Parameterization of a WRF Model Based on Microwave Measurements of Temperature Inversion Characteristics in PBL over Moscow City

Texto integral

Статья подготовлена на основе устного доклада, представленного на IV Всероссийской конференции с международным участием “Турбулентность, динамика атмосферы и климата”, посвященной памяти академика А.М. Обухова (Москва, 22–24 ноября 2022 г.).

1. ВВЕДЕНИЕ

Исследования качества воздуха обычно проводятся на основе расчетов химико-транспортных моделей [Шалыгина и др., 2017], которые используют кадастры эмиссий различных химических компонент над интересующим регионом, а начальные и граничные условия – из различных (глобальных или локальных) метеорологических моделей численного прогноза погоды (NWP/ЧПП). Поэтому воспроизведение и прогнозирование региональных метеорологических условий является ключевой задачей для детальной оценки благоприятных и неблагоприятных условий рассеивания загрязняющих веществ в интересующем регионе [Kim et al., 2013; Zhang et al., 2013]. Полученные из моделей численного прогноза погоды температура воздуха, ветер, удельная влажность и высота планетарного пограничного слоя (ППС) являются основными параметрами исходных данных моделей прогноза качества воздуха и напрямую влияют на результаты прогноза [Govardhan et al., 2015].

Следует учитывать, что качество метеорологических моделей ЧПП определяется полнотой и качеством источников данных измерений метеорологических параметров. Руководство Всемирной метеорологической организации (WMO/ВМО) по применению численного прогноза погоды (ЧПП) [WMO, 2020] подчеркивает необходимость усвоения и коррекции прогноза профилей ветра, температуры и влажности. Для реализации функции усвоения данных и коррекции результатов прогноза необходимо иметь плотную сеть наблюдений, особенно в первых километрах атмосферы [EPA, 2000], так как в планетарном пограничном слое ошибки численного моделирования имеют критическое значение [Vaisala, 2016].

Формирование и развитие сетей измерений в планетарном пограничном слое (ППС), таких как: ACTRIS (Aerosols, Clouds and Trace gases Research Infrastructure), ADnet (Asian Dust and aerosol lidar observation network), AMDAR (Aircraft Meteorological Data Relay), ARM (Atmospheric Radiation Measurement), EARLINET (European Aerosol Research Lidar Network), EUMETNET E-PROFILE (European Profile of the European Meteorological Network), IAGOS (In-service Aircraft for a Global Observing System), IGRA (Integrated Global Radiosonde Archive), LALINET (Latin America Lidar Network), MPLnet (NASA Micro-Pulse Lidar Network), MWRnet (Microwave Radiometer Network), NDACC (Network for the Detection of Atmospheric Composition Change), NYS Mesonet (New York State Mesonet) [Kotthaus et al., 2023], – решает задачу компенсировать недостаток измерений в планетарном пограничном слое наземных контактных станций измерений и неопределенность спутниковых данных в первых сотнях метров от поверхности земли.

Для реализации процедур усвоения данных и коррекции данных по результатам измерений в ППС инициирован в последние годы ряд проектов, таких как NYS Mesonet, COST 720, COST ES1303 TOPROF, SOFOG3D, PROBE, TEAMx [Cimini, et al., 2020]. Результаты в этом направлении представлены в ряде публикаций [Illingworth et al., 2019; Martinet et al., 2022].

В последние десятилетия распространение как часть MWRnet [Caumont et al., 2016] получили одноканальные микроволновые профилемеры МТП-5 [Troitsky et al., 1993] и современная модификация МТР-5 [EPA, 2011; Ilyin, Troitsky, 2017]. Данный тип измерителей позволяет получать непрерывные данные о динамике профилей температуры в слое 1 км. Параметры динамики температурной стратификации в ППС важны в задачах экологического мониторинга и имеют значение как составляющая характеристик класса устойчивости Паскуилла [Pasquill, 1961; РБ-046–21, 2021] или метеорологический показатель рассеивания примеси и загрязнения приземного воздуха МПРЗ [Кузнецова и др., 2014]. Ряды измеренных данных профилей температуры ППС позволяют оценить ошибки моделирования [Юшков, 2022], контролировать в режиме реального времени характеристики термического состояния с анализом аномалий суточного хода температуры [Кузнецова и др., 2010]. Приборы применяются для исследований характеристик ППС как автономно [Кузнецова и др., 2004; Rotach et al., 2004; CHANG et al., 2006; Ferrario et al., 2008; Kadygrov et al., 2012; Эзау и др., 2013; Kiktev et al., 2015], так и в составе измерительных комплексов [Matsui et al., 1996; Westwater et al., 1999; Triantafyllou et al., 2018; Odintsov et al., 2021]. Для задач прогноза применение данных МТР-5 развивалось по ряду направлений: построение прогноза в точке измерений [Baranov, Lemishchenko, 2018; Баранов, 2021] на основе эмпирических данных, усвоение данных [Akhmetshina et al., 2015; Вазаева и др., 2018; Rivin et al., 2020; Starchenko et al., 2022; Gochakov et al., 2022] и настройка модели по данным измерений. В районе московского мегаполиса с 2014 г. 3 прибора МТР-5 (с 2022 уже 4) являются источником данных для рутинного усвоения в ЧПП.

Одной из наиболее популярных моделей, используемой по всему миру для прогноза региональных метеорологических условий, является модель WRF-ARW. Это негидростатическая мезомасштабная модель численного прогнозирования погоды, которая включает широкий спектр различных физических параметризаций, что позволяет локально настраивать ее в соответствии с потребностями конкретной задачи. Начальные и граничные условия могут быть взяты либо из данных моделей общей циркуляции, либо из данных реанализа. Поскольку выбор комбинации таких параметров оказывает существенное влияние на результат моделирования, подбор оптимальной комбинации для конкретной задачи в заданном регионе становится достаточно важной задачей. В работе [Stergiou, 2017] проводилась оценка чувствительности результатов моделирования для Европейского домена к параметрам микрофизики, приземного пограничного слоя, длинноволновой и коротковолновой радиации, облачности и модели подстилающей поверхности. [Pervin, Gan, 2020] также проводили оценку чувствительности модели WRF для региона реки Маккинзи в высоких широтах в Канаде. Mendoza and Lugo [Mendoza, Lugo, 2020] была проведена достаточно объемная работа по подбору оптимальных комбинаций параметризаций модели WRF для штата Пуэбло в Мексике. Всего в эксперименте проверялось 768 различных комбинаций параметров модели WRF. Стоит отметить, что в результате их эксперимента оптимальные комбинации зависели от выбранной метрики, например, систематическая ошибка, среднеквадратичное отклонение или корреляция по Пирсону. В результате авторам удалось агрегировать метрики на весь штат и отобрать всего 10 лучших комбинаций.

Детализация расчетов численных моделей может быть улучшена, среди прочих факторов, за счет использования более высокого пространственного и временного разрешения модели, соответствующих параметризаций или ассимиляции данных наблюдаемых метеорологических параметров, таких как температура, осадки, скорость ветра [Borge, 2008; Misenis, 2010]. Однако использование таких методов требует больших вычислительных ресурсов и сложной настройки самой процедуры усвоения данных.

Одним из методов улучшения качества ЧПП является настройка модели по результатам измерений температурной стратификации в точке [Юшков, 2022]. Такое решение позволяет получить прогноз на территории в условиях недостаточно плотных измерительных сетей измерений.

Целью данной работы является демонстрация подхода по поиску оптимальной комбинации параметризаций модели WRF с наилучшей обобщающей способностью по данным температурных профилемеров МТР-5 на территории г. Москвы и окрестности.

2. ОПИСАНИЕ ЭКСПЕРИМЕНТА

Наличие в московском мегаполисе многолетних (с 2000 г.) измерений температурной стратификации микроволновыми температурными профилемерами (МТП-5 и МТР-5) дает возможность использовать в качестве источника данных временные ряды профилей температуры в слое до 1 км в пространственно-разнесенных точках измерений. Расчет и анализ проводился по массивам данных за период времени с 2018 по 2021 гг. С учетом пространственной изменчивости городского острова тепла [Golitsyn et al., 2002] и масштаба ландшафтных неоднородностей ППС [Khaikine et al., 2006] для анализа использовались точки измерений с равноудаленным от центра мегаполиса положением (примерно 20 км). Для эксперимента были выбраны 2 прибора: один MTP-5 SN050 на севере Москвы (г. Долгопрудный) использовался для настройки параметров модели, а другой на юго-востоке Москвы MTP-5 SN068 (р-н Косино-Ухтомский) – для валидации. Расстояние между приборами по прямой – около 35 км.

В проведенных экспериментах для модели WRF использовалась модифицированная классификация подстилающей поверхности MODIS-IGBP. Рассмотрим распределения по классам вокруг двух приборов, участвующих в эксперименте, и сравним их с классами характерными для центральной части города с учетом сетки внутреннего домена с разрешением 2 км (рис. 1). Видно, что профили двух приборов отличаются наличием класса 14 (естественная мозаика растительности) в р-не Косино-Ухтомский. Суммарно оба прибора покрывают большую часть классов, которые встречаются на территории самого города. Классы, которые не встречаются в районе приборов, связаны с другими типами леса (хвойный) или отличными типами трав, однако, если посмотреть внутренние параметризации модели, применяемые к этим классам, то они близки к тем, которые присутствуют вблизи приборов, например, “смешанный лес” или “естественная мозаика растительности”. Таким образом, можно сделать предположение о том, что параметры, полученные как оптимальные с точки зрения модели по двум приборам, могут быть применимы для всего г. Москвы.

 

Рис. 1. Распределение долей площадей классов подстилающей поверхности в области чувствительности двух приборов МТР-5 (Долгопрудный и Косино) и квадрата вокруг центра Москвы со стороной 20 км (центр Москвы).

 

2.1. Выбор критериев для анализа

Зависимость условий для накопления и рассеяния загрязнений в нижней атмосфере представлена во множестве исследовательских работ и руководящих документах отраслей, связанных с регулированием и контролем потенциально опасных технологических процессов, а также метеорологических и экологических служб, контролирующих результаты антропогенного воздействия города как сложной системы транспортной и коммунальной инфраструктуры [Oке, 1982; РБ-046–21, 2021; Al-Hemoud et al., 2019]. Классификация типов погоды связанна с загрязнениями через характеристики категории устойчивости Паскуилла [Pasquill, 1961] или МПРЗ [Кузнецова и др., 2014] и дополняются условиями, когда в случае приподнятой инверсии (рис. 2) происходит “копчение” нижних слоев атмосферы [Oке, 1982]. Такие инверсии формируются при переходе от приземной G-инверсий (когда H_base – нижняя граница инверсии равна 0 м) к приподнятым Е-инверсиям (с нижней границей выше уровня 0 м) в случае радиационных процессов, или как адвективные инверсии, или как смешанные при трансформации от одного типа к другому и обратно [Кузнецова и др., 2010]. Дополнительно инверсии можно разделить на: инверсии, которые формируются как результат стационарного процесса (радиационные), когда происходит накопление выброса при условии слабого ветра; на инверсии в результате адвекции, которая ведет к смене воздушной массы; смешанный тип. Эти процессы принципиально различны для условий накопления и рассеяния потенциальных загрязнений атмосферы.

 

Рис. 2. Характеристики температурных инверсий.

 

Характеристики температурных инверсий – значимый фактор, определяющий условия накопления и рассеяния загрязнений [Звягинцев и др., 2011; Ячмёнева, Гольвей, 2011], и возможность получить репрезентативные данные оптимизированного по данному параметру прогноза на территории мегаполиса имеет важный прикладной эффект для задач управления процессами, связанными с загрязнением атмосферы. Для оценки качества прогнозов модели в качестве целевых параметров (характеристик) температурных инверсий были выбраны: тип инверсии, высота инверсии (разница верхней и нижней границы H_top – H_base (рис. 2 – ось ординат) и глубина/величина инверсии T_top – Т_base (рис. 2 – ось абсцисс).

Температурные инверсии московского мегаполиса имеют в значительной части случаев четко выраженные временные границы образования и разрушения [Локощенко и др., 2021; Vorobyeva et al., 2009], при наличии данных о профилях температуры от МТР-5 каждые 5 мин обеспечивается достаточная плотность данных для сравнения со сроками образования и разрушения инверсий по данным модели ЧПП. Для решения задачи о сроках формирования и разрушения для различных инверсий в зависимости от типа были рассчитаны статистические и динамические характеристики профилей температуры для г. Москвы. Из статистических характеристик рассчитывались: продолжительность наблюдения инверсии, сезонная характеристика мощности. Была выполнена оценка факторов, определяющих условия и сроки разрушения инверсий.

2.2. МТР-5 как источник данных

MTP-5 представляет собой само-калибрующийся, само-тестирующийся одноканальный сканирующий микроволновый метеорологический температурный профилемер [Ilyin, Troitsky, 2017] для измерения профилей температуры от уровня установки до высоты 1000 м при любых погодных условиях. Прибор пришел серию международных сравнений с различными альтернативными измерительными системами: радиозондами, RASS, метеорологическими мачтами и др. [Koldaev et al., 2010; EPA., 2011; Klügel et al., 2019; Martinet et al., 2022]. Достаточная точность одноканального микроволнового радиометра (МТР-5) в нижних слоях ППС позволяет получить репрезентативное описание динамики характеристик до 1 км.

На рис. 3 показан пример сравнений измеренных профилей МТР-5 (зеленая линия) с данными измерений радиозондов (RS-красные точки) во время проекта SOFOG3D зимой 2019–2020 г. в Бордо (Франция) [Martinet et al., 2022]. Голубая линия на графиках – это профили T(h), восстановленные из яркостных температур радиозонда Tbr(Ө), которые получены решением прямой задачи, а именно расчетом распределения Tbr(Ө) из профиля температур радиозонда Т(h). Графики иллюстрируют качество метода восстановления и величину аппаратной ошибки. Представлены профили для случаев инверсий различного типа. На рис. 3а показан случай с приземной G-инверсией. Рисунок 3б – приподнятая E-инверсия. Рисунок 3в – высоко приподнятая инверсия НЕ, когда нижняя граница инверсии на высоте выше 250 м.

 

Рис. 3. Пример сравнений измеренных профилей МТР-5 (зеленая линия) с радиозондами (RS-красные точки) в SOFOG3D и голубая линия – профили T(h), посчитанные из яркостных температур Tbr(Ө) радиозонда. (а) G-инверсия; (б) приподнятая E-инверсия; (в) высоко приподнятая инверсия НЕ.

 

2.3. Выбор периодов измеренных данных для анализа

Для анализа был выбран период с момента, когда при суточных максимальных углах Солнца больше 40^o (с 1 апреля) по срок, когда Солнце перестанет подниматься выше 25^o. В этот период типовой суточный ход температуры ППС [Кузнецова и др., 2010] встречается чаще. Можно предположить, что изменение в углах Солнца (40^o против 25^o) при переходе с зимы на лето и обратно связано с необходимым прогревом после зимнего периода.

Рисунок 4 показывает распределение изменения (приращение/уменьшение) значения градиента инверсии dT (рассчитанного по среднечасовым профилям температуры) от угла Солнца “SunРos” в период с 01/04 по 15/10 и с 16/10 по 31/03 по данным МТР-5 SN050 в Долгопрудном с 2018 по 2021 гг. Характер распределения в условно летний и условно зимний период различны, но похожи для 4-х лет с 2018 по 2021. Инверсии разрушаются быстрее с восходом Солнца в летний период.

 

Рис. 4. Характеристики инверсий в период с 01/04 по 15/10 и с 16/10 по 31/03 по данным МТР-5 г. Долгопрудный с 2018 по 2021 гг.

 

На рис. 4а (зеленый сектор) – при положительных углах Солнца – отрицательный градиент инверсий больше и разрушение инверсии быстрее. Для зимнего периода (рис. 4б) градиенты инверсий наблюдаются без определенной зависимости от угла Солнца.

Рисунок 5 демонстрирует распределение по срокам разрушения характеристик инверсий а) в период с 16/10 по 31/03 и б) в период с 01/04 по 15/10, и рис. 6 – распределение по продолжительности инверсий в период с 16/10 по 31/03 (“зима”) и с 01/04 по 15/10 (“лето”). Графики показывают количественные характеристики изменения характера температурного режима ППС для “зимнего” и “летнего” сезонов, которые условно определены по срокам в зависимости от суточного максимума угла Солнца и связаны со степенью прогрева воздуха у земли.

 

Рис. 5. Среднечасовые характеристики инверсий (а) в период с 16/10 по 31/03 и (б) в период с 01/04 по 15/10.

 

Рис. 6. Распределение по продолжительности инверсий в период с 16/10 по 31/03 (“зима”) и с 01/04 по 15/10 (“лето”)

 

Рисунок 7 иллюстрирует среднечасовые характеристики инверсий в период с 01/04 по 15/10 и с 16/10 по 31/03 (по данным МТР-5 SN050 в Долгопрудном с 2018 по 2021) как распределение показателя мощности по высоте H_top – H_base от глубины/величина инверсии T_top – Т_base. “Летние” инверсии менее мощные по обоим показателям, при этом для “зимних” инверсий в распределении их параметров можно выделить два кластера, отражающих увеличенную частоту смешанного типа инверсий в этот период. В летний период преобладают инверсии со слоем до 500 м и мощностью меньше 9^o.

 

Рис. 7. Среднечасовые характеристики инверсий в период с 01/04 по 15/10 и с 16/10 по 31/03 по данным МТР-5 SN050с 2018 по 2021 гг.

 

Для анализа сроков разрушения инверсий был выбран показатель мощности по температуре T_top – Т_{base =} dT, в большей степени зависящий от прогрева. На рис. 8 показано распределение срока разрушения инверсии мощностью dT, выраженного через угловое положение Солнца, т. е. на каких углах Солнца разрушится инверсия, мощность которой в момент восхода Солнца была dT. Для инверсий мощностью более 5^o разрушение инверсии наступало на углах Солнца выше 10^o.

 

Рис. 8. Распределение срока разрушения инверсии мощностью dT от угла Солнца инверсий в период с 01/04 по 15/10 по данным МТР-5 в Долгопрудном.

 

В табл. 1 и 2 представлено распределение сроков разрушения инверсии, мощность которой в момент восхода Солнца была dT через угловое положение Солнца (табл. 1) и от срока времени (табл. 2), прошедшего с момента восхода, рассчитанные по среднечасовым профилям температуры. Расчеты производились по результатам измерений с 2018 по 2021 гг. Мощность по температуре округлена до целого значения.

 

Таблица 1. Распределение сроков разрушения инверсий dT через угловое положение Солнца

 

Таблица 2. Распределение сроков разрушения инверсий dT времени с момента восхода

 

Неоднозначность динамики характеристик температурных инверсий продемонстрирована на рис. 9. С прогревом ППС с 18 до 21 июня наблюдалось последовательное уменьшение мощности инверсии по температуре, и время разрушения инверсий было 18/06 в 06:20, 19/06 в 06:05, 20/06 в 06:25, 21/06 06:30. Возможно, после дождя 22 июня мощность инверсии по dT выросла почти в 2 раза, и время разрушения инверсий сместилось на час: 22/06 – в 07:25, далее 23/06 – в 07:15, 24/06 – в 07:05. С учетом сложности прогноза сроков разрушения инверсий в ППС можно оценить ожидаемое время Δt_{сегодня} разрушения инверсии мощностью dT_{сегодня}(С) на момент восхода Солнца t_восход, если использовать данные о сроке разрушения инверсии с мощностью dT_вчера(С) за время Δt_вчера накануне. Оценка срока разрушения инверсии будет иметь вид dT_{сегодня}(С) × Δt_вчера/dT_вчера(С) = Δt_{сегодня} при условии, что dT_{сегодня}(С) < dT_вчера(С).

 

Рис. 9. Пример динамики температурных инверсий в ППС в период с 18/06 по 24/06 2021 г. (г. Долгопрудный).

 

Учет угла Солнца как косвенная оценка степени дневного прогрева ППС помогает оценить сроки перестроения динамики температурных инверсий и получить качественные оценки сезонно-зависимых распределений характеристик температурного режима для данного места наблюдений. На рис. 10 показана зависимость срока разрушения инверсии с мощностью dT на момент восхода Солнца от степени прогрева (dT(0 м) + dT(t)) слоя толщиной примерно 30 м на расстоянии 1 км (измерения МТР-5 SN050 с уровня горизонт), т. е. показано, насколько надо прогреть слой толщиной несколько десятков метров от земли для разрушения зарегистрированной на момент восхода Солнца инверсии мощностью dT_inv(С). По результатам наблюдений видно, что для разрушения инверсии мощностью больше 4 градусов требовался прогрев слоя у земли на более чем 1.5^o.

 

Рис. 10. Характеристики инверсий в период с 01/04 по 15/10 по данным МТР-5 SN050 в Долгопрудном с 2018 по 2021 гг.

 

По результатам анализа в качестве критерия для сравнения с данными модели были выбраны температурные инверсии и разделены на группы/типы: приземные (G), приподнятые (E) и высокоприподнятые (HE). Инверсии анализировались в периоды измерений как квазистационарных периодов (август как летний и декабрь как зима), так и в периоды межсезонных перестроений в апреле и октябре с учетом того, что в эти сроки часто нарушается типовой суточный ход температурой стратификации.

3. WRF

Для моделирования погодных параметров использовалась мезомасштабная модель WRF-ARW версия 4.2.2.

В данной работе модель была сконфигурирована с использованием системы вложенных сеток (доменов), с пространственным разрешением внутренней целевой сетки 2 × 2 км и размером 102 × 102 ячейки, построенной в Ламбертовой географической проекции. Центры всех доменов были заданы в точке центра Москвы (55.7558 с. ш.; 37.6178 в. д.). Вертикальная сетка содержала в себе 40 уровней по высоте так, чтобы в приземном пограничном слое содержалось как минимум 17 вертикальных уровней. Верхняя граница модели была задана на высоте 100 мбар. Горизонт прогноза равнялся 48 ч, при этом первые 6 ч прогноза отрезались из-за “эффекта прогревания” (“spin-up period”). Запуск расчетов проводился два раза в сутки в 0 и 12 ч по UTC для выбранных месяцев (апрель, август, октябрь и декабрь). Начальное поле инициализировалось по данным NCEP FNL с пространственным разрешением 1.0^o и временным разрешением 6 ч.

Спектр всех возможных комбинаций физических параметризаций в модели WRF очень широк, более 1 млн в версии ядра ARW. В общем случае не существует каких-то правил, по которым параметризации должны быть скомбинированы друг с другом, за исключением очень ограниченного набора, где в документации прямо указаны единственно возможные сочетания. Для уменьшения количества исследуемых комбинаций перед началом постановки экспериментов был проделан обзор статей, связанных с подобной тематикой [Kim et al., 2013; Zhang et al., 2013; Govardhan et al., 2015; Mooney et al., 2013; Stergiou et al., 2017; Pervin et al., 2020; Mendoza, Lugo, 2020]. В результате был отобран следующий список наиболее часто повторяющихся среди “победителей” физических и динамических параметризаций (табл. 3).

 

Таблица 3. Полный список выбранных параметризаций для участия в эксперименте

Тип параметризации (название блока в модели WRF)	Название схемы параметризации	Номер в модели WRF
Микрофизика (mp_physics)	Схема Пердью Лин [Chen, Sun, 2001]	2
	Схема с использованием 1-го момента и 5 классов, разработанная внутри WRF [Hong et al., 2004]	4
	Новая схема Томпсона [Thompson et al., 2008]	8
Кучевая облачность (cu_physics)	Схема Кайна-Фритша [Kain, 2004]	1
	Схема Грелла-Фрейтаса (GF) [Grell, Freitas, 2014]	3
	Трехмерная схема Грелла [Grell, Devenyi, 2002]	5
	Схема Тидтке [Zhang et al., 2011]	6
Длинноволновая радиация (ra_lw_physics)	Схема RRTMG [Iacono, 2008]	4
	Схема Годдарда [Matsui et al., 2018]	5
Коротковолновая радиация (ra_sw_physics)	Схема CAM [Collins et al., 2004]	3
	Схема RRTMG [Iacono, 2008]	4
Приземный пограничный слой (PBL) (bl_pbl_physics):	Схема университета Йонсей [Hong et al., 2006]	1
	Схема Меллора-Ямады-Янджича [Janjic, 1994]	2
	Quasi-Normal Scale Elimination PBL [Sukoriansky et al., 2005]	4
	Схема Меллора-Ямады Наканиши и Ниино Уровень 2.5 PBL [Nakanishi, Niino, 2006]	5
	Схема Бужо-Лакаррер [Bougeault, Lacarrère, 1989]	8
Городская поверхность (sf_urban_physics)	Модель городского полога	1
	Модель параметризации зданий, которая позволяет зданиям быть выше, чем приземный модельный слой	2

 

Поскольку работа проводится для большого города, то необходимо как-то учитывать эффекты, связанные с городской застройкой. Для этого использовались две параметризации из стандартного набора WRF-ARW.

Первый тип параметризации – это модель однослойного городского полога (UCM), разработанная Kimura, Kusaka и др. [Kusaka et al., 2001; Kusaka, Kimura, 2004]. Она представляет город как комбинацию бесконечно длинных уличных каньонов и трехмерных городских поверхностей, таких как стены, крыши и дороги. В уличном каньоне учитываются затенение, отражение и задержка излучения, а также задается экспоненциальный профиль ветра. Также производится расчет таких переменных, как температура поверхности крыш, стен и дорог, которые определяются по балансу энергии на поверхности, и температурные профили в слоях над крышами, стенами и дорогами, которые определяются из уравнения теплопроводности.

Второй тип, используемый в данной работе, это многослойная модель городского полога (BEP), разработанная Martilli [Martilli et al., 2002]. Эта модель представляет собой более сложное моделирование городской среды и позволяет напрямую взаимодействовать с PBL внутри модели WRF. BEP учитывает трехмерную природу городских поверхностей и тот факт, что здания вертикально распределяют источники и стоки тепла, влаги и импульса через весь слой городского полога, что существенно влияет на термодинамическую структуру “шероховатости” городского подслоя и, следовательно, нижней части городского пограничного слоя. При этом учитывается влияние вертикальных и горизонтальных (стены, улицы и крыши) поверхностей на импульс (за счет силы трения), турбулентную кинетическую энергию (ТКЭ) и потенциальную температуру. Излучение на стенах и дорогах учитывает затенение, отражение и улавливание коротковолнового и длинноволнового излучения в уличных каньонах.

Для работы данных схем нужны карты классификации типов подстилающей поверхности, а также различные параметры, например, высота зданий, ширина дорог, площадь крыш и т. п. В стандартном наборе входных данных для модели WRF есть эти данные в первом приближении, но можно предположить, что уточнение этих параметров для конкретной локации позволит повысить качество воспроизведения процессов в городской среде. При этом модель позволяет ручную корректировку карт и подобных параметров для расчетов.

Также в соответствии с рассмотренной литературой были выбраны наиболее частые комбинации выбранных параметризаций между собой. В табл. 4 представлены наборы, которые участвовали в эксперименте (всего 8 штук). В результате для каждого месяца необходимо было провести от 480 до 496 расчетов (в зависимости от количества дней в месяце).

 

Таблица 4. Отобранные наборы комбинаций различных физических параметризаций для модели WRF-ARW.

	№ 1	№ 2	№ 3	№ 4	№ 5	№ 6	№ 7	№ 8
mp_physics	8	8	8	2	4	2	4	4
cu_physics	6	6	6	5	1	5	3	3
ra_lw_physics	4	4	4	5	4	4	5	5
ra_sw_physics	4	4	4	4	3	3	4	4
bl_pbl_physics	2	8	8	4	5	1	2	2
sf_urban_physics	2	2	2	1	1	1	2	1
cudt	0	0	0	0	5	0	0	0

 

Настройка физических параметризаций модели проводилась на промежутке времени 2018–2020 гг. по данным прибора МТР-5 SN050-в г. Долгопрудный, а валидация проводилась по данным МТР-5 SN068-в р-не Косино-Ухтомский за 2021 г. Таким образом, мы разделили обучающую и валидационную выборки по времени и пространству.

4. МЕТРИКИ ЗАДАЧИ

Прежде всего рассматривалась способность модели правильно классифицировать один из трех типов наблюдаемой инверсии (см. секцию 2.1). В таком случае необходимо пользоваться метриками для задачи классификации, такими как точность (precision), полнота (recall) и, которая представляет собой комбинацию предыдущих двух метрик:

$precision=\frac{TP}{TP+FP},$ (1)

$recall=\frac{TP}{TP+FN},$ (2)

$F_{\beta }=\left(1+{\beta }^2\right)\frac{precision\cdot recall}{{\beta }^2\cdot precision+recall},$ (3)

где TP – количество событий, которые были определены как инверсия с правильным типом; FP – количество событий, которые были неправильно определены как инверсия; FN – количество событий, которые были неверно определены как отсутствие инверсии; – коэффициент, вводящий соотношение между точностью и полнотой (равен единице, если нас интересует равномерное соотношение).

Вторая задача заключалась в оценке способности настроенной модели корректно воспроизводить конкретные количественные характеристики инверсии, такие как высота инверсии и глубина инверсии (см. секция 2.1). Для оценки использовались среднеквадратическое отклонение (RMSE), систематическая ошибка (bias) и соотношение вариаций наблюдаемых параметров инверсий и модельных параметров (). Последняя метрика дает понимание, насколько хорошо модель воспроизводит общую вариацию целевых параметров.

$RMSE=\sqrt{\frac{1}{N}{\sum }_{i=1}^N{\left(y_i^t-y_i\right)}^2},$ (4)

$bias={\sum }_{i=1}^N\left(y_i^t-y_i\right),$ (5)

$va{r}_{ratio}=\frac{va{r}_{model}}{va{r}_{obs}},$ (6)

где N – количество точек с наблюдениями (в нашем случае измерений профилей); и – i-е истинное значение и модельное значение соответственно; – модельная вариация параметра за период времени; – наблюдаемая вариация параметра за период времени.

5. РЕЗУЛЬТАТЫ

На рис. 11–14 показаны результаты решения задачи классификации инверсий, разбитые на две группы (G + E) и (HE). В качестве метрик использовались (рис. 12) и (рис. 13). Второй вариант дает большее смещение в сторону полноты предсказаний, таким образом, мы меньше “наказываем” за FP и больше – за FN. Все используемые метрики для задачи классификации в идеальной ситуации должны быть равны единице, поэтому нас интересуют параметризации, которые находятся ближе к правому верхнему углу. На всех рисунках далее по оси х отложены результаты, полученные при настройке параметров на станции в г. Долгопрудном, по оси y – результаты на валидационном периоде по станции в р-не Косино-Ухтомский.

 

Рис. 11. Результаты метрики F1 для инверсий типа G + E (слева) и HE (справа).

 

Рис. 12. Результаты метрики Fb (b = 0.75) для инверсий типа G + E (слева) и HE (справа).

 

Рис. 13. Результаты точности (Precision) для инверсий типа G + E (слева) и HE (справа).

 

Рис. 14. Результаты полноты (Recall) для инверсий типа G + E (слева) и HE (справа).

 

Из приведенных выше результатов можно сделать вывод, что в случае двух типов инверсии (G + E) могут быть использованы наборы № 1, № 7. В случае (HE) – наборы № 2 и № 3.

На рис. 15–17 представлены результаты количественных метрик параметров инверсий, таких как высота и глубина инверсии, также разбитые на две группы (G + E) и (HE). В случае RMSE и bias оптимальными наборами являются те, которые находятся ближе к нулю. Для метрики нас интересуют значения, которые ближе всего к единице, что означает, что модель описывает наблюдаемую вариацию параметра один к одному. По оси х отложены результаты, полученные при настройке параметров на станции в г. Долгопрудном, по оси y – результаты на валидационном периоде по станции в р-не Косино-Ухтомский. Результаты представлены по двум параметрам инверсий: высота (верхние рисунки), единицы измерения – м, и глубина (нижние рисунки), единицы измерения – градусы Цельсия.

 

Рис. 15. Результаты RMSE для инверсий типа G + E (левый столбец) и HE (правый столбец).

 

Рис. 16. Результаты bias для инверсий типа G + E (левый столбец) и HE (правый столбец).

 

Рис. 17. Результаты varratio для инверсий типа G + E (левый столбец) и HE (правый столбец).

 

Таким образом, для оценки высоты в случае двух типов инверсии (G + E) могут быть использованы наборы № 4, № 6, № 8. В случае (HE) можно увидеть, что присутствует либо сильная переоценка вариации параметра, либо присутствуют существенные завышения по RMSE и bias. В данном случае для инверсии типа (HE) нельзя сделать однозначный вывод, но можно ожидать, что набор № 1 даст более стабильный результат.

Для оценки глубины инверсии в случае двух типов (G + E) могут быть использованы наборы № 1 и № 7. В случае (HE) можно увидеть переоценку вариации параметра больше чем в два раза для любого набора. Однако, если выбирать из представленных результатов, то можно использовать наборы № 5 и № 7.

6. ЗАКЛЮЧЕНИЕ

В работе продемонстрирована возможность сочетания модели численного прогноза погоды с данными результатов измерений температурной стратификации в планетарном пограничном слое через настройку по избранному критерию (температурные инверсии) параметров и выбор оптимальных наборов параметризаций модели.

Кроме того, продемонстрирована технология, позволяющая вести контроль точности прогноза по результатам измерений для оценки текущего термического режима планетарного пограничного слоя атмосферы. Такой подход позволяет перейти от веры в достоверность прогноза к знанию того, что он достоверен по результатам сравнения с измеренными профилями температуры.

7. ДАЛЬНЕЙШИЕ ДЕЙСТВИЯ

Как видно из полученных результатов, не получается выбрать одну единственную комбинацию физических параметризаций модели WRF для решения всех поставленных задач. Результаты отличаются в зависимости от критериев (метрик) настройки и выбранных типов инверсий. В таком случае логичным продолжением было бы исследование по составлению линейной комбинации из результатов моделирования небольшого числа параметризаций (например, 2–4 набора), которая позволила бы существенно улучшить конечный результат. При этом комбинации параметров могут быть зафиксированы, а вот линейные комбинации (коэффициенты при результатах моделирования) могут отличаться в зависимости от целевого критерия. Также интересным продолжением работы является проверка оперативной корректировки заданной линейной комбинации решений по данным MTP5, в том числе с учетом доступности регулярных измерений в центре города с лета 2022 г.

В дополнение к этому планируется выполнить ряд работ, а именно: проверить условия разрушения температурных инверсий с учетом регистрируемых на станции ГПБУ “МОСЭКОМОНИТОРИНГ” (МЭМ) потоков солнечной радиации; посчитать зависимость сроков разрушения приподнятых инверсий смешанного и адвективного типа в зависимости от прогрева поверхности, угла Солнца и измеренных потоков солнечной радиации; оценить региональную изменчивость полученных характеристик и методов.

Sobre autores

R. Zhuravlev

Central Aerological Observatory of Roshydromet

Email: tissary@gmail.com
Rússia, st. Pervomayskaya, 3, Dolgoprudny, 141700

E. Miller

Central Aerological Observatory of Roshydromet

Autor responsável pela correspondência
Email: tissary@gmail.com
Rússia, st. Pervomayskaya, 3, Dolgoprudny, 141700

A. Knyazev

Central Aerological Observatory of Roshydromet

Email: tissary@gmail.com
Rússia, st. Pervomayskaya, 3, Dolgoprudny, 141700

N. Baranov

Computing Centre named A. A. Dorodnicyn FRCIC of the Russian Academy of Sciences

Email: tissary@gmail.com
Rússia, st. Vavilova, 40, Moscow, 119333

E. Lezina

BEPI Mosecomonitoring

Email: tissary@gmail.com
Rússia, st. Novy Arbat, 11, build. 1, Moscow, 119992

A. Troitsky

Nizhny Novgorod State University N. I. Lobachevsky

Email: tissary@gmail.com
Rússia, st. Ashgabatskaya, 4, Nizhny Novgorod, 603105

Bibliografia

Arquivos suplementares