Originariamente Scritto da
Daniele Campello
Metodo first guest e ETBV (Ensemble Transform Bred Vectors)
I migliori
GM (global model) in realtà non utilizzano ad ogni corsa come input le misurazioni sinottiche, ma dati di background (metodo first guest), che consiste nel prelevare i dati della corsa precedente, trasformandoli come iniziali.
Questo metodo elimina, le differenze di affidabilità tra vari run.
Questi dati di background, vengono confrontati con la stima delle rilevazioni sinottiche, implementate da fattori statistici per comporre la griglia, metodo detto OI (optimal interpolation). Si fa questo per ovviare al problema di fondo, ciò quello dell’impossibilità di coincidere una rete sparsa di stazioni meteorologiche, con dei punti precisi (nodi della griglia della risoluzione modellistica).
Questo procedimento di assimilazione “standard”, tuttavia contiene degli errori di fondo, in quanto non tiene conto dell’instabilità del flusso, ma corregge i valori di first guest con dati statistici cioè costanti (sia nel tempo che nello spazio). Per ovviare a questo problema i maggiori modelli come
GFS, utilizzano il Kalman Filter (KF), un procedimento che consente di ottenere un risultato atteso, in un determinato ordine. Tale metodo è adoperato per il filtraggio dei dati, costruito sulla base di una media ragionata tra il prossimo valore predetto e il prossimo valore stimato. In questo modo l’algoritmo offre la stima dello stato più probabile dell’atmosfera, quindi la matrice di covarianza del background non è più determinata statisticamente, ma è anch’essa il risultato del modello (sistema dinamico).
Per questi motivi, è possibile affermare che GFS non presenta run con diversa affidabilità, in quanto non esistono corse deterministiche più o meno ricche di dati sinottici, in base ad orari.
Nelle
ENS GEFS si utilizza il metodo chiamato Ensemble Transform Bred Vectors, si adopera un algoritmo simile al filtro di Kalmar, il EnKF (ensemble kalman filter), dove la covarianza del background non viene stimata da un dato, ma da un numero finito di traiettorie non lineari. Tutto questo in modalità esclusivamente random. Quindi non vi è alcuna scelta a priori dei disturbi o errori extra-modellistici da inserire ai dati iniziali (run di controllo). Le stesse perturbazioni sono immesse dal modello in maniera autonoma, sempre con lo scopo di ottenere un ventaglio di possibili soluzioni. Teniamo presente che il run di controllo non è ne migliore ne peggiore rispetto agli altri clusters (lo è rispetto al run ufficiale
GFS, che è un altro modello).
Altro metodo usato sui modelli ensemble a corto raggio è il “breeding cycle”… ma qui il discorso si complica…
Re: 12z
Stessa identica attendibilità degli altri 3 run giornalieri
Permessi di Scrittura
Rispondi Citando
Segnalibri