Come fanno i modelli a stimare il bilancio di massa superficiale?

[PalMat]

Buonasera a tutti,

qualcuno può spiegarmi come i modelli fanno a stimare il bilancio di massa superficiale?
Per le regioni polari ho letto che,principalmente , si utilizzano modelli specifici. Tuttavia, ho scoperto anche che si possono usare modelli globali come l'ERA-Interim reanalysis. Ma non capisco cosa voglia dire reanalysis.

Grazie a chi mi risponderà,

Mat

[Gigiometeo]

Buonasera a tutti,

qualcuno può spiegarmi come i modelli fanno a stimare il bilancio di massa superficiale?
Per le regioni polari ho letto che,principalmente , si utilizzano modelli specifici. Tuttavia, ho scoperto anche che si possono usare modelli globali come l'ERA-Interim reanalysis. Ma non capisco cosa voglia dire reanalysis.

Grazie a chi mi risponderà,

Mat

In estrema sintesi: Per REANALISI o RIANALISI si intende la ricostruzione retrospettiva di dati meteorologici in 4 dimensioni (le 3 dimensioni del volume atmosferico e il tempo) mediante modelli meteorologici completamente risolti che sono sia inizializzati sia alimentati nelle condizioni al contorno con dati provenienti dai dataset storici rilevati da stazioni, satelliti, aerei, palloni sonda e in particolare attraverso sistemi di assimilazione e analisi dei modelli globali. Uno dei migliori è ERA-5 ECMWF ma di norma per aree specifiche è necessario un adeguato downscaling (aree regionali o aree limitate) sfruttando la medesima fisica del LAM con dati al contorno delle reanalisi globali.
In merito al bilancio di massa le reanalisi sfruttano in massima parte il remote sensing offerto dai satelliti di seconda generazione (geostazionari) o polari. Chiaramente i processi che consentono di stimare i suddetti bilanci sono assai più complessi, ma la componente di remote sensing predomina.

[PalMat]

In estrema sintesi: Per REANALISI o RIANALISI si intende la ricostruzione retrospettiva di dati meteorologici in 4 dimensioni (le 3 dimensioni del volume atmosferico e il tempo) mediante modelli meteorologici completamente risolti che sono sia inizializzati sia alimentati nelle condizioni al contorno con dati provenienti dai dataset storici rilevati da stazioni, satelliti, aerei, palloni sonda e in particolare attraverso sistemi di assimilazione e analisi dei modelli globali. Uno dei migliori è ERA-5 ECMWF ma di norma per aree specifiche è necessario un adeguato downscaling (aree regionali o aree limitate) sfruttando la medesima fisica del LAM con dati al contorno delle reanalisi globali.
In merito al bilancio di massa le reanalisi sfruttano in massima parte il remote sensing offerto dai satelliti di seconda generazione (geostazionari) o polari. Chiaramente i processi che consentono di stimare i suddetti bilanci sono assai più complessi, ma la componente di remote sensing predomina.

Grazie per la risposta!
Cosa si intende per le 3 dimensioni del volume atmosferico e per assimilazione?
Io pensavo che ogni modello venisse costruito facendo riferimento a dati meteorologici relativi ad anni precedenti, non solo l'ERA-5 rianalisi. ( Se ho capito bene cosa vuol dire Rianalisi!! )

Scusa per le tante domande, ma ho appena iniziato a interessarmi di questi argomenti!
Grazie mille!

[Gigiometeo]

Grazie per la risposta!
Cosa si intende per le 3 dimensioni del volume atmosferico e per assimilazione?
Io pensavo che ogni modello venisse costruito facendo riferimento a dati meteorologici relativi ad anni precedenti, non solo l'ERA-5 rianalisi. ( Se ho capito bene cosa vuol dire Rianalisi!! )

Scusa per le tante domande, ma ho appena iniziato a interessarmi di questi argomenti!
Grazie mille!

Occorre immaginare un modello numerico di previsione (NWP) come un insieme di cubetti di base, altezza e profondità determinate (dipende dalla risoluzione del modello), e per ogni "cubetto" devono essere simulate tutte le dinamiche atmosferiche partendo dallo stato attuale e sviluppando la previsione. Quindi le tre dimensioni comprendono il livello dei suolo, i vari livelli verticali e l'estensione del dominio di ogni cubetto. Per quanto concerne l'assimilazione di osservazioni meteorologiche essa può essere descritta come il processo attraverso cui tutte le informazioni disponibili sono utilizzate allo scopo di stimare, con il maggior grado di accuratezza possibile, lo stato dell’atmosfera ad un certo istante di tempo e produrre quindi un’analisi. Le informazioni disponibili consistono essenzialmente nelle osservazioni stesse e nelle leggi fisiche che governano l’atmosfera e devono essere opportunamente combinate attraverso metodologie più o meno sofisticate. Da questa premessa risulta evidente come l’assimilazione dati ricopra un ruolo fondamentale del processo di previsione numerica meteorologica, in quanto determina l’incertezza della condizione iniziale (analisi) da cui parte l’integrazione dei modelli meteorologici. Lo sviluppo e l’implementazione di schemi che riducano il più possibile tale incertezza è un punto fermo. Essendo l’atmosfera un sistema dinamico caotico, piccoli errori nella condizione iniziale possono crescere rapidamente nel corso della previsione, degradandone progressivamente l’accuratezza.
Tra i vari schemi di assimilazione, si possono distinguere 3 diverse classi:
• Empirici: Successive Correction Method (SCM) e Nudging
• Statistici costanti: Optimal Interpolation (OI), 3-dimensional variational data assimilation (3DVar) e 4 dimensional variational data assimilation (4DVar)
• Statistici adattivi: Extended Kalman filter (EKF) e Ensemble Kalman filter (EnFK).
Ma sugli schemi di assimilazione la ricerca corre continuamente, per cui se ne aggiungono sempre nuovi e via via più "raffinati".

[PalMat]

Occorre immaginare un modello numerico di previsione (NWP) come un insieme di cubetti di base, altezza e profondità determinate (dipende dalla risoluzione del modello), e per ogni "cubetto" devono essere simulate tutte le dinamiche atmosferiche partendo dallo stato attuale e sviluppando la previsione. Quindi le tre dimensioni comprendono il livello dei suolo, i vari livelli verticali e l'estensione del dominio di ogni cubetto. Per quanto concerne l'assimilazione di osservazioni meteorologiche essa può essere descritta come il processo attraverso cui tutte le informazioni disponibili sono utilizzate allo scopo di stimare, con il maggior grado di accuratezza possibile, lo stato dell’atmosfera ad un certo istante di tempo e produrre quindi un’analisi. Le informazioni disponibili consistono essenzialmente nelle osservazioni stesse e nelle leggi fisiche che governano l’atmosfera e devono essere opportunamente combinate attraverso metodologie più o meno sofisticate. Da questa premessa risulta evidente come l’assimilazione dati ricopra un ruolo fondamentale del processo di previsione numerica meteorologica, in quanto determina l’incertezza della condizione iniziale (analisi) da cui parte l’integrazione dei modelli meteorologici. Lo sviluppo e l’implementazione di schemi che riducano il più possibile tale incertezza è un punto fermo. Essendo l’atmosfera un sistema dinamico caotico, piccoli errori nella condizione iniziale possono crescere rapidamente nel corso della previsione, degradandone progressivamente l’accuratezza.
Tra i vari schemi di assimilazione, si possono distinguere 3 diverse classi:
• Empirici: Successive Correction Method (SCM) e Nudging
• Statistici costanti: Optimal Interpolation (OI), 3-dimensional variational data assimilation (3DVar) e 4 dimensional variational data assimilation (4DVar)
• Statistici adattivi: Extended Kalman filter (EKF) e Ensemble Kalman filter (EnFK).
Ma sugli schemi di assimilazione la ricerca corre continuamente, per cui se ne aggiungono sempre nuovi e via via più "raffinati".

Grazie per l'aiuto e la chiarezza!