Nie ulega wątpliwości, że w dzisiejszym, rozpędzonym świecie znacznie częściej spoglądamy w przyszłość niż rozważamy przysłowiowe “tu i teraz”, jeszcze mniej uwagi poświęcając temu co już miało miejsce. Taką postawę umożliwiają nam współczesne rozwiązania technologiczne, które za pomocą modeli matematycznych pozwalają opisywać otaczający świat z coraz większą dokładnością. Dokładne odtworzenie rzeczywistości daje nam natomiast sposobność przewidzenia przyszłości w perspektywie najbliższej godziny, dnia, tygodnia, miesiąca, a nawet dłużej. Prognoza sama w sobie stała się narzędziem codziennej pracy, a globalna cyfryzacja zrewolucjonizowała jej dostępność. Choć ten niewątpliwy postęp ułatwił nam codzienne funkcjonowanie, to niesie za sobą również pewne niebezpieczeństwo – chcąc nieustannie patrzeć do przodu, więcej uwagi poświęcamy na otrzymanie dużej ilości wyników, niż ich właściwą interpretację. Długoterminowe prognozowanie pogody (miesięczne lub nawet trzymiesięczne, często nazywane sezonowym) jest tego bardzo dobrym przykładem.
AUTORZY:
Krystyna Pianko-Kluczyńska, IMGW-PIB/Centrum Meteorologicznej Osłony Kraju
Krystyna Konca-Kędzierska, IMGW-PIB/Centrum Meteorologicznej Osłony Kraju
Marcin Wdowikowski, IMGW-PIB/Laboratorium Zaawansowanych Metod Modelowania Meteorologicznego
Alan Mandal, IMGW-PIB/Laboratorium Zaawansowanych Metod Modelowania Meteorologicznego
Grzegorz Nykiel, IMGW-PIB/Laboratorium Zaawansowanych Metod Modelowania Meteorologicznego
Adam Jaczewski, IMGW-PIB/Laboratorium Zaawansowanych Metod Modelowania Meteorologicznego
Weronika Wrońska, IMGW-PIB/Laboratorium Zaawansowanych Metod Modelowania Meteorologicznego
Tomasz Strzyżewski, IMGW-PIB/Laboratorium Zaawansowanych Metod Modelowania Meteorologicznego
Zofia Bałdysz, IMGW-PIB/Laboratorium Zaawansowanych Metod Modelowania Meteorologicznego
Marta Gruszczyńska, IMGW-PIB/Laboratorium Zaawansowanych Metod Modelowania Meteorologicznego
Mariusz Figurski, IMGW-PIB/Laboratorium Zaawansowanych Metod Modelowania Meteorologicznego
Informacja o najbardziej prawdopodobnym przebiegu pogody w bliższej i – coraz częściej – dalszej przyszłości jest wysoce pożądana. Przydaje się niemal w każdej dziedzinie życia, od doboru elementów garderoby, przez realizowane prace, po planowany wypoczynek na urlopie odległym o pół roku. Dlatego też wzrasta niezadowolenie i frustracja odbiorców prognoz długoterminowych, kiedy wyniki, na podstawie których planują swoje działania, nie pokrywają się w ich odczuciu z warunkami obserwowanymi. Wynika to z tego, że zachęcani potencjalnym sukcesem oferowanych możliwości gubimy istotę złożoności problemu. Zapominamy, że prognozy pogody są efektem długoletnich badań naukowych, w wyniku których powstały algorytmy obliczeniowe próbujące odwzorować procesy fizyczne zachodzące w atmosferze. Główną przyczyną rozczarowania prognozami długoterminowymi jest zbyt dosłowne ich traktowanie lub nieuwzględnienie przez odbiorcę informacji o niepewności, jaką niesie ze sobą dany model matematyczny – a tych jest wiele. Jak zatem połączyć interes “potrzeby” z obszarem “możliwości”?
Świadomy widz
Stan atmosfery w danej chwili, określony mianem “pogody”, jest bezpośrednią konsekwencją nieustannej cyrkulacji powietrza wywołanej ruchem obrotowym Ziemi, ale także zależy od takich elementów, jak stan oceanów (temperatura warstwy powierzchniowej), występowanie prądów oceanicznych, ukształtowanie lądów (oraz wilgotność ich powierzchni) czy przemieszczanie się wiatrów stratosferycznych. Prawidłowy opis tych wszystkich parametrów, wraz z ich wpływem na proces formowania pogody, wymaga dostarczenia bardzo dużej ilości danych obserwacyjnych i pomiarowych. Według NOAA[i] do każdorazowego przygotowania prognozy w skali całej kuli ziemskiej, wykorzystuje się ponad 4 mln tego typu danych.
Należy również pamiętać, że prognoza długoterminowa, w odróżnieniu od prognoz krótko- i średnioterminowych, nie podaje przebiegów parametrów meteorologicznych w kolejnych dniach okresu prognostycznego, a jedynie ogólną charakterystykę wybranych elementów meteorologicznych w miesiącu lub sezonie. W IMGW-PIB, podobnie jak w innych ośrodkach meteorologicznych na całym świecie, średnią miesięczną temperaturę powietrza oraz miesięczną sumę opadów dla danego miesiąca prognozuje się w odniesieniu do tzw. normy (średniej) wieloletniej, przyjmowanej za okres 1981-2010 lub jako prognozę odchylenia od wspomnianej średniej wieloletniej. Wartości średnie temperatury oraz miesięcznej sumy opadów z analizowanego okresu sortuje się od najniższej do najwyższej, przez co: 10 najniższych wartości wyznacza klasę „poniżej normy”, 10 środkowych wartości wyznacza klasę „w normie”, a 10 najwyższych klasę „powyżej normy”.
Gdy przewidywane są wartości temperatury powietrza czy sumy opadów:
- „powyżej normy” – można zakładać, że prognozowany miesiąc będzie cieplejszy, bardziej mokry od co najmniej dwudziestu obserwowanych, tych samych miesięcy w latach 1981-2010;
- „poniżej normy” – można zakładać, że prognozowany miesiąc będzie chłodniejszy, bardziej suchy od co najmniej dwudziestu obserwowanych, tych samych miesięcy w latach 1981-2010;
- „w normie” – można zakładać, że prognozowany miesiąc będzie podobny do typowych dziesięciu obserwowanych, tych samych miesięcy w latach 1981-2010.
Narzędzia prognostyczne
W długoterminowych prognozach pogody (miesięcznych i sezonowych) stosowane są głównie modele statystyczne, ze względu na problemy, jakie sprawia występowanie efektu chaosu deterministycznego w równaniach opisujących dynamikę atmosfery. Przewidywanie stanu atmosfery w kolejnych dniach długiego okresu prognostycznego obarczone jest dużym, często niemożliwym do zaakceptowania, ryzykiem. IMGW-PIB, jak wiele służb na świecie, oprócz globalnych modeli pogody, rozwija i wykorzystuje własne modele – IMGW-Reg oraz IMGW-Bayes.
IMGW-Reg jest statystycznym modelem prognostycznym, gdzie prognozowana jest wartość średniej miesięcznej temperatury powietrza oraz sumy miesięcznej opadów wraz z odchyleniem standardowym prognozowanej wartości. Model ten wykorzystuje metody regresji cząstkowej, przyjmując za predyktory pola kwantyli wybranych zmiennych meteorologicznych (temperatura, wysokość geopotencjału, składowa strefowa wiatru, wilgotność względna), pochodzących z reanaliz NCEP/NCAR[ii]. Wynikiem jest wyselekcjonowana wiązka prognoz danego elementu, na podstawie której określa się najbardziej prawdopodobną klasę. Model uruchamiany jest raz w miesiącu i generuje prognozę dla sześciu najbliższych miesięcy i dwudziestu wybranych miast w Polsce.
IMGW-Bayes jest statystycznym modelem prognostycznym, opartym na teorii prawdopodobieństwa i twierdzeniu Thomasa Bayesa (naiwny klasyfikator Bayesa). Prognozowane jest prawdopodobieństwo wystąpienia miesięcznej średniej temperatury powietrza, miesięcznej sumy opadów, w klasie „powyżej normy”, „w normie” i „poniżej normy” (wyniki modelu nie zawierają informacji, o ile prognozowana wartość będzie niższa od dolnej granicy normy lub wyższa od górnej granicy normy). Do obliczeń wykorzystywane są dane z reanaliz NCEP/NCAR, które dotyczą wybranych pól meteorologicznych z różnych poziomów troposfery i stratosfery. Model uruchamiany jest raz w miesiącu i generuje prognozę w wyprzedzeniem maksymalnie pięciu miesięcy. Obecnie prognozy wykonuje się dla osiemdziesięciu siedmiu stacji meteorologicznych w Polsce, a wyniki interpoluje dla obszaru całego kraju.
Jakość prognozy
Modele IMGW-PIB dla prognozy średniej miesięcznej temperatury powietrza wykazują sprawdzalność na poziomie 57 proc. (IMGW-Bayes) i 64 proc. (IMGW-Reg); dla miesięcznej sumy opadów umożliwiają osiągnięcie sprawdzalności na poziomie 35 proc. (IMGW-Reg) i 37 proc. (IMGW-Bayes). Prognozy pogody co do zasady muszą uwzględniać potrzeby i oczekiwania odbiorców, dlatego pojęcia sukcesu i porażki nie są jednoznaczne i cały czas dotykają wspomnianego konfliktu interesów “potrzeby” i “możliwości”. Szczególnie wyraźnym przykładem jest opracowanie prognozy sezonowej, gdzie należy odpowiedzieć na pytanie: czy zamierzamy przedstawić uśrednioną charakterystykę całego sezonu (np. średnia temperatura sezonu, suma opadu w sezonie) czy też przedstawiamy charakterystyki pogodowe osobne dla każdego miesiąca wchodzącego w skład analizowanego okresu. Mimo ciągłego rozwoju metod analiz otrzymywanych wyników i algorytmów obliczeniowych, nadal ciężko jest z bardzo dużą pewnością określić, jakie warunki pogodowe wystąpią za kilka miesięcy. Odczuwalna dynamika zmiany klimatu również nie pomaga metodom prognostycznym, które odnoszą się do cykliczności zjawisk, które miały miejsce w przeszłości. Czy zatem długoterminowe prognozy pogody mają sens? Tak, o ile spróbujemy zrozumieć ich istotę i trwale będziemy poszukiwać rozwiązań (np. takich jak regionalny multimodel integrujący wiele modeli z wykorzystaniem algorytmów sztucznej inteligencji), które pozwolą zaspokoić głód poznania jutra z pozycji “tu i teraz”.
Rozwój numerycznych modeli pogody na całym świecie, który jest konsekwencją postępu technik teledetekcyjnych, satelitarnych i wzrostu mocy obliczeniowej superkomputerów, otwiera coraz to nowe możliwości, również w zakresie prognozowania długoterminowego. W Polsce podstawowym źródłem informacji o pogodzie jest IMGW-PIB, gdzie prognozy długoterminowe rozwijane są od lat 50. XX wieku. Obecnie w Instytucie opracowywane i wdrażane są rozwiązania technologiczne, niezbędne do przeprowadzania zaawansowanych analiz meteorologicznych. Asymilacja współczesnej wiedzy i technologii z wieloletnim doświadczeniem pracowników oraz rozwój obecnie stosowanych modeli prognoz długoterminowych pozwolą IMGW-PIB dołączyć do grona wiodących służb meteorologicznych świata.
[i] National Centers for Environmental Prediction – Narodowe Centrum Prognoz Środowiska, National Center for Atmospheric Research – Narodowe Centrum Badań Atmosfery
[iI] National Oceanic and Atmospheric Administration – amerykańska instytucja rządowa zajmująca się prognozowaniem pogody
Zdjęcie główne: Ingmar | Unsplash
