1 1 Wars z aw a, 26 - 30.09.2005 Modelowanie typu ensemble: wykorzystanie w procesie podejmowania decyzji Stefano Galmarini Institute for Environment and Sustainability Joint Research Center, Italy Sławomir Potempski CoE MANHAZ

2 2 Wars z aw a, 26 - 30.09.2005 Nieco historii...... W 1897 r. H. Poincarè zaobserwował układy dynamiczne wrażliwe na warunki początkowe. W 1963 r. E. Lorenz opublikował pracę dotyczącą wrażliwości modelu równań opisujących atmosferę na warunki początkowe – zaczęto mówić o rozwiązaniach chaotycznych. Od tej pory następuje szybszy rozwój teorii układów chaotycznych (chaos deterministyczny). W 1969 Epstein wprowadził pojęcie prognozowania stochastyczno- dynamicznego za pomocą funkcji rozkładu prawdopodobieństwa (równanie Liouvillea lub Fokkera-Plancka). Zmiana paradygmatu numerycznego prognozowania pogody z: próby wyznaczenia najlepszych warunków początkowych w celu wykonania deterministycznej prognozy na: prognozowanie stochastyczno-dynamiczne.

3 3 Wars z aw a, 26 - 30.09.2005 Podstawy prognozowania typu ensemble Małe początkowe zaburzenia mogą prowadzić do dużych różnic w prognozach numerycznych Ewolucja długo-czasowa perturbacji jest opisana za pomocą wektorów Lapunowa Globalny wektor Lapunowa jest singularnym wektorem modelu stycznego Pozostałe wektory Lapunowa mogą być uzyskane podobnie jak globalny ale po zastosowaniu ortogonalizacji

4 4 Wars z aw a, 26 - 30.09.2005

5 5 Podstawy prognozowania typu ensemble Podejście ECWMF oparte jest na szukaniu wektorów singularnych: Wyznaczenie najszybciej rosnących modów stycznego modelu linowego i modelu sprzężonego Mody są bliskie do wektorów Lapunowa ale odzwierciedlają zachowanie się części liniowej Metoda jest kosztowna obliczeniowo i Zależy od wybranej normy (ortogonalizacja !)

6 6 Wars z aw a, 26 - 30.09.2005 Podstawy prognozowania typu ensemble Podejście NCEP oparte na wektorach bred: 1. Znalezienie rozwiązania kontrolnego. 2. Dodanie perturbacji (dowolne zaburzenie początkowe) do podstawowego rozwiązania, scałkowanie modelu nieliniowego i odjęcie niezaburzonego rozwiązania od zaburzonego perturbacją 3. Wyznaczenie wielkości perturbacji przy użyciu dowolnej normy i jej przeskalowanie 4. Powtórzenie 2 i 3 dla kolejnych kroków czasowych

7 7 Wars z aw a, 26 - 30.09.2005 Multi-model ensembling Zamiast wprowadzać sztuczne perturbacje można użyć wielu różnych modeli, różnych parametryzacji, etc., i: –Albo wystartować z globalnych prognoz (kontrolnych i zaburzonych) a następnie uruchomić modele regionalne i mezoskalowe –Albo uruchomić model globalny (spektralny) a następnie uruchomić modele regionalne i mezoskalowe z zaburzeniami Jakie modele: np. RAMS, MM5/WRF, Eta, GSM/RSM

8 8 Wars z aw a, 26 - 30.09.2005 RAMS Ensemble – Spagetti plot – geopot. hgts 5300-5400m – t48h

9 9 Wars z aw a, 26 - 30.09.2005 MM5 ensemble - spagetti plot – geopot. hgts 5300-5400 m – t48h

10 10 Wars z aw a, 26 - 30.09.2005 Both ensemble- spagetti plot – geopot.hgts 5300-5400 m – t48h

11 11 Wars z aw a, 26 - 30.09.2005 RAMS ensemble – mean speed 10m – t48h

12 12 Wars z aw a, 26 - 30.09.2005 MM5 ensemble – mean speed 10m – t48h

13 13 Wars z aw a, 26 - 30.09.2005 Both ensemble – mean speed 10 mb – t48h

14 14 Wars z aw a, 26 - 30.09.2005 RAMS ensemble – spread speed 10 mb – t48h

15 15 Wars z aw a, 26 - 30.09.2005 MM5 ensemble – spread speed 10 mb – t48h

16 16 Wars z aw a, 26 - 30.09.2005 Both ensemble – spread speed 10 mb – t48h

17 17 Wars z aw a, 26 - 30.09.2005 RAMS ensemble – mean pressure on SL – t48h

18 18 Wars z aw a, 26 - 30.09.2005 MM5 ensemble- mean pressure on SL - t48h

19 19 Wars z aw a, 26 - 30.09.2005 Both ensembles - mean pressure on SL – t48h

20 20 Wars z aw a, 26 - 30.09.2005 Analysis – pressure on SL – t48h

21 21 Wars z aw a, 26 - 30.09.2005 HYPACT: HYbrid PArticle and Concentration Transport Model 3-D model transportu i dyspersji skażeń w atmosferze sprzężony z numerycznym modelem prognozy pogody RAMS Połączenie modelu Eulerowskiego (siatkowego) z Lagranżowskim modelem cząstek Typowo model cząstek używany w pobliżu źródła Obliczenia na dalszych odległościach na siatce Eulerowskiej

22 22 Wars z aw a, 26 - 30.09.2005 Spaghetti plot dla prognozy kontrolnej i dwóch perturbacji przy użyciu modelów HYPACT i RAMS

23 23 Wars z aw a, 26 - 30.09.2005 Izolinie średnich stężeń

24 24 Wars z aw a, 26 - 30.09.2005 Rozrzut ensemble

25 25 Wars z aw a, 26 - 30.09.2005 Stężenia w kolejnych krokach czasowych

26 26 Wars z aw a, 26 - 30.09.2005 Prognozowanie dalekozasięgowej dyspersji atmosferycznej jest istotną częścią procesu zarządzania sytuacją kryzysową po uwolnieniu niebezpiecznych substancji do atmosfery Używanych jest wiele różnych modeli i systemów Wyniki nie zawsze są zgodne! PrzykładPrzykład Pytania: Czy modele dalekozasięgowe są użyteczne ? Czy wszyscy powinni stosować jeden model ? Jeśli tak, to który ? A może jest sposób na wykorzystanie różnorodności wyników ? Projekt UE ENSEMBLE

27 27 Warszawa, 26-30.09.2005 Projekt UE ENSEMBLE Zbieranie w czasie rzeczywistym prognoz rozwoju sytuacji z 22 modeli używanych w 16 instytucjach na świecie Oparty na WWW system umożliwiający: –Konsultację –Porównania –Statystyczne interpretacje –Analizę Multi-model ensemble z uzyskanych prognoz

28 28 Wars z aw a, 26 - 30.09.2005 Zasady Ensemblingu Użycie bezpośrednio wszystkich dostępnych informacji o predykcji dyspersyjnej Wyniki modeli mogą być pogrupowane przez użytkowników według następujących kryteriów: - zastosowanej meteorologii - typu modelu dyspersyjnego - czasu prognozy (analizy) Analizy informacji z modeli w celu oszacowania zgodności rezultatów symulacji w czasie i przestrzeni

29 29 Wars z aw a, 26 - 30.09.2005 DM Community Other Users Wyniki dostępne dla wszystkich M1 M2M..M22 Prezentacja wyników modeli: Pojedynczego modelu Wielu modeli Różnych grup połączonych modeli Wysłanie wyników symulacji M1M2M3M4M5M..M22 Zawiadomienie o uwolnieniu

30 30 Wars z aw a, 26 - 30.09.2005 Internet Organizacja

31 31 Wars z aw a, 26 - 30.09.2005 ENSEMBLE Modelling groups Risø National Laboratory (DK) German Weather Service (D) Royal Netherlands Meteorological Institute (NL) National Institute of Public Health and Environmental Protection (NL) Royal Meteorological Institute Belgium (B) Meteo-France (F) Meteorological Office (UK) Finnish Meteorological Institute (FIN) Swedish Meteorological and Hydrological Institute (S) Danish Meteorological Institute (DK) Austrian Meteorological and Geophysical Office (A) National Institute of Meteorology and Hydrology (BG) Polish Atomic Energy Institute (PL) Norwegian Meteorological Office (N) Greece National Research Centre "Demokritos" (GR) Environment Canada (CAN) Savannah River Site (USA)

32 32 Wars z aw a, 26 - 30.09.2005 Notification by: Email Web Zawiadomienie o uwolnieniu

33 33 Wars z aw a, 26 - 30.09.2005 Potrzebny czas jest praktycznie funkcją czasu symulacji Prognoza dyspersji z dostępną meteorologią Output w postaci plików ENSEMBLE Wysłanie rezultatów do systemu ENSEMBLE STRONA KLIENTA SYSTEMU notyfikacja

34 34 Wars z aw a, 26 - 30.09.2005 Ensemble-file-modelXX WYSŁANIE WYNIKÓW MODELU

35 35 Wars z aw a, 26 - 30.09.2005 WERIFYIKACJA STANU

36 36 Wars z aw a, 26 - 30.09.2005 Stężenie na 5 poziomach Scałkoane po czasie stężenia Sucha i mokra depozycja (3hourly 60 h forecast) 0.5 x 0.5 stopnia - rozdzielczość ENSEMBLE-dane

37 37 Wars z aw a, 26 - 30.09.2005 Ćwiczenia ENSEMBLE 11 fikcyjnych uwolnień Cs-137 Pierwsze wyniki symulacji w ciągu 15-20 Masa krytyczna do grupowania wyników w ciągu 45

38 38 Wars z aw a, 26 - 30.09.2005 F T0+72 h A F T0+60 h A T0+12 h F T0+48 h A T0+24 h F T0+36 h A T0+36 h F T0+24 h A T0+48 h F T0+12 h A T0+60 h T0 F Tr+60 h 1st Ensemble F DF Tr+60 h 2nd Ensemble F DF Tr+60 h 3rd Ensemble F DF Tr+60 h 4th Ensemble F DF Tr+60 h 5th Ensemble F DF Tr+60 h 6th Ensemble F DF Time horizon Weather Dispersion 60 h DF Tr+60 h 7th Ensemble F F A T0+72 h time Only forecasted met Partly forecasted partly analysed met Only analysed met Release time Tr T0+12 h T0+24 h T0+36 hT0+48 hT0+60 h T0+72 h Wyniki symulacji Ensemble

39 39 Wars z aw a, 26 - 30.09.2005 Modele Wyniki modeli Pojedynczy model Grupowanie modeli porównania wewnątrz grupy Grupowanie modeli porównania grup Pojedynczy model vs grupa modeli Porównania wyników

40 40 Wars z aw a, 26 - 30.09.2005 ECWMF+-based forecast of 4 models HIRLAM-based forecast of 6 models

41 41 Wars z aw a, 26 - 30.09.2005 wskaźniki Agreement in Threshold level Agreement in percentile level Multi-model ensemble

42 42 Wars z aw a, 26 - 30.09.2005 ECWMF-based forecast of 4 models HIRLAM-based forecast of 6 models Averaging

43 43 Wars z aw a, 26 - 30.09.2005 Zgodność progowa: Dla danej zdefiniowanej grupy modeli: ile modeli wskazuje, że stężenie będzie powyżej określonego progu ? Gdzie przestrzennie jest taka zgodność ?

44 44 Wars z aw a, 26 - 30.09.2005

45 45 Wars z aw a, 26 - 30.09.2005

46 46 Wars z aw a, 26 - 30.09.2005

47 47 Wars z aw a, 26 - 30.09.2005 Zgodność procentowa poziomu: Jaki są poziomy i rozkład przestrzenny określonej zmiennej prognozowanej dla zdefiniowanego przez użytkownika procentu i określonej grupy modeli ?

48 48 Wars z aw a, 26 - 30.09.2005 Zgodność dla określonej lokalizacji

49 49 Wars z aw a, 26 - 30.09.2005 Zgodność dla określonej lokalizacji

50 50 Wars z aw a, 26 - 30.09.2005 Analiza globalna

51 51 Warszawa, 26-30.09.2005 Ewaluacja –Analiza ćwiczenia ETEX-1 –16 modeli z różnymi żródłami modeli meteo –Porównanie z danymi monitoringowymi

52 52 Wars z aw a, 26 - 30.09.2005 Agreement in Threshold Level (ATL) –Scałkowane stężeniaScałkowane stężenia –Stężenia na ziemiStężenia na ziemi Agreement in Percentile Level (APL): –Wstępna analizaWstępna analiza –Globalna analizaGlobalna analiza Model mediany –Analiza przestrzennaAnaliza przestrzenna –Ewolucja w czasieEwolucja w czasie –Wszyscy za jednego, jeden za wszystkich !Wszyscy za jednego, jeden za wszystkich ! Ewaluacja – dostępne parametry

53 53 Wars z aw a, 26 - 30.09.2005 PODSUMOWANIE Obecnie trudno zidentyfiować najbardziej wiarygodny sposób rozwiązania problemu Modelowanie Ensemble może poprawić wiarygodność prognoz i wspomóc proces podejmowania decyzji System ensemble złożony z modeli po odpowiedniej walidacji może dostarczyć więcej informacji niż pojedynczy model Przy dużej liczbie dostępnych prognoz, rozrzut wyników można wykorzystać jako informację Analiza wyników za pomocą mediany może być bardziej pomocna nż przy pomocy średniej Chociaż niezależność modeli pozwala na większą wiarygodność, to nie daje gwarancji predykcji.