Hvor modellering møder observationer:Forbedring af Great Lakes operationelle prognosesystem

Selvom de store søer kaldes søer, på grund af deres store størrelse, de er virkelig indre hav. De påvirker regionale vejrmønstre, give drikkevand til millioner af mennesker og drive økonomien i flere stater.

Forudsigelse af vandstanden, temperaturer og strømme i søerne er meget vigtige på grund af de utallige måder, søforhold påvirker handel på, rekreation og trivsel i samfundet. Disse prognoser omfatter Great Lakes Operational Forecast System (GLOFS), et automatiseret modelbaseret forudsigelsessystem, der drives af National Oceanic and Atmospheric Administration (NOAA).

"Systeminformationen giver beslutningstagere mulighed for at træffe informerede beslutninger, og prognoseprodukterne er blevet brugt af en lang række brugere på en regelmæssig basis, " sagde Philip Chu, tilsynsfysiker fra den integrerede fysiske og økologiske modellerings- og prognosegren af ​​NOAA's Great Lakes Environmental Research Laboratory (GLERL).

Opbygning af et bedre prognosesystem for de store søer

"Vandstanden bruges af magtmyndigheder; bølge- og strømforhold bruges af den amerikanske kystvagt til eftersøgnings- og redningsmissioner, og temperaturprofiler er blevet brugt af fritidsbåde og fiskere, " sagde han. "Oplysningerne er også blevet brugt til at forudsige skadelige algeopblomstringer samt hypoksi (lavt opløst ilt) forhold i de store søer."

Mens NOAA driver sit eget modelteam for at vedligeholde systemet, agenturet samarbejder også med universitetsforskere for løbende at forbedre GLOFS. På Michigan Technological University, Pengfei Xue, lektor i civil- og miljøteknik og direktør for Numerical Geophysical Fluid Dynamics Laboratory ved Great Lakes Research Center, hjælper NOAA ved at tilføje en dataassimileringskomponent.

Xue bemærkede, at et typisk driftsprognosesystem bør omfatte tre komponenter:modellering, et observationsnetværk og dataanalyse.

"De Store Søers Område har relativt tætte og langsigtede observationsdata, men hvordan bruger vi dataene til at forbedre prognoser?" Xue poserede. "Disse data er blevet brugt til modelinitialisering og verifikation, men der kan være en meget stærkere sammenhæng mellem observationer i felten og numerisk modellering. Blanding af observationsdata i modellen kan forbedre kortsigtede prognoser. Denne teknik, kaldet data assimilering, er en af ​​de mest effektive tilgange til statistisk at kombinere observationsdata og modeldynamik for at give det bedste estimat af De Store Søers systemtilstand."

Hvad er dataassimilering?

For at forklare dataassimilering, Xue gav eksemplet med at tage temperaturen på en sø. En computermodel kan forudsige, at temperaturen på et sted i søen er 68 grader Fahrenheit (20 grader Celsius). Men en fysisk måling på stedet viser, at temperaturen er 70 grader Fahrenheit (21,1 grader Celsius).

"Alle modeller indeholder nogle usikkerheder, og observationen har også støj, som kan være store eller små i feltarbejde, afhængig af forskellige tilfælde, " sagde Xue. "Hvad skal du tro? Dit bedste bud er noget midt imellem. Når vi kvantificerer modellen og observationsusikkerhederne ved at vurdere deres historiske præstationer, vi kan kvantitativt kombinere observationsdata og de numeriske modelresultater med forskellige vægte og give et mere præcist estimat."

Computermodellering er meget mere kompliceret end dette eksempel, Xue bemærkede. En vigtig fordel ved en model, især i et stort og komplekst miljø som De Store Søer, er, at den kan producere kontinuerlige felter i 3D-rum, forudsige – til enhver tid og ethvert sted – temperatur, vandstand, og strømninger. På den anden side, in situ observationer giver "grundsandhed, "men de er ofte begrænset i tid og rum.

"Kvantificering af modellens og observationsusikkerhederne er kernen i dataassimileringsteknikker, " Xue forklarede. "Det skønne ved dataassimilering er at bruge informationen om mistilpasninger mellem modelresultater og observationer, som kun kendes på begrænsede observationssteder, at korrigere modelbias i et 3D-rum ud over observationsplaceringerne. Derfor, det forbedrer modelnøjagtigheden for hele simuleringsfelterne."

Mere end en model

En anden grænse for observationer i felten er de rene omkostninger ved at udføre dem. Observationsdata er i sagens natur mere nøjagtige end en model alene, og grund sandhed output af en model er nødvendig. Ved at føre observationsdata ind i en model, derefter bruge modellen til at forudsige bedre placeringer til fremtidig in situ dataindsamling, Xues arbejde hjælper GLOFS-modelleringen med at forbedre, og hjælper videnskabsmænd med at vælge forskningssteder effektivt.

"De Store Søer har et stort overfladeareal og stor dybde. Typisk, hvor folk vælger at prøve, er baseret på ekspert empirisk erfaring og deres forskningsinteresser, " sagde Xue. "In situ observationer, især underjordiske målinger, forblive begrænset på grund af de høje omkostninger ved at opbygge og vedligeholde observationsnetværk. Brug af dataassimilering til at guide udformningen af ​​datasampling placering og frekvens og optimere et observationsnetværk er et af de centrale forskningsemner i et integreret observation og prognosesystem."

Xues foreløbige resultater viser, at dataassimilering er i stand til at reducere prøvetagningsindsatsen og øger prognosenøjagtigheden ved at optimere prøvetagningssteder.

"Professor Xues bidrag stemmer perfekt overens med NOAA og GLERL's kortsigtede mål og langsigtede mission om at bygge et integreret miljømodelleringssystem og en vejrparat nation, sunde oceaner og kyster, " sagde Chu. "Hans forskningsbidrag og samarbejde med NOAA-forskere fremmer vores overordnede forståelse af det komplicerede dynamiske system i De Store Søer samt accelererer NOAA's udviklingshastighed, forbedre og overføre næste generation af Great Lakes Operational Forecasting System til drift."

Xues arbejde bruger Superior, en højtydende computerinfrastruktur hos Michigan Tech, at bygge high-fidelity-modeller. Modelresultater bliver brugt til at opbygge en langsigtet, data assimilativ temperaturdatabase for Lake Erie til brug for ressourceforvaltere og forskere i Great Lakes-samfundet. Lake Erie-simuleringen er et proof of concept, før GLOFS blev fuldstændig ombygget ved hjælp af dataassimilering. Xues projekt vil også anvende maskinlæring til yderligere at forbedre modellens ydeevne og adaptiv in situ-sampling, med det mål at udvide metoden til alle fem Store Søer.

"Vi ønsker at demonstrere potentialet i denne tilgang. Lake Erie har oplevet væsentlige miljøproblemer i årtier og er blevet undersøgt mere omfattende, og folk indser bedre modelleringsmanglerne, " sagde Xue. "Den termiske struktur og cirkulation af Lake Erie har stor indflydelse på skadelige algeopblomstringer og hypoxihændelser. Vores plan er gradvist at udvide og bygge et fuldt operationelt prognosesystem med dataassimileringskapaciteter for at forbedre kortsigtet prognosenøjagtighed og forfine observationsarbejdet."