Nye DMI-vejrmodeller på supercomputer: Hvor gennemblødt bliver du på Copenhell?

24 modeller med kørsler hver time skal give mere præcise prognoser. Det kan lade sig gøre, fordi DMI har udviklet en metode, hvor beregningerne spredes ud.

Mudderfest på Roskilde? Lyn og torden på Copenhell? Fanget med Ludo og dagsregn i sommerhuset? Nu er der i det mindste udsigt til at være bedre varslet på forhånd. DMI forventer i dag at begynde at køre resultater fra en ny vejrmodel ud via Byvejr og dmi.dk.

De nye vejrudsigter er et konkret resultat af, at DMI sidste år kunne indvie en nye supercomputer i Island, som har givet meteorologerne mere regnekraft. Men alligevel er en del af hemmeligheden, at DMI's forskere har fundet en måde at sprede modelkørslerne ud over tid, så regnekraften udnyttes bedre og samtidig giver plads til at køre flere modelkørsler.

DMIs supercomputer står hos den islandske vejrtjeneste og består af to klynger, der er døbt Thor og Freyja. Illustration: Thorvaldur E. Sigurdsson

DMI's vejrudsigter baseres ligesom hos andre vejrtjenester på en ensemblemodel. Det vil sige, at man har en gruppe på et antal variationer over den samme model, som man kører igennem med lidt forskellige begyndelsestilstande.

Dermed skulle de tilsammen gerne afspejle usikkerheden i udviklingen de næste par døgn.

»I et ensemblesystem kører man traditionelt måske hver tredje eller sjette time alle medlemmerne. Vi kører med 24 medlemmer i vores nye model. Hvis skulle køre dem samtidig, ville vi bruge mere end 100 procent af regnekraften,« forklarer civilingeniør og forsker ved DMI Henrik Feddersen.

Derfor har DMI med forsker Xiaohua Yang i spidsen udviklet en metode til at sprede kørslen af ensemblemedlemmerne ud. På den måde er belastningen af supercomputeren på cirka 50 procent, så der er kapacitet til alle de andre beregninger, DMI skal foretage.

24 modeller - opdatering hver time

DMI's nye ensemble består af 24 medlemmer. Det er altså 24 varianter af vejrmodellen, som hver kører med lidt forskellige begyndelsesbetingelser. I stedet for at forsøge at køre dem alle på én gang, kører DMI fire kørsler hver time. I løbet af seks timer får man altså alligevel 24 kørsler, men man får nye resultater hver time.

»Vi kan opdatere med nye observationer. Hvis vi skulle vente seks timer, så ville der være nogen vejrfænomener, hvor der kunne nå at ske meget, men når vi løbende laver nye kørsler, så kan vi korrigere prognoserne,« forklarer Henrik Feddersen.

I første omgang bliver prognoser som eksempelvis Byvejr opdateret med nye prognoser hver tredje time, men det vil altså med observationsdata, der er indhentet op til en time før prognosen.

Med spredningen af modelkørslerne og opdaterede observationsdata bliver det mere kompliceret at vægte de forskellige prognoser, men til gengæld får DMI resultater, der giver mere forskellige resultater, samtidig med at supercomputerkraften udnyttes bedre.

»Det går ikke ud over den meteorologiske kvalitet, selvom vi kører med forsinkede kørsler,« siger Henrik Feddersen.

Selve modelensemblet består lige nu af to forskellige vejrmodeller. Den ene er en model, DMI har brugt i mange år, mens den anden er en nyere og mere avanceret model.

»Vi holder liv i den gamle model lidt endnu. Den er først og fremmest billig at køre i regnekraft, og så har den stadigvæk nogle styrker i forhold til den nye,« fortæller Henrik Feddersen.

Der er altså visse punkter, hvor den nye model ikke er helt fintunet endnu. Forskellen på de to modeller er forskellige måder at beskrive fysikken på, som også påvirker, hvor intensive beregninger modellerne kræver.

»Vi udfaser nok den gamle model, når vi får opgraderet supercomputeren med nye processorer i første halvdel af 2018. Så kører vi med den bedste model for alle medlemmerne af ensemblet, og vi regner med at have udbedret manglerne i den nye model i forhold til den gamle,« siger Henrik Feddersen.

Kunsten at udvælge de rigtige modeller

En del af arbejdet for meteorologerne består netop i at kende modellernes styrker og svagheder. Det kræver, at man sammenligner, hvad modellerne forudsagde med det vejr, der faktisk blev observeret. På den måde finder man ud af, hvilke varianter af modellerne der er bedst til at forudsige forskellige vejrtyper.

»Kunsten i det er at udvælge medlemmerne af ensemblet, så man får en realistisk repræsentation af usikkerhederne. Hvis for eksempel 30 procent af modellerne siger, at det bliver regnvejr, så skulle der også gerne være regn i 30 procent af tilfældene,« siger Henrik Feddersen.

Den nye fysiske model har været testet gennem lang tid. DMI bruger samme grundlæggende modeller som de øvrige europæiske nationale vejrtjenester, men der er forskel på, hvordan de anvendes, og hvilke varianter der fungerer bedst. Men fordi det skal sammenlignes med det faktiske vejr under mange forskellige forhold, så tager det tid at finde frem til, hvilke modeller der skal indgå i et ensemble.

Den store udfordring lige nu for vejrtjenester som DMI er byger og især skybrud. Det er vejrfænomener, som udvikler sig hurtigt på geografisk relativt små områder. Derfor får man størst præcision med modeller, som har høj opløsning i både tid og geografisk udbredelse.

Den nye model giver DMI en opløsning på cirka 2,5 kilometer i et gitter lagt ud over det område, DMI regner på. Når supercomputeren opgraderes, vil det formentligt være muligt at forbedre opløsningen yderligere.

Bedre kvalitet

Byger er dog vanskelige at forudsige præcist med de nuværende modeller, da de i modsætning til et lavtrykssystem drives af vertikale bevægelser i atmosfæren. Derfor vil en prognose først og fremmest afspejle, at betingelserne for byger er tilstede, samt hvor stor sandsynligheden er for, at de udvikler sig til nedbør i et område.

For den almindelige dansker vil det nye ensemble hos DMI ikke give en vejrudsigt, der ser anderledes ud.

»Men kvaliteten skulle gerne blive bedre. Vi har testet de her modeller i lang tid, og de performer bedre end de gamle, men det vil være svært at se forskellen i den enkelte vejrudsigt,« siger Henrik Feddersen.

Forbedringerne vil især være i nedbørsprognoser. Sådan noget som temperaturen er der allerede relativt høj præcision på, men usikkerheder på byger skulle være forbedret.

Tips og korrekturforslag til denne historie sendes til tip@version2.dk
Følg forløbet
Kommentarer (4)
sortSortér kommentarer
  • Ældste først
  • Nyeste først
  • Bedste først
Martin Dahl

Vi har testet de her modeller i lang tid, og de performer bedre end de gamle.

Må vi ikke få rigtige tal på bordet?

Jeg antager, at alle prognoser har en præcision på 100% for t=0, dvs. hvis man forudsiger vejret, som det netop er nu hvis man kigger ud af vinduet.

Jeg formoder, at for hver models forudsigelser, så vil præcisionen falde med t.

Og jeg formoder, at der findes et T > 0 således at for t > T så vil modellen være lig med eller dårligere end de ret billige modeller:

model RND: vejret(t) = random(t)
model 0: vejret(t) = vejret(0)

Hvad er præcisionen for hhv. gamle og nye model for t = 1 dag, 2 dage, 10 dage ?

Hvad er T for hhv. gamle og nye model?

  • 2
  • 1
Poul-Henning Kamp Blogger

Jeg antager, at alle prognoser har en præcision på 100% for t=0, dvs. hvis man forudsiger vejret, som det netop er nu hvis man kigger ud af vinduet.

Det er ret meget mere indviklet og jeg kan godt forstå at DMI ikke sætter tal på, for de fleste fodgængere vil slet ikke kunne forstå tallene.

Først er du nødt til at have en definition for "skill" som giver dig en eller anden måde at kvantificere afstanden fra modellens output til den fysiske virkelighed.

Skill-funktionen er i stort omfang en smagssag og meget ulineær.

F.eks er forskellen på 17 og 19°C ikke ret interessant, men forskellen på -1 og 1° er meget interessant og derfor har man typisk en masse specifikke skills, f.eks "evnen til at forudsige glatføre" og laver en overordnet "overall skill" ved at vægte disse.

Normalt prøver man at definere skill-funktionen så den afspejler en eller anden form for "brugbarhed" af modellens output og man vægter den hellere imod et stormvarsel for meget end et for lidt.

Men det er i bund og grund elastik i metermål.

Derefter kan du over tid at opbygge et datasæt om hvordan din model performer og endelig kan du derudfra generalisere en sandsynlighedsfunktion og sige noget om at din models overordnede evner.

Hvis du vil vide mere om det, har ECMWF en god side at starte på:

https://www.ecmwf.int/en/forecasts/quality-our-forecasts

Og jeg kan varmt anbefale deres Newsletter, som god og lærerig læsning.

Og stik imod hvad man ville forvente har modeller ikke 100% skill til "now-casting", af den simple grund at vi slet ikke har inputdata nok til at vide hvad "vejret, som netop er nu hvis man kigger ud af vinduet" faktisk er i fysiske størrelser.

  • 6
  • 0
Martin Dahl

Det er ret meget mere indviklet..

Og det er selvfølgelig også skønheden ved matematisk modellering.

Måske man alligevel godt kunne give os fodgængere et konkret eksempel, som f.eks. model 1 forudsagde korrekt moderat regn to dage forud for 75% af dage med reel moderat regn, og model 2 giver os nu 85%.

Mht. now casting ville jeg forvente at (bortset fra overlagte pertubationer), så vil modellen now-caste med 100% skill på de målepunkter, der er modellens randbetingelser.

Og tak for interessant ECMWF link, det er glimrende læsning til en regnvejrsdag henover sommeren :)

  • 1
  • 0
Log ind eller Opret konto for at kommentere