پیشبینی عددی آب و هوا
From Wikipedia, the free encyclopedia
در روش پیشبینی عددی آب و هوا (Numerical Weather Prediction) از مدلهای ریاضی جو و اقیانوسها استفاده میکنند تا شرایط آب و هوایی را بر اساس شرایط جوی کنونی پیشبینی کنند. اگرچه این روش برای اولین بار در دهه ۱۹۲۰ به کار گرفته شد، اما تا زمان ظهور شبیهسازی رایانهای در دهه ۵۰ روش پیشبینی عددی آب و هوا نتوانست نتایج واقعگرایانه و قابل قبولی را کسب کند. تعدادی از مدلهای پیشبینی جهانی و منطقهای در کشورهای مختلف در سراسر جهان در حال اجرا هستند، با استفاده از مشاهدات آب و هوایی فعلی از رادیوسوندها، ماهوارههای هواشناسی و سیستمهای مشاهده دیگر به عنوان ورودی استفاده میکنند.
این مقاله نیازمند ویکیسازی است. لطفاً با توجه به راهنمای ویرایش و شیوهنامه، محتوای آن را بهبود بخشید. |
مدلهای ریاضی براساس همان اصول فیزیکی میتوانند برای تولید پیشبینیهای آب و هوایی کوتاهمدت یا پیشبینیهای بلند مدت آب و هوایی استفاده شوند که از پیشبینیهای بلند مدت آب و هوایی بهطور گسترده برای درک و پیشبینی تغییرات اقلیم استفاده میشود. پیشرفتهای صورتگرفته در مدلهای منطقهای باعث بهبود قابل توجهی در پیشبینی گردباد استوایی و پیشبینیهای مربوط به کیفیت هوا را شدهاست. با این حال، مدلهای جوی عملکرد بسیار کمی در فرایندهای انتقالی که در یک منطقه نسبتاً محدود مانند آتشسوزی رخ میدهند، دارند.
استفاده از مجموعه دادههای گسترده و انجام محاسبات پیچیده که برای پیشبینی آب و هوای عددی مدرن لازم است، نیازمند برخی از قدرتمندترین ابر رایانههای جهان است. حتی با افزایش قدرت ابر رایانهها، مهارت پیشبینی مدلهای هواشناسی عددی فقط در حدود شش روز گسترش مییابد.
عوامل مؤثر بر صحت پیشبینیهای عددی شامل چگالی و کیفیت مشاهدات مورد استفاده به عنوان ورودی پیشبینیها، همراه با نقص در مدلهای عددی باعث بوجود آمدن تکنیکهای پس از پردازش مانند آمار خروجی مدل (MOS) به منظور کاهش خطا در پیشبینیهای عددی توسعه یافتهاند.
یک مشکل اساسی تر در ماهیت بی نظمی در معادلات دیفرانسیل جزئی حاکم بر جو است. حل این معادلات بهطور دقیق غیرممکن است و خطاهای کوچک با گذشت زمان (دوبرابر شدن در هر پنج روز) افزایش مییابد. درک فعلی این است که این رفتار نامنظم پیشبینیهای دقیق را حتی با دادههای ورودی دقیق و یک مدل بی عیب و نقص را به حدود ۱۴ روز محدود میکند. علاوه بر این، معادلات دیفرانسیل جزئی استفاده شده در مدل باید با پارامترهای تابش خورشیدی، فرایندهای مرطوب (ابرها و بارش)، تبادل گرما، خاک، پوشش گیاهی، آبهای سطحی و تأثیرات زمین تکمیل شود. در تلاش برای تعیین کمیت مقدار زیادی از عدم قطعیت ذاتی در پیشبینیهای عددی، از دهه ۱۹۹۰ پیشبینیهای گروهی برای کمک به سنجش اعتماد در پیشبینی و به دست آوردن نتایج مفید بیشتر در آینده مورد استفاده قرار گرفتهاست. این رویکرد پیشبینیهای متعدد ایجاد شده توسط یک مدل پیشبینی مجزا یا مدلهای چندگانه را تجزیه و تحلیل میکند.