Z\u0142o\u017cone procesy fizyczne zachodz\u0105ce w atmosferze opisane s\u0105 r\u00f3wnaniami r\u00f3\u017cniczkowymi. Aby otrzyma\u0107 rozwi\u0105zanie tych r\u00f3wna\u0144, konieczne s\u0105 warunki pocz\u0105tkowe, czyli tzw. dane wej\u015bciowe, takie jak na przyk\u0142ad temperatura powietrza, temperatura punktu rosy, ci\u015bnienie atmosferyczne, pole wiatru itd. Dane wej\u015bciowe do modelu pochodz\u0105 z pomiar\u00f3w naziemnych, sonda\u017cowych i satelitarnych oraz uzupe\u0142niane s\u0105 obserwacjami wykonywanymi na pok\u0142adach samolot\u00f3w pozwalaj\u0105cymi zwi\u0119kszy\u0107 ilo\u015b\u0107 obserwacji 3D. Z metrologii wiadomo, \u017ce ka\u017cdy pomiar obarczony jest b\u0142\u0119dem. Dane zbierane s\u0105 r\u00f3\u017cnymi technikami pomiarowymi bezpo\u015brednimi i teledetekcyjnymi. Urz\u0105dzenia pomiarowe, nawet te mierz\u0105ce podstawowe pola meteorologiczne, mog\u0105 dzia\u0142a\u0107 nieprawid\u0142owo i tym samym rejestrowa\u0107 wielko\u015bci, kt\u00f3re nie reprezentuj\u0105 rzeczywisto\u015bci. B\u0142\u0119dy instrumentalne wyst\u0119puj\u0105 we wszystkich pomiarach i s\u0105 praktycznie nieuniknione. Zatem nie ma mo\u017cliwo\u015bci otrzymania idealnego odwzorowania pocz\u0105tkowego stanu atmosfery, co b\u0119dzie mia\u0142o wp\u0142yw na symulacj\u0119, czyli na prognoz\u0119.<\/p>\r\n\r\n
W systemach \u201echaotycznych\u201d, jakim niew\u0105tpliwe jest atmosfera ziemska, ka\u017cda niedoskona\u0142o\u015b\u0107 inicjalizacji ma bardzo powa\u017cny wp\u0142yw na ko\u0144cowy wynik symulacji. Oczywi\u015bcie mowa tu o \u201eteorii chaosu\u201d, kt\u00f3ra zasadniczo sprowadza si\u0119 do idei, \u017ce zmiany, nawet niewielkie, warunk\u00f3w pocz\u0105tkowych mog\u0105 spowodowa\u0107 r\u00f3\u017cn\u0105 ewolucj\u0119 systemu. W literaturze popularnej jako metafory teorii chaosu u\u017cywa si\u0119 do\u015b\u0107 cz\u0119sto poj\u0119cia \u201eefekt motyla\u201d. Sugeruje ono, \u017ce pozornie przypadkowe trzepotanie skrzyde\u0142 motyla w dowolniej cz\u0119\u015bci \u015bwiata mo\u017ce ostatecznie wp\u0142yn\u0105\u0107 na pogod\u0119 w innej cz\u0119\u015bci \u015bwiata. Zagadnieniem tym zajmowa\u0142 si\u0119 w drugiej po\u0142owie XX wieku Edward Lorentz, kt\u00f3ry pracowa\u0142 nad numerycznym prognozowaniem pogody. Pod\u0105\u017caj\u0105c tropem Lorentza, mo\u017cna przeprowadzi\u0107 eksperyment numeryczny polegaj\u0105cy na tym, \u017ce do inicjalizacji oblicze\u0144 zostanie wykorzystany zestaw dw\u00f3ch danych wej\u015bciowych r\u00f3\u017cni\u0105cych si\u0119 dok\u0142adno\u015bci\u0105. Niech jeden zestaw zawiera dane pocz\u0105tkowe z dok\u0142adno\u015bci\u0105 do czterech miejsc po przecinku, a drugi z dok\u0142adno\u015bci\u0105 do dw\u00f3ch miejsc po przecinku. Po przeprowadzeniu oblicze\u0144, ze zdziwieniem zostanie stwierdzone, \u017ce otrzymane dwie symulacje r\u00f3\u017cni\u0105 si\u0119 od siebie. Co wi\u0119cej, rozbie\u017cno\u015bci w symulacji b\u0119d\u0105 narasta\u0142y z up\u0142ywem czasu symulacji. Mo\u017cna z tego wnioskowa\u0107, \u017ce zachowanie naszego uk\u0142adu b\u0119dzie zale\u017ca\u0142o od warunk\u00f3w pocz\u0105tkowych, a dok\u0142adniej zachowanie uk\u0142adu b\u0119dzie bardzo wra\u017cliwe na warunki pocz\u0105tkowe.<\/p>\r\n\r\n
Z przeprowadzone eksperymentu numerycznego wynika, \u017ce nawet niewielkie, rz\u0119du kilku dziesi\u0105tych procenta czy promila, r\u00f3\u017cnice w danych wej\u015bciowych prowadz\u0105 do r\u00f3\u017cnych scenariuszy proces\u00f3w fizycznych w atmosferze. Im bardziej dane wej\u015bciowe b\u0119d\u0105 r\u00f3\u017cni\u0142y si\u0119 od rzeczywistych chwilowych warunk\u00f3w meteorologicznych, tym wynik symulacji b\u0119dzie dalszy od rzeczywistego stanu atmosfery. Poniewa\u017c chwilowe dane opisuj\u0105ce aktualny stan atmosfery nie s\u0105 dok\u0142adne, otrzymanie prawid\u0142owej symulacji proces\u00f3w fizycznych w atmosferze w d\u0142u\u017cszych horyzoncie czasu, np. prognozy \u015brednioterminowej, nie jest mo\u017cliwe. W celu poprawy jako\u015bci prognoz numerycznych stosuje si\u0119 tzw. asymilacj\u0119 danych, kt\u00f3ra wykorzystuje bie\u017c\u0105ce dane obserwacyjne stanu atmosfery. Tak otrzymane dane wej\u015bciowe poprawiaj\u0105 prognoz\u0119 kr\u00f3tkoterminow\u0105.<\/p>\r\n\r\n
B\u0142\u0119dy obliczeniowe i dok\u0142adno\u015b\u0107 schemat\u00f3w r\u00f3\u017cnicowych<\/strong><\/p>\r\n\r\n Problemy z modelowaniem nie ko\u0144cz\u0105 si\u0119 wraz z procedur\u0105 inicjalizacji. Wa\u017cn\u0105 grup\u0119 b\u0142\u0119d\u00f3w stanowi\u0105 metody wykonywania oblicze\u0144 na superkomputerach. Pierwszym przyk\u0142adem, kt\u00f3ry nale\u017cy wymieni\u0107, to b\u0142\u0119dy zaokr\u0105glania liczb, np. zaokr\u0105glenie 29,999999 stopni Celsjusza do 30 stopni mo\u017ce mie\u0107 znaczenie, a b\u0142\u0119dy tego typu s\u0105 sumowane zgodnie z prawem przenoszenia b\u0142\u0119d\u00f3w. R\u00f3\u017cne komputery mog\u0105 przeprowadza\u0107 obliczenia z r\u00f3\u017cn\u0105 dok\u0142adno\u015bci\u0105 po przecinku. W celu otrzymania prognostycznych warto\u015bci p\u00f3l meteorologicznych w okre\u015blonym czasie, musi zosta\u0107 przeprowadzone wiele oblicze\u0144 po\u015brednich. Aby model by\u0142 stabilny, krok czasowy oblicze\u0144 jest znacz\u0105co mniejszy od 1 godziny, a tym bardziej od 3 godzin. Warto\u015b\u0107 kroku czasowego oblicze\u0144 zale\u017cy od rozdzielczo\u015bci siatki. Wraz ze wzrostem rozdzielczo\u015bci, krok czasowy oblicze\u0144 maleje. Chc\u0105c otrzyma\u0107 obliczone warto\u015bci p\u00f3l meteorologicznych po 3 godzinach od inicjalizacji oblicze\u0144, musi zosta\u0107 wykonane bardzo wiele oblicze\u0144 po\u015brednich. Po pierwszym kroku czasowym otrzymuje si\u0119 warto\u015bci p\u00f3l meteorologicznych w w\u0119z\u0142ach, kt\u00f3re staj\u0105 si\u0119 warunkami pocz\u0105tkowymi do oblicze\u0144 w w\u0119z\u0142ach siatki p\u00f3l meteorologicznych w drugim kroku. Proces przebiega tak d\u0142ugo, a\u017c otrzyma si\u0119 warto\u015bci p\u00f3l meteorologicznych dla okre\u015blonego czasu. Ze wzgl\u0119du na fakt, \u017ce r\u00f3\u017cne superkomputery mog\u0105 przeprowadza\u0107 obliczenia z r\u00f3\u017cna dok\u0142adno\u015bci\u0105, w ka\u017cdym kolejnym po\u015brednim kroku oblicze\u0144 b\u0119d\u0105 pojawia\u0142y si\u0119 r\u00f3\u017cnice w warto\u015bciach obliczanych p\u00f3l. Skutek jest taki, \u017ce otrzymane w wyniku oblicze\u0144 przeprowadzonych na dw\u00f3ch r\u00f3\u017cnych superkomputerach prognozy, na przyk\u0142ad pola ci\u015bnienia, pomimo wykorzystania tego samego modelu b\u0119d\u0105 si\u0119 nieznacznie r\u00f3\u017cni\u0142y (rys. 2).<\/p>\r\n\r\n Kolejnym istotnym zagadnieniem maj\u0105cym wp\u0142yw na wyniku symulacji, jest fakt, \u017ce procesy fizyczne zachodz\u0105ce w atmosferze \u2013 dynamiczne i termodynamiczne \u2013 opisane s\u0105 r\u00f3wnaniami r\u00f3\u017cniczkowymi. Niestety dla tak z\u0142o\u017conych proces\u00f3w r\u00f3wnania te nie posiadaj\u0105 rozwi\u0105za\u0144 analitycznych. Do rozwi\u0105za\u0144 r\u00f3wna\u0144 nale\u017cy zastosowa\u0107 schematy r\u00f3\u017cnicowe.<\/p>\r\n\r\n Od schematu r\u00f3\u017cnicowego oczekuje si\u0119, aby aproksymowa\u0142 uk\u0142ad r\u00f3\u017cniczkowy oraz w granicach ma\u0142ych krok\u00f3w w czasie i przestrzeni by\u0142 identyczny z uk\u0142adem r\u00f3\u017cniczkowym. Gdy ten warunek nie b\u0119dzie spe\u0142niony, schemat r\u00f3\u017cnicowy nie mo\u017ce w \u017caden spos\u00f3b symulowa\u0107 zagadnienia warunku pocz\u0105tkowego. Dok\u0142adno\u015b\u0107 rozwi\u0105zania numerycznego, jako aproksymacji rozwi\u0105zania r\u00f3wnania r\u00f3\u017cniczkowego, pogarsza si\u0119 w skutek wyst\u0119powania b\u0142\u0119d\u00f3w metody, zaokr\u0105glenia oraz w wyniku wyst\u0119powania dyfuzji (rys. 3) i dyspersji numerycznej.<\/p>\r\n\r\n Zmienne ci\u0105g\u0142e s\u0105 reprezentowane zbiorem dyskretnych punkt\u00f3w stanowi\u0105cych w\u0119z\u0142y siatki, w kt\u00f3rych przeprowadzane s\u0105 obliczenia (rys. 4).<\/p>\r\n\r\n Dane wej\u015bciowe pochodz\u0105 z punkt\u00f3w pomiarowych, kt\u00f3re nie pokrywaj\u0105 si\u0119 z w\u0119z\u0142ami siatki numerycznej, co wi\u0119cej niekoniecznie s\u0105 r\u00f3wnomiernie roz\u0142o\u017cone w przestrzeni. W celu uzyskania warunk\u00f3w pocz\u0105tkowych w w\u0119z\u0142ach siatki dokonuje si\u0119 interpolacji danych pomiarowych na w\u0119z\u0142y siatki. Czy problem b\u0142\u0119d\u00f3w zosta\u0142by wyeliminowany, gdyby\u015bmy w ka\u017cdym w\u0119\u017ale siatki mieli stacje pomiarow\u0105? Odpowied\u017a jest natychmiastowa, nie. Jak ju\u017c zosta\u0142o wspomniane wcze\u015bniej, ka\u017cdy pomiar obarczony jest niepewno\u015bci\u0105, kt\u00f3ra wp\u0142ywa na symulacj\u0119. W\u0119z\u0142y siatki obliczeniowej znajduj\u0105 si\u0119 w pewnej odleg\u0142o\u015bci od siebie, zatem siatka numeryczna charakteryzuje si\u0119 pewn\u0105 rozdzielczo\u015bci\u0105. Je\u017celi odleg\u0142o\u015b\u0107 mi\u0119dzy w\u0119z\u0142ami siatki maleje, to rozdzielczo\u015b\u0107 siatki ro\u015bnie. Jak ju\u017c wspomniano wcze\u015bnie, zanim otrzymane zostan\u0105 prognostyczne warto\u015bci p\u00f3l meteorologicznych dla terminu prognozy, musz\u0105 zosta\u0107 przeprowadzone obliczenia po\u015brednie, z pewnym krokiem czasowym. Wielko\u015b\u0107 kroku czasowego zale\u017ca\u0142a b\u0119dzie od rozdzielczo\u015bci modelu, kt\u00f3ry musi zosta\u0107 tak dobrany, aby model by\u0142 stabilny. Czy rozdzielczo\u015b\u0107 siatki numerycznej oraz krok czasowy b\u0119dzie wp\u0142ywa\u0142 na wyniki ko\u0144cowe? Je\u017celi przeprowadzimy prosty eksperyment numeryczny, w kt\u00f3rym obliczenia zostan\u0105 wykonane na dw\u00f3ch siatkach obliczeniowych r\u00f3\u017cni\u0105cych si\u0119 rozdzielczo\u015bci\u0105, to otrzymane symulacje b\u0119d\u0105 si\u0119 od siebie r\u00f3\u017cni\u0142y. A wi\u0119c rozdzielczo\u015b\u0107 siatki b\u0119dzie mia\u0142a wp\u0142yw na ko\u0144cowe wyniki obliczeniowe. Zmniejszanie kroku czasowy oblicze\u0144 oraz zwi\u0119kszanie rozdzielczo\u015bci siatki numerycznej powoduje, \u017ce otrzymane symulacje s\u0105 bardziej zbli\u017cone do rzeczywisto\u015bci. Takie rozwi\u0105zania b\u0119d\u0105 bardziej odwzorowywa\u0142y rzeczywisto\u015b\u0107. Z kolei zwi\u0119kszeniu rozdzielczo\u015bci horyzontalnej siatki oraz zmniejszeniu kroku czasowego towarzyszy\u0107 b\u0119dzie wyd\u0142u\u017cenie czasu oblicze\u0144. W\u00f3wczas potrzebna jest lepsza maszyna o wi\u0119kszej mocy obliczeniowej.<\/p>\r\n\r\n Zwi\u0119kszaniu rozdzielczo\u015bci towarzyszy lepsze odwzorowanie lokalnej topografii terenu, co przek\u0142ada si\u0119 na popraw\u0119 wynik\u00f3w obliczeniowych. W przypadku z\u0142o\u017conej topografii mo\u017cliwe jest uruchomienie modelu mezoskalowego (lokalnego) w wy\u017cszej rozdzielczo\u015bci, poprzez zagnie\u017cd\u017canie domeny przy zmniejszaj\u0105cym si\u0119 rozmiarze kom\u00f3rki, w celu uzyskania bardziej szczeg\u00f3\u0142owej symulacji. W takich symulacjach warunki brzegowe i pocz\u0105tkowe z regu\u0142y zapewniaj\u0105 modele globalne o rozdzielczo\u015bciach z przedzia\u0142u 0p25 do 1p00 stopnia, kt\u00f3re przenosz\u0105 jednocze\u015bnie b\u0142\u0119dy w nich zawarte do modeli mezoskalowych. Modele regionalne o wysokiej rozdzielczo\u015bci, szczeg\u00f3lnie istotne dla obszar\u00f3w g\u00f3rskich, ale nie tylko, pozwalaj\u0105 na lepsz\u0105 symulacj\u0119 na przyk\u0142ad przep\u0142ywu mas powietrza w obszarze ze z\u0142o\u017con\u0105 topografi\u0105. Przy rozdzielczo\u015bci rz\u0119du 0p25 lub 0p50 modele globalne nie przedstawiaj\u0105 dok\u0142adnie pasm g\u00f3rskich, pomijaj\u0105 najwy\u017csze g\u00f3ry i wniesienia nawet o tysi\u0105ce metr\u00f3w. Dlatego wr\u0119cz konieczne jest zmniejszenie skali wynik\u00f3w przy u\u017cyciu modeli, kt\u00f3re mog\u0105 obejmowa\u0107 mniejszy obszar, ale w wy\u017cszej rozdzielczo\u015bci. Na rysunku 5 przedstawiono przyk\u0142ad, jak wraz ze spadkiem rozdzielczo\u015bci nast\u0119puje zmniejszenie wysoko\u015bci i wyg\u0142adzanie rze\u017aby terenu. Modele meteorologiczne o ni\u017cszej rozdzielczo\u015bci nie s\u0105 w stanie rozr\u00f3\u017cni\u0107 wp\u0142ywu g\u00f3r na opady, op\u00f3r wiatru i wiele innych parametr\u00f3w meteorologicznych i dlatego s\u0105 mniej wiarygodne ni\u017c modele o wy\u017cszej rozdzielczo\u015bci.<\/p>\r\n\r\n R\u00f3\u017cnice w rozdzielczo\u015bci u\u017cytego numerycznego modelu terenu maj\u0105 du\u017cy wp\u0142yw podczas modelowania pr\u0119dko\u015bci wiatru, jak pokazano na rysunku 6. Po lewej stronie mamy wynik prognozy z modelu WRF o rozdzielczo\u015bci 3 m, na kt\u00f3rym mo\u017cna zidentyfikowa\u0107 poszczeg\u00f3lne doliny oraz to, jak strumienie wiatru pod\u0105\u017caj\u0105 zgodnie z r\u00f3\u017cnymi formami ukszta\u0142towania terenu. To z kolei ma wp\u0142yw na pr\u0119dko\u015b\u0107 wiatru, a tym samym przek\u0142ada si\u0119 na jako\u015b\u0107 prognoz energii farm wiatrowych.<\/p>\r\n\r\n Zwi\u0119kszenie rozdzielczo\u015bci siatki obliczeniowej wp\u0142ywa tak\u017ce na proces upraszczania proces\u00f3w fizycznych zachodz\u0105cych w atmosferze.<\/p>\r\n\r\n Upraszczanie proces\u00f3w (parametryzacja proces\u00f3w podskalowych)<\/strong><\/p>\r\n\r\n W atmosferze zachodzi wiele z\u0142o\u017conych proces\u00f3w fizycznych i to w wielu skalach (rys. 7, 8). Procesy zachodz\u0105ce w skali mniejszej ni\u017c rozdzielczo\u015b\u0107 siatki numerycznej, czyli tzw. procesy podskalowe, musz\u0105 by\u0107 parametryzowane, co oznacza, \u017ce tworzy si\u0119 uproszczone modele, kt\u00f3re reprezentuj\u0105 statystycznie u\u015brednione efekty tych proces\u00f3w. W modelach numerycznych parametryzuje si\u0119 m.in. procesy radiacyjne, procesy mikrofizyczne zachodz\u0105ce w chmurach, procesy zachodz\u0105ce w warstwie granicznej, konwekcj\u0119 itd. Problemem pozostaje tak\u017ce dobre odwzorowanie powierzchni ziemi, wraz z prawid\u0142owym rozk\u0142adem obszar\u00f3w pokrytych ro\u015blinno\u015bci\u0105 lub jej brakiem. Bardzo istotnym zagadnieniem jest prawid\u0142owo uj\u0119ty rozk\u0142ad rodzaj\u00f3w gleby, g\u0142\u0119boko\u015bci ukorzenienia ro\u015blin itp., poniewa\u017c charakterystyki te maj\u0105 istotny wp\u0142yw na procesy termiczne i hydrologiczne w profilu glebowym, a w rezultacie na strumienie ciep\u0142a, wilgotno\u015bci i p\u0119du na styku atmosfera-powierzchnia ziemi. Ka\u017cda zmiana zachodz\u0105ca w sposobie u\u017cytkowania terenu wp\u0142ywa na lokalny bilans promieniowania oraz przep\u0142yw powietrze w warstwie granicznej (a ludzie zmieniaj\u0105 krajobraz w zasadzie w trybie ci\u0105g\u0142ym, szczeg\u00f3lnie w obr\u0119bie aglomeracji miejskich lub w pobli\u017cu du\u017cych inwestycji in\u017cynierskich). W \u017cadnym z obecnie istniej\u0105cych numerycznych modeli pogody nie ma mo\u017cliwo\u015bci wprowadzania zmian w trybie ci\u0105g\u0142ym.<\/p>\r\n\r\n Zwi\u0119kszenie rozdzielczo\u015bci siatki obliczeniowej powoduje, \u017ce niekt\u00f3re procesy, kt\u00f3re by\u0142y procesami podskalowymi i musia\u0142y by\u0107 parametryzowane, przy zwi\u0119kszonej rozdzielczo\u015bci b\u0119d\u0105 jawnie reprezentowane. Przyk\u0142adem niech b\u0119dzie zjawisko konwekcji. W modelach, kt\u00f3rych rozdzielczo\u015b\u0107 siatki numerycznej by\u0142a np. powy\u017cej 15 km, procesy te musia\u0142y by\u0107 parametryzowane. W modelach mezoskalowych o rozdzielczo\u015bci np. 2,8 km g\u0142\u0119boka konwekcja jest jawnie reprezentowana w skali siatki numerycznej. Takie modele nazywane s\u0105 modelami konwekcyjno-skalowymi. Przy takiej rozdzielczo\u015bci jedynie p\u0142ytka konwekcja musi by\u0107 nadal parametryzowana.<\/p>\r\n\r\n Prognoza pogody w zale\u017cno\u015bci od modelu NWP<\/strong><\/p>\r\n\r\n Ka\u017cdy odbiorca prognoz meteorologicznych spostrzeg\u0142 podczas przegl\u0105dania prognoz meteorologicznych z r\u00f3\u017cnych modeli, \u017ce nieco si\u0119 one r\u00f3\u017cni\u0105. Ponownie pojawia fundamentalne pytanie dlaczego? Odpowied\u017a na to pytanie jest prosta. Ka\u017cdy numeryczny model meteorologiczny r\u00f3\u017cni si\u0119 od siebie m.in. rodzajem zastosowanych siatek obliczeniowych, rozdzielczo\u015bci\u0105 horyzontaln\u0105 siatki i r\u00f3\u017cnymi parametryzacjami opisuj\u0105cymi te same procesy fizyczne. Przyk\u0142adem niech b\u0119d\u0105 procesy mikrofizyczne zachodz\u0105ce w chmurach. Je\u015bli przyjrzymy si\u0119 schematowi z rys. 10, zauwa\u017cymy jak wiele proces\u00f3w mikrofizycznych musi zaj\u015b\u0107 w chmurze zanim powstanie opad.<\/p>\r\n\r\n W celach pogl\u0105dowych rozwa\u017cmy opad deszczu w schemacie z jedn\u0105 kategori\u0105 lodu (rys. 11).<\/p>\r\n\r\n W schemacie mamy faz\u0119 mieszan\u0105 chmury z\u0142o\u017con\u0105 z: Opad deszczu niech zostanie zapisany symbolicznym r\u00f3wnaniem:<\/p>\r\n\r\n Opad deszczu = \u2013Sev<\/sub> + Sau<\/sub> + Sac<\/sub> + Smelt <\/sub>\u2013 Sfrz<\/sub> + Sshed<\/sub><\/p>\r\n\r\n Przez symbol \u201eS\u201d rozumie\u0107 nale\u017cy procesy fizyczne, kt\u00f3re daj\u0105 wk\u0142ad do opadu deszczu. Poniewa\u017c procesy te zachodz\u0105 w skali mniejszej ni\u017c rozdzielczo\u015b\u0107 siatki obliczeniowej, musz\u0105 by\u0107 parametryzowane. A wi\u0119c w tym wypadku jest ich a\u017c sze\u015b\u0107. Kiedy si\u0119gnie si\u0119 do literatury przedmiotu, zauwa\u017cymy, \u017ce ka\u017cdy proces mikrofizyczny mo\u017ce by\u0107 parametryzowany na kilka r\u00f3\u017cnych sposob\u00f3w. W poszczeg\u00f3lnych modelach numerycznych mog\u0105 by\u015b zaimplementowane r\u00f3\u017cne parametryzacje opisuj\u0105ce ten sam proces mikrofizyczny. Zatem opady prognozowane przez poszczeg\u00f3lne modele mog\u0105 si\u0119 r\u00f3\u017cni\u0107 od siebie (rys. 12). Podobnie jest z innymi procesami fizycznymi, kt\u00f3re musz\u0105 by\u0107 parametryzowane.<\/p>\r\n\r\n Prognozy wi\u0105zkowe<\/strong><\/p>\r\n\r\n Maj\u0105c na uwadze ograniczenia numerycznego modelu pogody, zaproponowano wielokrotne uruchamianie modelu z r\u00f3\u017cnego stanu pocz\u0105tkowego (ze wzgl\u0119du na niepewno\u015bci pomiarowe) (rys. 14), z inn\u0105 fizyk\u0105 (z r\u00f3\u017cnymi parametryzacjami np. konwekcji) lub numeryk\u0105 (z wykorzystaniem r\u00f3\u017cnych numerycznych schemat\u00f3w obliczeniowych). Celem takich dzia\u0142a\u0144 jest oszacowanie niepewno\u015bci prognozy. Jak wskazuj\u0105 badania naukowe, prognoza otrzymana w wyniku u\u015brednienia prognozy po wszystkich elementach wi\u0105zki ma wi\u0119ksza sprawdzalno\u015b\u0107 ni\u017c prognoza deterministyczna.<\/p>\r\n\r\n Prognozy wi\u0105zkowe pozwalaj\u0105 m.in. oceni\u0107, z jakim prawdopodobie\u0144stwem wydarzy si\u0119 dane zjawisko, np. opad marzn\u0105cy.<\/p>\r\n\r\n Elementy wi\u0105zki ad hoc mo\u017cna tak\u017ce otrzyma\u0107 w wyniku przeprowadzenia oblicze\u0144 na r\u00f3\u017cnych superkomputerach lub elementy wi\u0105zki otrzymuje si\u0119 wykorzystuj\u0105c r\u00f3\u017cne modele (rys. 17).<\/p>\r\n\r\n U\u017cyteczno\u015b\u0107 numerycznych modeli pogody<\/strong><\/p>\r\n\r\n Widz\u0105c jak du\u017cy jest potencja\u0142 b\u0142\u0119d\u00f3w w numerycznych modelach pogody, mo\u017cna doj\u015b\u0107 do wniosku, \u017ce prognozy numeryczne s\u0105 bezu\u017cyteczne. Oczywi\u015bcie tak podszed\u0142by do zagadnienia odbiorca prognoz pogody bez odpowiedniego przygotowania merytorycznego. Natomiast do\u015bwiadczeni synoptycy, kt\u00f3rzy znaj\u0105 mocne i s\u0142abe strony modeli pogody, uwa\u017caj\u0105 je za bardzo przydatne (obecnie niezb\u0119dne) narz\u0119dzie w prognozowaniu pogody. Wiedz\u0105 o ich niedoskona\u0142o\u015bciach i dlatego podczas opracowywania prognozy korzystaj\u0105 z wynik\u00f3w oblicze\u0144 numerycznych, kt\u00f3rych \u017ar\u00f3d\u0142em jest kilka innych modeli. Ponadto odbiorcom, w tym tak\u017ce i synoptykom dostarczane s\u0105 prognozy wi\u0105zkowe. Korzystanie z takiego zespo\u0142u modeli pogodowych pomaga meteorologom lepiej zrozumie\u0107 proces ewolucyjny proces\u00f3w dynamicznych i termodynamicznych zachodz\u0105cych w atmosferze, a tak\u017ce z wi\u0119ksz\u0105 trafno\u015bci\u0105 zaprognozowa\u0107 scenariusz zachodz\u0105cych proces\u00f3w fizycznych w atmosferze, czyli przysz\u0142ych warunk\u00f3w meteorologicznych.<\/p>\r\n\r\n Ka\u017cdy odbiorca musi by\u0107 \u015bwiadomy, \u017ce prognoza pogody przedstawia jedynie prawdopodobny scenariusz pogodowy, kt\u00f3ry nie jest \u017cadnym pewnikiem. W sytuacji kiedy spodziewamy si\u0119 wyst\u0105pienia gro\u017anego zjawiska, nale\u017cy do\u015b\u0107 cz\u0119sto sprawdza\u0107 prognozy i je analizowa\u0107.<\/p>\r\n\r\n Wraz z rozwojem wiedzy z zakresu fizyki atmosfery oraz post\u0119pem technologicznym pozwalaj\u0105cym tworzy\u0107 maszyny o coraz wi\u0119kszej mocy obliczeniowej, jako\u015b\u0107 prognoz numerycznych b\u0119dzie si\u0119 poprawia\u0142a. Nale\u017cy mie\u0107 jednak \u015bwiadomo\u015b\u0107, \u017ce nigdy nie uda si\u0119 otrzyma\u0107 prognoz, kt\u00f3re b\u0119d\u0105 mia\u0142y 100 proc. sprawdzalno\u015b\u0107, tym bardziej w przypadku prognoz z d\u0142ugim horyzontem czasowym.<\/p>\r\n\r\n Nale\u017cy mie\u0107 na uwadze, \u017ce sama ocena sprawdzalno\u015bci prognoz nie jest trywialnym zadaniem. Ze wzgl\u0119du na opisane wcze\u015bniej aspekty numeryczne, warto\u015bci modelowanych parametr\u00f3w w dw\u00f3ch s\u0105siednich w\u0119z\u0142ach modelu s\u0105 bardziej skorelowane ni\u017c dla dw\u00f3ch stacji pomiarowych b\u0119d\u0105cych w takiej samej odleg\u0142o\u015bci od siebie. Jest to szczeg\u00f3lnie widoczne w przypadku opad\u00f3w. Z tego wzgl\u0119du unika si\u0119 bezpo\u015bredniego por\u00f3wnywania wynik\u00f3w modeli numerycznych do pomiar\u00f3w na najbli\u017cszej stacji i stosuje si\u0119 metody statystyczne, pozwalaj\u0105ce na zminimalizowanie wp\u0142ywu niejednorodno\u015bci sieci pomiarowej czy jej g\u0119sto\u015bci.<\/p>\r\n\r\n Sprawdzalno\u015b\u0107 numerycznych prognoz pogody<\/strong><\/p>\r\n\r\n Obecne prognozy siedmiodniowe mog\u0105 dok\u0142adnie przewidzie\u0107 pogod\u0119 w oko\u0142o 80 proc. przypadk\u00f3w, a prognozy pi\u0119ciodniowe \u2013 w oko\u0142o 90 proc. przypadk\u00f3w. Jednak prognoza 10-dniowa lub d\u0142u\u017csza sprawdza si\u0119 ju\u017c tylko w 50 proc.<\/p>\r\n\r\n Obliczenia numeryczne inicjowane s\u0105, w zale\u017cno\u015bci od mo\u017cliwo\u015bci technicznych narodowych s\u0142u\u017cb meteorologicznych, raz, dwa, cztery lub wi\u0119cej razy na dob\u0119. Przy ka\u017cdej inicjalizacji model wykorzystuje inne dane wej\u015bciowe. Skutkuje to tym, \u017ce ka\u017cde kolejne symulacje stanu atmosfery, w zale\u017cno\u015bci od sytuacji synoptycznej, b\u0119d\u0105 si\u0119 mniej lub bardziej r\u00f3\u017cni\u0142y od siebie. I jest to naturalne. Zatem oczekiwanie, \u017ce w wyniku ka\u017cdego kolejnego przebiegu modelu otrzyma si\u0119 identyczny scenariusz przebiegu proces\u00f3w fizycznych w atmosferze jest b\u0142\u0119dne. W wypadku prognoz kr\u00f3tkoterminowych kolejne symulacje a\u017c tak znacz\u0105co si\u0119 nie b\u0119d\u0105 r\u00f3\u017cni\u0142y od siebie. Wraz z wyd\u0142u\u017caniem si\u0119 horyzontu czasu prognozy (np. prognozy \u015brednioterminowe), r\u00f3\u017cnice w symulacji b\u0119d\u0105 si\u0119 zwi\u0119ksza\u0142y.<\/p>\r\n\r\n
\r\na) pary wodnej;
\r\nb) wody chmurowej;
\r\nc) deszczu;
\r\nd) \u015bniegu.<\/p>\r\n\r\n
![\"\"](\"http:\/\/localhost:8000\/wp-content\/uploads\/2023\/03\/obraz1-1.jpg\")
\n<\/div>\n![\"\"](\"http:\/\/localhost:8000\/wp-content\/uploads\/2023\/03\/obraz2.jpg\")
\n<\/div>\n![\"\"](\"http:\/\/localhost:8000\/wp-content\/uploads\/2023\/03\/obraz3-1.jpg\")
\n<\/div>\n![\"\"](\"http:\/\/localhost:8000\/wp-content\/uploads\/2023\/03\/obraz4-1.jpg\")
\n<\/div>\n![\"\"](\"http:\/\/localhost:8000\/wp-content\/uploads\/2023\/03\/obraz5.jpg\")
\n<\/div>\n![\"\"](\"http:\/\/localhost:8000\/wp-content\/uploads\/2023\/03\/obraz6.jpg\")
\n<\/div>\n![\"\"](\"http:\/\/localhost:8000\/wp-content\/uploads\/2023\/03\/obraz7.jpg\")
\n<\/div>\n![\"\"](\"http:\/\/localhost:8000\/wp-content\/uploads\/2023\/03\/obraz8.jpg\")
\n<\/div>\n![\"\"](\"http:\/\/localhost:8000\/wp-content\/uploads\/2023\/03\/obraz9.jpg\")
\n<\/div>\n![\"\"](\"http:\/\/localhost:8000\/wp-content\/uploads\/2023\/03\/obraz10.jpg\")
\n<\/div>\n![\"\"](\"http:\/\/localhost:8000\/wp-content\/uploads\/2023\/03\/obraz11.jpg\")
\n<\/div>\n![\"\"](\"http:\/\/localhost:8000\/wp-content\/uploads\/2023\/03\/obraz12.jpg\")
\n<\/div>\n![\"\"](\"http:\/\/localhost:8000\/wp-content\/uploads\/2023\/03\/obraz13.jpg\")
\n<\/div>\n![\"\"](\"http:\/\/localhost:8000\/wp-content\/uploads\/2023\/03\/obraz14.jpg\")
\n<\/div>\n![\"\"](\"http:\/\/localhost:8000\/wp-content\/uploads\/2023\/03\/obraz15.jpg\")
\n<\/div>\n![\"\"](\"http:\/\/localhost:8000\/wp-content\/uploads\/2023\/03\/obraz16.jpg\")
\n<\/div>\n![\"\"](\"http:\/\/localhost:8000\/wp-content\/uploads\/2023\/03\/obraz17.jpg\")
\n<\/div>\n<\/figure>","protected":false},"excerpt":{"rendered":"