Hoewel de Grote Meren meren worden genoemd, vanwege hun enorme omvang, het zijn echt binnenzeeën. Ze beïnvloeden regionale weerpatronen, om miljoenen mensen van drinkwater te voorzien en de economieën van verschillende staten te stimuleren.

Het voorspellen van de waterstanden, temperaturen en stromingen van de meren is van groot belang vanwege de talloze manieren waarop de omstandigheden van het meer de handel beïnvloeden, recreatie en welzijn van de gemeenschap. Deze voorspellingen omvatten het Great Lakes Operational Forecast System (GLOFS), een geautomatiseerd, op modellen gebaseerd voorspellingssysteem dat wordt beheerd door de National Oceanic and Atmospheric Administration (NOAA).

"De systeeminformatie stelt besluitvormers in staat om weloverwogen beslissingen te nemen en de prognoseproducten zijn regelmatig door een grote verscheidenheid aan gebruikers gebruikt, " zei Philip Chu, toezichthoudend natuurkundig wetenschapper van de geïntegreerde fysische en ecologische modellerings- en voorspellingstak van NOAA's Great Lakes Environmental Research Laboratory (GLERL).

Een beter voorspellingssysteem voor de Grote Meren bouwen

"Waterstanden worden gebruikt door energieautoriteiten; golf- en stromingsomstandigheden worden door de Amerikaanse kustwacht gebruikt voor zoek- en reddingsmissies en temperatuurprofielen zijn gebruikt door pleziervaarders en vissers, " zei hij. "De informatie is ook gebruikt om schadelijke algenbloei evenals hypoxia (lage opgeloste zuurstof) voorwaarden in de Grote Meren te voorspellen."

Terwijl NOAA zijn eigen modelleringsteam heeft om het systeem te onderhouden, het bureau werkt ook samen met universitaire onderzoekers om GLOFS voortdurend te verbeteren. Aan de Michigan Technological University, Pengfei Xue, universitair hoofddocent civiele en milieutechniek en directeur van het Numerical Geophysical Fluid Dynamics Laboratory van het Great Lakes Research Center, helpt NOAA door een data-assimilatiecomponent toe te voegen.

Xue merkte op dat een typisch operationeel prognosesysteem drie componenten moet bevatten:modellering, een observatienetwerk en data-analyse.

"Het gebied van de Grote Meren heeft relatief dichte en langdurige observatiegegevens, maar hoe gebruiken we de gegevens om de prognoses te verbeteren?", stelde Xue. "Deze gegevens zijn gebruikt voor modelinitialisatie en verificatie, maar er kan een veel sterker verband zijn tussen waarnemingen in het veld en numerieke modellering. Door observatiegegevens in het model te mengen, kunnen kortetermijnvoorspellingen worden verbeterd. Deze techniek, data-assimilatie genoemd, is een van de meest effectieve benaderingen voor het statistisch combineren van waarnemingsgegevens en modeldynamiek om de beste schatting van de toestand van het systeem van de Grote Meren te geven."

Wat is gegevensassimilatie?

Om data-assimilatie uit te leggen, Xue gaf het voorbeeld van het nemen van de temperatuur van een meer. Een computermodel zou kunnen voorspellen dat de temperatuur op een plek in het meer 68 graden Fahrenheit (20 graden Celsius) is. Maar een fysieke meting op de site laat zien dat de temperatuur 70 graden Fahrenheit (21,1 graden Celsius) is.

"Alle modellen bevatten enkele onzekerheden en de waarneming heeft ook ruis, die groot of klein kunnen zijn in veldwerk, afhankelijk van verschillende gevallen, ' zei Xue. 'Wat moet je geloven? Je beste gok is iets daar tussenin. Wanneer we het model en de waarnemingsonzekerheden kwantificeren door hun historische prestaties te beoordelen, we kunnen de observatiegegevens en de numerieke modelresultaten met verschillende gewichten kwantitatief combineren en een nauwkeurigere schatting geven."

Computermodellering is veel ingewikkelder dan dit voorbeeld, merkte Xue op. Een belangrijk voordeel van een model, vooral in een grote en complexe omgeving zoals de Grote Meren, is dat het continue velden kan produceren in de 3D-ruimte, het voorspellen van - op elk moment en op elke plaats - temperatuur, waterstanden, en stromingen. Anderzijds, in situ observaties bieden "grondwaarheid, " maar ze zijn vaak beperkt in tijd en ruimte.

"Het kwantificeren van de model- en observatieonzekerheden vormt de kern van data-assimilatietechnieken, " legde Xue uit. "Het mooie van data-assimilatie is om de informatie van de misfits te gebruiken tussen de modelresultaten en observaties, die alleen op beperkte waarnemingslocaties bekend zijn, om modelbias in een 3D-ruimte buiten de waarnemingslocaties te corrigeren. Vandaar, het verbetert de modelnauwkeurigheid voor de hele simulatievelden."

Meer dan een model

Een andere beperking van observaties in het veld zijn de enorme kosten om ze te doen. Observationele gegevens zijn inherent nauwkeuriger dan een model alleen, en grondwaarneming van de output van een model is noodzakelijk. Door observatiegegevens in een model in te voeren, vervolgens het model gebruiken om betere locaties te voorspellen voor toekomstige in-situ gegevensverzameling, Xue's werk helpt de GLOFS-modellering te verbeteren, en helpt wetenschappers om onderzoekslocaties effectief te kiezen.

"De Grote Meren hebben een enorm oppervlak en grote diepte. Typisch, waar mensen ervoor kiezen om te samplen, is gebaseerd op empirische ervaring van experts en hun onderzoeksinteresses, "Zei Xue. "In situ observaties, met name ondergrondse metingen, beperkt blijven vanwege de hoge kosten van het bouwen en onderhouden van waarnemingsnetwerken. Het gebruik van gegevensassimilatie om het ontwerp van de locatie en frequentie van gegevensbemonstering te begeleiden en een observatienetwerk te optimaliseren, is een van de belangrijkste onderzoeksthema's van een geïntegreerd observatie- en voorspellingssysteem."

De voorlopige resultaten van Xue laten zien dat gegevensassimilatie in staat is om de bemonsteringsinspanningen te verminderen en de nauwkeurigheid van de voorspellingen te vergroten door de bemonsteringslocaties te optimaliseren.

"De bijdrage van professor Xue sluit perfect aan bij de kortetermijndoelstelling en langetermijnmissie van NOAA en GLERL voor het bouwen van een geïntegreerd milieumodelleringssysteem en een weerbestendige natie, gezonde oceanen en kusten, Chu zei. "Zijn onderzoeksbijdrage en samenwerking met NOAA-wetenschappers bevorderen ons algemene begrip van het gecompliceerde dynamische systeem in de Grote Meren en versnellen het ontwikkelingstempo van NOAA, het operationele prognosesysteem van de volgende generatie van de Grote Meren te verbeteren en over te zetten naar operaties."

Xue's werk maakt gebruik van de Superior, een krachtige computerinfrastructuur bij Michigan Tech, om high-fidelity-modellen te bouwen. Modelresultaten worden gebruikt om een ​​langetermijn, data-assimilatieve temperatuurdatabase voor Lake Erie voor gebruik door resourcemanagers en onderzoekers in de gemeenschap van de Grote Meren. De Lake Erie-simulatie is een proof of concept voordat GLOFS volledig opnieuw is aangebracht met behulp van gegevensassimilatie. Xue's project zal ook machine learning toepassen om de modelprestaties en adaptieve in-situ bemonstering verder te verbeteren, met als doel de methode uit te breiden tot alle vijf de Grote Meren.

"We willen het potentieel van deze aanpak demonstreren. Lake Erie heeft al tientallen jaren te maken met substantiële milieuproblemen en is uitgebreider bestudeerd, en mensen beseffen beter de modelleringstekorten, " zei Xue. "De thermische structuur en circulatie van Lake Erie hebben een grote invloed op schadelijke algenbloei en hypoxiegebeurtenissen. Ons plan is om geleidelijk een volledig operationeel voorspellingssysteem uit te breiden en te bouwen met mogelijkheden voor gegevensassimilatie om de nauwkeurigheid van kortetermijnvoorspellingen te verbeteren en het observatiewerk te verfijnen."