Arkisto

Posts Tagged ‘Sääennusteet’

FINWRF säämalli

Mistä on kyse?

FINWRF on sääennustusmalli, jolla pyöritetään 36 tunnin ennusteita korkealla resoluutiolla Suomeen ja lähialueille. Sen ytimessä on yhteisvaroin kyhätty tietokone, jonka sisällä sykkii Intelin i7 3930K kuuden ytimen prosessori. Malli on räätälöity etenkin myrskybongausta silmällä pitäen, eli sen erotuskyky on niin korkeaa luokkaa, että malli pystyy suoraan simuloimaan jopa yksittäisiä sade- ja ukkoskuuroja. Muita vastaavan resoluution omaavia ilmaisia (mainos-vapaita) numeerisia malleja ei tiettävästi ole maailmalla juuri yhtään (Go Finland!).

Hieman yksityiskohtia

Mallia pyöritetään neljä kertaa vuorokaudessa ja yksittäisen ajon valmistuminen kestää tilanteesta riippuen noin 3,5-6 tuntia. Mallissa käytetään ns. adaptive timestep-menetelmää, eli ajon valmistumisajankohta riippuu siitä, kuinka paljon laskenta-alueella on ”säätä”. Jos alueella on paljon voimakkaita ukkoskuuroja, voi ajon kokonaiskesto jopa ylittää kuusi tuntia, jolloin seuraava ajo odottaa kiltisti vuoroaan.

FINWRF-mallin horisontaalinen erotuskyky on 4 km eli laskentapisteitä on neljän kilometrin välein. Pystysuunnassa laskentapisteitä on 43. Niinpä malli laskee joka ajanhetkellä uudet arvot lämpötilalle, tuulelle, kosteudelle ja muille perussuureille noin 5 miljoonalle laskentapisteelle.

Alkuhetken tiedot ja mallin reunaehdot saadaan globaalista GFS-mallista, jonka datan horisontaalinen resoluutio on noin 50 km. Koska näin karkean datan syöttäminen suoraan 4 km hilaan saa aikaan kaikenlaisia kummallisuuksia, ajetaan välissä 16 km ulompi laskenta-alue. Tätä käytetään sitten pohjana itse 4 km pääajolle.

Kesällä 2011 mallia pyöritettiin silloin tällöin kotikoneella ja paljon on muuttunut sen aikaisesta kokoonpanosta. Nyt prosessissa käytetään ns. warm-start menetelmää. Siinä missä 2011 WRF-mallin alkutila otettiin suoraan globaalista GFS mallista interpoloimalla, käytetään tällä kertaa alkutilana edellisen kuuden tunnin ennustetta. Tätä ennustetta sitten hieman korjataan tuoreimpien havaintojen (kuten luotaukset, pintahavainnot, lentokonehavainnot jne) avulla ja näin saadaan lopullinen alkuhetki FINWRF-mallille. Hyötynä tällä prosessilla on se, että mallilla on heti simulaation alusta alkaen arvaus siitä, missä sadealueet sijaitsevat (sen sijaan, että malli joutuu synnyttämään sadealueet tyhjästä).

Alla olevassa taulukossa on listattu muutamia knoppitietoja FINWRF mallin asetuksista.

  • Laskentapisteitä: ~5 000 000
  • Horisontaalinen resoluutio: 16 km (ulompi alue), 4 km (sisempi alue)
  • Vertikaalitasojen lukumäärä: 45 (16 km ajo), 43 (4 km ajo)
  • Adaptiivinen aika-askel
  • Mallin dynamiikka: ei-hydrostaattinen
  • Konvektion parametrisointi: Betts-Miller-Janjic (vain 16 km)
  • Mikrofysiikka: Thompson 6-luokkaa (mukana lumirakeet)
  • Rajakerros: Mellor-Yamada-Janjic
  • Maanpintaskeema: NOAH
  • Pitkäaaltosäteily: RRTM
  • Lyhytaaltosäteily: Goddard
  • 3DVAR = lämmin startti (syklitys)
  • 36 tunnin ennustesimulaatio kuuden tunnin välein

Ensimmäisiä havaintoja

FINWRF mallin fysiikka-asetukset ja muut yksityiskohdat ovat subjektiivisesti asetettu yksittäisten tapaustutkimusten sekä muiden maiden esimerkkien pohjalta. Niinpä näin alkuvaiheessa ei ole tarkkaa tietoa siitä, miten malli tietyissä tilanteissa toimii Suomessa (joissakin olosuhteissa paremmin, joissakin huonommin). Tässä esimerkki yhdestä hyvin osuneesta ennusteesta kesäkuun alussa:

Ensimmäisten ajojen perusteella mallin rajakerroksen fysiikkapaketti sekoittaa rajakerrosta suht hanakasti ja näyttää saavan aikaan globaaleja malleja korkeampia CAPE-arvoja. Lisäksi se tuntuu saavan hieman todellisuutta herkemmin kehitettyä sadekuuroja. Fysiikkapaketit saattaa olla myös osasyynä pilvisyystulkinnan heikkouteen. Kannattaa siis itse seurailla aktiivisesti mallin tuloksia ja verrata niitä havaintoihin sekä tutkakuviin. Näin saat itsekin käsityksen siitä, että miten malli tietyistä tilanteista suoriutuu. Yksikään säämalli ei ole täydellinen ja meteorologien työkuvaan kuuluukin tietää jokaisen säämallin omat kommervenkit.

Ajan myötä mallin fysiikka-asetuksia saatetaan muuttaa kokemusten perusteella (kunhan niitä kertyy tarpeeksi).

Vikatilanteet

Erilaiset vikatilanteet ovat mahdollisia, etenkin näin alkuvaiheessa. Systeemille ei ole ehditty tehdä kaiken kattavaa varmennusjärjestelmää, joten ajoittain systeemi voi kaatua. Syitä voi olla monia: verkkoliikenteessä katkos, malli räjähtää käsiin (ei pitäisi tapahtua), havaintodataa ei ole saatavissa.

FINWRF käyttää ns. syklitystä, eli tuoreimman ennusteen pohjana käytetään edellisen ajon kuuden tunnin ennustetta. Niinpä jos yksi ajo syystä tai toisesta kaatuu, kaatuvat seuraavatkin ajot 100 % varmuudella. Tähän on ehkä mahdollista löytää oikotie, mutta sitä ei ole ehditty miettiä julkaisuvaiheeseen mennessä.

Nopea keino tarkistaa mallin kaatuminen on vilkaista FINWRF-sivun vasemmasta laidasta eri ajojen kestot. Mikäli joku ajo on valmistunut alle 2 tunnissa, on kyseessä todennäköisesti jonkinlainen vika. Tällöin ei kannata alkaa etsiä puhelinluettelosta FINWRF-mallista vastaavien nimiä (koska niitä ei puhelinluettelosta löydy). Eli seuraamme kyllä systeemin tilaa ja viesti kyllä aika varmasti kirii ylläpitäjän korviin nopeasti. Tällöin ainoa lääke on käydä fyysisesti resetoimassa systeemi ja aloittaa uusi ajo kylmiltään. Mikäli ylläpito ei ole maisemissa, voi tämä kestää jonkin aikaa (pahimmillaan useita päiviä, on meillä omaakin elämää 😉 ) . Eli olkaa ymmärtäväisiä tämän ilmaisen ennustemallin vikatilanteissa.

Ideat ja kehitysehdotukset

Jos sinulla tulee mieleen jokin hieno idea uudesta ennustesuureesta tai sinulla on lahjoittaa 100 000 rahayksikköä uuden hienon FINWRF 2 –systeemin luomiseen, voit ottaa yhteyttä vapaa-ajalla ylityöllistettyyn ylläpitoon osoitteeseen pauli.j.jokinen [at] gmail.com

FINWRF ei suinkaan ole siis vielä valmis, vaan sitä viilaillaan kuntoon kesän 2012 aikana (ja sen jälkeenkin). Tulossa on muun muassa alkuvaiheessa puuttuva sademäärän ennuste (tutkasimulaatio toki ajaa osittain jo saman asian). Mahdollisesti jossain vaiheessa saadaan sivustolle aikaan selitykset, että mitä mikin kartta kertoo. Sitä odotellessa voipi käydä katsomassa vastaavia GFS mallin osalta.

Osoite

Mistä niitä mallikarttoja löytää?

http://www.puuppa.org/~pnuu/wrf/

Jos et tiedä yhtään, että mistä lähteä liikkeelle, niin klikkaa vasemmasta yläreunasta ”Select 4 km product” ja sieltä ”composite radar reflectivity”. Kyseiset kentät kuvaavat sitä, miltä tutkakuva näyttäisi kyseisellä ennustehetkellä.

Iloisia hetkiä uuden säämallin kanssa!

”Sääskandaali!”

Sää jaksaa jälleen puhuttaa. Viime aikoina otsikoissa on ollut etenkin sääennusteiden osuvuus ja joissain yhteyksissä koko talven lämpötilaennusteita on pidetty virheellisinä.

Pilvisyyden vaikutuksesta lämpötiloihin ja ennusteisiin

Tänä talvena on pääosin vallinnut kylmä, luminen ja pilvinen säätyyppi ja se on sieltä vaikeimmasta päästä sääennusteiden kannalta. Suurimmat lämpötilaerot ennusteissa syntyvät juuri tällaisissa olosuhteissa sillä pilvisyys ja maaston olosuhteet määrittävät hyvin pitkälti onko esimerkiksi -10 vai -20 astetta mittarissa. Jos on selkeää ja heikkotuulista, luminen pinta jäähtyy hyvin nopeasti kun lämpösäteilyä pääsee karkaamaan ylempiin ilmakerroksiin. Jos taas tismalleen samanlämpöisessä ilmamassassa on pilvistä, tuo lämpösäteily törmää pilvien muodostamaan ”kattoon” ja palaa osin takaisin (näin hyvin yksinkertaistetusti kuvattuna). Eli pilvisellä säällä lumipinnan yllä oleva ilma ei pääse jäähtymään tehokkaasti ja tällöin lämpötilat jäävät selkeän sään lämpötiloista selvästi.

Lähde: Ilmatieteen laitos

 

Yllä nähdään kaksi kuvaajaa, ylempi on lämpötila ja alempi on pilvisyys (asteikolla 0..9, 0=selkeää, 8=pilvistä, 9=pilvisyyttä ei voida määrittää). Käppyrät poimin Ähtäri Myllymäen havaintoasemalta 4. tammikuuta. Kuvista nähdään selvästi kuinka pilvisyyden runsastuessa lämpötila lähtee selvään nousuun ja vastaavasti pilvisyyden vähetessä lämpötila putoaa nopeasti. Esimerkiksi noin 05 UTC (aamukahdeksalta paikallista aikaa) lämpötila oli noin -22,5 astetta ja pilvisyys oli runsasta. Tämän jälkeen pilvipeite nopeasti väheni ja sää oli pitkälti selkeää 16 UTC (iltakuudelta paikallista aikaa) saakka. Tuolloin lämpötila oli tippunut lähelle -28 astetta. Eli pitkälti pilvipeitteen repeämisen takia lämpötila laski 11 tunnissa noin 5,5 astetta. Tämä on melko tyypillinen esimerkki pilvisyyden vaikutuksesta. Toki suurempiakin eroja voi esiintyä.

 

Lähde: Ilmatieteen laitos/NOAA

Yllä olevassa kuvassa on puolestaan 5. tammikuuta puoliltapäivin näkyvän valon kanavan satelliittikuva (vasemmalla) ja LAPS lämpötila-analyysi (oikealla) samaan aikaan. Satelliittikuvasta näkyy osin selkeitä alueita maan länsiosassa ja vastaavasti samoilla alueilla lämpötila-analyysissä lämpötila on huomattavasti pilvisiä lähialueita alempi. Ero on paikoin jopa 10 (15) astetta muutamien kymmenien kilometrien matkalla.

Pilvisyys on talvella tietyissä olosuhteissa hankalasti ennustettavissa. Vaikka koko troposfääri olisi muuten pilvetön, voi alimpaan kilometriin jäädä sitkeä pilvikatto pitkäksikin aikaa. Se missä pilvipeite sitten mahdollisesti pääsee repeämään on vaikea ennustaa. Yleensä näissä vaikeimmissa tilanteissa pilvisyys voidaan ennustaa ehkä ”maakuntatasolla”. Alla on yhden tietokonemallin pilvisyysennuste samaiselle tarkasteltavalle hetkelle 5. tammikuuta.

Lähde: Ilmatieteen laitos

Vasemman puoleisessa kuvassa on aikaisimman malliajon 15 tunnin ennuste. Keskellä on samainen malli, joka on käynnistetty h-hetkeä 9 tuntia aikaisemmin. Oikealla puolestaan on kolmen tunnin ennuste viimeisimmästä malliajosta samalle ajanhetkelle. Rivistä nähdään, että tässä kyseisessä mallissa kaikissa ajoissa oli idea pilvipeitteen repeämisestä Pohjanmaan suunnalla, mutta sen laajuus selkeni (pun intended) hiljalleen ajosta toiseen. Osaan Pohjanmaan ja Etelä-Pohjanmaan maakuntia olisi näiden tietojen perusteella helpompi ennustaa selkeästi alempia lämpötiloja, mutta entäpä Pirkanmaalle? Pirkanmaa on tämän ennustemallin perusteella juuri tuon selkeän ja pilvisen alueen rajalla, joten pienikin muutos selkeän sään laajuudessa vaikuttaa myös suuresti Pirkanmaan lämpötiloihin. Suurimmat haasteet ovat juuri nuo rajavyöhykkeet: muutaman kymmenen kilometrin heitto pilvikaton reunan ennustamisessa voi siis johtaa tietyssä tilanteessa pienellä alueella jopa 10 asteen eroon lämpötilassa.

Eli ei se helppoa ole 😉

Lämpötilaeroihin vaikuttaa paljon myös maasto. Ylen meteorologit ovat koonneet kätevän yhteenvedon pilvisyyden ja maaston korkeuserojen vaikutuksista lämpötiloihin.

Ennusteiden epävarmuuden kertomisesta

Yle teki viikonloppuna melko hyvän jutun sääennustamisesta (otsikko ehkä hieman kärjistävä). Siinä painotettiin, että ennusteet eivät ole lupauksia. Liian usein viiden, saatika 10 päivän ennusteen lämpötila-arvo otetaan ainoana totuutena, vaikka ennustettavuus voi olla mitä sattuu. ”Yhden-totuuden-ennusteet”, kuten netissä tai lehtien sivuilla nähtävät paikallissääennusteet  eivät ole monen meteorologin mieleen. Tämä siitä syystä, että ennusteisiin liittyy aina epävarmuutta ja on mielekästä antaa siitä myös tietoa.

Itse henk.koht tykkäisin jos näissä ennusteissa olisi esimerkiksi yhden lämpötila-arvon sijaan graafinen palkki, jossa näkyisi ”lämpötilahaitari”. Tätä ideaa hieman selittää esimerkiksi tämä kuva. Kuvan alaosassa on 10 vuorokauden lämpötilaennuste, jossa on palkeilla kuvattu ennustettavuutta parviennusteen muodossa. Eli tällä tavoin voisi graafisesti kertoa esimerkiksi, että 75% ennusteajoista näyttää lämpötilan jäävän Roomassa lauantaina 16.4 iltapäivällä alle +20,5 asteen, mutta yli 17,5 asteen. Jos taas jonain muuna päivänä palkit ovat tiiviisti yhdessä, kertoo se, että ennustettavuus on melko hyvää ja hajontaa ei ole paljoa. Tämän kaltaisella ennusteella voitaisiin myös näillä Suomen talvipakkasilla kertoa esimerkiksi, että todennäköisimmin lämpötila on tiettynä päivänä Tampereella -14 astetta ja 90% ennusteajoista pitää lämpötilan -12..-20 asteen välillä.

Ongelma? Haluaako suurin osa tavallisista ihmisistä käyttää hieman aikaa tämän aluksi monimutkaiselta näyttävän systeemin opettelemiseen, vaikka sillä  käyttäjä saisi tarkemman kuvan lämpötilaennusteista? Todennäköisesti ei.

Eli ei tämäkään helppoa ole 😉

Miltä se sää nyt sitten näyttää jatkossa?

Jopa 50-60 vuorokautta jatkunut pakkasjakso loppui paikoin maan etelä- ja keskiosassa viikonvaihteessa ja lauha sää onkin vaikeuttanut ajokeliä laajalti. Jalkakäytävät ovat myös olleet erittäin liukkaita ja katoilta putoavat lumet ovat aiheuttaneet henkilövahinkoja. Tiistai vietetään etelässä ja maan keskiosassa vielä paikoin nollakelissä, mutta keskiviikkona sää viilenee myös etelässä hieman pakkasen puolelle. Seuraava mielenkiintoisempi sääilmiö saapuu Suomeen juuri keskiviikkona matalapaineen muodossa. Lumisateet keskittyvät etenkin maan etelä- ja keskiosaan ja lunta voi kertyä paikoin 5-10 cm. Hetkittäin lunta voi etelässä tulla sakeasti. Sade-ennusteita tulee seurata vielä tiistaina tarkasti mahdollisten muutosten kannalta.

Matalapaine jatkaa matkaansa nopeasti Venäjälle ja sen jälkipuolella virtaa kylmää ilmaa pohjoisesta. Perjantaina pakkanen alkaa kiristyä nopeasti ja viikonloppu alkaa siis koko maassa selvästi pakkasella. Tästä eteenpäin ennustettavuus heikkenee nopeasti.

%d bloggers like this: