КРАТКОСРОЧНОЕ ПРОГНОЗИРОВАНИЕ МЕТЕОРОЛОГИЧЕСКИХ УСЛОВИЙ И ЯВЛЕНИЙ ПОГОДЫ ВЫСОКОГО ПРОСТРАНСТВЕННОГО РАЗРЕШЕНИЯ ПО ХАБАРОВСКУ

Обложка

Цитировать

Полный текст

Аннотация

Представлена экспериментальная система выпуска краткосрочных численных прогнозов погоды (ЧПП) для Хабаровска на основе модели Weather Research and Forecasting (WRF) на сетке с шагом 1 км. Особенностями системы является учет в численной модели городской подстилающей поверхности при использовании параметризации single-layer urban canopy model. Городская застройка представлена тремя типами подстилающей поверхности: промышленные зоны, низко- и высокоэтажная застройка. Рассматривается задача интерпретации численных прогнозов высокого пространственно-временного разрешения в крупном населенном пункте. Расчеты на сетке с шагом 1 км по модели WRF показали более высокое качество краткосрочных прогнозов по городу в сравнении с сеткой с шагом 5 км за июнь – декабрь 2023 г. На этом периоде на сетках с шагами 1 км и 5 км осредненная абсолютная ошибка прогноза скорости и направления приземного ветра выше 10 м/c составляет 2,9 м/с и 3,2 м/с, и 14∘ и 32∘ соответственно, для приземной температуры осредненная абсолютная ошибка достигает 1,6∘ и 3,1∘.

Об авторах

С. О. Романский

Дальневосточный региональный научно-исследовательский гидрометеорологический институт

Email: khvstas@gmail.com
ORCID iD: 0000-0001-6613-6881
SPIN-код: 6967-4124
Scopus Author ID: 56960474000
ResearcherId: I-5337-2015
кандидат физико-математических наук

Е. М. Вербицкая

Дальневосточный региональный научно-исследовательский гидрометеорологический институт

Список литературы

  1. Григорьев В. А., Огородников И. А. Проблемы экологизации городов в мире, России, Сибири: Аналит. обзор. — Новосибирск : Экология. Серия аналитических обзоров мировой литературы, Вып. 63. ГПНТБ СО РАН, 2001. — 152 с. — EDN: FMJFFB.
  2. Кузнецова И. Н., Брусова Н. Е., Нахаев М. И. Городской остров тепла в Москве: определение, границы, изменчивость // Метеорология и гидрология. — 2017. — № 5. — С. 49—61. — EDN: YNWCKX.
  3. Ривин Г. С., Розинкина И. А., Вильфанд Р. М. и др. Разработка оперативной системы численного прогноза погоды и условий возникновения опасных явлений с высокой детализацией для Московского мегаполиса // Метеорология и гидрология. — 2020. — № 7. — С. 5—19. — EDN: RVBBLZ.
  4. Романский С. О., Вербицкая Е. М. Краткосрочный численный прогноз погоды высокого пространственного разрешения по Владивостоку на базе модели WRF-ARW // Вестник Дальневосточного отделения Российской академии наук. — 2014. — 5(177). — С. 48—57. — EDN: TNDODH.
  5. Романский С. О., Вербицкая Е. М. Сильные шквалистые ветры в Южно-Сахалинске летом 2014 г. // Геосферные исследования. — 2023. — № 4. — С. 141—154. — doi: 10.17223/25421379/29/10. — EDN: LZBUBM.
  6. Тарасова М. А., Варенцов М. И., Степаненко В. М. Параметризации взаимодействия атмосферы с городской поверхностью: обзор и перспективы развития // Известия Российской академии наук. Физика атмосферы и океана. — 2023. — Т. 59, № 2. — С. 127—148. — doi: 10.31857/S0002351523020062. EDN: HPPHSS
  7. Buchhorn M., Smets B., Bertels L., et al. Copernicus Global Land Service: Land Cover 100m: collection 3: epoch 2019: Globe. — 2020. — doi: 10.5281/ZENODO.3939050. — (visited on: 17.11.2022).
  8. Chen F., Kusaka H., Bornstein R., et al. The integrated WRF/urban modelling system: development, evaluation, and applications to urban environmental problems // International Journal of Climatology. — 2011. — Vol. 31, no. 2. — P. 273–288. — doi: 10.1002/joc.2158.
  9. Dowell D. C., Alexander C. R., James E. P., et al. The High-Resolution Rapid Refresh (HRRR): An Hourly Updating Convection-Allowing Forecast Model. Part I: Motivation and System Description // Weather and Forecasting. — 2022. — Vol. 37, no. 8. — P. 1371–1395. — doi: 10.1175/waf-d-21-0151.1. EDN: EXHVMO
  10. Garuma G. F. Review of urban surface parameterizations for numerical climate models // Urban Climate. — 2018. — Vol. 24. — P. 830–851. — doi: 10.1016/j.uclim.2017.10.006.
  11. Hong Kong Observatory. Numerical modelling for weather prediction in Hong Kong. — 2022. — URL: https://www.hko.gov.hk/en/wservice/tsheet/nwp.htm ; (visited on: 17.01.2024).
  12. Jeworrek J., West G., Stull R. W. WRF Precipitation Performance and Predictability for Systematically Varied Parameterizations over Complex Terrain // Weather and Forecasting. — 2021. — Vol. 36, no. 3. — P. 893–913. — doi: 10.1175/waf-d-20-0195.1. EDN: DJKQAD
  13. Kim G., Lee J., Lee M.-I. Impacts of urbanization on atmospheric circulation and aerosol transport in a coastal environment simulated by the WRF-Chem coupled with urban canopy model // Atmospheric Environment. — 2021. — Vol. 249. — P. 118253. — doi: 10.1016/j.atmosenv.2021.118253. EDN: CMFKWL
  14. Kusaka H., Kondo H., Kikegawa Y., et al. A Simple Single-Layer Urban Canopy Model For Atmospheric Models: Comparison With Multi-Layer And Slab Models // Boundary-Layer Meteorology. — 2001. — Vol. 101, no. 3. — P. 329–358. — doi: 10.1023/a:1019207923078. EDN: ARTEXL
  15. Kwok Y. T., Ng Y. Y. E. Trends, topics, and lessons learnt from real case studies using mesoscale atmospheric models for urban climate applications in 2000-2019 // Urban Climate. — 2021. — Vol. 36. — P. 100785. — doi: 10.1016/j.uclim.2021.100785. EDN: XBJMFK
  16. Lin Y., Wang C., Yan J., et al. Observation and Simulation of Low-Level Jet Impacts on 3D Urban Heat Islands in Beijing: A Case Study // Journal of the Atmospheric Sciences. — 2022. — Vol. 79, no. 8. — P. 2059–2073. — doi: 10.1175/jas-d-21-0245.1. EDN: YPIPHL
  17. Masson V., Lemonsu A., Hidalgo J., et al. Urban Climates and Climate Change // Annual Review of Environment and Resources. — 2020. — Vol. 45, no. 1. — P. 411–444. — doi: 10.1146/annurev-environ-012320-083623. EDN: WLKKFX
  18. Mills G., Molina L. T., Schluenzen H., et al. Guidance on Integrated Urban Hydrometeorological, Climate and Environment Services. Vol. II: Demonstration Cities. — Geneva, Switzerland : Publications Board World Meteorological Organization, 2021. — 166 p.
  19. Shin H. H., Dudhia J. Evaluation of PBL Parameterizations in WRF at Subkilometer Grid Spacings: Turbulence Statistics in the Dry Convective Boundary Layer // Monthly Weather Review. — 2016. — Mar. — Vol. 144, no. 3. — P. 1161–1177. — doi: 10.1175/mwr-d-15-0208.1.
  20. Siuta D., West G., Stull R. W. WRF Hub-Height Wind Forecast Sensitivity to PBL Scheme, Grid Length, and Initial Condition Choice in Complex Terrain // Weather and Forecasting. — 2017. — Vol. 32, no. 2. — P. 493–509. — doi: 10.1175/waf-d-16-0120.1.
  21. Skamarock W. C., Klemp J. B. A time-split nonhydrostatic atmospheric model for weather research and forecasting applications // Journal of Computational Physics. — 2007. — Vol. 227, no. 7. — P. 3465–3485. — doi: 10.1016/j.jcp.2007.01.037. EDN: MTVBDN
  22. Solbakken K., Birkelund Y., Samuelsen E. M. Evaluation of surface wind using WRF in complex terrain: Atmospheric input data and grid spacing // Environmental Modelling & Software. — 2021. — Vol. 145. — P. 105182. — doi: 10.1016/j.envsoft.2021.105182.
  23. Wang C.-C. On the Calculation and Correction of Equitable Threat Score for Model Quantitative Precipitation Forecasts for Small Verification Areas: The Example of Taiwan // Weather and Forecasting. — 2014. — Vol. 29, no. 4. — P. 788–798. — doi: 10.1175/waf-d-13-00087.1.
  24. Wang L., Li D. Urban Heat Islands during Heat Waves: A Comparative Study between Boston and Phoenix // Journal of Applied Meteorology and Climatology. — 2021. — Vol. 60, no. 5. — P. 621–641. — doi: 10.1175/JAMC-D-20-0132.1. EDN: JPLQAI

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© Романский С.О., Вербицкая Е.М., 2025

Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».