обучении выход формировался из данных измерений. Опишем структуру входной матрицы P . [ ] [ ] [ ] 1 2 3 1 2 , , ,..., , , , , , , ,..., , , , , , , , , , N i K j P V V V V V mm dd hh nh M M M M landuse tc dt rh grt u v rain = = = (1) где N – кол-во моментов времени, для которых нужен прогноз, iV – входной вектор для своего момента времени, , , ,mm dd hh nh – месяц, день месяца, час дня от 0 до 23, час от начала ISSN 1028-9763. Математичні машини і системи, 2008, № 4 127 прогноза соответственно, iM – часть входного вектора, которая соответствует данным модели для одного узла вычислительной сетки, , , , , , , ,landuse tc dt rh grt u v rain – землепользование, температура на высоте 2 м, точка росы, относительная влажность воздуха, температура поверхности земли, ,x y – компоненты скорости, накопленные осадки. Таким образом, предполагается существование функциональной зависимости между прогнозируемыми значениями в четырех ближайших узлах и истинными. Эта зависимость может быть более сложной, чем просто линейная зависимость, соответствующая линейной интерполяции вследствие подсеточных процессов, возникающих из-за влияния на значения метеорологических элементов в точках локальных особенностей подстилающей поверхности. Аппроксимация этой зависимости с помощью нейронной сети является целью обучения. Процедура обучения ‘trainlm’ – обратное распространение ошибки, где минимизация квадратичной функции отклонения от целевого результата производится с помощью известного алгоритма минимизации Левенберга- Марквардта. Рис. 2. Зависимость от времени интенсивности осадков (мм/ч, справа) и приземной температуры (ºС, слева) в Киеве по результатам прогнозов WRF-Украина, ММ5-Украина и измерений от 1 Марта 2008 г. 00 ч. Черная сплошная линия – WRF, пунктир – ММ5, точки – измерения 3. Результаты расчетов Для демонстрации возможностей системы WRF-Украина и сравнения с ММ5-Украина приведем примеры расчетов прогнозов WRF-Украина с датами начала расчетов 29 Января 2007 г., 00 ч., 1 Марта 2008 г., 00 ч. и 22 Апреля 2008 г. 00 ч. Прогнозы рассчитывались на 48 ч. Для сравнения прогнозов с данными измерений подсистемой визуализации и обработки результатов было обработано 107 наземных метеорологических станций в Украине. Данные моделей линейно интерполировались в точки расположения метеостанций, и для каждой станции строилось 3 графика, соответствующих прогнозу ММ5-Украина, прогнозу WRF-Украина и результатам измерений. Например, на рис. 2 представлены рассчитанные и измеренные временные зависимости скорости выпадения осадков и температуры в Киеве. Аналогичные графики могут быть построены для произвольной точки, в которой расположена метеостанция. Примеры ISSN 1028-9763. Математичні машини і системи, 2008, № 4 128 рассчитанных среднеквадратических ошибок по всем станциям для различных метеорологических элементов и различных сроков прогноза приведены в табл. 1. Как видно из табл. 1, результаты WRF-Украина не обнаруживают определенного преимущества этой модели по сравнению с ММ5- Украина. Конечно, полноценное сравнение двух моделей требует накопления более полного архива вычислений. Однако приведенные данные позволяют предположить, что улучшения результатов WRF-Украина по сравнению с ММ5-Украина можно достичь лишь с использованием новых средств усвоения данных, таких как 3DVAR, которые не включались в полном объеме в поставку ММ5. Таблица 1. Примеры рассчитанных с помощью подсистемы визуализации и обработки результатов среднеквадратических ошибок прогнозов приземной температуры (C), абсолютной величины скорости ветра (м/с), интенсивности осадков (мм/ч) для различных сроков прогноза Суммарная дисперсия (WRF) Суммарная дисперсия (MM5) Прогноз от 29 Января 2007 г. 00 ч. Скорость ветра (м/с) 2,368 Скорость ветра 2,233 Температура (К) 2,382 Температура 2,884 Итенсивность осадков (мм/ч) 0,045 Интенсивность осадков 0,036 Прогноз от 1 Марта 2008 г. 00 ч. Скорость ветра (м/с) 3,376 Скорость ветра 3,273 Температура (К) 1,829 Температура 1,797 Итенсивность осадков (мм/ч) 0,373 Интенсивность осадков 0,345 Прогноз от 22 Апреля 2008 г. 00ч. Скорость ветра (м/с) 2,574 Скорость ветра 2,603 Температура (К) 3,025 Температура 2,493 Итенсивность осадков (мм/ч) 0,819 Интенсивность осадков 0,644 Как пример использования системы постобработки результатов с помощью нейросети приведем результаты, полученные в результате обучения нейросети на данных архива ММ5-Украина с 1 Января 2007 года по 30 Марта 2008 года. Обучение проводилось для каждой из приведенных станций в отдельности, при этом 20% обучающих векторов, выбранных случайным образом, использовались для проверки на этапе обучения и своевременного прекращения обучения. Тестирование сети производилось на данных за Апрель 2008 года. Вычислялись среднеквадратические (rms) и систематические (bias) отклонения прогнозируемой температуры за весь срок тестирования (30 дней, см. табл. 1) и для каждого 48-часового срока прогноза в отдельности. В табл. 2 представлены также результаты обработки данных линейной интерполяции расчетов ММ5-Украина в точке измерения из четырех ближайших узлов. При линейной интерполяции учитывается разность высот станции и узлов сетки (температуры приводятся к одной высоте, считается, что вертикальный градиент температуры -6 К/км), отбрасываются узлы, находящиеся над водной поверхностью. Предварительные результаты говорят о том, что нейронная сеть приводит к некоторому ухудшению по сравнению с линейной интерполяцией, когда качество линейной интерполяции ISSN 1028-9763. Математичні машини і системи, 2008, № 4 129 хорошее ( )Krms 2< , например, для Ровно, Николаева, Черкасс. Можно надеяться, что это ухудшение будет преодолено за счет обучения на более длительных сроках. Однако, когда качество линейной интерполяции плохое ( )Krms 2< , использование нейронной сети приводит к улучшению, которое особенно заметно в случае прибрежных станций (Алушта, Одесса, Севастополь) и в случае горных станций (Рахов, Межгорье, Селятин, Пожежевка, Плай и др.). На рис. 3 представлены примеры графиков оправды- ваемости 48-часовых прогнозов за Апрель 2008 г. для нескольких станций из приведенных в табл. 2. Заметное улучшение качества прогноза с нейронной сетью в случае прибрежных станций, по всей видимости, объясняется слишком грубой аппрокси- мацией береговой линии на 30 км сетки ММ5, в то время как вблизи береговой линии су- точный ход температуры на станции чрезвычайно чувстви- телен к расстоянию от берега. Аналогично, для горных станций суточный ход температуры чувствителен не только к высоте станции над уровнем моря, которая явным образом учи- тывается в линейной интер- поляции ММ5-Украина, но и к ориентации склонов, на которых расположены станции (Bellasio R., et al., 2005). Таблица 2. Среднеквадратические и систематические ошибки прогнозируемой приземной температуры за Апрель 2008 для различных станций при использовании нейронной сети и линейной интерполяции Станция Лин. инт. (rms, К) Нейросеть (rms, К) Лин. инт. (bias, К) Нейросеть (bias, К) Киев 2,12 1,9 -0,56 0,1 Рахов 2,32 2,04 -0,79 -0,4 Черкассы 1,85 1,98 0,22 0,33 Никополь 1,87 1,90 -0,01 0,24 Алушта 3,34 2,42 1,63 0,1 Межгорье 2,36 2,14 0,50 0,49 Николаев 1,90 2,2 0,12 0,66 Одесса 2,96 2,11 1,32 0,95 Пожежевка 2,35 1,75 0,70 0,58 Ровно 1,64 1,75 -0,26 -0,6 Селятин 3,05 2,40 1,37 0,68 Турка 2,56 2,02 0,36 0,43 Донецк 1,77 1,70 -0,1 0,0004 Запорожье 1,84 2,11 0,09 0,45 Коломыя 1,97 2,13 0,19 -0,31 Севастополь 2,32 1,83 0,42 0,39 Ангарский перевал 2,24 2,0 -0,55 0,1 Беловодск 3,05 2,63 0,45 -0,29 Дебальцево 1,82 1,97 -0,11 0,14 Джанкой 1,7 1,89 0,25 0,6 Изюм 2,42 2,44 -0,11 0,32 Керчь 1,58 1,65 0,27 0,25 Кировоград 1,66 1,62 0,17 0,51 Луганск 2,1 2,12 -0,09 0,35 Нижний Студеный 2,17 1,96 0,16 0,19 Плай 2,39 1,78 0,87 0,5 Славское 2,48 2,29 0,54 0,25 Сватово 2,7 2,44 -0,4 -0,1 Яремча 2,40 1,88 -1,29 -0,18 Евпатория 1,88 1,7 0,057 0,5 ISSN 1028-9763. Математичні машини і системи, 2008, № 4 130 Рис. 3. Среднеквадратические ошибки 48-часовых прогнозов приземной температуры для каждого 48-часового срока прогноза за Апрель 2008 года с использованием линейной интерполяции (линия пунктиром) и с использованием нейронной сети (черная сплошная линия) 4. Выводы Разработана система численного прогнозирования метеорологических полей в Украине WRF- Украина, в основе которой лежит современная численная метеорологическая модель WRF. Для расчета метеопрогнозов в WRF-Украина используются прогностические поля модели глобальной циркуляции атмосферы NCEP. Разработана подсистема визуализации и обработки результатов, позволяющая автоматизировать процесс верификации системы WRF-Украина, и сравнения Черкассы ISSN 1028-9763. Математичні машини і системи, 2008, № 4 131 результатов расчетов этой системы с расчетами имеющегося в Украине аналога – системы численного прогноза погоды ММ5-Украина [2], [3]. Для нескольких дат было проведено сравнение оправдываемости моделей ММ5 и WRF, которое не показало существенного улучшения оправдываемости расчетов новой модели WRF. Однако подробное сравнение качества прогнозирования ММ5 и WRF требует самостоятельного исследования. Создана подсистема постобработки архива прогнозов и измерений на основе использования нейронной сети. Было проведено обучение нейронной сети на архивных данных измерений и прогнозов ММ5-Украина с января 2007 по март 2008 года. Верификация нейронной сети на основе данных за апрель 2008 года показала, что для станций, в которых среднеквадратическая ошибка температуры велика ( )K2> , использование нейронной сети позволяет снизить ошибку прогноза температуры за апрель на 0,1–0,65 К. При этом снижение ошибки температуры для отдельных 48-часовых сроков прогноза может быть намного более существенным и достигать 4 К. БЛАГОДАРНОСТИ Представленная работа была поддержана грантом НАН Украины для молодых ученых “Вдосконалення системи чисельного прогнозування погоди ММ5-Україна”, (2007 – 2008 рр.). CПИСОК ЛИТЕРАТУРЫ 1. Grell G.A., Dudhia J., Stauffer D.R. A description of the fifth-generation Penn State/NCAR mesoscale model (MM5). NCAR Technical Note NCAR/TN-398+STR. – 1994. – 117 p. 2. Кущан А.А. та інш. Програмний комплекс оперативного чисельного прогнозування погоди ММ5-Україна / А.А. Кущан, М.Й. Железняк, В.С. Мадерич // Зб. праць IV Міжнародної конференції “Геоінформатика – теоретичні та прикладні аспекти”. – Київ, 2005. – 30 березня-31 червня. – С. 327. 3. Веб портал МЕТЕОПРОГ www.meteoprog.com.ua. 4. Flood forecasting for the Ukrainian Part of the Tisza basin: linking with the Numerical weather forecasts / S. Belov, G. Donchytz, S. Kivva et al. // Comparative testing of distributed and Lumped models. Geophysical Research Abstracts. – 2004. – Vol. 5, N 08106. 5. Кількісна оцінка випадіння радіонуклідів внаслідок потенційного руйнування Нового Безпечного Конфайнменту під впливом смерчу класу F3 / В.І. Богорад, М.Й. Железняк, І.В. Ковалець та інш. // Ядерна та Радіаційна Безпека. – 2006. – № 1. – С. 28–33. 6. A descpription of the advanced research WRF version 2. NCAR Technical Note NCAR/TN-468+STR. / W.C. Skamarock, J.B. Klemp, J. Dudhia et al. // National Center for Atmospheric Research. – 2005. – 88 p. 7. Stensrud D.J. Parameterization Schemes: Keys to Understand Numerical Weather Prediction Models. – Cambridge: University Press, 2007. – 459 р. 8. Bellasio R. еt al. Algorithms to account for topographic shading effects and surface temperature dependence on terrain elevation in diagnostic meteorological models // Boundary Layer Meteorology. – 2005. – N 114. – P. 595 – 614. Стаття надійшла до редакції 30.10.2008

Система численного прогноза погоды WRF-Украина

Institution

Ähnliche Einträge