Мезомасштаб: мифы и реальность.

Более 4х лет прошло со дня опубликования на сайте 60North статей, посвященных “цифровой эре” метеорологии: об использовании GRIB-файлов и о моделях мезомасштаба. За эти годы статьи были прочитаны тысячами посетителей сайта, процитированы и слинкованы на самых разных ресурсах. Через почту и FB наша школа получила множество сообщений от читателей и яхтсменов, с вопросами и благодарностями за собранную информацию. Очевидно, что тема компьютерных прогнозов погоды была и остается крайне интересной для всех моряков, летчиков, альпинистов и просто любителей метеорологии

Однако, прогресс не стоит на месте, смотрелки “грибов” и сайты с красивыми “модельными” картинками (например windy.com ) теперь использует подавляющее большинство шкиперов, и я решил немного обновить содержание статей, в особенности ту их часть, которая касается того, как именно должны использоваться метеорологические модели. Процесс обновления немного затянулся, и так как в результате пришлось бы практически полностью переписать всё уже написанное, я решил просто написать эту дополнительную статью, в некотором смысле - ведро холодной воды на голову энтузиастов компьютерных технологий.

Слишком много мусора!

Первоначальная эйфория, которая охватывает яхтсмена, сталкивающегося с моделями, способными предсказывать изменения погоды с сеткой в 1 кв км, в пространстве 36-48 часов, разобьется о реальность также неумолимо, как разбилась о рифы яхта Volvo Ocean Race “Vestas”: ее экипаж слишком сильно поверил в непогрешимость современной электроники и навигационных систем! Обычно, достаточно всего нескольких недель пристального наблюдения, например, за моделями PredictWind на предельно точной сетке, чтобы с уверенностью сказать: сетка-то подробная, а вот данные врут, как сивый мерин (простите, новозеландцы, но, увы, это правда!) В то же время, другие модели, например, хорватской метеослужбы (http://www.meteo.hr) на тот же участок акватории, будут значительно более точными, хотя и не с такой подробной сеткой.

В чем же дело? Для того, чтобы понять в чем проблема PredictWind и некоторых других систем, отступим пока немного в сторону, и обратимся к проблемам, с которыми в целом сталкиваются метеорологи при создании прогнозов..

Детерминированный и вероятностный прогноз

Мы уже рассмотрели в статье о GRIB-файлах, как гигантские суперкомпьютеры систем моделирования атмосферы ECMWF и GFS создают цифровые “отпечатки” прогноза погоды на T+0, T+6 +12 и так далее. Что же мы оставили за кадром? Небольшого, но очень важного “слона” :) Факт, не важный и неинтересный для обычного получателя прогнозов, но очень интересный для яхтсмена и любителя метеорологии: содержимое GRIB-файлов - это только надводная часть всей выдачи компьютера: так называемый “детерминированный”(deterministic) прогноз.

Детерминизм - это принцип, в котором каждое событие является неизбежным результатом предшествующих ему событий, соблюдение причинно-следственной связи. Среди потребителей прогнозов (и, похоже, среди некоторых создателей погодных сайтов :) есть укоренившееся мнение, о том, что суть хорошего и правильного прогнозирования погоды в том, что синоптик должен дать точный, определенный прогноз на конкретное географическое место и на конкретное время (иногда - весьма отдаленное от нас в будущее!) Если синоптик вдруг ошибается, или если он не может сделать уверенный прогноз погоды - то мы считаем, что он плохо выполняет свою работу. Детерминированный прогноз - это высказывание типа “в 12 дня будет дуть ветер с румба 156 градусов, скорость 12 м/c” ( не правда ли, это то, что мы с вами ожидаем увидеть в нашей любимой погодной программе на смартфоне?)

Однако, устройство нашего мира с точки зрения используемой для создания прогнозов техники моделирования таково, что, чем дальше прогнозируемая ситуация отнесена в будущее от настоящего времени, тем менее возможным становится такой детерминированный прогноз. Гораздо более гибким ( и правильным!) для рассмотрения является “вероятностный”(probabilistic) подход к прогнозированию. Вероятностное прогнозирование - это метод прогнозирования погоды, который опирается на различные методы для определения вероятности возникновения того или иного события. Это существенно отличается от техники предоставления четко определенной информации о возникновении/не возникновении того же события, используемого в детерминированном прогнозе. Например, прогноз из нашего примера может быть переформулирован как: “91% вероятность на 12 дня ветра с румба 156 градусов скорость 12 м/c”.

Ансамбли

Одним из напрямую связанных с вероятностным подходом к прогнозированию является метод рассмотрения модельных ансамблей - не единовременных цифровых срезов модели на конкретное время, а целой совокупности данных с немного отличающихся друг от друга методов моделирования, описывающих одну и ту же величину. Например, модельный ансамбль GFS ( Global Ensemble Forecast System ) включает в себя 21 прогноз, создаваемый слегка отличающимися друг от друга по алгоритмам и исходным данным системами моделирования. Расхождения между прогнозами, обработанные статистическими методами, позволяют оценить качество полученного прогноза. Как пишут сами создатели GEFS “В 10-15% случаев 12-дневный прогноз может быть так же точен, или 1-дневный прогноз может быть так же неудачен, как и прогноз на 4 дня”. Визуально, мы можем наблюдать, как качество (точность) прогноза ухудшается со временем, наблюдая как расходятся графики ансамбля для, например, температуры воздуха в Москве:

Мы видим на этом графике, что в течение первых двух дней данные моделей, отличающиеся на сотые доли градуса начальными данными, держатся плотно и уверенно показывают одни и те же результаты. Однако хаос находит лазейку в системе, и к концу модельного периода графики разбегаются в разные стороны: через 7-10 дней расхождение между участниками ансамбля достигает 5 градусов Цельсия. А вот как, например, “разбегается” ансамбль по атмосферному давлению для той же Москвы:

Мы видим, что уже через четыре дня, спрэд между крайними значениями ансамбля составляет до 4 мб. А ведь разницы,например, в градиенте давления в 2 миллибара на расстоянии между Германией и Финляндией, уже достаточно для того, чтобы скорость ветра на Балтике усилилась на 1-2 балла по шкале Бофорта! Вместо крепкого, но допустимого ветра в 6 баллов, мы можем попасть в 8-балльный шторм...

Конечно, техника работы с ансамблями прогнозов требует развитых навыков специалиста-метеоролога, и находится за рамками этой статьи, предназначенной, в первую очередь, для яхтсменов. Однако,надеюсь, мне удалось , насколько хрупкой и зависимой от начальных данных является суперсовременная система моделирования погоды **. Сильно зависимой от слабых изменений начальных данных является не только модель - такой является сама моделируемая система: атмосфера Земли. Пропущенный при сборе данных для инициализации модели “взмах крыльев бабочки” может привести к существенной ошибке в прогнозе. Именно начальные данные, то как они собираются и обрабатываются является ахиллесовой пятой любой самой сложной системы моделирования атмосферных процессов.

Что у нас на входе?

Возьмем, к примеру, сайт OpenSkiron. Это популярный источник мезомасштабных GRIB-файлов, создаваемый на некоммерческой основе и рассчитываемый на кластере EU Marine Copernicus. Модель - EMS-WRF. Это замечательный проект, подобный которому мне несколько лет очень хотелось увидеть для Балтики (пока, наконец, Финский метеорологический институт не открыл доступ к своим мезомасштабным GRIB-файлам). Однако, “caveat emptor” - не все фломастеры на вкус одинаково полезны! Внимательно читаем примечания о том, как создается прогноз: “Initialization is with GFS data and with current high resolution sea surface temperature data. The domains have pre-generated high reslolution topography and coverage data as required by the physics of the model.”

Иными словами, как и большинство любительских проектов, OpenSkiron данные для расчета берет из GFS, нормализует их и добавляет к ним данные по актуальным промерам температуры поверхности Мирового океана (также доступные бесплатно).

Сравним это, например, с создаваемой в французском центре CNRM моделью AROME:

“The model is initialized from data assimilation derived from the ARPEGE-IFS variational assimilation system and adapted to the AROME finer resolution. Besides available data from ARPEGE, AROME is supplied, for instance, by precise data from the ARAMIS radar network (doppler wind and precipitation), assimilated on an hourly basis.”

В глаза бросается важное различие: в исходных данных Arome используются фактические трехмерные данные о состоянии атмосферы над Европой, полученных с радаров ARAMIS, в то время как в модель OpenSkiron входит только температура поверхности моря. (Arpege-IFS - это фактические данные глобальной модели, известной нам под названием ECMWF). Очевидно, что если нас интересуют данные по мезомасштабным явлениям, связанным со стоковыми ветрами(мистраль, бора), или с опасными конвективными ячейками (серьезные шквалы), то данные ARAMIS могут оказать существенное влияние на точность предсказаний, добавив в модель те самые “взмахи крыльев бабочки”, которые может пропустить OpenSkiron.

Мусор на входе - мусор на выходе!

А теперь давайте обратим свое внимание на модель PredictWind. Авторы не скрывают, что они используют в качестве начальных данных своей внутренней мезомасштабной модели данные GFS и ECMWF (прощай, канадская модель, о которой я писал 4 года назад). Но используют ли они что-то кроме этого? К сожалению, компания не предоставляет этой информации, но, учитывая масштабы покрываемых моделью PWG/PWE сеток, можно предположить, что количество вводимых в модель актуальных местных данных невелико. Для подключения дополнительных местных данных с метеостанций, радаров, спутниковой съемки и т.п. требуется огромное количество работы, и, собственно, доступ к этим данным, который есть у национальных метеослужб, но сторонним коммерческим компаниями предоставляется по весьма высоким ценам.

То есть, если данные глобальных моделей GFS и ECMWF по каким-то причинам пропустили какое-то местное мезомасштабное явление, то эта информация может не попасть в PWG/PWE. “Эффект бабочки” имеет все возможности проявить себя - это объясняет частые промахи PredictWind в акваториях, с сильным влиянием береговых условий* ( например, в Адриатике).

Более того, с моделями ALADIN и AROME ведется постоянная работа по повышению релевантности полученных прогнозов, и статистический анализ их точности. В настоящий момент, точность T+24 хорватского ALADIN на meteo.hr достигает впечатляющих 95% и выше, для предсказания боры штормовой силы . Эта статистика доступна всем, кого интересует точность того или иного прогноза Meteo.hr. Опять же, по PredictWind, OpenSkiron и другим любительским и коммерческим моделям такой информации нет.

Вероятностный прогноз в GRIB?

Нужно крайне осторожно относиться к использованию данных расчета мезомасштабных моделей производимых коммерческими компаниями и бесплатными сервисами. Несложно собрать средней мощности кластер, или арендовать компьютерное время в “облаке” и рассчитать свой собственный прогноз, с использованием модели WRF. Но проблема “мусора” на входе модели и ее высокая зависимость от точности начальных данных может сделать весь прогноз не более релевантным, чем обычное “небо красно с вечера - моряку бояться нечего”.

Фактически, глядя на графическое представление вывода разных моделей в “смотрелке” GRIB-файлов (Weather4D, zygrib, SailGrib, windy) мы видим детерминированный набор данных, без какой либо информации о том, с какой именно вероятностью система определила, что приземный ветер (давление, температура) будет именно таким, а не каким-то еще. К сожалению, популярные программы не дают возможности для работы с ансамблями GEFS и ECMWF (более того - данные ECMWF не доступны на бесплатной основе для широкой публики иначе как через компании которые перепродают данные ECMWF или монетизируют доступ к ним через рекламу). И даже если вы освоите GrADS - The Grid Analysis and Display System - популярную систему для работы с данными ансамблей - то данные мезомасштабных прогнозов, получаемых через интернет, все равно останутся в рамках детерминированного прогноза.

Мои выводы могут показаться парадоксальныим и обескураживающими для многих яхстменов, потому что они, на первый взгляд, возвращают нас обратно, в мир 15-20 летней давности:

1.ЧИТАЙТЕ ТЕКСТОВЫЕ ПРОГНОЗЫ (если они есть :)

Текстовый прогноз, получаемый от национальной метеослужбы представляет собой обработанный вероятностный прогноз, сделанный опытным синоптиком на основании анализа данных мезомасштаба, глобальной модели, показаний местных метеостанций, радарной скаттерометрии, спутниковых снимков и многого-многого другого.

Конечно, синоптики города Сочи вряд ли имеют в своем распоряжении тот же богатый набор инструментов, что и, например, метеорологи Загреба. Но в регионах оживленного судоходства моей первой рекомендацией для яхтсменов будет всегда ознакомиться с ТЕКСТОВЫМ прогнозом выдаваемым местной метеослужбой через Интернет, NAVTEX или передачи по морской УКВ радиосвязи (вы уже выписали в план перехода из лоции рабочие каналы местной метеослужбы?). Уточнение этого прогноза с использованием GRIB-файлов, метеограмм, аэрологических диаграмм (модельных и фактических) - дело вашей личной ответственности.

Например, весьма неосмотрительно будет выйти в море при текстовом прогнозе на ветер в 9-10 баллов, если в GFS вы увидите ветер силой всего 30 узлов с порывами до 35 (особенно если под боком у вас находятся горы!) (Фотография приведенная выше сделана с катамарана, экипаж которого решил рискнуть таким образом во время прохождения циклона через южную Адриатику - GFS модель не показала резкую смену ЮЗ ветра (“юго”) на бору от “СВ”... )

2. ИСПОЛЬЗУЙТЕ ОБЩИЕ ЗНАНИЯ МЕТЕОРОЛОГИИ И МЕСТНОЙ АКВАТОРИИ, ДЛЯ ОЦЕНКИ СИТУАЦИИ И ВОЗМОЖНЫХ ОПАСНОСТЕЙ

Если модель показывает вам штиль, а вы сталкиваетесь у мыса с встречным ветром силой 15-20 узлов - очевидно, что модель снова не учла возникновение бризовых явлений, усиление ветра в узкости и тп. Используйте здравый смысл и свой опыт моряка и яхтсмена: яхта идет по воде в реальном мире, а не в “виртуальной реальности”.

3. ПРИ РАСХОЖДЕНИИ ПРОГНОЗОВ, ВСЕГДА ОТДАВАЙТЕ ПРЕДПОЧТЕНИЕ НАИХУДШЕМУ ВАРИАНТУ

Это базовый принцип хорошей морской практики, и так как у нас отсутствуют инструменты по оценке достоверности того или иного прогноза, мы всегда должны считать себя ближе к опасности.

Обескураживающе? Банально? Увы, но факт: никакая компьютерная система и самые совершенные мезомасштабные модели не способны заменить главный вычислительный комплекс, ответственный за безопасное и комфортное плавание яхты: человеческий разум (да-да, ваш!). Сама природа компьютерного моделирования погодных процессов такова, что имеющихся в распоряжении метеорологов средств пока что недостаточно для создания идеально точного прогноза на 48 часов, с сеткой в несколько сотен метров и разбивкой по 15 минут.

*(Интересно, кстати, что современная математическая “теория хаоса”, и само понятие систем сильно зависящих от начальных условий, родилось в процессе создания систем моделирования погоды - об этом вы сможете прочитать в увлекательной книге Дж. Глейка “Хаос: создание новой науки” https://www.ozon.ru/context/detail/id/123076 ) [Назад]