XiaoMi-AI文件搜索系统
World File Search System可预报性
地球系统可预报性的人工智能（AI4ESP）
免责声明 本报告是作为美国政府机构赞助的工作的记录而编写的。美国政府及其任何机构、芝加哥大学阿贡分校有限责任公司及其任何员工或官员均不对所披露的任何信息、设备、产品或流程的准确性、完整性或实用性做任何明示或暗示的保证，也不承担任何法律责任或义务，也不表示其使用不会侵犯私有权利。本文以商品名、商标、制造商或其他方式提及任何特定商业产品、流程或服务并不一定构成或暗示美国政府或其任何机构对其的认可、推荐或支持。本文表达的文档作者的观点和意见不一定代表或反映美国政府或其任何机构、阿贡国家实验室或芝加哥大学阿贡分校有限责任公司的观点和意见。
气候和冰冻圈 | ECMWF
• 加强对冰冻圈和寒冷地区气候的观测和监测，以支持过程研究、模型评估和变化检测。 • 提高对冰冻圈在气候系统中相互作用的物理过程和反馈的理解 • 改进模型中冰冻圈过程的表示，以减少气候模拟和气候变化预测的不确定性（冰冻圈对气候系统可预报性的作用）
NOAA 应评估改进飓风预报和预警的机会
3 《天气法》于 2017 年 4 月 18 日颁布。 4 NHC 在 https://www.nhc.noaa.gov/cyclones/（2024 年 7 月 29 日访问）上托管活跃热带气旋产品。 NWS 天气预报办公室 (WFO) 发布内陆地区的风灾信息。此外，中太平洋飓风中心和关岛和美属萨摩亚的 WFO 为其各自的责任区发布热带气旋灾害产品。 5 这是一个称为地面实况数据的概念。现场测量也可用于确认或校准远距离收集的数据，例如从卫星收集的数据。与飞机观测相比，卫星数据对风暴位置和强度的确定性较低。 6 NOAA 于 2023 年 6 月 27 日宣布 HAFS 投入运营。HAFS 是 NOAA 的新飓风预报模型。 7 集合是一组以略有不同的初始条件或模型版本运行的计算机天气模型。集合旨在通过平均各种预报来提高预报的准确性，并提供有关预报不确定性的可靠信息。 8 请参阅 https://www.nhc.noaa.gov/verification/verify5.shtml（2024 年 7 月 30 日访问）。 9 请参阅 Landsea, CW 和 JP Cangialosi，2018 年：“我们是否已经达到热带气旋轨迹预报的可预报性极限？” Bull. Amer. Meteor. Soc.，2237-2243。
初始雪况对北落基山脉大气河流数值天气模拟的影响
摘要：雪的热和辐射特性对陆地表面能量平衡产生强烈影响，从而对其上方的大气产生影响。山区的陆地表面积雪信息知之甚少。很少有研究检查过中纬度冷季高分辨率、对流允许的数值天气预报模型中初始陆地表面积雪条件的影响。使用天气研究和预报 (WRF) 模型的高分辨率 (1 公里) 配置，测试陆地表面积雪对大气能量输送和随后的地面气象状态的影响程度，包括平静条件和 3 月下旬温暖大气河流的天气特征。一组合成但真实的雪状态被用作模型运行的初始条件，并比较了产生的差异。我们发现，在这两个时期，雪的存在 (不存在) 会使 2 米空气温度降低 (升高) 多达 4 K，并且大气通过从邻近地区平流湿静态能量来响应雪扰动。雪量和积雪面积都是影响 2 米空气温度的重要变量。最后，WRF 实验产生的气象状态用于强制离线水文模型，表明融雪率可以增加/减少 2 倍，具体取决于主天气模型中使用的初始雪况。我们提出，中尺度模型中陆地表面雪特性的更真实表示可能是水文气象可预报性的来源
559_Palmer_2004_DevelopmentOfAEuropeanMultimodel_Artzeit_pubid11720
热带太平洋 (McPhaden 等人1998)，最重要的是，原型耦合海洋-大气模型 (Zebiak 和 Cane 1987) 成功预测了厄尔尼诺现象。反过来，这些发展又得到了非常成功的国际热带海洋全球大气 (TOGA) 计划 (世界气候研究计划 1985) 的推动。季节性预报显然对社会各阶层都有价值，无论是出于个人、商业还是人道主义原因 (例如，Stern 和 Easterling 1999；Thomson 等人2000；Pielke 和 Carbone 2002；Hartmann 等人2002a；Murnane 等人2002)。然而，尽管大气-海洋耦合产生了可预测的信号，但上层大气本质上是混乱的，这意味着预测的天气的日常演变必然对初始条件敏感（Palmer 1993；Shukla 1998）。在实践中，这种敏感性的影响可以通过整合耦合海洋-大气模型的预测的向前时间集合来确定，集合中的各个成员因大气和底层海洋的起始条件的微小扰动而不同。集合的相空间弥散给出了流动潜在可预测性的可量化流动相关测量。但是，如果初始条件的不确定性是季节性预报集合中唯一的扰动，那么由此得出的可预报性测量结果将不可靠；原因是模型方程也是不确定的。更具体地说，尽管气候演变方程在偏微分方程的层面上很容易理解，但它们作为一组有限维常微分方程的表示，在数字计算机上进行积分时，不可避免地会带来不准确性。原则上，这种不准确性可以向上传播，并影响模型所预测的整个尺度范围。目前，没有潜在的理论形式主义可以用来估计模型不确定性的概率分布（见 Palmer 2001）；因此，必须寻求一种更务实的方法。其中一种方法依赖于这样一个事实，即全球气候模型是在不同的气候研究所独立开发的。由这种准独立模型组成的集合称为多模型集合。多模型集合能够比单一模型集合产生更可靠的季节性气候风险概率预报，这一点已由季节至年际时间尺度气候变化预测 (PROVOST) 项目资助
风力发电预测误差评估...
当风吹起，风力涡轮发电机收集动能并将其转化为电能时，需要预测涡轮机将发出多少电力。即使是最完美的计算机模型，具有很高的计算能力，也无法模拟自然力量的美妙，我们必须接受预测功率输出中存在一定程度的预测误差，因为大气中固有的随机模式。该项目旨在调查影响哥特兰岛风力发电资产预测误差的主要原因和因素。从理论和已进行的案例研究来看，风速是风力发电的最强预测因素，声称其他任何因素都是非常不准确的。然而，风力预测的主要预测因素是从文献研究中总结出来的，从天气模型中提取出来，并在哥特兰岛 Näsudden 的 Stugylparken 风电场案例研究中进行了尝试。尝试了三种不同的预测方法，根据所选的评估指标，集成树模型是最佳模型。表现第二好的模型是人工神经网络，理论功率曲线的预测效果比研究中测试的标准机器学习方法更差。值得注意的是，在评估选择哪种模型时，取决于评估方式以及哪个指标被视为最重要。除了风速对所有模型的影响最为显著之外，预测误差似乎与昼夜循环有关。一个原因可能是白天的陆海相互作用，尤其是在 4 月至 9 月期间。较高的预测误差与平均风速较高的时期密切相关，天气变化的时间会影响可预报性，并且应该会出现较大的误差。在本项目中，数值天气预报数据用于研究预测误差。在模型运行的最初几个小时内可以看到较低的误差。这是意料之中的，因为这是我们最接近初始条件（换句话说，现实世界）的时候。然而，似乎风速和昼夜循环比数值天气预报模型在最初 24 小时内的表现更为重要。由于安装容量较大，预测未来几年风力发电资产的电力输出预计会变得更加重要。即使安装容量增加，也不希望出现容量过剩，灵活性将更为重要。我们面临着挑战，但也有机会更有效地利用社会资源，并通过更灵活地利用资源来降低社会对地球的气候影响。