Ambito dei contenuti

COSMO-NExT - Il nuovo sistema di modelli numerici per le previsioni del tempo
Progetto

Nel 2012 MeteoSvizzera lanciò il progetto COSMO-NExT per sviluppare il nuovo sistema di modelli numerici per le previsioni del tempo (Numerical Weather Prediction, NWP), in grado di fornire previsioni su un orizzonte temporale di cinque giorni. Dopo quattro anni di ricerca e sviluppo il nuovo sistema, costituito da due modelli numerici chiamati COSMO-1 e COSMO-E, e comprendente anche su un algoritmo per l’assimilazione dei dati che fa capo ad un insieme di condizioni iniziali, è diventato operativo nella primavera 2016.

Inizio del progetto01.01.2012
Fine del progetto31.12.2016
RegioneInternazionale
StatoProgetti conclusi
  • Ricerca e collaborazioni
  • Tempo
  • Clima

Piè di pagina

Navigazione top bar

Autorità federali svizzere

Navigazione di servizio

Il sistema di modelli numerici COSMO-NExT per la regione alpina comprende

  • l’algoritmo per l’assimilazione dei dati basato sul Local Ensemble Transform Kalman Filter (LETKF)
  • il modello deterministico COSMO-1 con una maglia di 1,1 km
  • il modello probabilistico COSMO-E con una maglia di 2,2 km


COSMO-1 e COSMO-E sono stati messi in servizio operazionale nella primavera 2016.

Il progetto di ricerca e sviluppo è stato strutturato in quattro sotto progetti.

COSMO-1

Principali proprietà

  • Previsioni deterministiche con una risoluzione spaziale molto elevata (maglia di 1,1 km) per la regione alpina
  • Ciclo di aggiornamento rapido per le previsioni a corto termine: sette volte al giorno fino a + 33 ore, una volta al giorno  (corsa delle 03UTC) fino a +45 ore.
  • Condizioni iniziali fornite dal LETKF (cfr. assimilazione dei dati)
  • Condizioni al margine in una prima fase fornite da un ciclo di assimilazione con nudging, ma che sarà presto sostituito da un’assimilazione basata su LETKF (cfr. assimilazione dei dati).
  • Condizioni al contorno fornite dalle previsioni IFS-HRES del modello ECMWF.

Risultato

  • Previsione di dettaglio dell’evoluzione a corto termine dello stato tridimensionale dell’atmosfera

Principali motivi per una maglia di 1,1 km

  • Migliore risoluzione dell’orografia, importante per simulare l’andamento delle condizioni atmosferiche in prossimità del suolo in regioni con orografia complessa (cfr. figura 1)
  • Gli effetti su vasta scala della convezione profonda convergono alla risoluzione pari a O (1 km)
  • Consente di evitare le incertezze dovute alle parametrizzazioni (ad es. schema della convezione, SSO)
  • Buona concordanza con la risoluzione di molti set di dati disponibili pure su griglia (ad es. radar, satellite)

Sfide

  • Stabilità del nucleo dinamico in zone con orografia particolarmente ripida

Rappresentazione dei fenomeni di turbolenza su piccola scala (sub-grid)

Figura 1: confronto della topografia del modello per l’Oberland bernese con una risoluzione di 2,2 e 1,1 km.

COSMO-E

Principali proprietà

  • Previsioni d’insieme per la regione alpina con una risoluzione che consente la modellizzazione esplicita della convezione (maglia di 2,2 km)
  • Previsioni due volte al giorno fino a + 120 ore
  • 21 membri dell’insieme
  • Perturbazione delle condizioni iniziali del LETKF (cfr. assimilazione dei dati)
  • Perturbazione condizioni al margine di IFS-ENS di ECMWF
  • Stochastically Perturbed Physics Tendencies (SPPT) per la simulazione delle incertezze del modello

Le informazioni derivanti dal considerare l’incertezza insita nell’elaborazione di una previsione, tramite ad esempio il paragone della consistenza fra i vari scenari del modello d’insieme, (cfr. figura 2) costituiscono il sostanziale valore aggiunto di un modello numerico di previsione d’insieme.

Figura 2: i vari scenari relativi alla somma delle precipitazioni su 24 ore nel caso dell’evento di maltempo del 16 giugno 2016. Indicate sono le somme calcolate con 3 giorni di anticipo.

Assimilazione dei dati

Principali proprietà

  • Nuovo sistema di assimilazione dei dati che si basa su un approccio d’insieme sulla base del Local Ensemble Transform Kalman Filter (LETKF)
  • Combinazione quasi-ottimale e dipendente dalla situazione meteorologica delle osservazioni e delle previsioni numeriche, basandosi sulla rispettiva statistica degli errori (cfr. figura 3)
  • Assimilazione di osservazioni che non dipendono direttamente dalle variabili dei modelli, con l’aiuto di specifici operatori
  • Mette a  disposizione le condizioni iniziali d’insieme per COSMO-E e  le condizioni iniziali deterministiche per COSMO-1

Quali osservazioni sono integrate?

  • In una prima fase: osservazioni convenzionali (TEMP, SYNOP, AMDAR, WINDPROFILER, SHIPS, BUOYS)
  • In una seconda fase: nuovi dati di telerilevamento, ad es. dati MODE-S, dati RADAR volumetrici, dati di sistemi di telerilevamento sulla terra, GPS, dati di radiazione forniti dai satelliti

Risultato

  • Insieme di analisi ogni ora (funzione di densità di probabilità)
  • Non solo la migliore stima (media dell’ensemble), ma anche l’incertezza dell’analisi (variazione standard dell’insieme)
Figura 3: dispersione dell’ensemble della temperatura del modello dopo la prima valutazione quale proxy per l’incertezza della prima valutazione.

Infrastruttura

Principali proprietà

  • Condizioni per l’esercizio di COSMO-NExT
    • COSMO-1: previsione + 33 ore in