II.7.  Összefoglalás és kitekintés

Horányi András

Szépszó Gabriella

A jegyzet II. fejezetében áttekintettük a számszerű előrejelzések elméleti hátterét, részletesen bemutattuk a hidro-termodinamikai egyenletrendszer numerikus megoldásának különböző módszereit: az adatasszimilációt, a diszkretizációs módszereket, a parametrizációs eljárásokat, az ensemble előrejelzések és az éghajlati modellek jellemzőit. A továbbiakban kitekintést adunk a numerikus prognosztika aktuális, illetve jövőbeli fejlesztési irányairól.

Ahogyan azt a II.2. fejezetben láthattuk, a számszerű előrejelző modellek kezdeti feltételeit általában mérések és rövidtávú modell-előrejelzések (háttér) optimális kombinációjával állítjuk elő, hiba kovariancia mátrixok segítségével figyelembe véve ezeknek az információknak a megbízhatóságát. A Kalman filter (KF) alkalmazása elvi lehetőséget biztosít a háttér időjárási helyzettől függő súlyának meghatározására. Az időjárási modell alkalmazások esetében viszont nem lehetséges a KF alkalmazása, mert a háttér hiba kovariancia mátrix időbeli fejlődését leíró egyenlet megoldása az állapotvektor nagy mérete miatt rendkívül költséges. A dimenziócsökkentésre az ún. ensemble Kalman filter (EKF) ad lehetőséget. A módszerrel a háttér hiba kovariancia mátrix időbeli fejlődését úgy írjuk le, hogy egy kis elemszámú előrejelzési együttest képezünk az aktuális időpontra vonatkozóan, s a tagok egymástól vett eltéréseit mintaként használjuk az aktuális háttér hiba kovariancia mátrix számításához. A legfontosabb nyitott kérdések ezen a területen a következők:

A meteorológiai előrejelzések felhasználhatóságához alapvető fontosságú, hogy időben elkészüljenek, emiatt a gyors modellintegrálás elengedhetetlen. A modellek futtatása a meteorológiai szolgálatoknál nagyteljesítményű szuperszámítógépeken, több processzoron történik, ahol a processzorok egymás memóriájával üzenetküldésen keresztül kommunikálnak. Hogy adott modell végrehajtási sebessége hogyan változik a processzorszám növelésével, azt a modell „skálázódása” határozza meg. Ez a kapcsolat bizonyos processzorszám felett már nem lineáris, sőt, előfordulhat, hogy a teljesítmény a processzorszám növelésével egyáltalán nem nő, mert ilyenkor a modellfutás során a processzorok közötti kommunikációra fordított idő összemérhetővé válik a tényleges integrálási műveletek párhuzamosításával nyert idővel. A probléma nem pusztán számítástechnikai nehézség, ugyanis a modellek egyes részleteit is újra kell gondolni az optimális megoldás eléréséhez, ami elsősorban a modellek numerikus sémáit érinti. Tekintettel az ún. massively parallel típusú számítógépek elterjedésére (amikor a számítógépeknek nemcsak 30-200, de többszáz-többezer osztott-memóriás processzora van), a skálázhatóság kérdése a meteorológiai modellek dinamikai részeit fejlesztő szakemberek egyik legfontosabb közeljövőbeli kihívása.

Az időjárás-előrejelzést tekintve az ensemble módszer alkalmazása először a közép-, majd a rövidtávú előrejelzéseknél terjedt el. Napjainkban a számítási kapacitás növekedése és az elmúlt évek modellfejlesztései következtében egyre szélesebb körben alkalmazzák a nem-hidrosztatikus modelleket a veszélyes időjárási jelenségek előrejelzésében. Ezeknél a rövid idő- és kis térskálájú folyamatoknál azonban az előrejelzési hiba növekedése olyan gyors, hogy a bizonytalanságok hagyományos eszközökkel (a felbontás növelésével, a modellekben alkalmazott adatasszimilációs és parametrizációs eljárások fejlesztésével, a modell-felszín fiziográfiai tulajdonságainak pontosításával) csak bizonyos határig csökkenthetők. Ezért a korrekt ultra-rövidtávú előrejelzésekhez már semmiképpen sem kerülhető meg a bizonytalanságok számszerűsítése. A középtávú előrejelzések esetében a valószínűségi információkat elsősorban gazdasági döntések meghozatalához használják, s a megfelelő lépések megtételére elegendő idő áll rendelkezésre az előrejelzések kiadása és az előrejelzett események bekövetkezése között. Ultra-rövidtávon elsősorban az élet- és vagyonvédelmet szolgálják az előrejelzések, ahol a késlekedés súlyos, pénzben nem mérhető következményekkel járhat, ezért a szélsőséges események esetleg kis valószínűséggel, de korán megjelenő előrejelzése az ensemble technika révén felértékelődik. Meg kell jegyezni azonban, hogy a „valószínűségi” szemlélet sajnos még a meteorológus társadalomban sem terjedt el igazán, ezért az ensemble előrejelzések optimális alkalmazása (különös tekintettel az ultra-rövidtávú skálára) komoly kihívást jelent mind a meteorológusok, mind az egyéb felhasználók számára.

A számszerű előrejelző modellek felbontás-növekedésének – mint fentebb láthattuk – határt szab az előrejelezhetőség (azaz egyre nehezebb a horizontális felbontás növelésével pontosabb előrejelzéseket szolgáltatni). Mindazonáltal ez a megállapítás elsősorban a lokális modellekre igaz, amelyek a néhány km-es térskálán dolgoznak, és egyelőre még nem vonatkozik a globális numerikus modellekre, ahol érdemes tovább növelni a horizontális felbontást az előrejelzések további javításának reményében. A globális modellek esetében tehát a fejlesztések fő iránya az, hogy ezek a modellek is elérjék a nem-hidrosztatikus skálát és képesek legyenek a kisebb skálájú folyamatok sikeres modellezésére is. Ez a fejlesztési irányvonal – figyelembe véve a korábban már említett számítógép-architektúrában való változást is – komoly kihívást jelent a modellek dinamikáját fejlesztő szakemberek számára, arról nem is beszélve, hogy egy globális modell nem-hidrosztatikus változatának futtatása komoly számítógépes kapacitást igényel (s ezért is tekintenek például olyan modell-Földet, melynek a mérete jóval kisebb, mint a valós Földé, ily módon csökkentve a tesztekhez szükséges számításigényt). A nem-hidrosztatikus skála megközelítésére az éghajlati modellek esetében is folynak kutatások, jóllehet a hosszú klíma-szimulációk elvégzése még hatalmasabb számítási kapacitást igényel (viszont legalább a végrehajtási időkényszer nem olyan szigorú). Az éghajlati alkalmazásra is szánt globális nem-hidrosztatikus ICON modellt a hamburgi Max Planck Intézet és a Német Meteorológiai Szolgálat fejleszti (Giorgetta et al., 2009), azonban a modell jelenleg még „csak” időjárási modellként fut. Az ICON az összenyomhatatlan nem-hidrosztatikus egyenleteket oldja meg nagy felbontáson, s számításait ikozahedrális rácson végzi, ami kiküszöböli a rácsponti modellekben egyébként gondot okozó pólusproblémát, és egyszerűvé teszi a felbontás adott tartományon való finomítását. A regionális klímamodellezésben már a gyakorlatban is megkezdődött a nem-hidrosztatikus modellváltozatok tesztelése és alkalmazása. Európában a spektrális HARMONIE-Climate modellel folynak kísérletek elsősorban a Svéd Meteorológiai Szolgálatnál (Lindstedt, 2012).

Speciális kihívást jelent a középtávú és az éghajlati skálájú előrejelzések között átmenetet képező szezonális előrejelzések fejlesztése, melyeknek az éghajlati rendszer lassan változó (pl. óceáni) komponensei adnak bizonyos előrejelezhetőséget. A gyakorlatban a közepes szélességeken a kontinensek belsejében (például Európa nagy részén és így Magyarországon is) ez a fajta előrejelezhetőség igen korlátozott, azonban például az afrikai és ázsiai kontinens számos részén van prognosztikai értéke a szezonális előrejelzéseknek. Ez azért érdekes, mert itt található a zömében mezőgazdasági termelésből élő fejlődő országok többsége, amelyek számára gazdasági és egyéb sérülékenységük miatt elsődleges az évszakos változékonyságra való felkészülés. Ez a Meteorológiai Világszervezet klímapolitikájában is megmutatkozik, mely az éghajlati modellekkel szemben nagyobb támogatást ad a szezonális előrejelzések fejlesztésének.

A légköri előrejelzésekben a legnagyobb bizonytalanságot a felhő- és csapadékképződési folyamatok leírása okozza (Geresdi, 2005). Különösen igaz ez az éghajlati modellek esetében, amelyek ma tipikus felbontása többnyire nem teszi lehetővé, hogy ezeket a kölcsönhatásokat a lehető legpontosabban, azaz explicit módon vegyék figyelembe, mert az rendkívüli számításigénnyel járna. Ennek áthidalására szolgál az ún. szuperparametrizáció: a légköri modell egységnyi rácsterületeit további cellákra osztják fel, s mindegyikre futtatnak egy olyan dinamikus modellt, amely kimondottan a felhőfizikai folyamatok pontosabb leírására alkalmas (erre az angol nyelvű szakirodalomban cloud resolving model-ként hivatkoznak). Az új cellák méretskálája most már km-es nagyságrendű, amelyen ezek a modellek explicit módon képesek leírni a felhőborítottságot, a különböző típusú és kiterjedésű felhők átfedési jellemzőit, a konvektív rendszereket és egyéb felhőfizikai folyamatokat, majd a számítások végeztével eredményeiket az eredeti rácsterület középpontjában adják át a légköri modellnek. A felhőzet-leíró modelleket két- vagy háromdimenziós változatban alkalmazzák: előbbi esetben a kis cellák között nincsen kapcsolat, míg a háromdimenziós változat teljesebb leírást tesz lehetővé (Randall et al., 2003). A megvalósítás számításigénye nagyságrendekkel kisebb, mintha a teljes modellben hasonló felbontáson írnánk le a felhőfizikai folyamatokat, mindazonáltal a módszert csak a többezer processzoros számítógépek mostanában kezdődő elterjedésével használják szélesebb körben.

A fentiek, illetve a korábbi fejezetek alapján láthattuk, hogy milyen szerteágazó és érdekes a numerikus modellek és a numerikus prognosztika világa, s az elmúlt évtizedekben tapasztalt hatalmas fejlődés ellenére még számos probléma vár megoldásra a szakemberek számára. Bízunk abban, hogy ez a jegyzet felkelti az egyetemi hallgatók érdeklődését, akik esetleg ennek alapján késztetést éreznek a már megoldott problémák elsajátítása mellett a nyitott problémák megoldására is.