Na pesquisa de previsão numérica do tempo, como melhorar as previsões de curto prazo da intensidade dos ciclones tropicais é um problema desafiador que há muito tempo atormenta meteorologistas e analistas operacionais, apesar disso, os meteorologistas aumentaram a precisão do campo inicial através do aumento das observações em quantidade ou qualidade. Então, o que mais estamos perdendo?

De acordo com um estudo publicado recentemente em Avanços nas Ciências Atmosféricas , a peça que faltava no quebra-cabeça é reduzir o erro de modelo dos modelos numéricos de previsão do tempo.

Existem muitos motivos para erros de modelo, como a nossa compreensão incompleta dos processos físicos dos ciclones tropicais, a incerteza em muitos parâmetros de esquemas de parametrização, a resolução insuficientemente fina, erros truncados, e simplificação excessiva dos esquemas de parametrização para economizar nos custos de cálculo, e assim por diante.

"Custaria muito [computacionalmente] se tentarmos superar todos os erros do modelo de diferentes fontes, um por um, "disse Duan Wansuo, um cientista sênior do Instituto de Física Atmosférica (IAP) da Academia Chinesa de Ciências.

A equipe de Duan propôs uma nova ideia para resolver os problemas acima, com base no método Nonlinear Forcing Singular Vector (NFSV), que também foi proposto pela equipe. "Nós consideramos os erros do modelo, causado por fontes diferentes, como um todo para explorar seu impacto na precisão da previsão, " ele disse.

Por meio deste método, a equipe empregou o modelo WRF para identificar a incerteza de qual variável e qual área tem maior probabilidade de causar grandes erros nas previsões de intensidade de ciclones tropicais de curto prazo.

Considerando as características das observações feitas pelo satélite Fengyun-4, eles usaram o método acima e identificaram que a incerteza da taxa de mudança na temperatura atmosférica nas camadas intermediária e inferior da área central do tufão tem a maior influência na incerteza da simulação do tufão.

"Os satélites podem coletar de forma adaptativa as observações correspondentes em uma determinada região, que então será usado para reduzir os erros do modelo e melhorar as previsões de curto prazo da intensidade do ciclone tropical, "disse Duan.