Numeerinen sääennuste on tapa, jolla sääennusteita tehdään. Se perustuu ilmakehän tilaa kuvaavien mallien laskentaan tietokoneella. Mallit kuvaavat nykyisiä sääolosuhteita ja ennustavat niiden muuttumista ajan myötä käyttäen fysikaalisia ja dynaamisia yhtälöiden järjestelmiä. Tärkeät muuttujat, kuten paine, lämpötila, tuulen suunta ja nopeus, kirjataan ajan funktiona ja mallinnetaan tyypillisesti osittaisdifferentiaaliyhtälöiden avulla. Kyseessä on dynaaminen järjestelmä, joka ratkaistaan numeerisesti. Monet mallien laskukaavat ja numeeriset toteutukset on perinteisesti kirjoitettu FORTRANilla. Koska laskutoimitusten määrä on valtava, supertietokoneet tekevät usein suurimman osan laskuista, jotta ennusteet valmistuvat käyttökelpoisessa ajassa.
Miten numeerinen sääennuste syntyy
Prosessi alkaa havaintojen keräämisellä: pintahavaintoja, radiosondeja, tutkahavaintoja, satelliittitietoa ja muita mittauksia käytetään muodostamaan paras mahdollinen kuva ilmakehän nykytilasta. Nämä havainnot yhdistetään mallin alkuarvoiksi käyttämällä data-assimilaatio-menetelmiä, jotka minimoivat eroavaisuudet havaintojen ja mallin välillä. Alkuarvoista mallia lasketaan eteenpäin ajan askel kerrallaan numeerisilla aikaintegrointimenetelmillä.
Mallien rakenne ja yhtälöt
Ilmakehässä tapahtuvat liikkeet ja energianmuutokset kuvaillaan pääosin ns. primitiiviyhtälöillä, jotka ovat periaatteessa yhdenlaiset versiot Navier–Stokesin yhtälöistä ottaen huomioon pyörimisen ja lämpövaikutukset. Koska yhtälöt ovat kompleksisia, ne approksimoidaan numeerisesti ja ratkaistaan esimerkiksi finite difference-, finite volume- tai spektraalimenetelmillä. Mallit voivat olla hydrostaattisia (sopivat pitkän mittakaavan ilmiöihin) tai ei-hydrostaattisia (tarkempia pienimittakaavaisissa prosesseissa, kuten voimakkaassa konvektiossa).
Fyysiset prosessit ja parametrisointi
Monet pienimittakaavaiset prosessit, kuten konvektio, pilvimekaniikka ja maapinnan ja meren vaihtovaikutukset, ovat liian pieniä tai monimutkaisia mallinnettaviksi tarkasti kaikilla mittakaavoilla. Näitä kuvataan parametrisoinneilla, eli yksinkertaistetuilla malleilla, jotka pyrkivät esittämään ilmiön vaikutuksen suuremmassa mittakaavassa. Parametrisointien valinta vaikuttaa paljon ennusteen tarkkuuteen.
Resoluutio ja alueellinen erittely
Mallien solun koko eli resoluutio määrää, kuinka pieniä rakenteita malli pystyy kuvaamaan. Globaaleissa malleissa resoluutio voi olla kymmeniä kilometrejä, kun taas alueellisissa malleissa käytetään usein alle 10 km tai jopa kilometrin luokan ruutuja, jotta topografia, rannikkovaikutukset ja konvektiiviset ukkoset näkyvät paremmin. Pienempi ruutu vaatii huomattavasti enemmän laskentatehoa.
Epävarmuus ja ensemble-ennusteet
Ilmakehä on herkkä alkuarvoille ja mallivirheille, joten ennusteisiin liittyy aina epävarmuutta. Tätä kuvataan usein ensemble-ennusteilla, joissa sama malli ajetaan monta kertaa hieman eri alkuarvoilla ja parametrisoinneilla. Ensemble-tuotos antaa todennäköisyyksiä eri säätilanteille ja auttaa tunnistamaan ennusteen luotettavuuden.
Yhdistäminen muihin metodeihin ja jälkikäsittely
Numeeristen mallien tuloksia käsitellään usein tilastollisesti (esim. MOS, bias-correction) ja yhdistetään paikalliseen osaamiseen. Lisäksi käytetään monimalliyhdistelmiä, jolloin useiden eri organisaatioiden mallien ennusteita verrataan ja yhdistellään parempien tulosten saavuttamiseksi. Sään ja ilmaston mallintamisessa yhä useammin kytketään myös merimallit, jään, maaperän kosteus ja kemialliset prosessit samaan laskuun.
Rajoitukset ja ennusteen luotettavuus
Vaikka numeerinen ennustaminen on kehittynyt merkittävästi, rajoituksia on: havaintojen kattavuus, parametrisointien epätarkkuus, numeeriset virheet ja rajallinen laskentateho vaikuttavat kaikki ennusteen laatuun. Lyhyen ajan paikalliset ilmiöt, kuten äkilliset ukkoset tai voimakkaat lumisateet, voivat olla vaikeita ennustaa tarkasti.
Miksi tarvitaan suurta laskentatehoa?
Kun mallin resoluutio kasvaa, laskettavien solujen ja aikaintegraatioaskelten määrä kasvaa nopeasti. Lisäksi ensemble-ennusteet ja monimutkaiset kytkennät (esim. meri-ilmakehä) lisäävät laskentatarvetta. Tästä syystä supertietokoneet ja tehokas koodaus ovat keskeisiä, jotta ennusteet saadaan laskettua riittävän nopeasti käytännön tarpeisiin. Vaikka monet mallien ydinosat on toteutettu FORTRANilla, kehityksessä käytetään myös muita kieliä ja työkaluja erityisesti datankäsittelyssä ja visualisoinnissa.
Mitä ennuste kertoo käyttäjälle?
Lopputulos voi olla sekä deterministinen ennuste yhdelle skenaariolle että todennäköisyyspohjainen esitys (esim. sadetodennäköisyys, lämpötilan jakauma). Ennusteita tulkittaessa kannattaa huomioida niiden eripituiset luotettavuusalueet: lyhyen aikavälin ennusteet ovat yleensä tarkempia kuin pitkät ennusteet, ja paikalliset pienilmastolliset vaikutukset voivat heikentää mallin suorituskykyä tietyissä tilanteissa.
Yhteenvetona: numeerinen sääennuste on monivaiheinen prosessi, joka yhdistää havainnot, fysiikan lainalaisuudet ja numeeriset menetelmät ennusteen tuottamiseksi. Se on kehittynyt voimakkaasti mutta vaatii jatkuvaa kehitystä, parempia havaintoja ja laskentatehoa vastatakseen entistä tarkempaan ja luotettavampaan sääpalveluun.
