New methods using in-situ and remote-sensing observations for improved meteorological analysis

Show full item record

Permalink

http://urn.fi/URN:ISBN:978-952-336-042-6
Title: New methods using in-situ and remote-sensing observations for improved meteorological analysis
Author: Gregow, Erik
Contributor: University of Helsinki, Faculty of Science, Department of Physics
Finnish Meteorological Institute (FMI)
Thesis level: Doctoral dissertation (article-based)
Belongs to series: Finnish Meteorological Institute, Contributions 142 - URN:ISSN:0782-6117
Abstract: Observations have been and are an important part of today's meteorological developments. Surface observations are very useful as they are, providing weather information for a point location. Though they do not give much information, if any, on what happens between the stations across a larger area. With models one can create an analysis of the meteorological situation, i.e. calculate and estimate what happens between these fixed observation points. Remote-sensing data, such as radar and satellite, are being processed and the output is given over a domain as an analysed product of their measurements. For example, radar gives a plot of where the rain is located, i.e. an analysis of the current precipitation. With a series of radar images, a human (subjectively) or a computer (objectively) can process this information to estimate where the rain will move and be located within the next few minutes (even hours), i.e. a short forecast also called "nowcast". This applies to some extent also for other observations, such as satellite data (cloud propagation). But for most quantities (such as temperature, wind, etc) it is significantly harder to make such a nowcast, since these are influenced by many other factors and there is no linear development of them. Therefore, there are forecast models that solve physical and dynamic equations, so that one can estimate the future weather for the coming hours and days. A prerequisite for generating a forecast of high quality is to capture the initial weather conditions as best as possible. This is done using observations and they are introduced into the forecast model through different techniques, where the model creates its own analysis as the initial step. There remain problems since forecast models often are affected by physical disagreements, as the dynamic conditions are not in balance. This results in the model having a spin-up effect, where the meteorological quantities are not yet in balance with each other and the resulting weather conditions are not always reliable during the first hours. Hence, a lot of research is spent on how to reduce this spin-up effect and on the use of nowcast models, in order to deliver the best model results for the first few hours of the forecast period. In this dissertation, the research work has been to improve the meteorological analysis, algorithms and functionality, using the Local Analysis and Prediction System (LAPS) model. Different kinds of observations were used and their interdependencies have been studied, in order to combine and merge information from various instruments. Primarily focus has been to improve the estimation of precipitation accumulation and meteorological quantities that affect wind energy. The LAPS developments have been used for several end-users and nowcasting applications, and experimentally as initial conditions for forecast modelling. The studies have been concentrated on Finland and nearby sea areas, with the available datasets for this domain. By combining surface-station measurements, radar and lightning information, one can improve the precipitation-amount estimations. The use of lightning data further improves the estimates and gives the advantage of having additional data outside radar coverage, which can potentially be very useful for example over sea areas. In addition, the improved LAPS analyses (cloud-related quantities) and a newly developed model (LOWICE), calculating the electricity production during wintertime (e.g. icing which reduces efficiency), have shown good results.Observationer har varit och är en betydelsefull del i den meteorologiska utvecklingen. Markobservationer är mycket användbara som de är, de tillför väderdata för en specifik punkt. Men de ger ingen information om vad som händer mellan dessa mätpunkter. Med modeller kan man skapa en analys, dvs beräkna och estimera vad som händer mellan dessa observationstationer. Radar och satellit ger data över områden och är en produkt där dess mätningar är analyserade. Till exempel, radar ger en bild av var regnet befinner sig, dvs en analys av nuläget. Med en serie av radar bilder, kan en människa (subjektivt) eller en dator (objektivt) bearbeta denna information så att man får en uppfattning om var regnet kommer att befinna sig inom de närmaste minuterna (även timmarna), dvs en kort progonos även kallat “nowcast”. Detta gäller även i stor utsträckning för övriga observationer, såsom satellit data (molnutbredning) etc. För meteorologiska parametrar såsom temperatur eller vind, är det dock betydligt svårare att göra en sådan nowcast, då dessa påverkas av många andra faktorer och det finns inte en linjär utveckling av dem. För att lösa detta problem finns det prognos-modeller, som löser de fysikaliska och dynamiska ekvationerna så att man kan få en bild av kommande väderparametrar för de kommande timmarna och dygnen. En förutsättning för en bra prognos är att man fångar det initiala väderläget så bra som möjligt. Detta görs med observationer och de introduceras i prognosmodellen via olika tekniker. Här kvarstår ett problem då modeller påverkas av fysikaliska oenigheter då de dynamiska förhållandena är i obalans. Detta resulterar ofta i att modellen under de första timmarna har en “spin-up” effekt där de meteorologiska parametrarna ännu inte är i balans med varandra och de prognostiserade väderförhållandena ännu inte är helt tillförlitliga. Därav spenderas mycket forskning om hur man kan reducera denna spin-up effekt och användandet av nowcast-modeller för att tillföra bästa modell resultat för de närmaste timmarna. I denna avhandling har fokus varit att förbättra den meteorologiska analysen (algoritmer och funktionalitet), genom att använda modellen Local Analysis and Prediction System (LAPS). Ett flertal observationer har använts och deras inbördes påverkan studerats, för att i bästa möjliga mån kombinera information från dessa olika instrument. Fokus har främst varit med avseende på nederbördsmängd och beräkning av meteorologiska parametrar som påverkar vindkraftsenergi. LAPS har även använts experimentellt i nowcasting syfte och som analys för prognos-model, för att förbättra prognoserna i närtid. Studierna har i första hand fokuserat på Finland, med närliggande havsområden och tillhörande observations nätverk och instrumentering. Vi har funnit att genom användandet av mark-stationer, radar och blixtnedslags information så kan man förbättra bestämningen av nederbördsmängden. Användandet av blixtdata ger möjligheten att bestämma nederbörd över områden där det inte finns radar, till exempel över havsområden, vilket förr inte varit möjligt. Därtill har vi med förbättrade LAPS analyser (främst moln relaterade parametrar) och en nyutvecklad modell (LOWICE) påvisat positiva resultat vid beräkning av elproduktionen under vintertid, där man tar i beaktning nedisning av vindkraftverkens rotorblad, vilket sänker effektiviteten.
URI: URN:ISBN:978-952-336-042-6
http://hdl.handle.net/10138/229598
Date: 2018-02-09
Subject:
Rights: This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.


Files in this item

Files Size Format View

There are no files associated with this item.

This item appears in the following Collection(s)

Show full item record