Open source-code ontwikkeld door een afgestudeerde Penn State kan de weersvoorspelling en een reeks andere onderzoeksinspanningen verbeteren die afhankelijk zijn van het koppelen van atmosferische modellen aan satellietbeelden.

Yanni Cao, die in 2016 haar master in aardrijkskunde behaalde, ontwikkelde de code terwijl een lid van Penn State's Geoinformatics and Earth Observation Laboratory (GEOlab) als een manier om fouten te herstellen die zijn ontstaan ​​​​wanneer satellietgegevens worden gecombineerd met het Weather Research and Forecasting (WRF) -model. De werkzaamheden zijn uitgevoerd in samenwerking met haar adviseur, Guido Cervone, hoofd van GEOLab, universitair hoofddocent geo-informatica en associate director van het Institute for CyberScience, en het Nationaal Centrum voor Atmosferisch Onderzoek (NCAR).

Om berekeningen te stroomlijnen, het veelgebruikte WRF-model - zoals de meeste - gaat ervan uit dat de aarde een perfecte bol is. Toch leggen satellieten een meer realistische afgeplatte sferoïde vorm van de aarde vast, omdat planeten uitpuilen als gevolg van zwaartekracht en rotatie. Onnauwkeurigheden in berekeningen worden veroorzaakt door het verplaatsen van locaties van modellen van een perfecte bol naar de waarnemingsgegevens op aarde die vlak bij de polen afvlakken en rond de evenaar uitpuilen.

"Het basisidee is dat de aarde geen perfecte bol is, " zei Cao. "Om eenvoudige berekeningen te maken, meest, zo niet alle, weermodellen zien de aarde als een perfecte bol. Echter, de meeste teledetectiesystemen zien de aarde als een sferoïde. Er is een verschil tussen de twee. Wanneer u sferoïde geografische coördinatensystemen gebruikt met een sferisch model, er ontstaat een mismatch."

Het is algemeen bekend dat dit rekenfouten veroorzaakt, Cao zei, maar die fouten zijn meer uitgesproken wanneer modellen worden uitgevoerd met een hoge ruimtelijke resolutie. Bijvoorbeeld, locatiefouten tot 13 mijl werden geïntroduceerd in het WRF-model toen het werd uitgevoerd op een raster van 0,6 mijl, fouten veroorzaken in temperatuur en andere weersvariabelen, vooral in de buurt van bergen en wateren.

Om deze fouten te analyseren en een methodologie te ontwikkelen die deze problemen oplost, Cao analyseerde een gebied van de VS dat ongeveer 17 is, 000 vierkante mijl. Ze gebruikte het WRF-model in drie scenario's:satellietgegevens met lage resolutie, satellietgegevens met hoge resolutie, en vervolgens WRF-gecorrigeerde gegevens met behulp van de code die ze heeft gemaakt. Cao selecteerde een gebied in het noordoosten van de Verenigde Staten omdat het grote hoogteverschillen en diverse landgebruikspatronen bevat, zoals bossen, stedelijke gebieden en moerassen.

Ze gebruikte de gegevens om te kwantificeren hoe het koppelen van WRF-modellen met verschillende satellietresoluties een impact heeft op het projecteren van meteorologische variabelen zoals temperatuur, windrichting, windsnelheid en atmosferische mengverhoudingen.

"Hoewel sommige van deze fouten klein kunnen zijn, ze introduceren nog steeds vooringenomenheid in de modeluitvoer, " zei Cao. "Voor simulaties met zeer hoge resoluties, deze vooroordelen worden verergerd en kunnen leiden tot significante fouten in de modelresultaten."

Haar resultaten laten zien dat de mismatch resulteerde in fouten in de modelresultaten voor elke variabele.

Cao gebruikte deze methodologie om de nauwkeurigheid van modellen voor methaanemissies te verbeteren en werkt nu als datawetenschapper die methaanlekken detecteert voor Picarro, een particulier bedrijf gevestigd in Silicon Valley.

Cervone voegde eraan toe dat de code nuttig zal zijn in een reeks onderzoeksgebieden. "Dit onderzoek past goed bij vragen die bij NCAR worden onderzocht, dat is de reden waarom onderzoekers daar zo geïnteresseerd waren in het bevorderen van deze nieuwe tool, "zei Cervone. "En het zal alleen maar nog nuttiger blijken te zijn naarmate satellietbeelden met een hoge resolutie meer gemeengoed worden."

Het onderzoek is gepubliceerd in Geowetenschappelijke modelontwikkeling .