Мониторинг снежного покрова по спутниковым и
модельным данным для различных водосборов на Европейской территории Российской
Федерации
Е.В.
Чурюлин1,2, В.В. Копейкин2, А.Г. Чурюлина1,
И.А. Розинкина1,2, Н.Л. Фролова1
1 Московский
государственный университет имени М. В. Ломоносова, г. Москва, Россия;
2Гидрометеорологический
научно-исследовательский центр
Российской Федерации, г. Москва, Россия
evgenychur@gmail.com
Введение
Сезонный снежный покров
– важное звено во взаимодействии климатических, гидрологических и
гляциологических процессов на земном шаре, один из наиболее распространенных и
динамичных природных объектов. Он представляет собой как мощный
климатообразующий фактор, так и важный гидрологический ресурс [8]. Снежный
покров на территории Российской Федерации, является важным источником питания
рек в весенний период, тем самым формируя весеннее половодье. Важнейшая
характеристика снежного покрова, используемая в долгосрочных прогнозах стока
талых вод – запас воды в снеге на водосборе или водный эквивалент снега (ВЭС
или SWE). Особое значение
имеет вертикальное перераспределение влаги в снежном покрове [4]. Для ее
определения необходима информация о высоте снежного покрова и его плотности. Из-за
редкой густоты маршрутных снегомерных наблюдений и их дискретности, часто
приходится сталкиваться с недостаточным количеством измерений.
Разработанные модели
расчета объемной плотности в зависимости от высоты снега, даты, местоположения
снежного покрова и ее дальнейшего перевода в данные о запасе воды в снеге не могли
быть использованы в оперативной работе атмосферной модели COSMO-Ru
из-за недостаточной точности получаемых данных и недостаточного временного
интервала выпускаемой продукции [15]. Кроме того, на момент создания технологии
[2] отсутствовали отечественные разработки по моделированию состояния снежного
покрова для территории Российской Федерации в оперативном режиме с
использованием стандартных синоптических измерений на метеостанциях, получаемые
в виде синоптического кода SYNOP. В связи с этим в
Гидрометцентре России была разработана технология, которая позволила
использовать синоптическую информацию, получаемую со станций для расчета
запасов воды в снежном покрове. Технологический подход был реализован Е.
Кузьминой и М. Чумаковым («SnoWE») [1]. Создание
технологии позволило в значительной степени увеличить точность расчетов,
запустить систему в квази-оперативном режиме и улучшить прогноз приземной
температуры воздуха вблизи границы снежного покрова.
Развитие технологий,
создание новых физико-математических моделей, увеличение пространственной и
временной детализации спутниковых данных, потребовало дальнейшего развития «SnoWE».
Представленная статья содержит информацию о современном состоянии проблемы
мониторинга снежного покрова, краткое описание разработанных нововведений в «SnoWE»
и демонстрирует результаты сравнения восстановленных снегозапасов за период с
1987 по 2017 г. для территории пяти водосборов, располагающихся на
территории Российской Федерации. Кроме того, в статье представлены результаты
сравнений данных, полученных с помощью «SnoWE»,
с данными международных проектов, которые специализируется на расчетах
восстановленных параметров снежного покрова.
1. Современное
состояние проблемы мониторинга снежного покрова
Моделированию
характеристик снежного покрова посвящено большое количество исследований.
Модели и схематизации снежного покрова основаны как на полном описании процесса
формирования и разрушения снежного покрова с использованием уравнений
математической физики, так и на концептуальном представлении данных процессов с
использованием более простых (эмпирических) соотношений. Структура используемой
модели должна быть согласована с наличием исходных гидрометеорологических данных.
Описание процессов, происходящих в снежном покрове, может быть включено в
качестве простых параметризаций, например, в блоки подстилающей поверхности
моделей атмосферы, либо входить в самостоятельные модели различной степени
сложности.
Во многих работах подчеркивается,
что водный эквивалент снежного покрова (SWE),
по-прежнему трудно точно измерить как во времени, так и в пространстве [2, 3,
10]. С другой стороны, высота снежного покрова относительно легко измеряется, а
наблюдения становятся все более многочисленными. Ультразвуковые приборы
обеспечивают экономичный способ автоматизации измерений высоты снега в точке
[13], и за последние годы количество данных измерений значительно выросло [18].
Лидарные наблюдения за
высотой снега, как бортовые, так и наземные, становятся все более
востребованными из-за их детального пространственного шага, как отмечается в
[7, 14, 17]. Также наблюдается проявление большого внимания к съемке изменения
высоты снежного покрова [9, 16] для понимания динамики развития снежного
покрова в условиях малых водосборов. Результатом проделанной работы стало
заметное увеличение количества измерений высоты снега, большинство данных имеют
суточную дискретность для территории США.
В зарубежной практике
уделяется большое внимание вопросам моделирования SWE. Одним из многочисленных примеров является проект моделирования
динамики снега в Североамериканской наземной системе сбора данных (NLDAS), направленный на оценку
моделируемого водного эквивалента снежного покрова. Внимание на первой стадии
исследования в проекте NLDAS
уделяется оценке моделируемого объема снежного покрова. На второй стадии
оцениваются параметры смоделированного SWE
из четырех моделей наземной поверхности (NOAH,
MOSAIC, SAC и VIC), имеющихся в NLDAS [20].
Различные модификации
телеметрических радиоизотопных снегомерных устройств, определяющих профили
снега по горизонтали и по вертикали и передающих результаты измерений на
основные станции по земле, по радио или через спутники, разработаны во Франции
и США. В рамках проекта SNOTEL была организована
специальная телеметрическая сеть наблюдений за снежным покровом в горных
районах западной части США [20]. Реализация данного проекта позволила
значительно увеличить объем получаемой информации о высоте снежного покрова.
Результаты сравнения
телеметрических данных наблюдений с данными проекта NLDAS
показали,
что модели NLDAS имеют заниженные
значения SWE в горной местности,
ошибка измерений может достигать 1000 мм. Эксперименты с моделью VIC
показали, что уменьшить погрешность при прогнозе SWE
можно путем дополнительного учета данных с местных метеостанций (данные об
осадках). Интересной особенностью NLDAS,
согласно [15], является занижение температуры воздуха в зимнее время и ее
завышение весной и летом по сравнению с записями SNOTEL,
при этом определенную роль играет физико-географическое расположение станции.
Детальный анализ на выбранной станции США указывает на то, что ошибки в
форсировании температуры воздуха могут привести к тому, что разбивка осадков на
снегопады и дожди на моделях будет неправильной, таким образом можно объяснить
некоторые из оставшихся ошибок в моделируемом водном эквиваленте снежного
покрова.
Третьим источником
получения данных о состоянии снежного покрова могут служить спутниковые данные
[2]. Тем не менее подготовка программного обеспечения для интерпретации
спутниковых данных требует времени и большого количества персонала. Поэтому
многие европейские страны пользуются международными данными для анализа
ситуации на своей территории.
Так, в Швейцарии
объективный анализ снежного покрова базируется на использовании информации с геостационарного
спутника Meteosat-8 со встроенным
прибором SEVIRI, работающим в видимом
и инфракрасном диапазонах. Информация обрабатывается с интервалом в 15 минут,
что позволяет отделять облака и их тени от подстилающей поверхности.
Разработанный анализ на основе таких данных позволяет получать точность до 95 %
[2].
Особый интерес вызывает
опыт Норвегии по мониторингу снежного покрова в горных районах. Ежедневные
карты снежных условий создаются в Норвегии с использованием снежной модели seNorge с 2004 г. [19]. Снеговая
модель seNorge работает с разрешением
1×1 км, использует данные с привязкой к сетке с суточной
температурой и осадками в качестве входного воздействия и моделирует, среди
прочего, величину водного эквивалента снежного покрова, высоту снега (SD) и массовую плотность снега.
Из европейских стран
следует выделить опыт Финляндии в создании такого рода проектов. В качестве
примера можно представить проект GlobSnow. Данные проект
предоставляет для пользователей информацию о степени покрывания территории Северного
полушария снежным покровом, данные о его высоте и запасе воды в нем [12].
Большинство
метеорологических центров используют спутниковую продукцию, находящуюся в
свободном доступе в сети Интернет на сайтах Национального управления океанических
и атмосферных исследований (National
Oceanic and Atmospheric Administration, NOAA) и его подразделений. Так,
например, спутниковые продукты IMS (Interactive Multisensor Snow and Ice Mapping
System), составляемые NESDIS (National Environmental Satellite Data and
Information Service) NOAA,
содержащие информацию о покрытии снегом и льдом территории, с разрешением 24 и
4 км (с декабря 2014 г. функционирует продукт с разрешением 1 км),
а также композитный продукт NOAA с
разрешением 4 км, генерируемый ежедневно и автоматически, содержащий
информацию о покрытии снегом и льдом территории Северного и Южного полушарий,
доступны для свободного скачивания.
Наличие регулярно
поступающей оперативной информации стандартных метеорологических наблюдений с
достаточно густой сети синоптических метеостанций о высоте снега явилось одной
из ключевых предпосылок создания на базе Гидрометцентра России «SnoWE»
– технологии вычисления на основе имеющихся данных стандартных синоптических
наблюдений полей запаса воды в снеге (SWE) и его плотности
(RHO)
для всей территории Российской Федерации с различным пространственным шагом
[3].
Дополнительно решить
вопросы, связанные с нехваткой данных о состоянии снежного покрова, позволяют
модели атмосферы, например модель COSMO-Ru,
данные из которой активно используют в «SnoWE»;
кроме того, численное моделирование в рамках модели атмосферы позволяет
получить информацию о состоянии снега с некоторой заблаговременностью [5].
2. Технология
оперативных вычислений снегозапасов по данным стандартных метеорологических
наблюдений «SnoWE»
Начиная с 2012 года в
Гидрометцентре России активно развивается технология оценки снегозапасов для
территории Российской Федерации на основе синоптической информации. Развитие
технологии было положено Е. Кузьминой и М. Чумаковым [2]. В 2014 г.
разработанная технология тестировалась и применялась для моделирования снежного
покрова в районе проведения зимней олимпиады в городе Сочи. Модель «SnoWE» постоянно
совершенствуется и продолжает развиваться [2].
Данная технология была разработана в рамках системы численного
мезомасштабного моделирования COSMO-Ru [3]. Работа снежного модуля основывается на использовании стандартных
метеорологических данных (приземная температура воздуха, скорость ветра на высоте 10 м, высота снежного покрова,
осадки), поступающих в синоптическом коде SYNOP (рис. 1) по каналам
связи Всемирной метеорологической организации, информации полей первого
приближения, в рамках системы COSMO-Ru, данных атмосферного моделирования и информации о нахождении его границ
(снежная маска). Для получения полей первого
приближения о высоте и границах снежного покрова используется система
гидродинамического мезомасштабного моделирования COSMO-Ru на основе поступающих данных из системы
усвоения Немецкой службы погоды (DWD).
Информация о границе снежного покрова усваивается на основе адаптированной NOAA информации ИСЗ c шагом 4×4
км.
Рис. 1. Метеорологической информация за период с
01.10.17 по 31.05.17 г. для гидрометеорологической станции Мезень (22471): I –
приземная температура воздуха; II – осадки за 12 ч; III – осадки за 24 ч;
IV – высота снежного покрова.
Fig.
1. Meteorological information for the time period from
01.10.17 to 31.05.15 for the hydrometeorological station Mezen (22471): I –
surface air temperature; II – precipitations for 12 hours; III – precipitations
for 24 hours; IV – snow depth.
В основе «SnoWE» заложена одномерная многослойная модель снежного
покрова, ежедневно вычисляющая значения накапливаемых влагозапасов и плотность
снега. В технологии реализованы три различных направления расчета снегозапасов
в зависимости от текущей метеорологической ситуации в регионе исследования: 1)
выпал свежевыпавший снег; 2) снежный покров; 3) снежный покров отсутствует. В
зависимости от выбранного направления для расчета снега применяются различные
математические выражения. В случае, если на территории исследования наблюдается
снежный покров, требуется определить, что произошло с ним за последние сутки. В
зависимости от изменения высоты снежного покрова на каждой станции или точке
возможны три расчетных варианта: 1) высота снежного покрова увеличилась; 2)
высота снежного покрова не изменилась; 3) высота снежного покрова уменьшилась.
В случае, если высота снежного покрова увеличилась, следует определить, какой
типа снега выпал (в зависимости от приземной температуры воздуха). В технологии
реализованы два направления: 1) выпал сухой снег (среднесуточная температура
воздуха меньше 0 ºС); 2) выпал влажный снег (среднесуточная
температура воздуха больше 0 ºС. Если высота снега уменьшилась, то
следует определить причину этого уменьшения. В технологии реализованы два
направления: 1) высота снежного покрова уменьшилась из-за его уплотнения; 2)
высота снежного покрова уменьшилась за счет сдувания и уплотнения снежного
покрова под действием ветра (рис. 2).
Рис. 2. Блок схема расчета SWE в модели «Snowe
technology».
Fig. 2. The block scheme for calculating of SWE in «Snowe
technology» model.
Работа технологии с 2015 года выполняется в квази-оперативном режиме на
сетках модели COSMO-Ru для трех регионов Российской Федерации с
различным пространственным шагом (Центральный федеральный округ – 2,2 км (ЦФО, COSMO-Ru2), Восточно-Европейская равнина
– 7 км (ЕТР, COSMO-Ru7), Россия – 13,2 км (ENA, COSMO-Ru-13). В работе использовалась
сетка ETR и режим работы «SnoWE» для станций, что позволило выполнить расчеты запаса воды в снеге
за расчетный период начиная с 2011 года.
В 2016/2017 гг.
разработанная «SnoWE» подверглась
существенным изменениям и корректировкам, в ходе которых были выполнены
следующие нововведения:
1)
переработана структура технологической линии: четко разделены этапы технологии
(загрузка фактических данных, спутниковой информации, непосредственный счет
модели, интерполяция на результирующую сетку); повышена гибкость настройки
программных модулей;
2)
программные модули модернизированы с целью повышения стабильности их работы и
выполнены улучшения по контролю их работы;
3)
оптимизирован программный код, позволяющий выполнять корректировку и
усовершенствование физических блоков модели, не вдаваясь в подробности всей
архитектуры снежной технологии;
4)
повышена скорость выполнения программных модулей, за счет оптимизация
программного кода;
5)
созданы инструменты для дальнейшего развития и тестирования технологии.
Выполненные нововведения
потребовали дальнейшего тестирования работоспособности «SnoWE»
и сравнения результатов работы модели с данными международных проектов (данных
космического мониторинга) для территории Российской Федерации. Результаты
сравнения восстановленных снегозапасов с натурными данными представлены в данной
работе.
Для выполнения текущего
исследования использовалась возможность счета модели по станциям, поскольку
требовалось просчитать модель за максимальный период, в результате удалось
запустить модель начиная с 2011 года. Основными трудностями, с которыми
пришлось столкнуться при выполнение расчетов за исторический период являются:
1) отсутствие
спутниковых данных (при работе технологии спутниковые данные хранятся только в
течение одного зимнего сезона, т. к. требуется большой объем памяти для
хранения такого рода данных);
2) наличие
метеорологической информации в базе данных, хранящей информацию в виде SYNOP
кода
(отсутствие в базе данных информации до 2011 г. не позволило рассчитать
значения SWE и RHO
за
более длительный исторический период);
3) наличие в имеющейся
информации грубых ошибок и неточностей (особенно данный фактор характерен для
метеорологической станции на водосборе р. Надым). Результатом работы
модели являются карты распределения запасов воды в снеге для территории
Российской Федерации с суточной дискретностью (рис. 3), тем не менее для
выполнения работы использовались ряды восстановленных значений снегозапосов,
которые лежат в основе построенных карт.
Рис. 3. Пример распределение запаса воды в снеге для
всей территории Российской Федерации за 31 января 2017 г. по данным «SnoWE technology»,
шаг сетки – 13 км.
Fig. 3. The SWE map (mm) for 31.01.2017 – the model data
(SNOWE technology), spatial resolution – 13 km.
3. Материалы и методы
исследования
В работе рассматривается способность «SnoWE» воспроизводить динамику развития снежного
покрова и его характеристик с учетом изменения метеорологических условий его
образования. Оценивается чувствительность модели к внешнему воздействию
(изменению температуры воздуха, сильным порывам ветра, выпадению осадков и т. д.)
и приводится сравнение с рядом международных проектов, которые созданы
специально для изучения снежного покрова. В исследовании
результаты работы «SnoWE» сравнивались с
данными проектов GlobSnow,
GLADAS (два типа данных) и
фактическими данными. В ходе выполнения работы был произведен поиск проектов,
предоставляющих доступ к спутниковой информации (информация о состоянии
снежного покрова) для территории Российской Федерации, сделан обзор имеющихся
спутниковых проектов и данных, к которым предоставляется доступ и сделана
выборка необходимой информации. При выполнении выборки проектов учитывался ряд
параметров: 1) спутниковые данные должны покрывать территорию России; 2)
открытый доступ к данным; 3) данные должны покрывать имеющийся временной
период.
Исследование проводилось на территории Европейской части
Российской Федерации. В зону исследования вошли водосборы пяти рек: Надым,
Северная Двина, Онега, Ока, Дон. Выбранные водосборы рек располагаются в разных
климатических условиях, на равнинных территориях. Водосборы рек Надым, Онега,
Северная Двина расположены на территории с устойчивым снежным покровом и
редкими оттепелями в течении зимнего сезона; водосборы рек Ока и Дон
располагаются в условиях с частыми оттепелями и крайне неустойчивым снежным
покровом. Наибольший интерес при рассмотрении характеристик снежного покрова в
работе представлял запас воды и его плотность, кроме того, интерес представляют
максимальные снегозапасы. Расположение водосборов в различных климатических
условиях позволило выявить недостатки математического алгоритма «SnoWE» и наметить дальнейшие шаги по их устранению.
В частности, предполагается доработка алгоритма по усвоению свежевыпавшего
снежного покрова и перерасчет плотности снежного покрова на последнюю декаду
снеготаяния. Привлечение архивной метеорологической информации о состоянии
снежного покрова (снежная история) за длительный временной промежуток позволило
наметить основные тенденции в изменении высоты снежного покрова и запаса воды в
нем за последние 30 лет.
На предварительной
стадии работы были выполнены следующие шаги:
1)
выполнен поиск интересующих водосборов рек, после чего для каждого водосбора на
основе цифровой модели рельефа получены его границы и рассчитаны центры тяжести
водосборов;
2)
выполнен поиск международных проектов, предоставляющих информацию о состоянии
снежного покрова для Северного полушария, в частности информации о запасе воды
в снеге;
3)
выполнен поиск, сбор и анализ фактической информации с метеорологических
станций;
4)
на основе имеющихся цифровых границ выполнен алгоритм «маскировки» лишних
значений и созданы исходные поля запаса воды в снеге за временной период с 1987
по 2017 г.;
5)
получены данные о максимальных снегозапасах на водосборах рек.
Основной этап работы
заключался в обработке полученных материалов, сравнении данных и анализе
полученных результатов. Основной этап работы можно подразделить на несколько
направлений, в соответствии с типом исходной информации.
3.1.
Работа с информацией прямых измерений
В
качестве независимого материала для сравнения результатов вычислений модели «SnoWE»
использовались данные маршрутных снегомерных наблюдений и наблюдений за снежным
покровом на станциях. При
выборе метеорологических станций учитывался ряд параметров, которые должны были
быть соблюдены: 1) метеорологическая станция должна производить стационарные
наблюдения за снежным покровом в установленные сроки; 2) на метеостанции должны
производится маршрутные снегомерные наблюдения в зимний период с регулярной
дискретностью; 3) метеостанция должна передавать информацию в виде
синоптического кода SYNOP в установленные сроки; 4) станция и маршрут
должны быть репрезентативны и учитывать физико-географические условия; 5)
модель «SnoWE» должна иметь доступ к исходной метеорологической информации
на заданной метеостанции, для того чтобы произвести расчет изменения плотности
снежного покрова и запаса воды в снеге; 6)
информация о работе метеостанции должна быть представлена на сайте ВНИИГИ-МЦД
(г. Обнинск). Данные о количестве станций, используемых в работе,
представлены в табл. 1.
Таблица 1. Информация о метеостанциях в районах исследования
Table 1.
Information about meteorological stations in the research regions
|
Территория исследования: |
Количество метеостанций*: |
Количество маршрутных |
|
р. Северная Двина |
71/18 |
71/42 |
|
р. Онега |
8/2 |
8/4 |
|
р. Надым |
1/1 |
1/1 |
|
р. Ока |
108/22 |
108/61 |
|
р. Дон |
73/19 |
73/27 |
Примечание. * Всего метеостанций
на водосборе реки / Метеостанции, на которых измеряется высота снежного и
выполняются маршрутные снегомерные наблюдения покрова по данным сайта (http://meteo.ru/).*The
number of meteorological stations on
a catchment area
of rivers/ the
meteostations, which are
measured snow routine
measurements. Data were
downloaded from web
page (http://meteo.ru/).
Работа с информацией
прямых измерений реализуется с помощью специального скрипта, написанного на
языке python, который позволят
скачать данные с сайта (http://meteo.ru/) и выполнить последующую обработку. На сайте данные о высоте снежного покрова
представлены с суточной дискретностью, маршрутные снегомерные наблюдения
представлены с дискретностью 3, 5, 10, 30 дней. На карте (рис. 4) показаны
метеостанции, используемые в расчетах. В ходе работы программного модуля
формируется единый массив данных, содержащий информацию о
всех выбранных метеостанциях и постах с информацией о снежном покрове в
выбранном водосборе. После создания единого массива с индексацией по дате,
программный модуль позволяет выполнить усреднение (любой временной шаг), в
данной работе фактические данные приводились к недельной дискретности. После
выполнения осреднения по времени происходит выполнение осреднения всех данных
по пространству, в результате чего получен конечный ряд данных для водосбора
максимальной длины с минимальным количеством пропусков. В дальнейшем полученные
ряды данных использовались для формирования сводного массива данных для заданных
областей (водосборов рек).
Рис. 4. Метеорологические станции, данные по которым
привлекались в исследовании.
Fig. 4. The meteorological stations data from were applied in
the research.
3.2. Работа с данными дистанционных
измерений GlobSnow и GLADAS
Для сравнения эффективности работы модели «SnoWE» использовались данные международных проектов,
специализирующихся на учете снежного покрова в Северном полушарии. В работе
использовались данные Финского метеорологического института, в частности проекта
GlobSnow [12]. Данные
проекта
покрывают территорию от 35 до 85º N широты
и от 180º W
до 180º E
долготы.
Данные, реализуемые в данном проекте, основаны на работе пассивного
микроволнового радиометра SMMR, шаг сетки которого
составляет 25×25 км.
Временной шаг – 1 день; 1 неделя; 1 месяц. Данный продукт является результатом
совместной деятельности консорциума ряда стран [12]. Изначально загружались все доступные данные SWE, после чего задавались специальные области (водосборы рек,
данные получены на основе цифровых моделей рельефа, рис. 5), для которых были
получены значения SWE на
конкретную дату. Для территории водосборов рек находился центр тяжести
водосборов, далее производились усреднения полей SWE и формировался
итоговый ряд значений SWE для заданной области. Итоговый ряд в
дальнейшем использовался для заполнения сводной таблицы по данному водосбору.
а)
б)
Рис. 5. Цифровая модель рельефа для водосбора реки Надым (граничная
область) (а); распределение узлов сетки SWE для территории ЯНАО (б).
Fig. 5. The digital elevation model for the
territory of a catchment area of the Nadim river (а);
the grid points of SWE for the territory of YNAA (б).
В качестве третьего источника данных использовались
материалы проекта Global Land Data
Assimilation System (GLDAS, США).
Система была разработана учеными из NASA. При создании проекта использовалось новое
поколение наземных и космических систем наблюдения, которые предоставляют
данные для ограничения смоделированных состояний поверхности суши [11]. В
работе технологии выделяются два направления: 1) воздействие «моделей поверхности подстилающей поверхности», основанных на метеорологических полях
данных; 2) применение техники ассимиляции данных, усвоение реальных наблюдений
и их последующее применение для корректировки нереалистичных модельных величин.
В рамках данного проекта реализованы три различные схемы: CLM, MOSAIK, NOAH.
Для выполнения данной работы использовались два типа данных: 1) работы
с моделью GLADAS_NOAH025_M.2.0 (данные
с 1987 по 2010 г.) и GLADAS_NOAH025_M.2.1
(данные с 2000 по 2017 г.). Проект предоставляет возможность мониторинга
за 39 гидрометеорологическими параметрами, в том числе и за снежным
покровом. Проект покрывает территорию от 60º S до 85º N широты и от 180º W до 180º E
долготы,
шаг сетки 0,25×0,25 км. Временной шаг – 3 часа; 1 месяц.
Работа с программными
продуктами FMI
(GlobSnow)
и NASA
(GLADAS)
была
организована через специальный модуль, написанный на языке python.
Для работы корректной работы модуля требуется задать исходную ограничивающую
область (водосбор реки). Например, в текущей работе для определения водосбора
рек использовалась ЦМР [18], обработанная с помощью ArcGIS 10.3.1.
Вышеперечисленные проекты предоставляют информацию о состоянии снежного покрова
в схожем виде, при этом данные по проекту GlobSnow
предоставляют
информацию в формате HDF4,
а проект GLADAS предоставляет
данные в формате NetCDF. В ходе работы модуля
реализован схожий алгоритм действий. В первую очередь формируется массив данных
по исходному файлу, после чего вводится ограничивающая область и формируются
поля запаса воды в снеге на конкретную дату. Следующим действием выполняется осреднение
всех узлов сетки к центру тяжести водосбора и формируются ряды данных с
индексацией по дате, после осреднения в точку возможна процедура усреднения
данных по дате. В проекте GlobSnow для пользователей доступна
временная дискретность – 1 день; 7 дней; 1 месяц. Для текущей работы временной
шаг равен 7 дням. В проекте GLADAS для
пользователя доступен шаг по времени 3 часа, 1 месяц. В данной работе
использовалась 3-часовая дискретность. Отличительной чертой работы с проектом GlobSnow
является
метрическая система координат, что потребовало написания дополнительного модуля
усвоения исходной системы координат и конвертации ее в удобоваримый для работы вид.
В результате расчетов были
сформированы три различных массива данных: 1) данные по проекту GlobSnow с
1978 по 2016 г.; 2) данные по проекту GLADAS
с
1978 по 2010 г.; 3) данные по проекту GLADAS с
2000 по 2017 г. В дальнейшем полученные ряды данных использовались для
формирования сводного массива данных для заданных областей (водосборов заданных
рек).
4. Результаты и
обсуждение
В ходе выполнения
работы были получены ряды осредненных по бассейнам данных с информацией о
состоянии снежного покрова за период с 1987 по 2017 г. В результате работы
сформировано 3 ряда данных на основе спутниковой информации, 1 ряд на основе
результатов работы со «SnoWE» и 1 ряд на основе
маршрутных снегомерных наблюдений (в работе данный ряд использовался в качестве
независимой характеристики). На основе полученных рядов данных были построены
графики динамики развития снежного покрова за период с 1987 года (рис. 6, 7).
Следует отметить, что данные по модели «SnoWE»
получены за период с 2011 по 2017 г. Связано это прежде всего с тем, что
для корректной работы модели требуются спутниковые данные и архивные материалы.
К сожалению, из-за большого объема спутниковых данных данные хранятся только до
2011 года.
На основе имеющихся
рядов данных выполнена статистическая обработка рядов. При выполнении
статистической обработки рассчитывался коэффициент корреляции,
среднеквадратическое отклонение, средняя ошибка и среднеквадратическая ошибка.
Результаты статистической обработки представлены в табл. 2–5.
а
б
Рис. 6. Графики сравнения восстановленных и реальных
значений запаса воды в снежном покрове (SWE) для различных водосборов: I – р. Северная Двина; II
–р. Ока; III – р. Дон за определенный временной период: c
01.08.2002 по 01.07.2007 г. (а); с 01.08.2012 по 01.10.2017 г. ( б); 1 – GLADAS
1987–2010; 2 – GLADAS 2000–2017; 3 – GlobSnow; 4 – in-situ
data; 5 – SnoWE technology.
Fig. 5. Comparison charts of the
model and real values of SWE for different catchments: I – the Northern Dvina
river; II – the Oka river; III – the Don river for time period: a) from
01.08.2002 to 01.07.2012; b) from 01.08.2012 to 01.10.2017; 1 – GLADAS 1987–2010;
2 – GLADAS 2000–2017; 3 – GlobSnow; 4 – in-situ data; 5 – SnoWE technology.
По результатам
проделанной работы установлено, что наилучшие результаты для территории
Российской Федерации достигаются при выполнении расчетов по модели «SnoWE».
Следует также принять во внимание, что модель сравнивалась с натурными данными
наблюдений только за последние 6 лет. При этом исходя из визуальной оценки и
полученных статистических характеристик можно сделать вывод о том, что данная
модель наиболее точно описывает динамику развития состояния снежного покрова в
зимний период года.
Рис. 6. Графики сравнения истинных и восстановленных
значений: I
– высота снежного покрова; II – плотность снежного
покрова; III – запасы воды в снежном покрове; на метеорологических
станциях в бассейнах рек в течении зимнего сезона 2016/2017 года:
метеорологическая станция Мезень – водосбор р. Северная Двина (А);
метеорологическая станция Мичуринск – водосбор р. Ока (Б); метеорологическая
станция Калач – водосбор р. Дон (С); 1 – SNOWE technology;
2 – in-situ data.
Fig.6.
Comparison charts of the model and real values of SWE
for different catchments: I – snow depth; II – snow density; III – SWE; on the
meteorological stations in the river basins in winter time 2016/17 year: the
meteorological station Mezen (А); the meteorological
station Michurinsk (В); the meteorological station Kalach (C); 1 – SNOWE technology; 2 –
in-situ data.
Таблица 2. Коэффициенты корреляции (r), полученные при
сравнении восстановленных и измеренных значений запаса воды в снежном покрове
Table 2. Сorrelation coefficients (r),
obtained by comparing the model SWE data and in-situ SWE data
|
Исследуемый объект: |
GLADAS |
GLADAS |
GlobSnow |
Snowe technology |
|
р. Дон |
0.526 |
0.712 |
‒ |
0.632 |
|
р. Ока |
0.704 |
0.888 |
0.080 |
0.923 |
|
р. Онега |
0.519 |
0.812 |
0.099 |
0.641 |
|
р. Северная Двина |
0.659 |
0.824 |
0.226 |
0.895 |
|
р. Надым |
0.743 |
0.813 |
0.088 |
0.826 |
Таблица 3. Среднеквадратические отклонения (σ, мм), полученных при сравнении восстановленных и измеренных
значений запаса воды в снежном покрове
Table 3. Standard deviation (σ, mm), obtained by comparing the model SWE data and in-situ SWE
data
|
Исследуемый объект: |
GLADAS |
GLADAS |
GlobSnow |
Snowe technology |
|
р. Дон |
26.6 |
33.0 |
‒ |
23.9 |
|
р. Ока |
29.1 |
67.6 |
33.2 |
23.9 |
|
р. Онега |
53.9 |
73.9 |
58.0 |
41.5 |
|
р. Северная Двина |
50.1 |
78.4 |
53.0 |
40.0 |
|
р. Надым |
56.9 |
95.7 |
68.3 |
60.0 |
Таблица 4. Средняя ошибка (мм), полученная при сравнении
восстановленных и измеренных значений запаса воды в снежном покрове
Table 4. Bias values, obtained
by comparing the model SWE data and in-situ SWE data
|
Исследуемый объект: |
GLADAS |
GLADAS |
GlobSnow |
Snowe technology |
|
р. Дон |
-29.3 |
5.33 |
‒ |
-34.0 |
|
р. Ока |
-10.8 |
61.4 |
-46.7 |
-14.8 |
|
р. Онега |
-28.3 |
62.1 |
-82.9 |
-28.1 |
|
р. Северная Двина |
-22.9 |
63.9 |
-67.8 |
-22.6 |
|
р. Надым |
-41.3 |
96.2 |
-102 |
-7.08 |
Таблица 5. Среднеквадратические ошибки (RMSE, мм), полученные при
сравнении восстановленных и натурных значений запаса воды в снежном покрове
Table 5. Root mean square
deviation, obtained by comparing the model SWE data and in-situ SWE data
|
Исследуемый объект: |
GLADAS |
GLADAS |
GlobSnow |
Snowe technology |
|
р. Дон |
37.3 |
27.5 |
‒ |
37.8 |
|
р. Ока |
24.5 |
81.9 |
56.7 |
17.3 |
|
р. Онега |
58.3 |
79.0 |
99.4 |
43.3 |
|
р. Северная Двина |
46.3 |
85.7 |
84.8 |
28.6 |
|
р. Надым |
57.7 |
115 |
120 |
35.6 |
Установлено, что
наибольшие ошибки по «SnoWE» зафиксированы на
водосборе реки Надым. Скорее всего, это вызвано тем фактом, что технология
недостаточно хорошо учитывает снежный покров в лесу. Кроме того, установлено,
что чем меньше метеорологических станций участвует в расчетах (счет для
станций), тем больше среднеквадратическая ошибка и отклонение (пример: водосбор
реки Онега и Надым – в расчетах использовалось три и одна метеорологическая
станция соответственно). В целом модель занижает полученные значения
восстановленных SWE на
21,3 мм. В условиях с устойчивым снежным покровом модель работает
практически безошибочно и точно воспроизводит снежный покров, в условиях с
неустойчивым снежным покровом (водосбор реки Дон) модель довольно точно
воспроизводит ход накопления снегозапасов и их стаивание, при этом занижает
полученные значения практически в два раза.
Проект GLADAS
1987–2010
на текущий момент времени является закрытым. Следует отметить, что проект
работал лучше следующего поколения данного проекта, при этом проект занижал
значение SWE и недостаточно хорошо
воспроизводил динамику развития снежного покрова. Следует также отметить, что
до 2010 г. этот проект является лучшим из рассмотренных и может быть
применим для использования в расчетах для метеорологических станций с
устойчивым снежным покровом (в том случае, если данные маршрутных снегомерных
наблюдений отсутствуют). Проект GLADAS 2000–2017 является
единственным из рассмотренных проектов, который завышает значения полученных
результатов, при этом довольно точно воспроизводит максимальные значения
снегозапасов. Удивительным при работе с данным проектом является тот факт, что
данный проект дает наиболее точные результаты при работе со снежным покровом в
условиях с неустойчивым снежным покровом (бассейн реки Дон), при этом в случаях
с устойчивым снежным покровом наблюдается значительное завышение
восстановленных снегозапасов. Данные проект не рекомендуется применять для расчетных
целей, он может применяться только для получения первичной информации о снежной
ситуации на бассейнах рек с устойчивым снежным покровом, для возможности
использования данного проекта в бассейнах рек с неустойчивым снежным покровом
требуется проведения дополнительных испытаний.
Проект FMI GlobSnow,
на основе полученных расчетных характеристик дал наихудшие результаты расчетов.
Кроме того, данный проект не работает для водосбора реки Дон. Данный проект не
рекомендуется применять. В связи с тем, что на сайте (http://meteo.ru/) на
момент написания статьи отсутствовали данные о состоянии снежного покрова за
зиму 2016/2017 гг., для выполнения контрольных вычислений по модели «SnoWE» была привлечена дополнительная информация.
Заключение
По выполнению работы
можно сделать следующие выводы. Модель снежного покрова «SnoWE»,
разработанная в отделе среднесрочных прогнозов погоды Гидрометцентра России, является наиболее работоспособной для
территории Российской Федерации. Возможность выбора шага сетки создает
дополнительные возможности для применения технологии в горных областях нашей
страны, при этом следует учитывать количество метеостанций, которые
располагаются в районе исследования. Следует также отметить, что модель
снежного покрова «SnoWE» в дальнейшем будет
развиваться по нескольким направлениям: изменение физического блока модели
(усовершенствование усвоения метаморфизма снежного покрова, улучшение
работоспособности модели для лесных водосборов, применение спутниковых данных с
более высоким разрешением). Кроме того, следует обратить внимание, что высота
снежного покрова за последние 30 лет непрерывно уменьшается, следовательно,
наблюдается большое количество оттепелей в зимний период года. Территория с
устойчивым снежным покровом в течение зимнего периода уменьшается, что требует
развития модели снежного покрова в период снеготаяния.
Привлечение информации
о состоянии снежного покрова для территории Российской Федерации, по данным
космического мониторинга Земли, возможно, но на предварительной стадии
привлечения такого рода информации требуется тщательная проверка с натурными
наблюдениями на станциях. В случае отсутствия данных наблюдений возможно
привлечение метеостанций-аналогов. В ходе проделанной работы было установлено,
что с 1987 по 2010 г. наилучший результат был показан проектом GLADAS
1987–2010.
За
предоставление данных маршрутных снегомерных наблюдений в оперативном режиме,
авторы выражают благодарность С.В. Борщу и Ю.А. Симонову.
Работа
выполнена при финансовой поддержке гранта РФФИ (№ 16-05- 00753-а) (разделы 1 и
3) и РНФ (№14-37-00053-П)
(раздел 2).