Συνεργική χρήση ενός μοντέλου αριθμητικής πρόβλεψης καιρού υψηλής ανάλυσης προϊόντων γεωσκόπικης ανάλυσης για τη βελτίωση..

'''Αντικείμενο εφαρμογής''': Συνεργική χρήση ενός μοντέλου αριθμητικής πρόβλεψης καιρού υψηλής ανάλυσης προϊόντων γεωσκόπικης ανάλυσης για τη βελτίωση της πρόβλεψης βροχόπτωσης

'''Πρωτότυπος τίτλος''': A Synergistic Use of a High-Resolution Numerical Weather Prediction Model and High-Resolution Earth Observation Products to Improve Precipitation Forecast 
 
'''Συγγραφείς''': Martina Lagasio1, Antonio Parodi1, Luca Pulvirenti1, Agostino N.Meroni1,2, Giorgio Boni3, Nazzareno Pierdicca4, Frank S.Marzano4, Lorenzo Luini5, Giovanna Venuti2, Eugenio Realini6, Andrea Gatti6, Giulio Tagliaferro6, Stefano Barindelli2, Andrea Monti Guarnieri5, Klodiana Goga7, Olivier Terzo7, Alessio Rucci8, Emanuele Passera8, Dieter Kranzlmueller9, Bjorn Rommen10,

1)	CIMA Research Foundation, 17100 Savona, Italy

2)	Department of Civil and Environmental Engineering, Politecnico di Milano, 20133 Milan, Italy

3)	Department of Civil, Chemical and Environmental Engineering, University of Genoa, 16145 Genoa, Italy

4)	Department of Information Engineering, Electronics and Telecommunications, Sapienza University of Rome, 00185 Rome, Italy

5)	Department of Electronics, Information and Bioengineering, Politecnico di Milano, 20133 Milan, Italy

6)	Geomatics Research and Development (GReD) s.r.l., 22074 Lomazzo, Italy

7)	LINKS Foundation, 10138 Turin, Italy

8)	TRE ALTAMIRA s.r.l., 20143 Milan, Italy

9)	Leibniz Supercomputing Centre, Ludwig Maximilians University of Munich, 85748 Munich, Germany

10)	European Space Agency (ESA)—European Space Research and Technology Center (ESTEC), 2201 AZ Noordwijk, The Netherlands

'''Πηγή''': https://www.mdpi.com/2072-4292/11/20/2387/htm

'''Λέξεις κλειδιά''': steam, βροχοπτώσεις, Sentinel, υγρασία εδάφους
[[Αρχείο:NX_kairos_2_1.png | thumb | right | Ποσοτική πρόβλεψη υετού με χρήση του δικτύου δεδομένων ιταλικών βροχόμετρων για την περίοδο 09/09/2017-10/09/2017 (πάνω χάρτης) και παρατήρηση βροχόμετρων κοντά στην περιοχή του Λιβόρνο (κάτω διάγραμμα), πηγή:https://www.mdpi.com/2072-4292/11/20/2387/htm]]
*'''Eισαγωγή''' 
Η περιοχή της Μεσογείου συχνά πλήττεται από σοβαρά γεγονότα βροχοπτώσεων που προκαλούν πολλά θύματα και αρκετά εκατομμύρια ευρώ ζημιές κάθε χρόνο. Έτσι, η βελτίωση της ακρίβειας των προβλέψεων είναι θεμελιώδης στόχος για τον περιορισμό των κοινωνικών και οικονομικών ζημιών. Στο παρόν άρθρο μελετούνται δύο έντονα γεγονότα βροχόπτωσης που σημειώθηκαν στην Ιταλία το φθινόπωρο του 2017 - ένα τοπικό και βραχύβιο συμβάν και ένα μακράς διάρκειας. Με την αφομοίωση ενός ευρέος φάσματος παρατηρήσεων Sentinel και GNSS σε ένα υπερσύγχρονο μοντέλο NWP, διαπιστώνεται ότι οι προβλέψεις ωφελούνται περισσότερο όταν το μοντέλο διαθέτει πληροφορίες σχετικά με το πεδίο του ανέμου και / ή την περιεκτικότητα σε υδρατμούς. 
 
*'''STEAM''' 
Το έργο STEAM (SaTellite Earth observation for Atmospheric Modeling) στοχεύει στη διερεύνηση του κατά πόσον τα δεδομένα παρατήρησης καιρού αστερισμού δορυφόρων Sentinel, σε συνδυασμό με τις παρατηρήσεις του Παγκόσμιου Δορυφορικού Συστήματος Πλοήγησης (GNSS),μπορεί να χρησιμοποιηθεί για την καλύτερη κατανόηση και πρόβλεψη με υψηλότερη χωροχρονική ανάλυση των ατμοσφαιρικών φαινομένων με αποτέλεσμα σοβαρά καιρικά φαινόμενα.

*'''Δεδομένα παρατήρησης''' 
Σε αυτή τη μελέτη, χρησιμοποιήθηκαν τα δεδομένα Sentinel-1 και Sentinel-3. Το Sentinel-1 είναι μια αποστολή SAR πολικής τροχιάς, παντός καιρού, ημέρας και νύχτας (5,4 GHz) SAR για χερσαίες και ωκεανικές υπηρεσίες. Το Sentinel-3 είναι μια αποστολή πολλαπλών οργάνων για τη μέτρηση της θερμοκρασίας της θάλασσας και της ξηράς, του χρώματος του ωκεανού και του χρώματος της γης με ακρίβεια και αξιοπιστία. Δίνοντας προτεραιότητα στη διαθεσιμότητα δεδομένων σε υψηλή χωρική ανάλυση μεταξύ εκείνων που υποδεικνύονται από το OSCAR (εργαλείο Παρακολούθησης και Αναθεώρησης Ικανότητας Συστημάτων) ως οι πιο σχετικές για εφαρμογές NWP, επιλέξαμε τις ακόλουθες μεταβλητές: ZTD (που μπορεί να ανακτηθεί χρησιμοποιώντας την παρεμβολική τεχνική SAR από δεδομένα Sentinel-1 ή GNSS), επιφανειακή υγρασία εδάφους και φορέας επιφανειακού ανέμου πάνω από τη θάλασσα (που μπορεί να ανακτηθεί χρησιμοποιώντας δεδομένα Sentinel-1), θερμοκρασία επιφάνειας θάλασσας και ξηράς (που μπορεί να ανακτηθεί χρησιμοποιώντας δεδομένα Sentinel-3). Μερικές από αυτές τις μεταβλητές (διάνυσμα αέρα, θερμοκρασία επιφάνειας θάλασσας και ξηράς) είναι άμεσα διαθέσιμες ως προϊόντα Sentinel, ενώ άλλες (υγρασία εδάφους και ενσωματωμένοι υδρατμοί) πρέπει να ανακτηθούν. 
[[Αρχείο:NX_kairos_2_2.png | thumb | right | Δεδομένα παρατήρησης Sentinel για το υπό μελέτη συμβάν στο Λιβόρνο. (a)υγρασία εδάφους,(b)διεύθυνση και ταχύτητα ανέμου,(c)θερμοκρασία επιφάνειας θάλασσας και(d)θερμοκρασία επιφάνειας εδάφους, πηγή:https://www.mdpi.com/2072-4292/11/20/2387/htm]]
*'''Μέθοδοι''' 
Τα σοβαρά γεγονότα βροχοπτώσεων στην περιοχή της Μεσογείου μπορούν να ταξινομηθούν σε δύο κύριους τύπους: τύπος I-μακράς διάρκειας ζωής (διάρκεια ≥ 12 ώρες) και χωρικά κατανεμημένες (πάνω από 50 × 50 km 2) και τύπου II-σύντομο και τοπικό, με μικρότερη διάρκεια (≤ 12 ώρες) και χωρική έκταση μικρότερη από 50 × 50 km 2. Τα πειράματα αυτής της μελέτης διεξήχθησαν εξετάζοντας ένα συμβάν τύπου Ι και ένα τύπο II.
*'''Τεχνική αφομοίωσης δεδομένων'''
Η απορρόφηση δεδομένων πραγματοποιήθηκε σύμφωνα με τρεις διαφορετικές μεθοδολογίες: άμεση εισαγωγή, τεχνική τύπου nudging και αφομοίωση 3DVAR.

•	Με άμεση εισαγωγή εννοούμε ότι μια δεδομένη μεταβλητή στο μοντέλο NWP αντικαθίσταται με την αντίστοιχη που ανακτήθηκε από αισθητήρες EO. Αυτή η τεχνική χρησιμοποιήθηκε με τη Θερμοκρασία Επιφανείας Θάλασσας (SST) και τη Θερμοκρασία Επιφανειακής Επιφανείας (LST).

•	Η τεχνική τύπου nudging εφαρμόστηκε για τις παρατηρήσεις του Soil Moisture (SM).

•	Το 3DVAR συνεπάγεται κάθε φορά την ενημέρωση του παρασκηνίου για την τρέχουσα ανάλυση χρησιμοποιώντας την πρόβλεψη 3 ωρών του προηγούμενου κύκλου. Ο κύριος σκοπός του 3DVAR είναι να παρέχει μια βέλτιστη εκτίμηση της ατμοσφαιρικής κατάστασης, ελαχιστοποιώντας τη συνάρτηση κόστους της εξίσωσης

*'''Συμπεράσματα'''
Γενικά, η αφομοίωση των μεταβλητών που προέρχονται από το Sentinel και το GNSS οδήγησε πάντα σε βελτίωση της πρόγνωσης του καιρού, ακόμη και αν μερικές φορές είναι σχετικά μικρή για ορισμένες μεταβλητές (όπως SST ή LST).
Αυτό θα μπορούσε να συνδεθεί με τη μερική κάλυψη των δεδομένων που εξομοιώνονται στις δοκιμαστικές περιπτώσεις ή με τις ήδη καλές αρχικές συνθήκες που παρέχονται από τα παγκόσμια μοντέλα.
 

 [[category:Μετεωρολογικοί δορυφόροι]]