Metode de prognoza

-Analiza si interpretarea factorilor climatici-

An 1, Master
Agricultura ecologica

Prognoza numerica a vremii este o metoda obiectiva de prognoza care a evoluat foarte

mult in ultimele deceniisi care se afla intr-o dezvoltare accentuata in prezent. Aceasta presupune
predictia starii viitoare a circulatiei atmosferei, pornind de la o stare prezenta cunoscuta a
acesteia, prin utilizarea aproximatiilor numerice ale ecuatiilor dinamice.
Asa cum este aratat in Holton (1996), indeplinirea acestui obiectiv necesita observatii
ale campurilor variabilelor in starea initiala, un sistem inchis de ecuatii de prognoza relativ la
campurile variabilelor si o metoda de integrare in timp a ecuatiilor, pentru a obtine distributia
viitoare a campurilor variabilelor. Prin urmare, pentru realizarea prognozei numerice este
nevoie sa se cunoasca starea initiala a atmosferei, iar precizia cu care aceasta este descrisa in
model constituie un factor important in ceea ce priveste calitatea prognozei numerice. Se stie ca
starea reala a atmosferei la un moment anumit de timp nu poate fi determinata cu exactitate.
Asimilarea de date este procedura prin care se realizeaza o estimare a starii atmosferei
cat mai apropiata de starea reala, dar care sa fie in acelasi timp si dinamic consistenta,
denumita analiza. Analiza este utila atat prin ea insasi, ca diagnoza a starii atmosferei la un
moment de timp dat, dar mai ales este utila pentru furnizarea datelor initiale necesare integrarii
unui model numeric de prognoza a vremii, stiindu-se faptul ca modul in care este descrisa
starea initiala a atmosferei in model constituie un factor esential care determina calitatea
prognozei. De asemenea, analiza poate fi privita ca o pseudo-observatie, sau ca o referinta fata
de care sa se verifice calitatea observatiilor.

Modelele ARPEGE si ALADIN

ARPEGE (Action de Recherche Petite Echelle Grande Echelle) este modelul numeric de
prognoza al vremii global al Meteo France. Acesta este un model spectral, a carui caracteristica
specifica o reprezinta la folosirea rezolutiei variabile pe glob, in functie de un factor de intindere
a grilei, acest lucru facand posibila utilizarea acestui model atat pentru prognoza numerica la
scara sinoptica, cat si la mezoscara. Principalul avantaj al acestei solutii il reprezinta evitarea
erorilor introduse in cazul utilizarii unor conditii la limitele laterale ale domeniului de rezolutie
mai slaba pentru un domeniu cu rezolutie fina.
In 1990, Meteo-France a lansat initiativa unei colaborari cu tarile din Europa Centrala si
de Est, orientata spre dezvoltarea unei versiuni pe arie limitata a modelului ARPEGE, pentru
prognoza numerica a vremii la mezoscara. Obiectivul principal a fost acela de a dezvolta un

model pe arie limitata in cadrul deja existent al modelului ARPEGE, pentru adaptarea dinamica
la limita aproximatiei hidrostatice, adica un model fara o analiza obiectiva proprie pentru
producerea conditiilor intiale, utilizand campurile ARPEGE interpolate pentru conditiile initiale
si la limitele laterale ale domeniului. Din punct de vedere practic, aceasta a insemnat utilizarea
codului ARPEGE deja existent si crearea de module noi, necesare pentru:
modificarea reprezentarii spectrale a campurilor de la armonice sferice la serii Fourier;

considerarea proceselor care evolueaza in afara domeniului de integrare prin utilizarea unei
scheme de cuplaj avand la baza o tehnica de relaxare;

pregatirea conditiilor initialesi la limitele laterale ale domeniului de integrare prin interpolarea
campurilor ARPEGE in grila noului model;

dezvoltarea metodei de initializare prin filtre digitale.

Aceasta versiune pe arie limitata a modelului ARPEGE a fost denumita ALADIN (Aire
Limite Adaptation dynamique Dveloppement InterNational -Adaptare Dinamica pe Arie
Limitata Dezvoltare Internationala). Modelul ALADIN (Bubnov et al. 1993, sau Radnti et al.
1995), care este tot un model spectral, este dezvoltat in prezent de un consortiu format din 16 tari
din Europa si nordul Africii. Spre deosebire de varianta sa initiala, acesta include acum si
posibilitatea de realizare a unei analize proprii.
Asimilarea variationala de date in modelele numerice de prognoza a vremii.
Aceasta tehnica moderna de asimilare a datelor are la baza metoda de interpolare
statistica bazata pe estimarea celor mai mici patrate.
Asimilarea de date este procedura prin care informatia observata este acumulata in
starea descrisa de model, construind astfel o estimare a starii reale a atmosferei, denumita
analiza, care poate fi utilizata ca punct de plecare pentru integrarea unui model

numeric de prognoza a vremii. Informatiile care intra in sistemul de asimilare sunt observatiile,
prima estimare a modelului si proprietatile fizice cunoscute ale sistemului. Toate aceste
informatii sunt importante, dar in acelasi timp acestea contin erorisi deci nu ne putem baza
complet pe una din ele. Prin urmare, ar trebui cautata o strategie care sa minimizeze in medie
diferenta dintre analiza si starea reala. Pentru a proiecta un algoritm care sa faca acest lucru in
mod automat, este necesar sa reprezentam matematic incertitudinea asupra datelor care intra in
procesul de asimilare. Aceste incertitudini pot fi evaluate prin introducerea statisticilor erorilor
datelor respectivesi pot fi modelate cu ajutorul conceptelor probabilistice. In acest fel, in
conformitate cu Lorenc (1986), algoritmul de asimilare poate fi contruit pornind de la premisa
ca, in medie, erorile analizei sa fie minimesi poate fi privit ca o problema de optimizare.
In practica, problema analizei nu este rezolvata pentru toate componentele vectorului de
stare al modelului, in parte pentru ca nu se cunoaste inca o metoda care sa realizeze o analiza
consistenta pentru toate componentele, sau pentru ca puterea de calcul nu este suficienta pentru a
realiza analiza la rezolutia modelului. Astfel, spatiul de lucru in procesul de asimilare nu este
spatiul modelului, ci spatiul in care se calculeaza corectiile fata de prima estimare, numit spatiul
variabilelor de control. Prin urmare, problema analizei este de a calcula corectia x, denumita
incrementul analizei, astfel incat vectorul de stare al analizei :
(1)

sa fie cat mai apropiat posibil de starea reala .

Ansamblul valorilor observate care intra in asimilare formeaza vectorul observatiilor y.
Pentru a putea folosi observatiile, trebuie sa le putem compara cu vectorul de stare al primei
estimari xb. Daca am avea suficiente observatii, y ar putea fi privit ca o valoare particulara a
vectorului de stare. Insa, in practica, numarul observatiilor este mai mic decat cel al
variabilelor din model si in plus, acestea sunt distribuite neuniform in spatiu. Din aceasta cauza
este nevoie sa folosim o functie care sa transforme variabilele modelului din spatiul acestuia in

spatiul observatiilor. Aceasta functie este denumita operatorul observatiilor si este notata cu H.
In practica, H este o colectie de operatori de interpolare de la discretizarea modelului in
punctele de observatie si de conversie de la variabilele modelului la parametrii observati.
Diferenta intre observatii si vectorul de stare este data de vectorul abaterilor in punctele
de observatie y H(x). Daca abaterea este calculata fata de prima estimare xb, vectorul
abaterilor se numeste inovatie, iar daca abaterea este calculata fata de analiza xa, atunci acesta se
numeste reziduul analizei. Cu ajutorul acestor marimi se poate studia calitatea procesului de
asimilare.
Teorema ecuatiei fundamentale a analizei liniare in forma algebrica generala a
estimarii celor mai mici patrate, denumita si cea mai buna estimare liniara fara eroare medie
si abreviata BLUE (Best Linear Unbiased Estimator), presupune urmatoarele:
Estimarea optima a celor mai mici patrate, sau analiza BLUE, este definita de urmatoarea
ecuatie de interpolare:
(2)
unde operatorul liniar K este numit matricea de inovatie (sau matricea ponderilor)
analizei si are urmatoarea forma:
(
Matricea de covarianta a erorilor analizei are urmatoarea forma, oricare ar fi K:
(
4) Daca matricea ponderilor K este matricea optima pentru estimarea celor mai mici patrate,
expresia matricii A devine:
(
Analiza BLUE poate fi obtinuta intr-un mod echivalent ca solutie a problemei de
optimizare variationale:

(6
unde J este denumita functia de cost a analizei (sau functia de penalizare), Jb este denumit
termenul primei estimari, iar Jo este denumit termenul observatiilor.

Analiza

este optima: adica este analiza cea mai apropiata posibil (in sensul erorii

patratice medii) de starea reala

Daca functiile de distributie a probabilitatii erorilor primei estimari si ale observatiilor sunt de tip
Gauss, atunci

este de asemenea estimarea cu probabilitatea maxima a lui

Exista doua tehnici echivalente de a defini problema analizei statistice:

fie presupunand ca matricile de covarianta ale primei estimari si ale observatiilor sunt cunoscute,
caz in care ecuatiile analizei sunt obtinute impunand conditia ca variantele erorilor analizei sa fie
minime; fie presupunand ca functiile de distributie a probabilitatii erorilor primei estimari si ale
observatiilor sunt de tip Gauss, caz in care ecuatiile analizei sunt obtinute prin cautarea starii care
sa aiba probabilitatea maxima.
Aceste doua tehnici duc la doi algoritmi matematici echivalenti care sunt utilizati
pentru rezolvarea problemei:

determinarea directa a matricii ponderilor K;

minimizarea unei functii de cost patratice.

Principiul 3D-Var este de a evita complet calculul matricii ponderilor K conform ecuatiei
3, cautand o analiza care sa fie o solutie aproximativa a problemei de minimizare echivalente
definite prin functia de cost J din ecuatia 6. Solutia aproximativa a analizei este calculata iterativ,
prin evaluari succesive ale functiei de cost si ale gradientului acesteia, astfel incat sa se atinga
minimul functiei J prin utilizarea unui algoritm convenabil. Aproximarea consta in faptul ca se
realizeaza doar un numar mic de iteratii. Algoritmul 4D-Var este o generalizare a asimilarii 3DVar pentru cazul observatiilor distribuite n timp. Ecuatiile sunt aceleasi dar operatorii
observatiilor sunt generalizati pentru a include un model de prognoza care sa permita o

comparatie ntre starea modelului si observatii la momentul de timp corespunzator.

Pentru a reprezenta incertitudinile primei estimari, ale observatiilor si ale analizei, vom
presupune ca exista erori intre vectorii de stare ai acestora si vectorul starii reale . Modul cel mai
corect pentru a descrie aceste incertitudini este de a atribui anumite functii de distributie a
probabilitatii (pdf) pentru fiecare tip de eroare.
Erorile pentru prima estimare, observatiile, analiza si proprietatile statistice, pot fi
modelate in felul urmator:
erorile primei estimari:

, cu media

si matricea de covarianta

Acestea sunt erori de estimare, care nu includ erorile de

discretizare.
erorile observatiilor:,cu media

si matricea de covarianta

Aceste erori includ erorile instrumentale, erorile in definirea operatorului H si erorile de

reprezentare(erorile de discretizare care apar in urma faptului ca xt nu este o imagine perfecta a
starii reale).
erorile analizei:

, cu media

si matricea de covarianta

Acestea sunt erori de estimare, pe care vrem sa le minimizam. Erorile medii

reprezinta problemele sistematice care apar in sistemul de asimilare: erori sistematice ale
modelului sau ale observatiilor sau erori sistematice in modul de utilizare a acestora.
In cazul unui sistem scalar, covariantele erorilor primei estimari sunt de fapt

simple variante, adica media patratica a abaterilor erorilor de la medie:

In cazul unui sistem multidimensional, covariantele sunt reprezentate printr-o matrice

patratica simetrica. Daca vectorul de stare al modelului are dimensiunea n, atunci matricea de
covarianta va avea dimensiunea n n. Diagonala matricii va contine variantele pentru fiecare
variabila a modelului, radacinile patrate ale variantelor fiind asa numitele deviatii standard.
Aceasta matrice de covarianta a erorilor este pozitiv definita, in afara cazului
special in care unele variante sunt zero, ceea ce se poate intampla doar daca unele
caracteristici ale primei estimari sunt considerate perfecte.
De exemplu, in cazul unei stari a modelului tridimensionale, daca notam erorile primei
estimari (minus media lor) cu (e1,e2,e3), atunci matricea de covarianta a erorilor se poate scrie
astfel:

Termenii ne-diagonali pot fi transformati in corelatii ale erorilor (daca variantele

corespunzatoare sunt diferite de zero):

O importanta cruciala pentru calitatea analizei o are specificarea corecta a covariantelor

erorilor observatiilor si primei estimari, deoarece acestea determina gradul in care prima
estimare va fi modificata pentru a fi in acord cu observatiile. Parametrii esentiali in procesul de
asimilare sunt variantele, insa si corelatiile sunt de asemenea importante deoarece acestea
specifica modul in care informatia observata se va extinde in spatiul modelului, in cazul in care
densitatea observatiilor este diferita de rezolutia modelului.