Prognoza wilgotności podłoża w mezoskalowym modelu atmosfery

PROGNOZA
WILGOTNOŚCI PODŁÓŻA
W MEZOSKALOWYM MODELU
ATMOSFERY
Bogumil Jakubiak, Richard Hodur
Interdisciplinary Centre for Mathematical and Computational Modeling,
University of Warsaw, Warsaw, Poland
Seminarium „ Zagrożenia lasów zależne od stanu atmosfery”
Instytut Badawczy Leśnictwa, Sękocin Stary 10.01.2013 r.
Prognoza wilgotno
aw
wilgotności
no ci podło
pod oża
mezoskalowym modelu atmosfery
• Informacje o projekcie PROZA
• Prognoza wilgotności podłoża w modelu
NWP:
• Opis modelu COAMPS
• Opis modelu LSM (Land-Surface Model)
• Planowanie eksperymentów
• Przypadki badawcze
• Wyniki i wnioski
PLATFORMA WSPOMAGANIA DECYZJI
OPERACYJNYCH
ZALEŻNYCH OD STANU ATMOSFERY
Rozwój operacyjnego systemu prognoz pogody
Rozwój systemów eksperckich dla energetyki
Zastosowanie wyników numerycznych prognoz
pogody w leśnictwie i sadownictwie
Zastosowanie wyników modelowania atmosfery
i oceanu w transporcie i inżynierii morskiej
Rozwój systemu operacyjnych prognoz
pogody
• Rozwój nowych metod
asymilacji danych
• Rozwój systemu
diagnozowania silnych
zjawisk konwecyjnych
• Doskonalenie systemu
archiwizacji danych
• Rozwój nowych narzędzi
weryfikacji danych
1.2 Rozwój systemu diagnozowania silnych
zjawisk
konwekcyjnych
Radar badawczy
ICM pasmo x
1.4 Rozwój nowych metod weryfikacji prognoz mezoskalowych
2. Rozwój systemów eksperckich
dla energetyki
2.1 Metody szacowania spodziewanej produkcji energii
elektrycznej przez elektrociepłownię
2.2 Prognoza produkcji energii z farm wiatrowych dla
zakładów energetycznych wykorzystujących naturalne
źródła energii
2.1 Metody szacowania spodziewanej produkcji energii elektrycznej
przez elektrociepłownię (2)
Zmiania predkości wiatru wzdłuż domeny wywołana skokową zmianą szorstkości terenu
z0 dla x=500m (z 1m na 0.1m) na różnych wysokosciach nad powierzchnią ziemi. Prawy
wykres odpowiada przypadkowi ponownej zmiany szorstkości w x=3500m (z 0.1m na 1m).
3. Zastosowanie numerycznych
prognoz pogody w leśnictwie
• Prognozowanie wilgotności podłoża leśnego
• Wykorzystanie zdalnych obserwacji do
monitoringu i prognozowania zagrożenia lasów
• Określenie stopnia zagrożenia drzewostanów
przez czynniki abiotyczne
• Prognozowanie występowania chorób
grzybowych i szkodników owadzich głównych
lasotwórczych gatunków drzew
3. Zastosowanie numerycznych
prognoz pogody w sadownictwie
• 3.5 Rozwój metod zapobiegania przymrozkom
• 3.6 Wykorzystanie numerycznych modeli prognoz
pogody do prognozowania wilgotności gleby w
sadach oraz opracowania podstaw racjonalnej
gospodarki zasobami wody do nawodnień
3.5 Rozwój metod zapobiegania
przymrozkom
3.6 Wykorzystanie numerycznych modeli prognoz pogody do
prognozowania wilgotności gleby w sadach oraz opracowania podstaw
racjonalnej gospodarki zasobami wody do nawodnień
4. Zastosowanie wyników modelowania
atmosfery i oceanu w transporcie i
inżynierii morskiej
•
Osłona
hydrometeorologiczna portów
• Prognoza stanu morza dla
transportu morskiego i
inzynierii morskiej przy pomocy
zespolonego modelu falowania
i prądów morskich
Prognoza wilgotności podłoża w mezoskalowym modelu atmosfery
Podstawa:
Dolny warunek brzegowy ma istotny wpływ na
zjawiska mezoskalowe wymuszane podłożem. Odpowiednie ich
uwzględnienie może doprowadzić do poprawy prognozy
nieosiągalnej w modelach o niższej rozdzielczości.
Cel:
Celem tej pracy było włączenie współczesnego modelu
powierzchni lądu (LSM) do modelu mezoskalowego o dużej
rozdzielczości oraz oszacowanie wpływu LSM na prognozy
zjawisk silnych opadów występujących w Polsce w roku 2010.
Podejście:
Zastosować COAMPS® jako model mezoskalowy,
włączyć do modelu COAMPS model LSM NOAH, przeprowadzić
obliczenia dla wybranych przypadków; ocenić uzyskane wyniki
Prognoza wilgotności podłoża w
mezoskalowym modelu atmosfery
Analysis:
Atmosphere: MVOI Analyses of Wind, Temperature, and Heights/Pressure
Ocean: 2D OI of SST (NCODA)
Model:
Numerics: Nonhydrostatic, Scheme C, Sigma-z, Flexible Lateral BCs
Parameterizations: PBL, Convection, Explicit Moist Physics, Radiation, Surface Layer
Land Surface: Slab Model or NOAH LSM
Features:
Globally Relocatable (5 Map Projections)
User-Defined Parameters: Grid Resolutions, Dimensions, and # of Parent/Nested
Grids
Data Assimilation
MVOI: Multi-Variate Optimum Interpolation
NCODA: NRL Coupled Ocean Data Assimilation
Coupling to ocean and wave models not used in this study
NOAH Land-Surface Model (LSM)
National Centers for Environmental Prediction (NCEP)
Oregon State University (Department of Atmospheric Sciences)
Air Force (AFWA and AFRL)
Hydrologic Research Laboratory (NWS)
NOAH LSM Surface Water Budget
dS = P – R – E
dS
P
R
E
=
=
=
=
Change in soil moisture content and snowpack
Precipitation
Runoff
Evapotranspiration (EDIR + EC + ETT + ESNOW)
EDIR: Evaporation from top soil
EC:
Evaporation from canopy intercept and dew
ETT : Transpiration through canopy via root uptake
ESNOW:
Sublimation from snowpack
Evapotranspiration is a function of soil moisture, vegetation type, rooting
depth/density, fraction of green vegetation, and canopy resistance.
NOAH LSM Surface
Energy Budget
Rnet = SH + LH + GH + SPGH
Rnet
SH
LH
GH
SPGH
=
=
=
=
=
Net radiation (SW↓
↓ - SW↑
↑ + LW↓
↓ - LW↑
↑)
Sensible heat flux
Latent heat flux (surface evaporation)
Ground heat flux (subsurface heat flux)
Snow phase-change heat flux (heat sink of melting snow)
LW↑
LW↑ = ε σ (Tskin)4
ε in the NOAH LSM is always 1.0 except for presence of snowpack
Present: 1.0*(1 - SnowFraction) + 0.95*SnowFraction
Future:
look-up tables based on vegetation and soil type, and/or
physical/empirical model, and/or
satellite retrieval
NASA Land
Information System (LIS)
L
A high-performance uncoupled infrastructure for
Global Land Data Assimilation System
Input
Topography,
Soils
Physics
Land Surface Models
(Noah,Mosaic,CLM,VIC,SiB,CLSM,..)
Land Cover,
Vegetation
Properties
Meteorology
Snow
Soil Moisture
Temperature
Data Assimilation Modules
(DI,EKF,EnKF)
Output
Applications
Soil
Moisture &
Temperature
Weather/
Climate
Evaporation
Water
Resources
Runoff
Homeland
Security
Snowpack
Properties
Military
Ops
Hazards
COAMPS LSM uses the output from the NASA LIS as input to
the NOAH LSM
Christa Peters-Lidard et. al., NASA
Impact of a Land Surface Model (LSM) in
a Mesoscale Model on the Prediction of
Heavy Precipitation Events
Grid/Forecast Details
9 km
DoubleDouble-Nested Grid:
Grid:
•9 km (255x255)
•3 km (310x310)
•40 Levels
•Forecasts
Forecasts:
Forecasts:
•Run to 24 hours
•Explicit treatment of convection
on both grids
•GFS used for IC (cold starts)
and Lateral Boundary
Conditions
3 km
NOAH Landuse Categories and Distribution
over the COAMPS Grid
NOAH Landuse Categories
1:
2:
3:
4:
5:
6:
7:
8:
9:
10:
11:
12:
13:
14:
15:
16:
17:
18:
19:
20:
21:
22:
23:
24:
urban and built-up land
dryland cropland and pasture
irrigated cropland and pasture
mixed dryland/irrigated cropland and pasture
cropland/grassland mosaic
cropland/woodland mosaic
grassland
shrubland
mixed shrubland/grassland
Warsaw
savanna
(Category 1)
deciduous broadleaf forest
deciduous needleleaf forest
evergreen broadleaf forest
evergreen needleleaf forest
mixed forest
water bodies
herbaceous wetland
wooded wetland
barren or sparsely vegetated
herbaceous tundra
wooded tundra
Distribution of the NOAH Landuse
mixed tundra
Categories for the 3 km grid
bare ground tundra
snow or ice
Used to define surface albedo, roughness
Each grid square uses the landuse category that best represents the
conditions in that grid square
Soil Types for the LSM
16 Soil Types
1: Sand
2: Loamy sand
3: Sandy loam
4: Silt loam
5: Silt
6: Loam
7: Sandy clay loam
8: Silty clay loam
9: Clay loam
10: Sandy clay
11: Silty clay
12: Clay
13: Organic materials
14: Water
15: Bedrock
16: Other
Warsaw
Distribution of Soil Type on the 3 km Grid
Used to define thermal conductivity, soil porosity, etc.
There may be inconsistencies between the land use category and the soil
type. This will be addressed in constructing a full land surface data
assimilation scheme.
Greenness Fraction for the LSM
The Greenness
Fraction is a
function of plant
type and season,
and is a measure
of how green the
vegetation is
(related to
photosynthesis).
Distribution of the Greenness
Fraction on the 3 km Grid
Ground Wetness for the NOLSM and
the LSM on the 3 km Grid
NOLSM
LSM
Significant NO-LSM / LSM differences in the ground wetness
Wpływ
a na
Wp yw niejednorodności
niejednorodno ci podło
pod oża
istotne zjawiska opadowe w
mezoskalowym modelu prognozy
Zaprojektowanie eksperymentów: Przypadki badawcze
May 2010
•0000 GMT 5 May 2010
•0000 GMT 10 May 2010
•0000 GMT 13 May 2010
•0000 GMT 18 May 2010
•0000 GMT 20 May 2010
•0000 GMT 24 May 2010
August 2010
•0000 GMT 3 August 2010
•0000 GMT 6 August 2010
•0000 GMT 9 August 2010
•0000 GMT 12 August 2010
•0000 GMT 13 August 2010
•0000 GMT 15 August 2010
•0000 GMT 16 August 2010
•0000 GMT 22 August 2010
Nazwy eksperymentów:
NOLSM:
LSM:
Use original slab model
Use NOAH LSM with LIS
Wpływ
a na
Wp yw niejednorodności
niejednorodno ci podło
pod oża
istotne zjawiska opadowe w
mezoskalowym modelu prognozy
Asymilacja danych
First run for each case is a cold start, 6 h warm start for two subsequent runs
GFS used for IC (cold starts only) and LBC
MVOI analysis on all 3 grids
GFS
First-Guess
Observations
Observations
Observations
MVOI
Analysis
MVOI
Analysis
MVOI
Analysis
6 h Forecast/
First-Guess
6h
Forecast/
First-Guess
24 hour
Forecast
Verification
Objective (Raobs, surface observations)
Subjective (Model vs. observed precipitation)
NOLSM (control) vs. LSM (beta)
Objective Scoring Results*
24 hour forecasts
for all 14 cases
Obs
---Raob
Raob
Raob
Raob
Raob
Raob
Raob
Raob
Raob
Raob
Raob
Raob
Raob
Raob
Raob
Raob
Raob
Raob
Sfc
Sfc
Sfc
Sfc
Sfc
Level
--- -250 mb
250 mb
250 mb
250 mb
250 mb
500 mb
500 mb
500 mb
500 mb
500 mb
500 mb
850 mb
850 mb
850 mb
850 mb
850 mb
850 mb
850 mb
10 m
2 m
2 m
2 m
2 m
Parameter
---------Wind (m/s)
Height (m)
Height (m)
Temp (C)
Temp (C)
Height (m)
Height (m)
Temp (C)
Temp (C)
T_d (C)
T_d (C)
Wind (m/s)
Height (m)
Height (m)
Temp (C)
Temp (C)
T_d (C)
T_d (C)
Wind (m/s)
Temp (C)
Temp (C)
T_d (C)
T_d (C)
Error-Type WPL Err Ctl
---------- --- ------Vector RMS 0
6.89
STD DEV 0
13.92
Mean Error 0
-0.99
STD DEV 0
1.32
Mean Error 0
0.99
STD DEV 0
7.44
Mean Error 0
-5.22
STD DEV 0
0.80
Mean Error 0
-0.06
STD DEV 0
5.46
Mean Error 0
-0.27
Vector RMS 0
4.32
STD DEV 0
5.75
Mean Error 0
-3.37
STD DEV 0
1.20
Mean Error 0
-0.29
STD DEV 0
2.09
Mean Error 0
-0.12
Vector RMS 0
2.65
STD DEV 0
1.65
Mean Error 0
-0.19
STD DEV 0
1.57
Mean Error 0
0.05
Err Bta
------6.95
13.66
3.52
1.25
0.95
7.45
-2.73
0.82
0.08
5.78
-0.46
4.42
6.04
-2.42
1.27
-0.19
2.15
0.17
2.65
1.75
0.42
1.82
0.19
Dif
-----0.05
0.26
-0.77
0.07
0.06
-0.01
1.82
-0.02
-0.03
-0.34
-0.09
-0.10
-0.28
-0.87
-0.08
0.08
-0.05
-0.02
-0.08
-0.10
-0.18
-0.25
-0.07
WPL
W: Win (+1)
P: Push ( 0)
L: Loss (-1)
Use of the LSM
appears to help
reducing a cold,
low-level
temperature bias
Differences between the NOLSM and the LSM runs are not
statistically significant
*Jason Nachamkin, NRL
Subjective Evaluation of Test Cases
LSM forecasts on highlighted dates produced superior forecasts in
terms of movement of precipitation events
May 2010
•0000 GMT 7 May 2010
•0000 GMT 10 May 2010
•0000 GMT 13 May 2010
•0000 GMT 18 May 2010
•0000 GMT 20 May 2010
•0000 GMT 24 May 2010
August 2010
•0000 GMT 3 August 2010
•0000 GMT 6 August 2010
•0000 GMT 9 August 2010
•0000 GMT 12 August 2010
•0000 GMT 13 August 2010
•0000 GMT 15 August 2010
•0000 GMT 16 August 2010
•0000 GMT 22 August 2010
Case Study #1
Initial Conditions:
Conditions: 0000 UTC 16 August
2010
10 m winds (kts) at 18 and 21 hours
NOLSM @ 18 h
Analysis @ 18 h
LSM @ 18 h
NOLSM @ 21 h
Convergence line in
LSM run is closer to
the observed line than
in the NOLSM run;
also, LSM run has
better defined frontal
structure.
Similar results in 3
other cases.
LSM @ 21 h
Case Study #1
Initial Conditions:
Conditions: 0000 UTC 16 August 2010
COAMPS radar reflectivity represents the maximum found in a vertical column
NOLSM @ 18 h
Observed @ 18 h
LSM @ 18 h
NOLSM @ 21 h
Observed @ 21 h
LSM @ 21 h
The location and movement of the precipitation are forecast better
in the LSM forecast
Case Study #1
Initial Conditions:
Conditions: 0000 UTC 16 August 2010
10 m Air Temperature (K)
NOLSM @ 21 h
LSM @ 21 h
10 m temperatures
exhibit a larger
range and betterdefined frontal
structure in the
LSM run
Time-history of 10
m temperatures at
black dot show
passage of stronger
front earlier in the
LSM run
In general, the 10 m air temperatures are warmer in the LSM run, consistent with the
LSM reducing the COAMPS low-level temperature bias.
Case Study #2
Initial Conditions: 0000 UTC 22 August 2010
COAMPS radar reflectivity represents the maximum found in a vertical column
NOLSM @ 22 h
Verification
LSM @ 22 h
The LSM run maintains the precipitation in NE Poland better, and
while slow, the LSM does a better job in the development of
precipitation in SW Poland.
Case Study #3
Initial Conditions: 0000 UTC 07 May 2010
1000 mb 12 h Forecast Temperature Field
NOLSM @ 22 h
LSM @ 22 h
The LSM run consistently predicts slightly warmer temperatures
in the low levels
Counters for maximum precipitation
case
lsm
no lsm
Class
Cutoff 2
Cutoff 3
correct
651
550
overestimated
177
166
underestimated
496
480
correct
511
456
overestimated
211
205
underestimated
393
377
Wpływ
a na
Wp yw niejednorodności
niejednorodno ci podło
pod oża
istotne zjawiska opadowe w
mezoskalowym modelu prognozy
Wnioski
Wnioski
•Dokonano symulacji 14 oddzielnych przypadków wystąpienia silnych opadów
w Polsce w 2010 r. stosując COAMPS z (a) prostym modelem gruntu; (b)
modelem NOAH LSM
•Metody weryfikacji wykorzystujące obserwacje synoptyczne i sondaże
aerologiczne nie wykazały istotnej różnicy między tymi przebiegami;
zastosowanie obiektowych metod weryfikacji z wykorzystaniem obserwacji
radarowych dało bardziej zauważalne wyniki
•Bardziej istotnych różnic należy oczekiwać po lepszym dopasowaniu
schematu wymiany pomiędzy podłożem a atmosferą NOAH do warunków
Europy Środkowej
•Położenie obszarów opadu, szybkość przemieszczania się obiektów i rozwój
burzy były symulowane w kilku przypadkach lepiej z zastosowaniem LSM; w
pozostałych przypadkach nie występowały istotne różnice.
•Zastosowanie LSM ograniczyło systematyczną wadę modelu COAMPS
polegającą na zbyt niskich temperaturach minimalnych przy powierzchni ziemi