Marný boj s teplotními inverzemi?
Blíží se zima a s ní četnější výskyt teplotních inverzí. Proč bývá občas velmi složité předpovědět zda bude mlha nebo slunečno?
Nastal opět podzim a blíží se zima a s ní i četnější výskyt inverzních situací, tedy i čas kdy modely častěji “selhávají” a dávají horší výsledky zejména u nízké oblačnosti a mlh. Právě kvůli tomu občas bývají větší rozdíly mezi předpovědí a realitou. Proč se to děje a co zkoušíme udělat pro to, aby to bylo lepší, se dočtete v tomto článku.
Kde inverze typicky nalezneme?
Teplotní inverze, typické pro chladnější polovinu roku, dělají meteorologům vrásky již mnoho let. Poměrně často také způsobují vznik alibistických předpovědí typu: “Ráno místy mlhy nebo nízká oblačnost, během dne místy jasno až polojasno.” Přitom se ale inverzní charakter počasí vyskytuje jen při určitých synoptických situacích, které jsou meteorologům dobře známé : Mohutné tlakové výše nad střední a východní Evropou v chladnější polovině roku, navíc provázené přílivem teplého vzduchu od jihu, a to zejména ve vyšších hladinách atmosféry…
Co si představit pod pojmem výrazná “téměř skoková” teplotní inverze
Výrazné teplotní inverze v extrémních případech tvoří téměř skokovou změnu průběhu teploty a vlhkosti s výškou, což vytváří z pohledu jinak "vcelku hladké atmosféry" jakousi diskontinuitu. Obvykle klesá teplota s výškou ve spodních vrstvách atmosféry (ve troposféře) o cca 0.65°C/100m a výrazná teplotní inverze, kdy teplota s výškou nezřídka na 100–200m výšky stoupne o 10–15°C tvoří vzhledem k tloušťce troposféry (11km) právě takovou skokovou zlomovou vrstvu...
Co na to numerické předpovědní modely?
Numerické předpovědní modely mají situaci ještě trochu komplikovanější - jsou oproti reálné atmosféře přeci jen zjednodušené a hlavně uzlové body ve kterých se model počítá, ať už v horizontálním nebo vertikálním směru, jsou od sebe vzdálené v řádech stovek metrů až kilometrů. To vede k tomu, že například velké změny teploty s výškou, ač je model docela dobře postihne, bývají zhlazené. I simulace fyzikálních procesů v atmosféře nedokáže v tomto, zejména vertikálním, měřítku udržet krok s touto takřka skokovou změnou teploty a vlhkosti v reálné atmosféře.
Numerické modely tedy již ze svého principu atmosféru zhlazují a teplotní inverze nejsou často tak "ostré" jako v reálu. Velmi nepříjemně se toto zhlazování projevuje na vlhkosti vzduchu - vzduch pod inverzí bývá v reálné atmosféře často nasycený vodní parou a často bývá mlha nebo nízká oblačnost, ale díky zhlazení bývá v modelech vzduch sušší a inverze "méně ostrá" a na výstupech z modelu mlha ani nízká oblačnost nejsou. Velmi často rozhodnou poměrně malé rozdíly mezi modelovou teplotou a teplotou rosného bodu v řádu desetin stupňů oproti reálu, což dále vede k tomu že například denní průběh předpovídané teploty je úplně odlišný od pozorovaných hodnot - v reálu je mlha a celý den teplota kolem 5 °C, model ale na ráno předpovídá -5 °C a na odpoledne +15 °C, a po celý den jasnou oblohu...
Co je s tím možné dělat?
Pokud zvýšíme rozlišení modelu, v horizontálním i vertikálním směru, nebo i v čase, vede to k násobnému prodloužení času výpočtu a tudíž i k jeho prodražení - aby se výpočet provedl "včas", je třeba nasadit více výpočetních prostředků. Výpočetní kapacita počítačů naštěstí docela rychle stoupá. Parametrizace procesů v nejspodnější vrstvě atmosféry (mezní vrstva), parametrizace interakce mezi povrchem Země a atmosférou se stále lépe optimalizuje stejně jako například mikrofyzikální procesy uvnitř vzduchu, a tak se situace vyvíjí příznivě právě směrem k menšímu prostorovému i časovému kroku modelových výpočtů. Tak i dříve výrazně zhlazené diskontinuity dnes modely dokážou lépe postihnout - neproniknou totiž sítem hustších uzlových bodů modelu, lépe připravenými okrajovými a vstupními podmínkami a lepšímu nastavení fyziky modelu...
Méně výrazné inverze
Zatím se nám docela dobře daří vypořádat se s méně ostrými teplotními inverzemi, kde se teplota a vlhkost s výškou mění pozvolněji. Tady už se modelům daří výrazně lépe, změna již nepřipomíná diskontinuitu a modely jí dokážou pěkně zachytit. To už je leckdy radost porovnávat výsledky modelu s realitou, jako například u situace z 22.10.2019, kde model WRF velice pěkně předpověděl výskyt nízké inverzní oblačnosti. Na obrázcích níže je vidět porovnání předpovědi se satelitním snímkem.
Co vylepšit?
Zatím se nám bohužel nedaří dosahovat takové úspěšnosti předpovědi jako na zmíněném příkladu z 22.10.2019 za každé inverzní situace. Nicméně se právě na těch případech, kdy se modely spíše netrefí snažíme hledat jak výsledky vylepšit - stejnou situaci necháme spočítat s různým nastavením a prostorovým rozlišením modelu. Nad rozborem výsledků se potom snažíme najít odpověď na otázku: “Co vylepšit?”
Celé to ale není úplně jednoduché, protože změna nastavení modelu ve prospěch inverzí může způsobit zhoršení úspěšnosti za neinverzních situací, což by nebylo žádoucí. Nejlepší by bylo nalézt univerzální nastavení, které by bylo dobré za každé situace. Takové nastavení modelu je ale v těchto chvílích ještě hudbou budoucnosti. Další variantou je mít pro inverzní situace jiné nastavení než pro situace neinverzní a volit mezi použitými modely podle právě se vyskytlé situace. Každá varianta má své pro a proti — univerzální nastavení bude jakýmsi kompromisem, speciální nastavení bude naopak dobré jen za určité konkrétní situace, ale problém bude určit, kdy které nastavení použít. Tomu by ale mohly napomoci metody strojového učení a umělé inteligence, ale to už je zase jiný příběh…
