Powiadomienia systemowe
- Sesja wygasła!
Identyfikatory
Warianty tytułu
Ocena dostępnych danych wejściowych do symulacji retrospekcyjnych w modelu meteorologicznym WRF
Konferencja
ECOpole’16 Conference (5-8.10.2016 ; Zakopane, Poland)
Języki publikacji
Abstrakty
The paper presents outcomes of the study assessing the influence of meteorological input data quality on the results of short-term simulations performed with the WRF (Weather Research and Forecasting) modelling system. Input data that provide initial conditions in WRF model and which define spatially and temporally varying basic meteorological parameters were derived from publicly available global databases, including ERA-Interim (Interim ECMWF Re-Analysis), NASA MERRA (National Aeronautics and Space Administration Modern-Era Retrospective Analysis for Research and Applications) and NCEP CFSv2 (National Centre for Atmospheric Research Climate Forecast System v2). Using acquired data the series of short-term simulations of two-week episodes in July 2015 and January 2016 were performed in the coarse grid with a resolution of 9 km x 9 km covering the area of Poland (d01) and nested grid with a resolution of 3 km x 3 km (d02) comprising the area of the south-western Poland. The simulation results were compared with the observations from selected surface weather stations within computational area. Evaluation of the model was performed using statistical performance measures. Statistical validation indicates a high correlation between modelled and observed values of the analysed meteorological parameters. No significant impact of the source of input meteorological data for the short-term simulations using the examined spatial resolution was observed. The WRF modelling system accordingly represents the actual time trends of the analysed meteorological parameters. However, some discrepancies are noticeable in terms of the maximum and minimum values of the calculated meteorological parameters and in case of highly variable parameters (10 m wind speed). To some extent errors can be explained by the inevitable inaccuracy of the measurement point elevation (relative to sea level) estimated in the model, which results from the averaging process of terrain height within each grid cell, resulting in worse model performance especially over complex area.
Przedstawiono wyniki badań oceniających wpływ jakości wprowadzanych do modelu WRF (Weather Research and Forecasting) wejściowych danych meteorologicznych na jakość prowadzonych symulacji krótkoterminowych. Dane wejściowe do modelu WRF opisujące w układzie przestrzenno-czasowym warunki początkowe dla podstawowych parametrów meteorologicznych pozyskano z powszechnie dostępnych, globalnych, meteorologicznych baz danych, takich jak: ERA-Interim (Interim ECMWF Re-Analysis), NASA MERRA (National Aeronautics and Space Administration Modern-Era Retrospective Analysis for Research and Applications Modern-Era Retrospective Analysis for Research and Applications) oraz NCEP CFSv2 (National Centre for Atmospheric Research Climate Forecast System v2). Za pomocą pozyskanych danych wykonano symulacje dwutygodniowych epizodów występujących w lipcu 2015 roku oraz styczniu 2016 roku. Obliczenia przeprowadzono w siatce podstawowej o rozdzielczości 9 km x 9 km, obejmującej obszar Polski (d01) oraz w siatce zagnieżdżonej o rozdzielczości 3 km x 3 km (d02), obejmującej teren Polski południowo-zachodniej. Wyniki symulacji porównano z obserwacjami pochodzącymi z wybranych meteorologicznych stacji naziemnych w obrębie obszaru obliczeniowego. Oceny jakości wyników dokonano za pomocą wskaźników statystycznych opisujących skuteczność prognostyczną modeli. Przeprowadzona analiza statystyczna wskazuje na dużą korelację wyników obliczeń z pomiarami analizowanych parametrów meteorologicznych. Przy symulacji krótkich epizodów w zakresie badanych rozdzielczości przestrzennych nie obserwuje się istotnego wpływu użytego źródła meteorologicznych danych wejściowych na jakość wyników obliczeń. Model WRF w sposób poprawny odzwierciedla trendy rzeczywistych zmienności badanych parametrów meteorologicznych. Pewne rozbieżności pojawiają się jednak w odwzorowaniu wartości maksymalnych i minimalnych obliczanych parametrów oraz w przypadku bardzo zmiennych parametrów (prędkość wiatru na wys. 10 m). W pewnym zakresie błędy można tłumaczyć nieuniknioną niedokładnością wyznaczenia wysokości punktu pomiarowego (względem poziomu morza) związaną z uśrednianiem wysokości terenu w poszczególnych oczkach siatki obliczeniowej, co powoduje również gorszą skuteczność prognostyczną modelu na terenie o skomplikowanej orografii.
Czasopismo
Rocznik
Tom
Strony
77--86
Opis fizyczny
Bibliogr. 24 poz., rys., tab.
Twórcy
autor
- AGH University of Science and Technology, Department of Environmental Management and Protection, al. A. Mickiewicza 30, 30-059 Kraków, Poland, +48 12 617 52 13, +48 12 617 45 03
autor
- AGH University of Science and Technology, Department of Environmental Management and Protection, al. A. Mickiewicza 30, 30-059 Kraków, Poland, +48 12 617 52 13, +48 12 617 45 03
Bibliografia
- [1] Seaman NL. Meteorological modeling for air-quality assessments. Atmos Environ. 2000;34:2231-2259. DOI: 10.1016/S1352-2310(99)00466-5.
- [2] Angevine WM, Eddington L, Durkee K, Fairall C, Bianco L, Brioude J. Meteorological model evaluation for CalNex 2010. Mon. Weather Rev. 2012;140:3885-3906. DOI: 10.1175/MWR-D-12-00042.1.
- [3] Carvalho D, Rocha A, Gómez-Gesteira M, Santos C. A sensitivity study of the WRF model in wind simulation for an area of high wind energy. Environ Model Softw. 2012;33:23-34. DOI: 10.1016/j.envsoft.2012.01.019.
- [4] Lorenc AC, Rawlins F. Why does 4D-Var beat 3D-Var? Quart J Royal Meteorol Soc. 2005;131:3247-3257. DOI: 10.1256/qj.05.85.
- [5] Gauthier P, Tanguay M, Laroche S, Pellerin S, Morneau J. Extension of 3DVAR to 4DVAR: Implementation of 4DVAR at the Meteorological Service of Canada. Monthly Weather Rev. 2007;135:2339-2354. DOI: 10.1175/MWR3394.1.
- [6] Carvalho D, Rocha A, Gómez-Gesteira M, Silva Santos C. WRF wind simulation and wind energy production estimates forced by different reanalyses: Comparison with observed data for Portugal. Appl Energy. 2014;117:116-126. DOI: 10.1016/j.apenergy.2013.12.001.
- [7] Gilliam RC, Hogrefe C, Rao ST. New methods for evaluating meteorological models used in air quality applications. Atmos Environ. 2006;40:5073-5086. DOI: 10.1016/j.atmosenv.2006.01.023.
- [8] Emery C, Tai E, Yarwood G. Enhanced Meteorological Modeling and Performance Evaluation for Two Texas Ozone Episodes, prepared by ENVIRON, International Corp. 2001. http://www.tceq.state.tx.us/assets/public/implementation/air/am/contracts/reports/mm/EnhancedMetModelingAndPerformanceEvaluation.pdf.
- [9] Holford N. Chapter 11 - Model Evaluation. Int Geophys. 2013;98:373-406. DOI: 10.1016/B978-0-12-385237-3.00011-6.
- [10] Nurmi P. Recommendations on the verification of local weather forecasts. ECMWF Tech. Memo; 2003. http://www.ecmwf.int/sites/default/files/elibrary/2003/11401-recommendations-verification-local-weatherforecasts.pdf.
- [11] Ojrzyńska H, Kryza M, Wałaszek K, Szymanowski M, Werner M, Dore AJ. High-Resolution Dynamical Downscaling of ERA-Interim Using the WRF Regional Climate Model for the Area of Poland. Part 2: Model Performance with Respect to Automatically Derived Circulation Types. Pure Appl Geophys. 2016. DOI: 10.1007/s00024-016-1273-4.
- [12] Skamarock WC, Klemp JB, Dudhi J, Gill DO, Barker DM, Duda MG, et al. A Description of the Advanced Research WRF Version 3. NCAR Tech Note; 2008.
- [13] Dee DP, Uppala SM, Simmons AJ, Berrisford P, Poli P, Kobayashi S, et al. The ERA-Interim reanalysis: Configuration and performance of the data assimilation system. Quart J Royal Meteorol Soc. 2011;137:553-597. DOI: 10.1002/qj.828.
- [14] Rienecker MM, Suarez MJ, Gelaro R, Todling R, Bacmeister J, Liu E, et al. MERRA: NASA’s modern-era retrospective analysis for research and applications. J Clim. 2011;24:3624-3648. DOI: 10.1175/JCLI-D-11-00015.1.
- [15] Saha S, Moorthi S. The NCEP Climate Forecast System Version 2. J Clim. 2014;27:2185-2208. DOI: 10.1175/JCLI-D-12-00823.1.
- [16] Saha S, Moorthi S, Pan HL, Wu X, Wang J, Nadiga S, et al. The NCEP climate forecast system reanalysis. Bull Am Meteorol Soc. 2010;91:1015-1057. DOI: 10.1175/2010BAMS3001.1.
- [17] WRF Model Users' Page. http://www2.mmm.ucar.edu/wrf/users/ [access: 01.07.2016].
- [18] Farr TG, Rosen PA, et al. The shuttle radar topography mission. Rev Geophys. 2007;45(2):1-33.
- [19] Carslaw DC. The openair manual open-source tools for analysing air pollution data - open-source tools for analysing air pollution data. Manual for version 1.1-4. King’s Coll. London; 2015.
- [20] Nachamkin JE, Cook J, Frost M, Martinez D, Sprung G. Evaluation of dispersion forecasts driven by atmospheric model output at coarse and fine resolution. J Appl Meteorol Climatol. 2007;46:1967-1980. DOI: 10.1175/2007JAMC1570.1.
- [21] Chang JC, Hanna SR. Technical Descriptions and User’s Guide for the BOOT Statistical Model Evaluation Software Package, Version 2.0; 2005. http://www.harmo.org/kit/Download/BOOT_UG.pdf.
- [22] Pielke RA. Chapter 10 - Boundary and initial conditions. Int Geophys. 2013;98:297-371. DOI: 10.1016/B978-0-12-385237-3.00010-4.
- [23] Gultepe I. Mountain weather: Observation and modeling. Adv Geophys. 2015;56:229-312. DOI: 10.1016/bs.agph.2015.01.001.
- [24] Puliafito SE, Allende DG, Mulena CG, Cremades P, Lakkis SG. Evaluation of the WRF model configuration for Zonda wind events in a complex terrain. Atmos Res. 2015;166:24-32. DOI: 10.1016/j.atmosres.2015.06.011.
Uwagi
PL
Opracowanie rekordu w ramach umowy 509/P-DUN/2018 ze środków MNiSW przeznaczonych na działalność upowszechniającą naukę (2019).
Typ dokumentu
Bibliografia
Identyfikator YADDA
bwmeta1.element.baztech-e4e62cee-8168-41f5-88a1-5a1cb3c18ad4