Browsing by Author "Ekblom, Madeleine"

Numeriska väderprognosmodeller (NWP, numerical weather prediction) innehåller variabler, såsom vindvektorer, temperatur och tryck, samt modellparametrar. Modellparametrar är en oundviklig del av en NWP då de behövs i parametriseringsscheman av småskaliga fysikaliska processer. Modellparametrarna har betydelse för modellens förmåga att prognostisera vädret och det är därav av stor vikt att parametrarna har optimala värden. Värdet på parametrarna bestäms manuellt med hjälp av observationer och expertkunskap, vilket är en arbetsdryg process. För att minska på arbetsbördan och frigöra resurser för annat är det möjligt att använda sig av algoritmer för att bestämma de optimala värdena på modellparametrarna. I den här studien undersöker vi en statistisk algoritm som används i ett ensembleprognossystem. Algoritmen grundar sig på att uppdatera och förbättra parametervärdena baserat på observationer och en kostnadsfunktion. Tidigare resultat har visat att algoritmen ger goda resultat med en ensemble på 50 medlemmar. I den här studien undersöks huruvida det är möjligt att minska ensemblestorleken vid optimering av två parametrar och samtidigt uppnå goda resultat. I experimenten används Lorenz96-modellen för att emulera NWP och ensemblestorleken varieras mellan två och 50. Resultaten tyder på att en ensemblestorlek på fyra ger goda resultat då utgångsläget är optimalt och vid mindre optimala förhållanden krävs flera ensemblemedlemmar; i det här fallet tio. Baserat på de här experimenten kan vi dra slutsatsen att algoritmen inte begränsas av ensemblestorleken utan snarare av modellen och utgångsläget vid parameteroptimering. Ju bättre utgångsläget är, desto mindre ensemble är möjlig att använda. Experimenten indikerar på att motsvarande resultat är att vänta för NWP.