Forskere fra Climate Futures partner Nansensenteret har utviklet en metode som gjør det mulig å løpende integrere «ny» data i sesongvarsler, slik at prognosene holder seg oppdaterte.
Sesongvarsler er en prognose på hvordan været blir over en periode på flere uker eller måneder framover. Dette kan være viktig informasjon for ulike næringer der driften må tilpasses værforholdene, som aktører i kraftbransjen, jordbrukere eller de som driver skipstrafikk i områder med havis.
I dag produseres varslene ved å samkjøre observasjoner med løpende simuleringer av jordsystemmodeller. Utvikling av sesongvarslene er en tids- og ressurskrevende prosess. En kraftig datamaskin med flere tusen prosessorer bruker ca. en uke på å produsere et varsel. Når prognosen er klar for publisering er nye observasjoner allerede tilgjengelig, noe som gjør at varselet er litt utdatert før det er publisert.
Forskere fra Climate Futures partner Nansensenteret har utviklet en metode som gjør det mulig å løpende integrere «ny» data, slik at prognosene kan justeres kontinuerlig mellom publiseringsintervallene. Forskningen er nylig publisert i en artikkel i Weather and Forecasting.
Den kontinuerlige integrasjonen av ny data vil føre til mer presise varsler som er oppdaterte til enhver tid:
Metoden vi har utviklet er testet med Norwegian Climate Prediction Model (NorCPM). Vi har laget retrospektive varsler og sammenlignet dem med historiske data. Resultatet viser at varslene blir mer nøyaktige i en periode opp mot tre måneder fremover, forklarer Julien Brajard, som er forsker på Nansensenteret.
Den nye metoden er effektiv og krever minimalt med ressurser:
Algoritmen kan kjøres på en vanlig laptop i løpet av få minutter, og er lett å implementere på andre modeller, avslutter Brajard.
Artikkelforfatterne er tilknyttet Bjerknes Climate Prediction Unit, som har som mål å utvikle best mulig klimavarsling for den Atlantiske-Arktiske sektoren.
Hele artikkelen kan du lese her: Brajard, J., F. Counillon, Y. Wang, and M. Kimmritz, 2023: Enhancing seasonal forecast skills by optimally weighting the ensemble from fresh data. Wea. Forecasting, https://doi.org/10.1175/WAF-D-22-0166.1, in press.