Forskere skaber værktøj til at forbedre geografiske fremskrivninger i atmosfærisk modellering

Open source-kode udviklet af en Penn State-kandidat kan forbedre vejrudsigten og en række andre forskningsbestræbelser, der er afhængige af at parre atmosfæriske modeller med satellitbilleder.

Yanni Cao, som tog sin kandidatgrad i geografi i 2016, udviklede koden, mens han var medlem af Penn State's Geoinformatics and Earth Observation Laboratory (GEOlab) som en måde at rette op på fejl, der opstår, når satellitdata kombineres med Weather Research and Forecasting (WRF)-modellen. Arbejdet er udført i samarbejde med hendes rådgiver, Guido Cervone, chef for GEOLab, lektor i geoinformatik og lektor ved Institut for CyberScience, og National Center for Atmospheric Research (NCAR).

For at strømline beregninger, den almindeligt anvendte WRF-model - som de fleste - antager, at Jorden er en perfekt kugle. Alligevel fanger satellitter en mere realistisk oblat kugleformet form af jorden, som planeter er bulede på grund af tyngdekraft og rotation. Unøjagtigheder i beregninger er forårsaget af flytning af placeringer af modeller fra en perfekt kugle til observationsdata på Jorden, der flader ud nær polerne og buler rundt om ækvator.

"Den grundlæggende idé er, at Jorden ikke er en perfekt sfære, " sagde Cao. "For at lave lette beregninger, mest, hvis ikke alle, vejrmodeller ser Jorden som en perfekt sfære. Imidlertid, de fleste fjernmålingssystemer ser Jorden som en kugleformet. Der er forskel på de to. Når du bruger sfæriske geografiske koordinatsystemer med en sfærisk model, der skabes et misforhold."

Dette er almindeligt kendt for at forårsage beregningsfejl, Cao sagde, men disse fejl er mere udtalte, når modeller er indstillet til at køre med høj rumlig opløsning. For eksempel, placeringsfejl på op til 13 miles blev introduceret i WRF-modellen, da den blev kørt med en gitterstørrelse på 0,6 miles, forårsager fejl i temperatur og andre vejrvariabler, især nær bjerge og vandområder.

For at analysere disse fejl og udvikle en metode, der løser disse problemer, Cao analyserede et område i USA, der er omkring 17, 000 kvadrat miles. Hun brugte WRF-modellen under tre scenarier:lavopløsningssatellitdata, satellitdata i høj opløsning, og derefter WRF-korrigerede data ved hjælp af den kode, hun oprettede. Cao valgte et område i det nordøstlige USA, fordi det indeholdt store højdegradienter og forskellige landbrugsmønstre såsom skove, byområder og vådområder.

Hun brugte dataene til at kvantificere, hvordan parring af WRF -modeller med forskellige satellitopløsninger har indflydelse på projektering af meteorologiske variabler som temperatur, vindretning, vindhastighed og atmosfæriske blandingsforhold.

"Selvom nogle af disse fejl kan være små, de indfører stadig skævhed i modeloutputtet, " sagde Cao. "For simuleringer med meget høj opløsning, disse skævheder er sammensat og kan føre til væsentlige fejl i modelresultaterne."

Hendes resultater viser, at mismatchet resulterede i fejl i modelresultaterne for hver variabel.

Cao brugte denne metode til at forbedre nøjagtigheden af ​​modeller for metanemissioner og arbejder nu som datavidenskabsmand, der opdager metanlækager til Picarro, en privat virksomhed med base i Silicon Valley.

Cervone tilføjede, at koden vil være gavnlig inden for en række forskningsområder. "Denne forskning passer godt med spørgsmål, der undersøges på NCAR, derfor var forskere der så interesserede i at fremme dette nye værktøj, " sagde Cervone. "Og det vil kun vise sig at være endnu mere nyttigt, efterhånden som højopløsningssatellitbilleder bliver mere almindelige."

Forskningen blev offentliggjort i Geovidenskabelig modeludvikling .