随机性是如何/在哪里/特性转化用于天气预报吗

Question

我希望天气模型的信息使用随机性(如果有的话)。我可以收集每日天气预报使用偏微分方程的初始和边界条件插入数据。他们使用随机性改变初始条件(考虑到不确定性)?还是有一些点建模过程中随机插入(如从一个正态分布)?还是天气模型完全确定的?

我读一个线程对EarthScienceSE降水的概率(流行),我还不清楚如果有任何随机平均模型和它的输出是如何在一个给定的区域。如何“信心任何沉淀”和“覆盖范围”生成(相乘得到整个流行音乐)?

我知道“雨”的可能性是一个非常具体的例子,但我感兴趣的更一般的随机性是常见的天气模式。如。“这个模型使用正态分布来估计这个量”等。尤其赞赏的具体信息,如名称的模型,它使用随机数。任何帮助都是赞赏!

Answer 1

概率是用于天气预报。我只会强调一些例子在一些地区由于我缺乏知识。

之前初始化数据需要吸收的预测模型。这意味着我们需要以某种方式将从地面测量站,卫星等模型,符合这一数据网格。然后我们有一个“大气状态估计”。这通常涉及到成本最低化的功能。通常这个“大气状态估计的不确定性的过程中使用整体预测。介绍可以找到数据同化在ECMWF。每一个业务天气预报模型数据同化过程。因为你特别要求的名字,这里有几个:全球预报系统(GFS,可能天气模型应用程序使用),ECMWF模式(欧洲中期天气预报中心),Icosaheadral Nonhydrostatic模型(图标,运行模型的德国天气服务),当地高分辨率模型对数值天气预报(HIRLAM、操作模型的一些北欧国家)。

在一个集合预报方程解决了你说的问题。然而,有不同的模型的某些方面考虑的不确定性。这些方面可以包括初始条件(包括时间,有时使用时间间隔),变化的参数化(其中有很多,基本上每一个过程,不能解决的模型网格),有时甚至很难阻塞。模型然后发起多次获得多个不同的预测。再一次,有一个很好的介绍在ECMWF。一些想法如何可视化整体预测可以找到在这里。

上述所有关注概率过程中初始化一个模型。然而,即使没有使用,如果我们知道整体大气的状态没有错误,我们还是必须依靠概率由于子网格规模的过程。一个著名的例子是云层。假设我们平均湿度问美元在一个网格单元(也就是模型给我们)。如果云只会形式问> q_s美元,在那里q_s美元饱和湿度。根据温度等参数的概率密度函数问(T,…)美元假定。一个可能的参数化云层可能是一部分问(T,…)美元比q_s美元定义了云层。我不会给例子典型分布使用,因为这是一个活跃的研究领域。我想引用ECMWF如果你希望看到一些细节和例子pdf的使用。

最后,我想补充的是,模型的不确定性的主要来源(使用)概率并不一定是参数化的对流(浅和深)。降水高度相关湿度和对流,因此大错误常常是参数化的结果。

我希望这可以帮助。

编辑:关于降水问题。你所看到的在谷歌或典型的天气应用程序是基于模型模拟,但肯定不是一个模型输出。如果谷歌告诉你“雨的概率在30%的地方”然后这将最有可能指的是有30%的几率,沉淀在一个(由google不明)面积超过一定的阈值。生成的确定是通过查看。阈值超过30%的模拟。这也是为什么一个高分辨率的模型不准确。更容易预测,明天下雨了0.1 l在纽约比预测下雨明天0.1 l中央公园。