Door John McHenry, Baron Chief Scientist
Beslissingsondersteuning bieden voor een brede waaier van weergevoelige maatschappelijke en economische sectoren is een vitaal onderdeel van de kritieke weerinformatie die Baron zijn klanten biedt. De technologie en het vermogen om realtime, nowcast- en voorspellingsproblemen aan te pakken met behulp van beslissingsondersteunende systemen op meerdere schaalniveaus, meerdere modellen en meerdere methoden zijn van cruciaal belang voor het beperken van economische en persoonlijke veiligheidsrisico's, een kernonderdeel van de wereldwijde missie van Baron. Dit overzichtsartikel bespreekt de grote verscheidenheid aan voorspellingstechnologieën die in grote lijnen worden geclassificeerd als beslissingsondersteunende systemen en documenteert representatieve gebruikssituaties waarin operationele Baron DSS-systemen bruikbare richtlijnen hebben geleverd.
Alvorens de technologie te bespreken, is het de moeite waard op te merken dat geen van Barons DSS-prognosetechnologieën als "kant-en-klaar" wordt beschouwd. Baron hanteert een klantgerichte aanpak, waarbij eerst de behoeften, eisen en wensen van de klant worden vastgesteld. Vervolgens bouwt Baron een oplossing rond de context van de klant: wat hij nodig heeft om de kritieke weerinformatie afkomstig van een Baron DSS te gebruiken en te verspreiden. Hoewel Baron meer dan 100 manjaren ervaring heeft in het ontwikkelen en implementeren van modelgebaseerde DSS-verwachtingssystemen, is het bedrijf ook gewend om te werken met modellen die de voorkeur hebben van de klant. Dit is vaak de beste aanpak omdat veel klanten al kennis en ervaring hebben met hun lokale modelleringssystemen, maar niet altijd de mogelijkheid of de middelen hebben om deze te integreren in het operationele DSS, wat ontbreekt. Baron brengt dus de gretigheid met zich mee om zowel "work-in-context" te leveren als zijn eigen zeer gesofisticeerde modelleeroplossingen waar en wanneer nodig.
Figuur 1 geeft een overzicht van een conceptueel DSS dat representatief is voor de DSS die Baron heeft toegepast. De DSS begint met de opname, Q/A en integratie van observationele datasets die nodig zijn voor de initialisatie/assimilatie van het voorspellingsmodel of latere (offline) evaluatie, kalibratie en modelverbetering. Baron zorgt ervoor dat de waarnemingen van goede kwaliteit zijn voordat ze worden opgenomen in een conventionele relationele database of een vergelijkbare database, afhankelijk van de grootte en het type van de dataset. Zodra de waarnemingen beschikbaar zijn, worden ze in realtime geleverd aan de modelcomponent(en) van het DSS.
Het voorspellingsmodelleringssysteem wordt dan geïntegreerd, meestal bestaande uit een assimilatiecyclus en een voorspellingscyclus. In het Baron Land Data Assimilation System (BLDAS) bijvoorbeeld, worden operationele, van radar afgeleide, metergecorrigeerde QPE en andere forcerende variabelen geleverd en elk half uur geüpdatet. Het BLDAS houdt dan de klok bij terwijl het de initiële condities levert die nodig zijn om de runs van het voorspellingsmodel te starten. Dit zorgt ervoor dat het voorspellingsmodel begint met de best mogelijke begintoestand, wat cruciaal is voor hydrologische, landbouw-, weg- of andere voorspellingstoepassingen. Het DSS voorziet ook in werkstations en displays die door de klantmedewerkers worden gebruikt om de voorspellingsinformatie en richtlijnen van het DSS te interpreteren.
Baron biedt verschillende opties voor het verspreiden van dreigingen en waarschuwingen, waaronder de veelgebruikte Safety Net-toepassing. Typisch voorziet het DSS-archief in opslagplaatsen voor waarnemingen, modelvoorspellingen en voorspellingsproducten om operationele gevallen volledig te reproduceren, te bestuderen en te evalueren. Hierdoor kan de klant later de prestaties van het DSS verbeteren, gemeten aan de hand van objectieve meetgegevens, waaronder categorische, discrete en oppervlakte-categorische maatregelen. Baron levert ook een end-to-end aangepast kalibratiesubsysteem dat volledig gekoppeld is aan zijn hydrologische voorspellingsmodellering DSS en end-to-end systeemtraining en handleidingen.
Modelklassen en modelkoppelingen voor prognoses in een DSS-omgeving
De meeste DSS-verwachtingsapplicaties, inclusief wat zou kunnen worden aangeduid als "standalone applicatiemodellen (SAMS)", vereisen een of andere vorm van numeriek weersvoorspellingsmodel (NWP) of NWP-inputs. Barons uitgebreide ervaring met het Weather Research and Forecasting (WRF) model (afbeelding 2), de data-assimilatiesystemen (DA) en de voorganger MM5 stelt Baron in staat om te voldoen aan veel van de huidige NWP-behoeften die klanten kunnen hebben.
Baron-wetenschappers zijn goed bekend met de fysica, dynamica en DA-schema's in de modellen, waardoor aanpassingen en verbeteringen van de parametrisering mogelijk zijn. Aanpassingen aan het Kain-Fritsch convectieschema (Kain, 2004) verminderen bijvoorbeeld ongewenste vorming van tropische cyclonen en aanpassingen aan LSM, PBL en microfysische schema's verbeteren de koppeling tussen land en atmosfeer en het behoud van hydrometeor.
Baron maakt ook gebruik van codeoptimalisatiestrategieën die de runtijden verbeteren ten opzichte van community-releasete codeversies. Dit is van cruciaal belang om de meeste waarde te halen uit hardware die mogelijk ook moet worden aangeschaft als onderdeel van de DSS-implementatie, wat resulteert in aanzienlijke besparingen voor klanten of verbeterde workloads vergeleken met community-releasemodelversies. Baron biedt ook gedownscalede NCEP GFS deterministische en ensemble-gebaseerde voorspellingsoplossingen en kan regionaal-mesoschaalmodellen inzetten als ensemblesystemen. Dit omvat ook de implementatie van NWP-modellen die zijn ontwikkeld binnen landen of consortia buiten de VS.
Het geïmplementeerde NWP-model voedt en is gekoppeld aan andere toepassingsmodellen, zoals luchtkwaliteit, hydrologie of verschillende SAMS op basis van landoppervlak binnen veel Baron DSS-toepassingen. Baron levert bijvoorbeeld al meer dan tien jaar operationele luchtkwaliteitsvoorspellingen aan talrijke klanten in de VS (McHenry et al., 2004; Figuur 3). Hiervoor is een driedelig "losjes gekoppeld" modelleringssysteem nodig (NWP, emissies en chemisch-transportmodel, zoals het Community Multiscale Air Quality (CMAQ) model van de US EPA) of een nauwer gekoppeld, geïntegreerd modelleringssysteem zoals WRF-Chem.
Bovendien kan Baron dankzij de recente ontwikkeling van de variationele assimilatie van NASA-satellietinformatie (MODIS) over de optische diepte van aerosolen in het CMAQ-modelleringsplatform (McHenry et al., 2013; figuur 4) met dat model aanzienlijke verbeteringen realiseren in de vaardigheid van de prognoses voor zwevende deeltjes, afhankelijk van de kwaliteit van de satellietschattingen. Een belangrijke uitdaging bij zeer nauwkeurige AQ-DSS-prognoses zijn de dynamische emissieramingen, die bijna voortdurend moeten worden bijgewerkt. Wetenschappers van Baron ontwikkelden het Sparse-Matrix Operator Kernel Emissions (SMOKE, Coats en Houyoux, 1996) verwerkingssysteem voor het U.S. Environmental Protection Agency om dit probleem aan te pakken, en Baron gebruikt een real-time versie van dat systeem om emissies te leveren aan zijn operationele luchtkwaliteitsmodellen.
Zoals hierboven aangegeven, worden NWP's ook gebruikt - in combinatie met waarnemingen - om een grote verscheidenheid aan landoppervlak- en hydrologische modelleringssystemen aan te sturen. In de VS draait de BLDAS met een ruimtelijke resolutie van 1 km over het hele Amerikaanse vasteland met QPE-invoer op dezelfde schaal. Dit is de grootste operationele implementatie van een LDAS met zeer hoge resolutie die beschikbaar is (McHenry en Olerud, 2015). Naast stroomhydrologie worden assimilatie- en voorspellingsversies van de BLDAS gebruikt als basis voor SAMS voor landbouw, toestand van wegen (figuur 5), brandweer (figuur 6) en dreigende overstromingen.
Voor landbouwtoepassingen levert BLDAS input voor rijpingsmodellen voor maïs en sojabonen en droogmodellen voor na de rijpheid. De rijpingsmodellen voor gewassen, die in ensemblemodus draaien, maken een probabilistische interpretatie van de rijping en optimale oogstvoorspellingsdata mogelijk, zodat boeren kunnen plannen voor of zich indekken tegen ofwel vroege of late waarschijnlijkheden van gewasrijping en oogstbaarheid. Hoewel maïs en sojabonen de primaire doelgewassen in de VS zijn, maakt de Baron-database die in BLDAS wordt toegepast het mogelijk om de bodemvochtigheid en temperatuur te schatten voor meer dan 90 verschillende gewasvariëteiten op hun teeltlocaties, waaronder zowel eenjarige als vaste planten.
Het Baron pavement modeling systeem gebruikt ook input van BLDAS en andere observatiegegevens en modellen om in real-time schattingen te maken van de temperatuur van het wegdek, het watergehalte (bevroren of niet) en de rijomstandigheden. Dit systeem is al enkele jaren beschikbaar via de XM NavWeather-service in veel OEM-automodellen in de VS. NavWeather levert bruikbare, hands-off informatie rechtstreeks aan de bestuurder om beter te kunnen anticiperen op slechte rijomstandigheden.
Het bieden van realtime hoogwaterbegeleiding met hoge resolutie is een uitdaging, vooral wanneer de geografische dekking volledig moet zijn en producten snel moeten worden bijgewerkt. Baron heeft nu een begeleidingssysteem voor overstromingen in gebruik genomen dat het Rapid Early Flash-flood EXamination (REFLEX) SAM wordt genoemd. REFLEX combineert lokaal-directe (binnen een rastercel) afvloeiingshoeveelheden met afvloeiingsroutering door een stroomnetwerk van rastercel tot rastercel dat toepasbaar is voor maximaal zes uur stroomopwaartse afvloeiing die zich zou ophopen in elke beoogde rastercel. Door het vertraagd-geleide afvoermodel gedurende 30 historische jaren uit te voeren en de halfuurlijkse uitvoer op te slaan, worden statistieken van extreme gebeurtenissen vastgelegd voor elke rastercel in het modelleringsdomein en vervolgens gebruikt als benchmark tegen de real-time/voorspelde geaccumuleerde afvoer. Recente casestudies in het zuidoosten van de VS toonden aan dat REFLEX voor twee gebeurtenissen in de buurt van Raleigh-Durham in de staat North Carolina een aanzienlijke dreiging van overstromingen inschatte, ruim voordat waarschuwingen voor overstromingen werden gegeven (figuren 7 en 8).
Baron voltooide de installatie van het Hydrological Forecast Modeling System (HFMS) voor het Roemeense Destructive Waters Abatement Program (DESWAT), dat nu drie jaar operationeel is in het hele land. In een recente casestudy, gepubliceerd door Matreata et al. (2013), werd het expliciete stroomvoorspellingsmodel van Baron (in dat artikel NOAH-R genoemd) met een resolutie van 100 meter geëvalueerd voor een overstroming in het stroomgebied van de Calnau op 24 en 25 juli 2011. De piekafvoeren op de twee hydrometrische stations in het stroomgebied kwamen overeen met terugkeerperioden van 20-100 jaar. De ruimtelijke en temporele verdeling van de intense neerslag werd correct aangegeven door het Baron Hydro FutureScan sub-systeem voor extrapolatie van de radar, terwijl het expliciete stroomstroommodel de waargenomen hydrografiek vrij goed voorspelde (Figuur 9). Zoals Matreata et al. opmerkten, zijn andere gegrande producten die door het Baron-systeem worden geleverd (bodemvochttoestand, bovengrondse afvoer, ondergrondse afvoer) "zeer nuttig als aanvullende en/of ondersteunende informatie tijdens het waarschuwingsproces voor plotselinge overstromingen. Ze kunnen vooral nuttig zijn bij het beter inschatten van de ernst van de verwachte overstroming".
Kritische weerinformatie
Beslissingsondersteunende systemen op basis van baronvoorspellingsmodellen leveren een belangrijke bijdrage aan het verschaffen van de kritieke informatie over het weer die nodig is voor een breed spectrum van beslissingen die gevoelig zijn voor het weer. Toekomstige artikelen zullen dieper ingaan op de verschillende klassen van DSS die beschikbaar zijn en de voordelen die ze bieden aan huidige en potentiële klanten.
Referenties
Coats, C.J. en M.R. Houyoux, 1996: "Fast Emissions Modeling with the Sparse Matrix Operator Kernel Emissions Modeling System," gepresenteerd op "The Emissions Inventory: Key to Planning, Permits, Compliance, and Reporting.Air and Waste Management Association, New Orleans, LA, september 1996.
Kain, J.S., 2004: De Kain-Fritsch Convectieve Parametrering: Een update. J. Appl. Meteor., 43, 170-181.
Matreata, S., Baciu, O., Apostu, D., en M. Matreata, 2013: Evaluation of the Romanian flash flood forecasting system - a case study in the Calnau River Basin. Die Bodenkultur 64(3-4), 2013, pp. 67-72.
McHenry, J.N., W.F. Ryan, N.L. Seaman, C.J. Coats Jr., J. Pudykeiwicz, S. Arunachalam, en J.M. Vukovich, 2004: Een Real-Time Euleriaans Fotochemisch Model Voorspellingssysteem: Overview and Initial Ozone Forecast Performance in the NE US corridor. Bull. Amer. Met. Soc. 85, 4, 525-548.
McHenry, J.N. en D.T. Olerud, 2015: Use of a Real-Time High-Resolution CONUS LDAS to initialize land-surface states in operational NWP models: case studies, results and challenges. 29th Conference on Hydrology; 95th Annual Meeting of the American Meteorological Society, Phoenix, AR, 4-8 januari, 2015.
