Как я составляю прогноз погоды для Кургана?

В XXI веке главным источником всех прогнозов являются компьютерные модели атмосферы. По сути, это цифровая (виртуальная) копия всей атмосферы. Эти программы настолько сложны и дорогостоящи, что разрабатываются отдельными государствами и запускаются на суперкомпьютерах. Основной «пищей» для моделей являются данные с метеостанций, радиологических зондов, самолётов, кораблей и, конечно, спутников. Последние дают самый существенный прирост качества. Когда все начальные данные загружаются в модель, то начинается очень сложный расчёт. Модель просчитывает перемещение воздушных масс, циклонов, антициклонов, осадков, ветра и ещё огромного количества параметров. Ниже на видео показан расчёт движения воздушных масс на высоте примерно 1500 метров для всей Земли. Прогноз на 10-20 июня 2024 г. Все прогнозы, которые вы видите в Интернете – это полностью автоматизированные расчёты моделей.

Компьютерные модели очень разные. В мире насчитывается около 10 глобальных моделей. В их числе американская, немецкая, канадская, европейская, французская, российская, австралийская и т.д. Есть модели, которые хорошо подходят для краткосрочных прогнозов. Какие-то полезны для среднесрочных, а другие используются только для долгосрочных. Одни хорошо прогнозируют температуру на 1-5 сутки, а другие на 5-10 сутки. Знание этих особенностей очень важно для синоптика. Я анализируют сильные и слабые стороны разных моделей. Для этого используются данные по верификации моделей. Если я вижу, что модель является лучшей в каком-то параметре, то я включаю её в свой прогноз. Мне приходится «сшивать» в один общий прогноз данные огромного количества разных моделей. На 24 часа используются одни модели, на 5 суток другие, а в прогнозе на 15 суток третьи. Каждому сроку и параметру соответствует своя сборка. Например, одной из самых лучших является немецкая модель ICON. Она хорошо прогнозирует температуру, облачность, осадки и порывы ветра. Эта модель включена в мой краткосрочный прогноз. В прогнозе на 15 суток используется совсем иной класс моделей – ансамблевые. Такие модели позволяют усреднять сразу 50-100 прогнозов, что существенно снижает уровень статистического шума. Прогноз на 6-15 сутки становится более стабильным и точным, чем использование одной модели.

Когда вы смотрите прогноз на любом другом погодном сайте, то вы всегда видите расчёт одной модели. Такой подход существенно увеличивает количество ошибок. Прогноз никто не проверяет на выходе. Он может содержать статистические выбросы или ошибки отрисовки. Например, когда вечерняя температура выдаётся за утреннюю или ночную. У меня же все прогнозы проверяются с учётом мультимодельного и ансамблевого прогноза. Мультимодельный прогноз – это подход, позволяющий объединять данные сразу 5-10 моделей. Чем больше, тем лучше. Такой метод я использую для прогноза осадков. Например, если одна модель выдаёт осадки, а остальные 9 моделей их не видят, то я выбрасываю такой ошибочный прогноз. Предпочтение отдаётся наиболее вероятному сценарию. Также прогноз корректируется по метеостанции. Он имеет привязку к фактической погоде, а не рассчитывается для виртуальной точки над городом.

Кроме того, я внимательно слежу за тем, что происходит в мире компьютерных моделей. Если возникает какая-то новая модель, то я сразу собираю по ней данные. Изучаю сильные и слабые стороны. Затем идут полевые испытания, когда модель проверяется на основе фактических данных курганской метеостанции. Если по результатам тестирования модель показывает хорошие цифры, то она включается в прогноз. Например, ещё в прошлом году появился принципиально новый класс моделей на базе машинного обучения. Одну из таких нейросетевых моделей я тестировал этой весной, а затем включил в прогноз на 5 и 15 суток.

Все перечисленные выше подходы позволяют создавать самый точный прогноз погоды для отдельной взятой точки – Кургана. Сравнительные испытания показывают превосходство над официальными прогнозами курганских синоптиков, сервисом Gismeteo и Яндексом. Эти данные я неоднократно публиковал в группе.

Источник: vk.com

Комментарии: