Бесплатный автореферат и диссертация по географии на тему

Метод прогноза облачности по дням на средние сроки (по территории Казахстана)

ВАК РФ 11.00.09, Метеорология, климатология, агрометеорология

Автореферат диссертации по теме "Метод прогноза облачности по дням на средние сроки (по территории Казахстана)"

ю

СП

ЖДЕРАЛЬНАЯ СЛУЖБА РОССИИ ПО ГИДРОМЕТЕОРОЛОГИИ И МОНИТОРИНГУ

ОКРУЖАЮЩЕЙ СРЕДЫ (РОСГИДРОМЕТ)

ГИДРОМЕТЕОРОЛОГИЧЕСКИЙ НАУЧНО-ИССЛЕДОВАТЕЛЬСКИЙ ЦЕНТР

РОССИЙСКОЙ ФЕДЕРАЦИИ

На правах рукописи УДК 551.509.313

МОЛДАГУЛОВА Айман Николаевна

МЕТОД ПРОГНОЗА ОБЛАЧНОСТИ ПО ДНЯМ НА СРЕДНИЕ СРОКИ (ПО ТЕРРИТОРИИ КАЗАХСТАНА)

Специальность: 11.00.09 - метеорология, климатология,

агрометеорология

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата физико-математических наук

Москва 1995

Работа выполнена в Гидрометеорологическом научно-исследовательском центре Россия

Научный руководитель

доктор физико-математических наук П.П.Васильев

Официальные оппоненты: доктор физико-математических наук А.Б.Успенский кандидат физико-математических наук О.В.Батнрева

Ведущая организация: Дальневосточный Государственный

Защита диссертации состоится "25". , Диссертационного совета К.024.05.02 Гидрометеорологического научно-исследовательского центра Российской Федерации по адре-

С диссертацией можно ознакомится в библиотеке Гидрометеорологического научно-исследовательского центра России

Автореферат разослан "24" марта 1995 г.

Ученый секретарь Диссертационного совета

Университет

су: 123242, Москва, В.Предтеченский пер., д.9-13.

кандидат географических наук

- 3 -

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актаульность теш. Облачности принадлежит особая роль в атмосферных процессах: она является одним из важнейших регуляторов поступления и перераспределения солнечной радиации (тепла) в атмосфере и оказывает влияние на влагооборот, в том числе путем переноса влажности участвует в формировании зон осадков.

Прогноз облачности является чрезвычайно сложной и вместе с тем важной для народного хозяйства прогностической задачей. Он нужен для обслуживания.- 1) авиаций (краткосрочный на 1-3 дня); 2)ЭЕерг0Тикиг з>космичеекйх запусков; 4)эпизодического обслуживания кинематографии, вдропЛаяврпзт, я т.й„! б> обороны ; в) при планировании аэрофотосъемки й космической фотосъемки.

Получение прогноза облачности из решения уравнения переносе относительной влажности или дефицита влажности (при интегрировании общей системы уравнений гидротермодинамики атмосферы) на сегодняшний день оказывается недостаточно успешным. Это обусловлено, естественно, несовершенством соответствующих гидродинамических схем. Поэтому делается попытка . давать прогноз облачности путем объективной статистической интерпретации, имея удовлетворительного качества гидродинамические прогнозы (до 4-5 дней) гоопо-тенциала, давления, температуры воздуха в свободной атмосфере.

Настоящая диссертация выполнялась- в рамках теш Я6 Гидрометцентра РФ и по теме НОТ "Атмосфера" 01.04.Hi "Разработать метод прогноза элементов погода на средние сроки с детализацией по полусуткам"

Цель работы. 1) Разработать метод среднесрочного (до з-4-х сутою прогноза количества и ее высоты низшей границы, детализированного по дням и по полусуткам;

2) исследовать пространственно-временную структуру поля облачности (среднего балла и выемы нижней границы) по данным срочных наблюдений (получав»«!.® коде КН-01) для теплого и холодного сезонов;, в рвзлйчйвд географических районов территории Евразии.

Методас*исследования. К решению поставленной задачи был применен несколько иной подход в отличие от ранее использованных методик. Построение численной статистической схемы включает следующие компоненты: I) использование 4-х срочной базы наблюдений, детализированной по времени; 2) привлечение большого числа предсказателей из гидродинамических схем Европейского центра среднесрочных прогнозов погода, нмс США в коде ГРИБ и спектральной модели Гидрометцентра РФ; 3) применение метода центрального титрования; 4) использование одного алгоритма дискр...,.,шантного анализа, позволяющего просеивать относительно большое количество предикторов при числе классов к=2,з.

Научная новизна. Впервые разработана численная статистическая среднесрочная схема прогноза облачности с использованием расчетов по гидродинамической модели; построенная схема прогноза ■

полностью адаптивна.

Рассчитаны статистические характеристики пространственной структуры поля облачности по данным 4-х срочных наблюдений; проанализированы пространственные- корреляционные функции количества общей облачности и высоты нижней границы облаков по данным срочных наблюдений (получаемых в коде КН-01) для теплого и холодного сезонов и различных географических районов; на основе анализа статистических параметров распределения эмпирическим путем получен вид преобразующей функции к нормальному виду рядов количества облаков; оценен порядок значения пространственного радиуса

корреляции.

Практическая ценность. Поставленная задача решалась в рамках единой методологии прогностического расчета элементов погоды (ГЭП) на средние сроки с использованием результатов интегрирования гидродинамических моделей атмосферы (ГДМА), разработанной в Гидрометцентре России под руководством П.П.Васильева.

Построенный численный метод прогноза облачности может быть использован в оперативной практике; полученные статистические характеристики могут применяться в дальнейших исследованиях.

Статистическая модель является адаптиглой, т.е. обучающие выборки формируются с учетом степени аналогичности к текущему макропроцессу над рассматриваемым ограниченным географическим районом и сезонной классификации архивных данных.

Прогностическая система обладает качественной архивно-информационной базой данных уровня п (данные гидрометеорологических наблюдений) и уровня ш <поля объективного анализа и гидродинамических прогнозов), неотъемлемой частью которой является мониторинг поступления данных об облачности в коде НН-01. объективный анализ, восстановление данных <при отсутствии в сообщениях каких-либо станций) и последующая архивация в среднесрочной проблемно-ориентированной базе данных (СПОБД).

Предлагаемый в настоящей работе способ осреднения парамет -ров облачности позволяет учитывать влияние суточного хода.

Эмпирическая функция логарифмического вида, полученная на эснове исследований статистических характеристик пространственно-временной структуры; и пространственных, корреляционных функций параметров облачности по данным срочных наблюдений.позволяет про-эбразовать распределение поля облачности к нормальному виду.

Таким образом методология РЭП позволяет решить такую сложную

- б -

задачу как среднесрочный прогноз облачности.

Апробация работы.Основные результаты диссертации докладывались на 1У Всесоюзной конференции по статистической интерпретации гидродинамических прогнозов (Одесса, сентябрь 1991 г.), на Ученом Совете и секции Ученого Совета Гидрометцентра России 1991,92,93 и 94 гг., а также на научных семинарах Гидрометцентра России и изложены в трех опубликованных статьях. Работа рассмотрена и одобрена на семинаре по краткосрочным и среднесрочным прогнозам погоды Гидрометцентра России.

Объем и структура работы.Диссертационная работа состоит из введения, пяти глав и заключения, изложенных на 166 страницах. В диссертации имеется 7 таблиц, II рисунков и приложение на 30 страницах. Список литературы содержит 153 наименований, в том числе 33 на иностранных языках.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обосновывается актуальность темы и цель исследования, указывается научная новизна полученных результатов и приводится краткое содержание работы.

В первой главе диссертации рассматриваются современные методы прогноза облачности.

Задача прогноза облачности в настоящее время в зависимости от складывающихся условий оперативной практики решается весьма различными методами; в них можно условно выделить четыре наиболее характерных направления. Это - синоптические методы, синоп-тико-статистические, численные методы, используемые в гидродинамических моделях и методы, основанные на статистической интерпретации выходной продукции гидродинамических моделей атмосфе-

ры (ГДМА).

Совремешше синоптические мот ода основаны на качественном визуальном анализе оперативного картографического материала, содержащего как фактические данные, так и метеорологические поля, спрогнозированные гидродинамическими моделями, с учетом местных погодных характеристик, влияющих на образование и эволюцию облачности, что естественно учитывает влияние различных синоптических объектов. Несмотря на субъективный характер рэзульти-рувдего прогноза , а также на зависимость от опыта синоптика, синоптические методы являются основными при обслуживании авиации.

Существующие в оперативной практике методики прогноза облачности тесно связаны с прогнозом синоптического положения, наиболее полный обзор которых дан в Руководстве по краткосрочным прогнозам погоды и монографии О.Г.Богаткина и В.Д.Ендаеевой.

В последнее время широкое развитие получили сгагоптико-ста-тистические методы, в основу которых положен поиск связей между облачностью и определяемыми из физических соображений, предикторами. Поиск осуществляется с учетом- физико-географических и сезонных особенностей поля облачности с предварительным отбором наиболее значимых предикторов с использованием методов математической статистики.Синоптико-статистические методы прогноза облачности (лежащие по заблаго'временности в пределах современных масштабов'гю*савЪ1пв и краткосрочных прогнозов до 36-ти часов) позволяют иметь погодные характеристики в первом приближении, например, синоптические условия на аэродроме при взлоте-посадки. А также они помогают синоптику быстро ориентироваться в денной ситуации.

Развитие вычислительной техники позволило' с некоторой ус-

пешноотью реализовывать физические параметризации процессов облакообразования в численных гидродинамических схемах крупнейших метеорологических центров мира Брекнелл.Оффенбах, Мельбурн, Рединг, Москва,",Такщ }гяр.). Б них облачность, как правило, раеша?ривавтйя как функция относительной влажности сеточного масштаба. В связи с существенным повышением успешности гидродинамических прогнозов за счет увеличения быстродействия вычислительной техники и усовершенствования системы усвоения начальных данных получены значительные результаты в расчете внутрибалансовых облачных характеристик (водность облаков) и других параметров (количество и высота нижней границы облакой; за счет схем параметризаций процессов облакообразования и др. дивергентных величин.

В последние десятилетия актуальным направлением в области прогноза погоды является статистическая интерпретация результатов гидродинамических схем прогнрза; атому направлению и посвящена настоящая работа.

С внедрением в работу прогностических подразделений и учреждений Федеральной Службы по гидрометеорологии РФ и гидрометеорологических служб республик Восточной Европы, а также Закавказских, Прибалтийских и Среднеазиатских республик персональных компьютеров, часть которых включена в локальную сеть ЭВМ (ЛАОСО), появились реальные возможности проведения работ по соз данию и уовершенствовзнию методов кратко- и среднесрочных прогнозов и оперативных технологий статистической интерпретации гид родинамических прогнозов с целью прогноза элементов и явлений погоды. В связи с этим следует отметить работы П.П.Васильева, Б.Л.Мищенко, А.И.Снитковского, Э.В.Переходцевой, Л.В.Руховца, Г.Р.Эстерле, И.Г.Храмцовой, Г.К.Турулиной, Н.А.Дашко и др.

За рубежом первые шаги в области интерпретации результатов интегрирования ГДМА били выполнены в США в работе Klein (1959), где объектом прогноза служили осреднешше за несколько дней ме-теовелячиш.

Дальнейшее развитие эти исследования получили в работах

Klein H.H., Qlohn H.R., Lowry D.А., Krulzlnga S., Lemoke С. И

др., где статистическая интерпретация основывалась на концепции MOS.

Среднесрочный прогноз облачности методом статистической интерпретации в настоящее время находится на ста;, ,а разработки. Это связано с достаточно высокой фрактальностыо поля облачности.

Вторая глава посвящена вопросу мониторинга поступления данных об облачности в коде KH-oi, объективного контроля и восстановления данных (при отсутствии в сообщениях каких-либо станций) и вопросу их последующей архивации в среднесрочной проблемно-ориентированной базе данных (СПОВД).

Данные об облачности (основная их часть) поступают в Гидрометцентр в коде KH-oi <синоптический код для передачи наблюдений наземных станций) в сроки оо.ов.12,18 ОГВ. Далее они (наряду с другой метеорологической информацией), 'йо'двергаются информационно-логической обработке ц даяооятся в суточную базу данных ИЛО. Модули обработки денных об облачности (контроль и восстановление) начинают свор работу с вычитывания базы ИЛО, проводят .объективный- контроль и архивируют в упакованном виде в соответствуютvla фаллах.

Данные в базе СПОБД хранятся в упакованном виде. Каждая пара данных ВНГО и количество облаков (Н) занимает i байт. В первых 4-х битах хранятся данные о ВНГО, в последующих 4-х битах - количество облаков.

Для удобства выбора данных по календарному сезону, по дате, и по принадлежности к тому или иному синоптическому макропроцессу (при использовании метода центрального типирования) для организации файла на МД используется прямой доступ. При атом 1-я запись файла содержит каталог дат. Параллельно с пополнением архива , т.е. работой комплекса информационного обеспечения (контроль, восстановление и пополнение архивов), пополняется так называемый файл флажков,в котором цифрой 1 кодируется сохранение в СПОБД первоначального значения метеовлемента, поступившего в сводках КН-01, о -восстановленного значения метеоэлемента. Таким образом, по файлу флажков можно судить о том, что сохраняет ли данное наблюдение первоначальное значение, переданное в сводках КН-01 или оно было отбраковано и восстановлено в процессе, работы программы объективного контроля и восстановления метеоэлементов.

Результаты проведенных исследований показали, что данные об облачности поступают довольно регулярно. Для проверки инфор-

! мации, читаемой нами из НЛО было проведено сравнение значений

! денных об облачности выбранных из телеграмм, поступивших в ЦКО •

| .

| и выбранных из базы ИЛО.

\

| По Северному полушарию по облачности поступает в среднем збоо сообщанй, из них 1405 по базовому списку станций, В таблице 1 приведена статистика поступления сообщений .

Одной из основных функций, выполняемых СПОБД является контроль и объективный анализ поступающих фактических метеоданных. Эта задача достаточно успешно решена для таких метеоэлементов, как температура воздуха, точка росы. А вопрос контроля и объективного анализа таких метеоэлементов, как осадки и облачность затрудняется в связи со сложным характером простран-

Таблица i

Среднее количество поступающих сообщений: по облачности облаков

{ Поступивших сообщений

Ыетео-!------------------------------------------------------

элемент¡всего¡по базовому¡правильных;отбракованныхiнепришедших I ! списку i i ¡

N ¡3500 | 1360 ¡1050 ! 350 ¡ 25

ВНГО ¡3500 I 1360 : 800 ! 590 ! 45

ственно-временного распределения этих полей. В настоящее время создан и реализован алгоритм, позволяющий с удовлетворительным физическим обоснованием создавать соответствующий архив для использования его в дальнейшем в прогностических расчетах.

Объективный контроль метеоинформацин является непременным этапом оперативной подготовки ее для последующего прогноза.

До недавнего времени алгоритм контроля включался частично в этап первичной обработки, частично в этап объективного анализа. Однако, повышение роли автоматического контроля информации и увеличение возможностей такого контроля заставляет в настоящее время выдэлить его в самостоятельный этап.

Анализ пространственных корреляционных функций количества общей облачности и высоты нижней границы облаков по данным срочных наблюдений (получаемых ь коде КН-оп для теплого и холодного сезонов и различных географических районов показал, что расстояние р=200км можно принять за пространственный радиус корреляции, который испс&зуется в формулах оптимальной интерполяции.

Контроль и восстановление данных осуществляется методом оп-

тимальной интерполяции. Исходными данными для объективного контроля облачности являются фактические значения количества облаков (Ю и высоты нюней границы облачности (ВНГО), поступающие в коде КН-01.

Как показал анализ, восстановление производится в случае непоступления сообщения и в случае,если сообщение поступило, но в результате контроля оно было отбраковано. Непоступление сообщений отчасти зависит от изменений,произошедших на сети станций. Некоторые станции сократили передачу (перешли на двух - или односрочнче наблюдения), а некоторые Еообще прекратили передачу сообщений.

Анализ результатов объективного контроля и восстановления показал, что екесрочно восстановлению подвергаются около 25 % сообщений по баллу облаков и 45% по высоте нижней границы из всех поступающих сообщений. Что касается поступления за более длительный Период времени, то можно заметить, что от 50 до 70% случаев о 65 % станций из всего списка поступает "хорошая", т.е. не подвергающаяся восстановлению, информация.

В третьей главе исследована статистическая структура поля облачности. .Полученные результаты удовлетворительно согласуются с общепринятой точкой Зрения об определяющей роли атмосферных процессов синоптического масштаба в формированию! и эволюции облачности* .Анализ результатов показал, что максимальные значения среднего балла облачности приходятся на районы Сибири й Дальнего Востока, минимальные значения- на районы Закавказья и Средней Азии; В холодное полугодие максимальные значения приходятся на Западную и Восточную Европу,минимальные значения - на-юг Дальнего.Востока.

. Максимальные значения высоты нижней границы одлвков в теплое полугодие отмечаются в Средней Азии (около 1500 м), минимальные значения в Западной Европе. В Сибири и на Дальнем Востоке также отмечаются невысокие значения высоты нижней границы (около юоо м). В холодное полугодие максимальные значения высоты нижней границы облаков характерны районам Сибири, Дальнего Востока и Монголки. В Европе среднее значение высоты нижней границы облаков и в холодное и в теплое полугодие колеблется в пределах До §оо м, за исключением того, что в холодное полугодие оно ниже чем в теплое.

Отмечается и-образный характер распределения N. т.е. максимумы плотности распределения приходятся на N. равные 0-2 и в-1о баллов, а минимум - 'на N. равные 4-6 баллов.

Нормализация исходных наблюденных данных осуществляется в два этапа. Сначала наблюденные данные ранжируются в возрастающем порядке. Затем каждому значению х^ ряда ставится в соответствие значение и^х^) нормализованной переменной, определяющееся как значение обратной функции к нормальной функции распределения или'квантиль. В качестве преобразующей функции была взята функция вида £(х)=ъ+а1п((х+1 )/(11-х)).КоэффЩШНТЫ а и Ъ находились методом наименьших квадратов.

, в четвертой главе приводятся основные принципы построения прогностического алгоритма детализированного по дням и полусуткам прогноза облачности (общего количества и высоты нижней границы) до 3-4 -х суток. Метод основан на объективной статистической интерпретации результатов расчетов по гидродинамическим моделям атмосферы. Прогностический алгоритм использув® элементы математической статистики: дискриминантный анализ и пошаго-

вую регрессию с предварительной„нормализацией выборок и просеиванием потенциальных предикторов. Преимущество разработанной схемы заключается в том, что она является адаптивной, т.е. она строится заново для каадого пункта и для каждой даты прогноза. Схема использует основные компоненты единой методологии РЭП: центральное титрование атмосферных процессов; сезонная классификация архивных данных; оптимизация заблаговраменностей архивов при формировании обучающих выборок.

Потенциальными предикторами явились следующие: т850 - скорость вертикальных движений не уровне 850 гПа; f700 ~ относительная влажность-на уровне 700 рПе; f850 " относительная влажность на уровне 850 гПа; flí700/at " тенденция относительной влакнооти на уровне 700 гПа; diQ^Q/dt - тенденция относительной влажности на уровне 850 гПа; 0po/at - тенденция давления в пункте прогноза (п.п.); Ар0 - лапласиан, характеризующий циклонический или антициклонический характер поля давления в п.п.; AHgQQ - лапласиан, характеризующий циклонический или антициклонический характер поля геопотенциала на уровне 500 гПа в п.п.;

<3Ap0/3t - величина, характеризующая осредненные упорядоченные движения на уровне земли в п.п.;

АТ850 - лапласиан Т850 (вихрь термического ветра), характеризующий принадлежностьоп.п. к областям холода иди областям тепла (на высотах);

Níaot " Фактическая облачность в день (или ночь) прогноза,-а?р -тр - разность температур на изобарических уровнях р^и р2,

характеризующая стратификацию атмосферы;

и, V - горизонтальные составляющие ветра на уровнях 700 и

860 гПа.

Перед тем, как составлять уравнение регрессии из всего предлагаемого набора выбираются наиболее информативные предикторы. Необходимость такой процедуры вызвана двумя противоположными по своему характеру требованиями.С одной стороны, включить в регрессионное уравнение по возможности больше предикторов для надежного определения прогноза; с другой стороны, исключить зависимые и малозначимые предсказатели, повысив таким образом качество обучения на доступных нам выборках ограниченного объема.

Расчетная схема прогноза, облачности выглядит следующим образом: .

Шаг 1. Подготовка основного расширенного каталога ктыи, содержащего даты, принадлежащие всем каталогам: каталог прогнозов ЕЦСГШ (КТЕСЫР), архива прогнозов спектральной модели ГМЦ России СЫ-15 (КТСМ15) и архива данных уровня II (кттаг). При • этом каждая дата из основного каталога КТМй должна содержать в каталоге Ктииг четыре последовательно идущие друг за другом (без пропусков) даты.

Шаг 2. Подготовка массива дат для формирования обучающих выборок статистической схемы с помощью метода центрального ти-пирования и сезонной классификации архивных данных.

Шаг з. Генерация номеров точек трафарета 9-ти и 27-ми точек для заданного пункта прогноза,'

Шаг 4. Чтение полей, соответствующих подготовленному массиву на шаге 2 в оперативную память.

Шаг 5. Вычисление величины, характеризующей степень аналогичности поля из архива к полю текущего процесса.

Шаг 6. Упорядочивание массива дат для формирования обучающих выборок по степени аналогичности к текущему процессу.

Шаг 7. Подготовка матрицы предикторов (из архивного материала ) для оценки их информативности; нормирование ряда количества облаков о помощью преобразующей логарифмической функции.

• Шаг 8. Разбиение обучающей выборки на классы "ясно", "переменная облачность" и "сплошная облачность" для дальнейшего выбора алгоритма регрессионной схемы.

Алгоритм 1I №С(1) > ЬУК

ЬУК < №С(2) < 2*ЬУК

Алгоритм 2» (ЛХО) > ЬУК \юС{3)' < ЬУК

Алгоритм 31 (НХ(1) < ЬУК _ЫХ<3) > ЬУК ' Алгоритм 4» (ЫХ(1) < ЬУК \юс(3) < ЬУК

Здесь ЫХ(1) гчисло реализаций, попадающих в 1 -ый класс, 1»1,2,э, ЬУК - минимальное число реализаций, необходимое для выполнения дискриминации.

Шаг 9. Расчет прогноза балла облаков по выбранному алгоритму.

Алгоритм 1. Дискриминация по з-м классам. Если будет спрогнозирован класс "переменная облачность", то внутри этого • класса выполняем множественную регрессию. Результат записываем в массив результатов и далее переходим к следующему шагу. В противном случаи в массив результатов записываем значение о или

ю баллов в соответствий сирогвоэи^звдщй^'у нласду и переходим на следующий шаг.

Алгоритм 2. Дискриминация по 2-м классам: "ясно" и "переменная облачность + сплошная облачность". Если будет спрогнозирован класс "переменная облачность + сплошная облачность", то внутри этого класса выполняем множественную регрессию. Результат ваписыв^ем в массив результатов и далее переходим к следующему шагу. Если ке спрогнозирован класс "ясно", то в массив результатов записываем значение о и переходим к следующему шагу.

Алгоритм э. Дискриминация по 2-м классам: "ясно + переменная облачнооть" и "сплошная облачность". Если будет спрогнозирован класс "ясно + перемешая облачность", то внутри этого класса выгоняем множественную регрессию. Результат записываем в массив результатов и далее переходим к следующему шагу. Если будет спрогнозирован класо "сплошная облачность", то в массив результатов записываем значение ю и переходим к следующему шагу.

Алгоритм 4. В этом случае сумма чисел реализаций, попадающих в класс "ясно" и "сплошная облачность" не превышает необходимого минимального числа для выпонения дис?<риминации. Поэтому обходя этап дискриминации , выполняем регрессию по всей выборке. Результат записываем в массив результатов и переходим к следующему щагу.

Шаг ю. Разбиение обучающей выборки на классы "ВНГО < 300 м" и "ВНГО > 300 м" для дальнейшего выбора алгоритма регрессионной схемы.

Алгоритм 1. Число реализаций, попадающих в каждый из двух. классов превышает минимальное число реализаций, необходимое для

выполнения дискриминации (№С(1) > ьук, 1=1,2).

Алгоритм 2. Число реализаций, попадающих в один любой из двух классов не превышает минимального числа реализаций, необходимого для выполнения дискриминации (ЮЦ1) < ьук, 1=1,2).

Шаг 11. Расчет прогноза ВНГО по выбранному алгоритму.

Алгоритм 1. Дискриминация по 2-м классам. Если спрогнозирован класс "ВНГО > зоо м", то внутри этого класса выполняем множественную регрессию. Результат записываем в массив результатов. Если спрогнозирован класс "ВНГО < 300 м", то в массив результатов записываем значение зоо м.

Алгоритм 2. В силу того, что число реализаций попадающих в один любой из двух классов недостаточно для выполнения дискриминации , обходим йтвп дискриминации и выполняем регрессию. Результат записываем в массив результатов.

Шаг 12. Конец алгоритма.

В пятой главе приводятся основные результаты численных экспериментов и их оценки. В табл.2 представлены оценки за февраль 1993 г, по критерию Н.А.Багрова (Н) для 19 пунктов (областных городов) Казахстана (около 1120 прогнозов). Из таблицы видно, что для.большинства случаев Н > 0,33 (оправдываемость случайного прогноза). Это свидетельствует об удовлетворительной оправдывавмости прогнозов.

Таблица 2

Оценки оправдывавмости прогнозов облачности за февраль 1993 г.

1-сутки . I 2-сутки I 3-сутки

Станция день ночь день ночь день

Петропавловск О .48 0 .30 0 .44 0 .30 0 .30

Кустанай О .44 0 .11 0 .52 0 ,15 0 .37

Кокчетав О .44 0 .33 0 .59 0 .48 0 .48

Павлодар О, .63 0, .52 0< .4а 0 г 41 0 .56

Уральск с, .19 0, .19 0, .19 0 .07 0 .19

Семипалатинск О, .30 0, .52 0, .26 0 .56 0 .19

Усть-Каменогорск 0, .52 0, .41 0, .48 0 ,48 0 .52

Целиноград 0. .63 0. .41 0. .48 0, ,48 0, .41

Актюбинск 0. .19 0. .22 0, .11 0, ,22 0, .11

Аркалык- 0, .56 0. .19 0. .48 0, .26 0. .33

Караганда 0. .56 0. .49 0, .63 0, .33 0. .37

Гурьев 0. 44 0. >41 0. ■ 56 0, .19 0'. ,41

Джезказган 0. 26 0. ,26 0. 37 0, .15 0. '41

Талды-Курган 0. '44 0. >44 0. '44 0. .48 0. ,19

Шевченко 0. 59 0. 56 0. 48 0, '48 0. 44

Кзыл-Орда 0. ■ 41 0. 37 0. '48 0. ,30 0. ■ 44

Алматы 0. 52 0. 68 0. 44 0. 57 0. 36

Туркестан 0. 67 0. 41 . 0. 56 0. 48 0. 52

Джамбул 0. 63 0. 41 0. 59 0, 26 0. 52

СРЕДНЕЕ 0. 47 0. 38 0. 45 0. 35 0. 37

В заключении сформулированы основные результаты работы.

1. Приводятся результаты проверки прихода телеграмм в коде КН-01 , поступления Данных об облачности и анализа их качества. Опиоана структура архива, состоящего из прошедших объективный контроль ( и восстановление в олучае их непоступления ) количества облачности (N) высоты нижней границы облаков (ВНГО). Программа сбора, контроля, восстановления (с использованием метода оптимальной интерполяции) и усвоения данных об облачности внедрена в оперативную практику Гидромет^нтра Российской Федерации.

2. Рассчитаны статистические характеристики пространственной структуры nojjfl облачности. Проанализированы пространственные

корреляционные функции количества общей облачности и высоты

- i'

нижней границы облаков по данным срочных наблюдений (получаемых в коде КЦ-01) для теплого и холодного сезонов и различных географических районов. На основе анализа статистических параметров распределения сделана попытка нормализации архивов. Оценен порядок значений пространственного радиуса корреляции. Для первого варианта расчета в формулах оптимальной интерполяции он принят 200 км.

3. Для отдельных обучающих выборок численно подобраны преобразующие функции, позволяющие привести распределение 4-х срочных наблюдений за баллом облаков к распределению, близкому к нормальному. '

4. Проведенные численные эксперименты показали достаточно высокие значения пространственных корреляционных функций для поля облачности, что позволяет использовать эгог параметр для контроля полей облачности и восстановления их в случае отсут-

ствия такой информации.

5. Разработан численный ататис1даческий метод прогноза облачности на средние сроки, детализированный по дням и по полусуткам, единый для всей территории Казахстана.

6. Прогноз базируется на адаптивной статистической модели с использованием метода центрального титрования атмосферных процессов.

7. В качестве предикторов в статистической модели используются прогностические гидродинамические поля; реализуется концепция mos, которая позволяет учитывать особенности конкретной гидродинамической модели. Все этапы прогностического алгоритма выполняются полностью на ЭВМ.

8. Реализована на ЭВМ автоматическая система сценки прогнозов облачности.

9. Анализ критериев оправдываемости (абсолютная ошибка, критерий Н.А.Багрова) свидетельствует об удовлетворительном качестве разработанного метода.

Основные- результаты изложены в нижеперечисленных работах.

1. Анализ поступления данных наблюдений об облачности в коде КН-01 и их организация' в среднесрочной проблемно-ориентированной базе данных. Депонировано во ВНШГМИ-МЦЦ № 1154-гм9Э от 22.09.93 (в соавторстве).

2. Исследование статистической структуры поля облачности (среднего балла и высоты нижней границы) над территорией Евразии. Депонировано во ВНИМГМИ-ВДЦ Л 1169-ГМ94 от 2В.об.94.

3. Прогноз облачности по территории Казахстана на средние сроки. Депонировано во ВНИИГМИ-МЦЦ Л 1179 - гм95 от 03.02.95 (в соавторстве).