Browsing by Author "Tenhunen, Sini"

Tässä työssä perehdytään Suomessa talvisin suuria lämpötilan ennustevirheitä aiheuttaviin tilanteisiin ja pyritään löytämään yhteyksiä ECMWF:n säämallin mallimuuttujien ja suurten ennustevirheiden välille, jotta ECMWF:n sääennusteita voitaisiin jatkokäsitellä Ilmatieteen laitoksella esimerkiksi koneoppimismenetelmin. Yleisesti ECMWF:n sääennusteet toimivat Suomen alueella hyvin, mutta talvella heikkotuulisissa ja selkeissä pakkastilanteissa ennusteiden laatu heikkenee huomattavasti. Työssä todetaan, että ECMWF:n säämallin kahden metrin lämpötilalaskentaan on tehty rajoituksia, jotka heikentävät säämallin kykyä ennustaa lämpötiloja stabiileissa olosuhteissa. Työssä tehdään data-analyysia käyttäen Ilmatieteen laitokselle tallennettuja vuosien 2013-2017 ECMWF:n sääennustedatasta saatavilla olevia mallimuuttujia. Ennusteita verrataan Suomen alueelta valittuun 90 havaintoaseman joukkoon, jotka on jaoteltu Ilmatieteen laitoksen tilastoiman 30 vuoden keskilämpötilan mukaan kolmeen alueeseen. Aluksi mallimuuttujien ja ennustevirheiden välisiä yhteyksiä eri alueilla tutkitaan lineaaristen korrelaatioiden avulla, jonka jälkeen korrelaatiotuloksia ja empiirisiä havaintoja hyväksikäyttäen valitaan lupaavimmat mallimuuttujat tiheysfunktioanalyysiin. Tiheysfunktioanalyysissa piirretään jakaumia erilaisille ennustevirheille ja pyritään löytämään tilanteita, joissa jollakin alueella tietynlainen ennustevirheen suuruus näyttäisi liittyvän tietynlaisiin ennustettuihin mallimuuttujan arvoihin. Oletuksena on, että yliennustustilanteet erottuisivat tiheysfunktiokuvista parhaiten, sillä suurimmat ja tyypillisimmät lämpötilan ennustevirheet ovat talvisin yliennustevirheitä, jolloin säämallin ennustama lämpötila on lämpimämpi kuin havaittu lämpötila. Tuloksena kuitenkin nähdään, että eroavaisuuksia eri lämpötilavirheiden välillä näkyy paljon odotettua vähemmän ja vain muutamien mallimuuttujien kohdalla hieman selkeämmin. Dataa ja havaintoaineistoa tarkemmin analysoitaessa havaitaan, että yliennustustilanteet tapahtuvat todennäköisemmin juuri kylmässä korkeapainesäässä, jossa taivas on pilvetön ja tuuli heikkoa. Tällöin siis empiirisesti havaittu ilmiö voidaan todeta myös data-analyysin keinoin. Vaikka jonkinlaista parannusta ECMWF:n ennusteeseen voidaan jatkokäsittelyllä tehdä, tulee pidempikantoinen ratkaisu kuitenkin itse säämallin kehityksestä. Jatkotoimenpiteenä voitaisiin suorittaa tarkempaa data-analyysia käyttämällä dataa luokittelevia tekoälyalgoritmeja, sekä suodattaa lämpötilavirheaikasarjaa ilmiökohtaisempaa tutkimusta varten.