CC BY
18
МЕТОДЫ ГЕОГРАФИЧЕСКИХ ИССЛЕДОВАНИЙ
УДК 551.465
П.А. Торопов1, С.А. Мысленков2, Т.Е. Самсонов3
ЧИСЛЕННОЕ МОДЕЛИРОВАНИЕ НОВОРОССИЙСКОЙ БОРЫ И СВЯЗАННОГО С НЕЙ ВЕТРОВОГО ВОЛНЕНИЯ4
На основе результатов численного моделирования с помощью мезомасштабной атмосферной модели WRF-ARW, модели ветрового волнения SWAN и экспедиционных данных исследованы особенности опасного метеорологического явления — новороссийской боры. Показано, что модель WRF хорошо воспроизводит бору на качественном уровне. Также выполнены количественные оценки результатов моделирования — сравнение с натурными данными. Проведено два численных эксперимента с моделью SWAN: в первом использованы данные о ветре реана-лиза FNL (пространственное разрешение 1°), во втором — результаты модели WRF-ARW (пространственное разрешение 0,02°). Показано, что различия в высоте волны между двумя экспериментами могут достигать 0,5—1 м, что в свою очередь является определяющим фактором для работы в море маломерных судов и судов класса "река—море".
Кроме того, произведено дешифрирование спутниковых изображений для уточнения маски подстилающей поверхности модели WRF-ARW, показаны отличия используемой по умолчанию маски подстилающей поверхности 1992 г. и созданной на основе снимков 2011 г.
Ключевые слова: мезомасштабные атмосферные процессы, бора, численное моделирование, ветровое волнение, подстилающая поверхность, Черное море.
Введение. Бора — местное (черноморское) название сильного холодного и порывистого ветра, дующего с низких горных хребтов в сторону теплого моря. Генетически это явление относится к фенам, так как возникает при обтекании орографического препятствия крупномасштабным потоком [3, 6]. В некоторых работах, в частности в [1, 8, 12], такие явления называют падающей циркуляцией. Бора наблюдается, как правило, в холодное полугодие, в период с октября по апрель. Явление возникает в случае вторжения холодного воздуха в южные районы европейской территории России. Синоптический опыт показывает, что четко выделяется антициклоническая бора, которая развивается на фоне крупномасштабного потока северо-восточного направления на южной периферии холодного антициклона, и циклоническая бора — в тылу средиземноморских или атлантических циклонов.
Во время новороссийской боры температура воздуха за несколько часов может понизиться на 15 °С, а скорость ветра достигает 60 м/с. Бора обычно продолжается 1—2 сут., но в отдельных случаях дует в течение 7 сут. и более. Горизонтальный масштаб явления
составляет несколько десятков километров, вертикальный — несколько сотен метров (как правило, не более 1 км). В Новороссийске в среднем за год в течение 46 дней дует бора (в основном зимой). При этом 15—20 дней в году скорость ветра достигает штормовой силы, превышая 20 м/с, а 5 дней в году — уровня урагана (более 33 м/с). Примерно один раз в 10 лет в Новороссийске наблюдается катастрофическая бора, сопровождаемая порывами ветра более 45 м/с, что приводит к значительным разрушениям и человеческим жертвам и практически полностью парализует работу Новороссийского порта. Это определяет чрезвычайную актуальность задачи успешного прогноза боры.
Такого рода явления наблюдаются и в других регионах. Широко известна новоземельская бора, бакинский норд, баргузин на Байкале, адриатическая бора, мистраль (Лазурный Берег Франции) и т.д.
Постановка проблемы. Гидродинамическая задача обтекания крупномасштабным потоком горного препятствия рассмотрена в [2], а в нашей стране соответствующая математическая модель предложена в работе [3]. Однако редкие и разрозненные данные о трехмерной структуре фенов и падающих циркуля-
1 Московский государственный университет имени М.В. Ломоносова, географический факультет, кафедра метеорологии, доцент, канд. геогр. н.; e-mail: [email protected]
2 Московский государственный университет имени М.В. Ломоносова, географический факультет, кафедра океанологии, науч. с.; e-mail: [email protected]
3 Московский государственный университет имени М.В. Ломоносова, географический факультет, кафедра картографии и геоинформатики, ст. науч. с.; канд. геогр. н.; e-mail: [email protected]
4 Работа выполнена в рамках договора № 11.G34.31.0007 от 30.11.2010 между МГУ, Министерством образования и науки РФ и ведущим ученым К.П. Колтерманном, победителем конкурса на получение гранта Правительства РФ (Постановление Правительства РФ № 220 от 09.04.2011), а также при поддержке РФФИ (проекты № 12-05-31508-мол_а, 12-05-31318-мол_а, 12-05-31409-мол_а).
циях не давали толчка к активному развитию соответствующей теории. В последние 15—20 лет по мере появления большого количества дистанционных методов наблюдений ситуация существенно изменилась. В настоящее время наиболее детально изучена адриатическая бора, а также схожие явления в США [1, 11, 12, 16]. Полученная информация легла в основу теории падающих циркуляций, которая активно развивается в последние десятилетия [8, 12, 14]. Существует две гипотезы возникновения боры: гидравлическая и волновая. Первая описывает бору как катабатический ветер или как "сверхкритический поток", возникающий в тонком слое, ограниченном сверху мощной температурной инверсией [1, 8]. Вторая гипотеза представляет бору в виде нелинейного волнового процесса [6, 8, 12, 14]. Современное изучение падающих цир-куляций представляет собой синтез натурных данных [7, 11, 17], результатов аналитического решения задачи обтекания орографических препятствий [2, 3, 6, 8], а также численного моделирования [3, 12]. Полученные результаты постепенно приводят исследователей к мнению о том, что главный физический механизм "падающей циркуляции" — обрушение подветренных волн.
Возможны разные подходы к прогнозу боры, однако не все они эффективны. Например, прогноз тонкой пространственной структуры метеорологических полей при боре синоптическим методом не представляется возможным — этот метод предназначен для описания крупномасштабных атмосферных явлений, а прогноз местных процессов оказывается возможным лишь на качественном уровне. Более успешными могли бы стать статистические методы, основанные на анализе пространственной корреляционной функции. Однако адекватное использование этих методов требует, во-первых, большого количества точек наблюдения, а во-вторых, большой продолжительности наблюдений. К сожалению, длинных рядов наблюдений на большом числе станций в регионе не существует. Поэтому в данной ситуации наиболее эффективными методами представляются численный гидродинамический диагноз и прогноз, которые обеспечивают высокое пространственное и временное разрешение метеорологических полей.
Материалы и методы исследований. В качестве диагностического инструмента использована региональная гидродинамическая модель WRF-ARW [16]. Результаты экспериментов сравниваются с данными наблюдений, выполняемых на сети станций Росгидромета, а также в ходе зимней экспедиции сотрудников и студентов кафедры метеорологии и климатологии географического факультета МГУ. Выполнена как качественная (визуальный анализ), так и количественная оценка результатов наблюдений (сравнение прогностических и фактических средних и модальных значений скорости ветра по выбранной области). Результаты моделирования поля скорости ветра использованы в качестве начальных данных для модели ветрового волнения SWAN (Simulating Waves Near Shore) [18], с помощью которой рассчитывается высота вол-
ны в исследуемом районе. Кроме ошибок, при численном прогнозе для территории со сложной орографией, необходимо учитывать неточное описание характеристик рельефа, береговой линии и типов землепользования в граничных условиях модели. Эти неточности могут привести к значительным погрешностям прогноза, поэтому выполнено уточнение массива данных по типам землепользования.
Проанализированы результаты численного эксперимента от 0:00 часов 26.01.2012. В этот период наблюдалась сильная антициклональная бора, кроме того, этот отрезок времени наиболее полно обеспечен данными натурных наблюдений, полученными в экспедициях сотрудниками и студентами кафедр метеорологии и океанологии. Эксперименты проводились по схеме четырехмерного усвоения, в качестве начальных данных использованы результаты анализа NCEP Final Analysis (FNL from GFS 1x1°) через каждые 6 ч. Границы расчетной области следующие: 44—45° с.ш. и 37—39° в.д. (рис. 1, врезка). Пространственный шаг составил 2 км, а число вертикальных уровней — 27 (верхняя граница на уровне 50 гПа). В соответствии с поставленной задачей использован негидростатический вариант модели WRF-ARW [16]. Интегрирование по времени осуществлялось на 72 ч.
Данные натурных наблюдений (рис. 1) включали:
— результаты измерений скорости, порывов и направления ветра на высоте 10 м, выполненные на гидрометеорологической сети Новороссийского порта (предоставлены начальником Гидрометеобюро Новороссийска А.А Пономаревым); временная дискретность данных — 2 мин., число точек наблюдений — 5;
— результаты измерений основных метеорологических величин на сетевых станциях Росгидромета (Новороссийск, Геленджик, Туапсе, Анапа, Джубга, Крымск), временная дискретность 3 ч;
— данные экспедиционных наблюдений сотрудников и студентов кафедры метеорологии МГУ, результаты измерений с помощью автоматических метеостанций фирмы "Davis" (США), установленных в районе вершины горы Плоская (юго-западный склон Маркотхского хребта), у ее подножия (пос. Марьина Роща) и на пирсе Южного отделения Института океанологии РАН имени П.П. Ширшова в Голубой бухте; временная дискретность измерений — 5 мин.
Результаты исследований и их обсуждение. Моделирование метеорологического режима. На рис. 2 представлены результаты численного эксперимента с моделью WRF-ARW. В первую очередь отметим, что модель воспроизводит именно новороссийскую бору,
0 чем свидетельствуют следующие факты. Во-первых, вертикальный масштаб явления составляет примерно
1 км. Этот сравнительно тонкий слой характеризуется низкой температурой воздуха (рис. 2, б) и высокими значениями скорости ветра (рис. 2, в). Во-вторых, хорошо прослеживается увеличение скорости ветра на подветренном склоне, что, в частности, подтверждает гидравлическую теорию боры. Так, аналитическое ре-
Метеостанции
О Географический факультет
"* - . . V» д
0 Росгидромет № Новороссийский порт
"шииНм
-ВВ
Расчетная область
Краснодар
0 2.5 5
Новороссийск
Черное море
Участок
натурных сг
наблюдений
Геленджик
Рис. 1. Схема расположения станций наблюдений, расчетная область показана на врезке. Снимок SPOT-5, получен из каталога Геопортала МГУ
шение уравнения Бернулли показывает, что скорость ветра у подветренного подножия препятствия должна быть в 2 раза больше, чем на его вершине [1, 8]. Эти теоретические выводы неплохо согласуются с результатами моделирования: на рис. 1, в четко видно, что скорость ветра в нижней части склона в 1,8—2,2 раза превышает таковую над вершиной Маркотхского хребта. Не исключено, что усиление ветра может быть связано с обрушением орографических волн. Этот эффект отмечен в качестве одного из физических механизмов холодных фенов, в частности в [8, 12, 14]. Применительно к новороссийской боре такого рода задачи не ставились, этот вопрос требует отдельного исследования. В-третьих, правдоподобен и горизонтальный масштаб явления (рис. 2, а). Максимальных значений (для суточного осреднения за 26.01.2012) скорость ветра достигает у подножия Маркотхского хребта и в прибрежной зоне, особенно в Цемесской бухте. Здесь даже средние суточные значения скорости ветра составляют 20—25 м/с. Это неплохо согласуется с натурными данными, полученными в [7, 11, 17]. По мере удаления от береговой линии бора затухает, и уже на расстоянии 100 км от береговой линии средняя скорость ветра не превышает 15 м/с. На наветренной стороне хребтов, т.е. в северных районах, а также на востоке, где высота отрогов Кавказа уже превышает 1000 м, средняя скорость ветра составляет
8—13 м/с (рис. 2, а). В-четвертых, четко прослеживаются положительные значения вертикальной компоненты скорости ветра на наветренной стороне хребта и отрицательные — на подветренной (рис. 2, г), что также соответствует фену (ветровой поток поднимается по наветренной стороне склона и опускается на подветренной). Кроме того, на рис. 2, а видны линейно вытянутые области с высокими значениями скорости ветра, которые чередуются с областями более низкой скорости ветра. До конца физический механизм формирования таких структур не ясен, есть основания полагать, что это гидравлическое усиление потока в щелях и ущельях. В устьях щелей и в бухтах скорость ветра выше, чем пред высокими частями хребтов и у высоких берегов, причем структуры такого же рода выявлены по результатам спутниковых измерений [7].
Проанализируем точность воспроизведения поля ветра. Здесь ситуация выглядит менее оптимистично. Несмотря на то что само явление боры воспроизводится моделью успешно, ошибки в конкретных точках расчетной области могут быть весьма значительными. На рис. 3, а представлены эмпирические функции распределения ошибок модели (по сравнению с данными наблюдений, описанными выше). Максимальные значения ошибок достигают 15 м/с. Кроме того, рассчитаны модальные значения прогноза скорости
Рис. 2. Результаты осреднения численного прогноза новороссийской боры за 26.01.2012: а — поле скорости ветра в области решения (полужирная черная черта — береговая линия); б — вертикальный разрез по температуре (°С) вдоль 38° с.ш. (светлая область с двумя максимумами — отроги Большого Кавказа); в — вертикальный разрез модуля скорости ветра, м/с; г — разрез вертикальной компоненты
скорости ветра, м/с
ветра в пределах расчетной области и модальные значения, оцененные по данным наблюдений. Модальные значения определяли следующим образом: выбирали прямоугольную область, включающую п узлов, в которых записаны прогностические данные. По этим данным строили эмпирическую функцию распределения и выделяли моду — наиболее повторяемое значение. Эта операция повторялась для всех временных срезов. Для выделения моды в натурных данных использовано поле, полученное методом объективного анализа Крессмена данных из точек станций в узлы регулярной сетки.
Итак, оценка точности прогноза выявила следующие особенности:
— модель WRF-ARW систематически завышает скорость ветра, причем мода ошибки составляет 6 м/с (рис. 3, б). Максимальные значения погрешности в отдельных точках достигают 15 м/с. Однако коэффициент корреляции между двумя графиками довольно высок — 0,7 (при уровне значимости для данной вы-
борки 0,52). Это связано с тем, что данная задача представляет собой 4D-ycBoeH^: каждые 6 ч. обновляются начальные данные FNL-анализа;
— вместе с тем точность модального прогноза скорости ветра по пространству довольно высока. Так, для фактических данных мода соответствует скорости ветра 9 м/с, в то время как по данным WRF-ARW, — 11 м/с. По-видимому, вероятностный подход к прогнозу корректнее. Неплохо воспроизводится и временной ход модального прогноза: результаты WRF выглядят как средние значения фактических мод по пространству.
Моделирование ветрового волнения. Результаты расчетов скорости и направления ветра с помощью модели WRF-ARW использованы в качестве начальных данных для расчета ветрового волнения. Вычислительным инструментом, позволившим решить эту задачу, стала спектральная волновая модель SWAN [18]. Эта модель рассчитывает параметры ветрового волнения по заданным полям ветра и течений, а также
Рис. 3. Результаты статистической оценки точности прогноза: а — изменение прогностической (темная линия) и фактической (светлая линия) скорости ветра, осредненное по "тестовой области" (по оси ординат — скорость ветра, по оси абсцисс — дни с 26.01.2012 по 28.01.2012); б — эмпирическая функция распределения ошибок прогноза (по оси абсцисс — интервалы, м/с); в — эмпирические функции распределения фактической (1) и прогностической (2) скорости ветра по "тестовой области" (1 — наблюденные значения, 2 — модельные значения, по оси абсцисс — интервалы, м/с); г — модальные фактические значения (1) и модальный прогноз скорости ветра (2)
по "тестовой области" (по оси абсцисс — часы прогноза)
рельефу дна. Модель хорошо воспроизводит параметры ветрового волнения как в прибрежных, так и в открытых частях морей и океанов [4, 5, 18]. Важнейшая особенность модели SWAN — ее приспособленность для работы в шельфовой зоне, поскольку в модели реализованы следующие процессы: генерация волн ветром, рефракция и дифракция волн, диссипация, нелинейные взаимодействия волн. Численные эксперименты реализованы в ВЦ МГУ имени М.В. Ломоносова на СК "Ломоносов". Вычисления проводились в параллельном режиме. Количественные оценки точности воспроизведения ветрового волнения проводили авторы. Выполнены расчеты летнего шторма 2012 г. Результаты SWAN сопоставлялись с данными волнографа "LogaLevel 5", установленного на пирсе ЮО ИОРАН имени П.П. Ширшова. Ошибка модели по значительной высоте волны не превышала 0,2 м. Также проводились качественные сравнения со спутниковыми данными.
Расчеты волнения в исследуемом районе выполнялись и ранее [4, 5], однако в качестве входных данных о ветре в них использовался реанализ низкого разрешения (например, NCEP/NCAR 2,5x2,5). Естественно, такие данные не описывают сложную пространственную структуру скорости ветра во время боры. Эксперименты, результаты которых обсуждаются в [4, 5], были в основном направлены на исследование режимных характеристик волнения.
В рамках нашей работы выполнено моделирование волнения, возникающего в качестве реакции на воздействие штормового и ураганного ветра в прибрежной зоне при боре. Границы расчетной области следующие: 37—39° в.д., 44—45° с.ш.; пространственный шаг — 0,02° вдоль круга широты и 0,01° по долготе. Время интегрирования составило 12 ч, при этом данные о ветре задавались ежечасно. Чтобы оценить необходимость использования мезомасштабной атмосферной модели на примере WRF-ARW, проведено
Рис. 4. Скорость ветра, осредненная за 26.01.2012, по данным: а — анализа NCEP/NCAR 1,9x1,9°, в — модели WRF-ARW и соответствующие им значения средней высоты морских волн (б, г), рассчитанные с помощью модели SWAN
два эксперимента. В первом эксперименте использовали поля ветра FNL-анализа 1x1°, во втором — результаты WRF-ARW
Результаты расчетов приведены на рис. 4, на нем хорошо видно, что в случае использования данных FNL-анализа, так и результатов расчетов по атмосферной модели WRF-ARW максимальная высота волны наблюдается в 50—100 км от береговой линии, что соответствует масштабу разгона морской волны. В общих чертах совпадает площадь областей с максимальным волнением, а также их положение в пространстве. Так, области максимального волнения в обоих случаях находятся преимущественно в западной половине расчетной области [8]. Однако количественные различия между результатами экспериментов весьма велики. В случае использования в качестве начальных данных FNL-анализа, максимальная высота волны составила 1,5—2 м, а на основе результатов WRF-ARW 2—2,5 м. Кроме того, площадь области опасного вол-
нения (более 1 м) по данным модели WRF-ARW примерно в 1,5 раза выше, чем на основе данных FNL-анализа.
К сожалению, невозможно выполнить детальную количественную оценку результатов моделирования по модели SWAN из-за отсутствия надежных данных наблюдений за волнением. Данные, полученные с помощью волнографа "LogaLevel", который применяется в экспедициях кафедры океанологии географического факультета, использовать не имеет смысла, так как прибор установлен на пирсе в 150 м от берега (он полезен для фиксации волнения при нагонных ветрах южных и западных румбов). При боре максимум волнения наблюдается в нескольких десятках километров от береговой зоны, поэтому данные волнографа не позволяют оценить максимальную высоту волны. Спутниковые данные можно использовать лишь качественно, так как их точность в настоящее время невелика, тем не менее эти данные использо-
ваны, в частности для оценки влияния новороссийской боры на морскую поверхность. Например, в работе [7] на основе анализа изображений в видимом и инфракрасном диапазонах с искусственных спутников Земли (ИСЗ) NOAA и Terra/Aqua, а также данных СВЧ-скаттерометра "Quikscat" и радиолокаторов с синтезированной апертурой со спутников ERS-2 и Envisat восстановлены особенности пространственной неоднородности морского волнения во время боры. Показано, что воздействие сильного северо-восточного ветра при боре на морскую поверхность приводит к формированию характерных полос на снимках из космоса в видимом, ИК- и СВЧ-диапазонах. Такие же структуры проявились в поле скорости ветра по результатам модели WRF-ARW и в меньшей степени по результатам модели SWAN.
Уточнение типов землепользования для параметризации подстилающей поверхности. Для более точного воспроизведения реальной динамики атмосферы над побережьем северо-восточной части Черного моря при численном моделировании необходимы максимально приближенные к реальным граничные гео- и метеоусловия. Известно, что вариации характера подстилающей поверхности влияют на атмосферную циркуляцию не только в микро-, но и в мезометоро-логическом масштабе [19].
В модели WRF для параметризации по характеру подстилающей поверхности используется покрытие GLCC (Global Land Cover Characterization) с разрешением 1 км, полученное по данным с сенсора AVHRR за период с апреля 1992 г. по март 1993 г. [9]. Актуальная версия базы данных GLCC Database 2.0 была выпущена в 2000 г., она базировалась на тех же исходных данных за 1992—1993 гг., но с корректировкой результатов дешифрирования [13]. Классификатор GLCC состоит из 24 типов подстилающей поверхности.
Очевидно, что за двадцатилетний период (в нашем случае за 1992—2012 гг.) любая территория с интенсивным хозяйственным освоением претерпевает значительные изменения. Особенно это характерно для территории России, где снимки 1992 г. отражают
фактически еще советское состояние дел (в том числе нарезку сельскохозяйственных полей, распространение леса, границы населенных пунктов). В то же время выявлено, что качество и актуальность баз данных подстилающих поверхностей влияет на результаты региональных климатических моделей [10]. Так, в работе [15] уточнение данных GLCC по снимкам Landsat ETM+ за 2001—2005 гг. позволило оценить влияние обновленного покрытия на результаты моделирования с помощью модели WRF. В частности, смена пашни и лесов на городскую застройку привела к локальному уменьшению альбедо, увеличению максимальных значений температуры, уменьшению среднеквадра-тической ошибки в оценке температуры по отношению к наблюденным значениям [15].
Таким образом, для адекватной параметризации модели WRF требуется уточнение базы данных с учетом современного состояния поверхности. Для дешифрирования использован безоблачный снимок со спутника Landsat-5 с за июль 2011 г. (разрешение 30 м). Дешифрирование проводили в программном пакете Scanex Image Processor 3.6.10 методом сегментации. Использован синтез каналов 5—4—3, состоящий из красного, ближнеинфракрасного и среднеинфракрас-ного диапазонов, который традиционно применяют для дешифрирования сельскохозяйственных угодий. Набор эталонов для классификации после выделения сегментов проводили вручную. На каждый класс отобрано от 10 до 20 эталонов в зависимости от вариативности его спектрального образа.
Результаты классификации экспортированы в программный пакет ArcGIS Desktop 10. Данные приведены к разрешению 1 км, которое используется в базе данных GLCC. Для этого применяли метод передискретизации большинства (Majority), который выявляет процентное соотношение площадей классов внутри ячейки и присваивает ей значение наиболее широко представленного класса.
Сравнение результатов с данными GLCC позволило выявить ряд существенных отличий по сравнению с базой данных GLCC (рис. 5), в том числе:
Рис. 5. Сравнение результатов дешифрирования снимка Landsat-5 (2011 г.) и базы данных GLCC Database 2.0 (данные 1992—1993 гг.), используемой в модели WRF-ARW: а — изменение площади городов Новороссийск и Геленджик; б — изменение суммарной площади лесов
— значительное увеличение площади населенных пунктов (в 1,76 раза);
— снижение площади сельскохозяйственных полей (в 1,36 раза);
— существенное увеличение площади лесов (в 1,3 раза), главным образом за счет зарастания бывших территорий пашни и лугов (вызывает сомнение корректность представления площади смешанных лесов в базе данных GLCC);
— дешифрированы области орошаемого земледелия, которые в классификации GLCC отнесены к группе неорошаемых полей;
— дешифрированы области хвойных лесов, отсутствовавшие в базе данных GLCC.
Полученные результаты обусловлены двумя основными факторами: собственно динамикой ландшафта, а также существенными отличиями в характере источника данных. В случае AVHRR (разрешение 1,1 км) сильное влияние оказывает генерализация, закладываемая сенсором и оптикой на стадии получения изображения; в случае Landsat ETM (разрешение 30 м) — картографическая генерализация схемы дешифрирования, выполненная нами вручную. Влияние выявленных переходов классов будет оценено при дальнейшем моделировании с помощью WRF.
Выводы. Впервые для моделирования новороссийской боры проведены совместные численные эксперименты с атмосферной моделью WRF-ARW и моделью ветрового волнения SWAN. На основе полученных результатов можно сделать следующие выводы:
— модель WRF-ARW воспроизводит именно бору, а не какое-либо иное атмосферное явление. Об этом свидетельствуют наличие сильного течения на склоне в подинверсионном слое, усиление ветра в прибрежной зоне и его ослабление в открытом море, формирование гравитационных волн после обтекания хребтов. Показано, что новороссийскую бору можно успешно воспроизвести мезомасштабной атмосферной моделью. Такого рода работы проводились неоднократно [8, 12, 14], однако применительно к новороссийской боре успешность численного моделирования продемонстрирована впервые;
— вместе с тем количественные оценки показали, что ошибки велики (в среднем 5—8 м/с). Однако отметим следующее: во-первых, оценка модельных результатов по нескольким точкам станций не вполне корректна. Даже при высоком разрешении модели (2 км) получается, что модельное значение представляет собой некую "средневзвешенную" величину по
СПИСОК ЛИТЕРАТУРЫ
1. Барри Р.Г. Погода и климат в горах. Л.: Гидрометео-издат, 1984.
2. Гилл А. Динамика атмосферы и океана. Т. 1. М.: Мир, 1986.
3. Гутман Л.Н., Франкль Ф.И. Гидродинамическая модель боры // Докл. АН СССР. 1960. Т. 30, № 3. С. 23—37.
4. Дьяков Н.Н., Фомин В.В., Мартынов Е.В., Гармашов А.В. Ветроволновой режим Азовского моря // Экологическая
2-километровой ячейке, которое сравнивается со значением в точке (станционными данными). Во-вторых, бора 26—28.01.2012 г была сильной: средняя скорость ветра составляла 20—25 м/с, а порывы достигали 40 м/с (по данным станции Новороссийск). При таких значениях скорости ошибка в 5 м/с не представляется значительной — в любом случае модель воспроизводит метеорологические условия, вынуждающие синоптика выпускать штормовое предупреждение. Кроме того, даже при наличии многочисленных станций наблюдений в Новороссийском порту, а также данных экспедиционных наблюдений сотрудников и студентов кафедры метеорологии следует отметить бедность измерительной сети, особенно, если речь идет о таком пространственно неоднородном явлении, как бора. Точки наблюдений распределены крайне неравномерно, многие из них попадают в "ветровую тень". На склоне Маркотхского хребта и у его подножия, где наблюдаются максимальные значения скорости ветра, расположены всего две точки измерений, над морской акваторией измерения вообще отсутствуют. Все это может вносить свой вклад в мнимое завышение моделью значений скорости ветра. Для улучшения качества диагноза и прогноза боры необходимо выполнять процедуру усвоения станционных и спутниковых измерений (на этапе подготовки начальных данных), использовать метод "вложенных сеток" для улучшения точности воспроизведения, использовать более развитые параметризации пограничного слоя, присутствующие в библиотеках модели WRF. Все эти работы планируется провести в будущем;
— большие ошибки в точках наблюдений убедили авторов в необходимости использовать пространственную функцию распределения. Показано, что модальные значения по некоторой области прогнозируются существенно надежнее: ошибка для мод не превышает 3 м/с. Этот подход планируется развивать и в дальнейшем;
— важный прикладной результат исследований — расчет ветрового волнения с использованием в качестве входных результатов данных модели WRF. Показано, что использование мезомасштабной модели существенно улучшает результаты прогноза волнения, хотя пока для оценки качества результатов модели SWAN натурные данные практически отсутствуют;
— уточнены характеристики подстилающей поверхности, что должно сильно отразиться на точности воспроизведения поля приземной температуры, а также на локальных свойствах ветровых потоков.
безопасность прибрежной и шельфовой зон и комплексное использование ресурсов шельфа. Севастополь: ЭКОСИ-Гид-рофизика, 2010. Вып. 22. С. 228—239.
5. Ефимов В.В., Белокопытов В.Н., Комаровская О.И. Численное моделирование ветрового волнения в северозападной части Черного моря // Морской гидрофиз. журн. 2000. № 6. С. 36—43.
6. Кожевников В.Н. Возмущения атмосферы при обтекании гор. М.: Научный мир, 1999.
7. Alpers W, Ivanov A., Dagestad K. Observation of local wind fields and cyclonic atmospheric eddies over the eastern Black Sea using envisat synthetic aperture radar images // Исследования Земли из космоса. 2010. № 5. С. 46—58.
8. Durran D.R. Downslope winds. Washington: University of Washington, 2002.
9. Eidenshink J.C., Faundeen, J.L. The 1 km AVHRR global land data set-first stages in implementation // Intern. J. Remote Sensing. 1994. Vol. 15, N 17. P. 3443—3462.
10. Ge J., Qi J., Lofgren B.M. et al. Impacts of land use/cover classification accuracy on regional climate simulations // J. Geophys. Res. 2007. Vol. 112. D05107, DOI: 10.1029/ 2006JD007404.
11. Grisogono B., Belusic D. A review of recent advances in understanding the meso- and microscale properties of the severe Bora winds // Tellus. 2008. URL: http://www.mmm.ucar.edu (дата обращения: 15.05.2012).
12. Jiang Q., Doyle J.D. Wave breaking induced surface wakes and jets observed during a bora event // Geophys. Res. Lett. 2005. Vol. 32. P. 1201—1207.
13. Loveland T.R., Reed B.C., Brown J.F. et al. Development of a global land cover characteristics database and IGBP
DISCover from 1-km AVHRR Data // Intern. J. Remote Sensing. 2000. Vol. 21, N 6—7. P. 1303—1330.
14. Reinecke P.A. Mountain waves and downslope winds. Washington: University of Washington, 2008.
15. Sertel E, Robock A., Ormeci C. Impacts of land cover data quality on regional climate simulations // Intern. J. Climatology. 2009. DOI: 10.1002/joc
16. Skamarock W.C., Klemp J.B., Dudhia J. et al. A Description of the Advanced Res. // WRF NCAR technical note. 2005.
17. Smith R.B. Aerial observations of Yugoslavian bora // J. of Atmospheric Sci. 1987. Vol. 44. P. 269—297.
18. SWAN Technical Documentation SWAN Cycle III version 40.51A. Netherlands: Delft University of Technology, 2007.
19. Weaver C.P., Avissar R. Atmospheric disturbances caused by human modification of the landscape // Bull. of the Amer. Meteorological Soc. 2001. Vol. 82. P. 269—2281.
20. Willis M.C., Devaliere E, Hanson J. et al. Implementing the SWAN wave model at three East Coast National Weather Service Offices // Preprints, 14th Symposium on Integrated Observing and Assimilation Systems for the Atmosphere, Oceans, and Land Surface, Amer. Meteor. Soc. Atlanta. 2010. GA, P. 5B7.
Поступила в редакцию 25.05.2012
P.A. Toropov, S.A. Myslenkov, T.E. Samsonov NUMERICAL MODELING OF BORA IN NOVOROSSIYSK AND ASSOCIATED WIND WAVES
A hazardous meteorological phenomenon — bora in Novorossiysk — was studied using the results of numerical modeling based on the WRF-ARW meso-scale atmosphere model, the SWAN model of wind waves and the expeditionary observation data. The WRF model proves to be good for the qualitative imitation of bora. The results of modeling were also quantitatively evaluated, i.e. compared with observation data. Two numerical experiments were carried out with the SWAN model: using (1) the FNL re-analysis wind data (with spatial resolution of 1°) and (2) the results of WRF-ARW modeling (with spatial resolution of 0,02°). The modeled wave heights could differ by 0,5—1 m between the experiments, and this is the principal factor limiting the possibility of work for a certain class of vessels. Space imagery was interpreted to improve the mask of the underlying surface for WRF-ARW model. Differences between the default 1992 mask of the underlying surface and that compiled on the basis of 2011 imagery are described.
Key words: meso-scale atmospheric processes, bora, numerical modeling, wind waves, underlying surface, the Black Sea.
