A HAIL FORECASTING BY DISCRIMINANT FUNCTION BASED ON GLOBAL ATMOSPHERIC MODEL OUTPUT DATA

Предлагаемый метод прогноза града первоначально был разработан на основе концепции «идеального прогноза», с использованием метеорологических параметров атмосферы, рассчитанных по данным фактических наблюдений. Реализация таких методов на практике встречает некоторые трудности, связанные с тем, что такие данные доступны только на отдельных метеостанциях, расположенных достаточно далеко друг от друга, причем частота и время проведения измерений не соответствует моменту максимального развития конвекции.

В настоящее время в метеорологии получили развитие схемы расчета параметров атмосферы по концепции MOS (Model Output Statistics) – по прогностическим данным моделей атмосферы.

В данном исследовании в качестве прогностической модели атмосферы предлагается использовать глобальную систему прогнозов Национальных центров прогнозирования процессов в окружающей среде (GFS NCEP) США, которая была принята в эксплуатацию в начале 90-х годов

Правомерность замены данных фактического аэрологического зондирования, полученных на метеостанциях «Минеральные Воды» и «Дивное» на поля метеоэлементов из глобальной модели для географических координат этих метеостанций была подтверждена результатами исследований

О возможности развития конвекции, сопровождающейся выпадением града, в метеорологии широко применяются статистические методы, наибольшее развитие и применение из которых получил дискриминантный анализ

Целью настоящего исследования является расчет дискриминантной функции для прогнозирования града в случае, когда параметры атмосферы рассчитываются по данным глобальной модели атмосферы, причем с заблаговременностью 30 часов. Для этого решались следующие задачи:

1. Сбор данных о событиях «град» и «не град» в градовом сезоне 2023 г. и расчет параметров атмосферы по выходной продукции глобальной модели атмосферы с заблаговременностью 30 часов.

2. Составление дискриминантной функции для прогнозирования града и оценка ее качества.

Данные наблюдений были предоставлены ФГБУ «Северо-Кавказская военизированная служба по активному воздействию на метеорологические и другие геофизические процессы».

Построение дискриминантной функции осуществлялось на основе статистического пакета программ SPSS

Первостепенной задачей при реализации статистической прогностической схемы (прогноза как конвекции, так и явлений, связанных с нею) является отбор признаков, описывающих рассматриваемое явление и характеризующих физику конвективных явлений в атмосфере.

Рассчитывается около 45 признаков (метеорологических параметров атмосферы), обусловливающих возникновение, развитие и интенсивность опасных конвективных процессов, в том числе и града

Такое количество признаков не только делает вычислительную процедуру чрезвычайно трудоемкой, но и предъявляет слишком жесткие требования к объему эмпирических данных. Поэтому возникает необходимость в выборе наиболее информативных из них. Такой выбор был сделан с помощью бисериального коэффициента корреляции и в результате было получено, что на формирование явлений конвективной природы (град, ливень и т.д.) оказывают наибольшее влияние следующие параметры атмосферы

DTM ‒ максимальная разность температур в облаке и окружающем воздухе;

HM ‒ уровень, на котором разность температур в облаке и окружающем воздухе максимальна;

DTK ‒ вертикальный градиент температуры в слое выше уровня конденсации на 4-4,5 км;

SQZ5 ‒ суммарная удельная влажность в слое Земля-5 км;

TDSR5 ‒ средний дефицит влажности в слое выше уровня конденсации на 5 км;

PH1 ‒ уровень конвекции;

TH1 ‒ температура на уровне конвекции;

DJ ‒ индекс неустойчивости Джорджа;

TTMI ‒ индекс интегральной суммы Миллера;

DSS ‒ энергетическая характеристика подоблачного слоя.

По отобранным параметрам строилась дискриминантная функция вида:

(1)

где d – зависимая номинальная переменная;

an – коэффициенты при независимых переменных;

const – постоянный член.

Зависимая номинальная переменная имеет два значения: d=1 («град») и d=0 («не град»).

По данным наблюдений Северо-Кавказской службы в расчет было принято 109 событий, из которых в 34 случаях был зафиксирован град, а в 75 случаях не было града.

Разделение явлений на «град» или «не град» осуществлялось по следующему принципу: событие относилось к группе «град», если град фиксировался на земле по данным наземных наблюдений, а также в облаке по данным радиолокационных наблюдений. В остальных случаях фиксировался «не град».

Для всех событий были рассчитаны параметры атмосферы по данным глобальной модели атмосферы с заблаговременностью 30 часов, и с учетом всех отобранных признаков построена дискриминантная функция вида (1) (пошаговый анализ с исключением).

Дискриминантный анализ предполагает исключение зависимых переменных по критериям равенства групповых средних. Для проведения теста на равенство средних значений в группах применяется коэффициент Лямбда Уилкса. В данном исследовании значимость этого коэффициента оказалась Sig.>0,05 для переменных DSS и DTK, что потребовало исключения их из дальнейшего анализа.

Далее оставшиеся переменные проверяются на независимость друг от друга, для этого рассчитываются коэффициенты корреляции между всеми переменными, характеризующие связи между ними. Оказалось, что имеется сильная связь между следующими парами переменных:

Вклады переменных DTM, TH1 и DJ в дискриминантную функцию в соответствии со значениями ненормированных канонических коэффициентов оказались наименьшими, что позволило их также исключить из анализа.

Затем была перестроена дискриминантная функция и определены ее коэффициенты (табл. 1).

По данным табл. 1 была построена прогностическая дискриминантная модель:

(2)

Параметры, вошедшие в дискриминантную функцию, в основном отражают запас энергии неустойчивости и влагосодержания, которые в разной степени используются в других методах альтернативного прогноза града. Это свидетельствует о том, что запасы конвективной неустойчивости в разных слоях тропосферы играют главную роль в формировании интенсивной конвекции.

Результаты классификации предлагаемой модели представлены в табл. 2, в которой для каждого наблюдения построчно приводится информация о значении дискриминантной функции («1» или «0») и прогнозируемая принадлежность к одной из двух групп «град» и «не град».

Получено, что из 34 явлений «град» 29 корректно причислены к группе «град» и из 75 явлений «не град» 64 случая — «не град», а также 85,3% исходных сгруппированных наблюдений классифицировано правильно (табл. 2).

Результаты проверки методики «идеального прогноза» на многолетних данных фактического аэрологического зондирования атмосферы по нескольким пунктам Северного Кавказа на научно-исследовательском полигоне Высокогорного геофизического института (г. Нальчик) показали оправдываемость 78% при заблаговременности 3-12 часов

Таким образом, оправдываемость прогнозирования града по данным глобальной модели атмосферы с заблаговременностью 30 часов оказалась несколько выше оправдываемости прогноза града по фактическим данным аэрологического зондирования, что свидетельствует о некотором их преимуществе.

Схема прогнозирования града, основанная на использовании выходной продукции Глобальной системы прогнозов Национальных центров прогнозирования процессов в окружающей среде (GFS NCEP) США, показала свою работоспособность на независимых данных в градовом сезоне 2023 г.

Проведенное исследование показывает, что дискриминантная функция, построенная по выходной продукции глобальной модели, сохраняет прогностический потенциал при прогнозировании града даже при увеличении заблаговременности до 30 часов.

Полученный результат будет полезен в работе служб по борьбе с градом.