npj Climate and Atmospheric Science: Улучшение субсезонных ансамблевых прогнозов наступления волн тепла за счёт лучшего представления неопределённостей на поверхности суши
Неопределённости в процессах на поверхности суши в значительной степени ограничивают прогнозы наступления субсезонных волн тепла. Лучшее представление неопределённостей в процессах на поверхности суши с использованием методов ансамблевого прогнозирования может быть важным способом улучшения прогнозов наступления волн тепла. Однако генерация членов ансамбля, адекватно представляющих неопределённости процессов на поверхности суши, особенно те, которые связаны с её параметрами, остаётся сложной задачей. В этом исследовании был использован подход условного нелинейного оптимального возмущения, связанного с параметрами (conditional nonlinear optimal perturbation related to parameters, CNOP-P), для генерации членов ансамбля с целью представления неопределённостей в процессах на поверхности суши, возникающих из-за параметров. На основе шести сильных и продолжительных событий волн тепла в среднем и нижнем течении реки Янцзы были проведены эксперименты по ансамблевому прогнозированию наступления волн тепла с моделью Weather Research and Forecasting (WRF). Была оценена производительность подхода CNOP-P и традиционного метода ансамблевого прогнозирования случайных возмущений параметров. Результаты показывают, что детерминированные и вероятностные навыки прогнозирования начала волн тепла показывают большее превосходство при использовании подхода CNOP-P, что приводит к гораздо лучшим прогнозам экстремальных температур воздуха, чем при использовании традиционного метода. Это произошло потому, что члены ансамбля, сгенерированные методом CNOP-P, лучше представляли неопределённости в важных физических процессах на суше, определяющих начало волн тепла в среднем и нижнем течении реки Янцзы, в частности неопределённости процессов растительности, тогда как члены ансамбля, сгенерированные методом случайного возмущения параметров, не могли этого сделать. Это открытие предполагает, что метод CNOP-P подходит для создания членов ансамбля, которые адекватнее представляют неопределённости модели посредством более разумной характеристики ошибок параметров.
