Гидрометеорологические исследования и прогнозы. 2025. № 4 (398). С. 7-32

7

DOI: https://doi.org/10.37162/2618-9631-2025-4-7-32

УДК 551.509.313+551.509.324.2+551.508.85

Наукастинг порывов ветра

на основе численных прогнозов,

радиолокации и машинного обучения:

реализация, возможности и ограничения

А.В. Смирнов, Д.Б. Киктев, А.В. Муравьев

Гидрометеорологический научно-исследовательский центр

Российской Федерации, г. Москва, Россия

muravev@mecom.ru

Изложены результаты испытаний системы наукастинга порывов приземного

ветра, проведенных в мае‒сентябре 2024 года в Гидрометцентре России с примене-

нием алгоритма машинного обучения "Случайный лес" к выходной продукции стати-

стической модели наукастинга pySTEPS и системы численного прогноза погоды

COSMO-Ru2.2. Оценена значимость наблюдений автоматических метеостанций Цен-

трального федерального округа в качестве контрольных данных для наукастинга по-

рывов ветра. Выявлены некоторые систематические особенности численных прогно-

зов порывов в период испытаний. Обсуждаются проблемы синхронизации данных от

различных источников, детально анализируется погодная ситуация с заметными по-

рывами на территории Московской области, приводятся оценки качества с помощью

показателя FSS. В разработанной версии системы наукастинга, на накопленной ин-

формационной базе и по значениям показателя FSS горизонт полезного прогноза по-

рывов ветра ограничен 30 минутами.

Ключевые слова: наукастинг порывов ветра, численный прогноз погоды, радио-

локационные наблюдения, машинное обучение

Wind gust nowcasting

using numerical forecasts, radar technologies

and machine learning: implementation,

capabilities and limitations

A.V. Smirnov, D.B. Kiktev, A.V. Muravev

Hydrometeorological Research Center of Russian Federation,

Moscow, Russia

muravev@mecom.ru

The paper presents the results of testing a surface wind gust nowcasting system con-

ducted in May–September 2024 at the Hydrometcentre of Russia using the machine learn-

ing Random Forest algorithm applied to the output products of the pySTEPS statistical

nowcasting model and the COSMO-Ru2.2 numerical weather prediction system. The sig-

nificance of observations from automatic weather stations in the Central Federal District as

control data for wind gust nowcasting is assessed. Some systematic features of numerical

gust forecasts during the testing period are revealed. The problems of synchronizing data

from various sources are discussed, the weather conditions with significant gusts over

8

Гидрометеорологические прогнозы, математическое моделирование

a large area are analyzed in detail, and the quality assessment is provided using the FSS

metric. In the developed version of the nowcasting system, on the basis of accumulated

information and according to the FSS skill score, the useful forecast horizon for wind gusts

is limited to 30 minutes.

Keywords: wind gust nowcasting, numerical weather prediction, radar observations,

machine learning

Введение

В информационном сообщении [2] приведены основные результаты

испытаний системы наукастинга порывов приземного ветра с примене-

нием методов машинного обучения к выходной продукции статистической

модели наукастинга pySTEPS и системы численного прогноза погоды

COSMO-Ru2.2 (ЧПП). Испытания проведены в мае‒сентябре 2024 года с

использованием алгоритма машинного обучения "Случайный лес". В связи

с разработкой системы наукастинга порывов составлен краткий обзор пе-

редовых тенденций в данной области [6]. В настоящей статье более по-

дробно обсуждаются особенности накопленных для испытаний архивов,

ограничения и возможности наукастинга порывов ветра в отечественных

условиях с учетом физико-статистических особенностей этой величины и

имеющейся наблюдательной базы.

Опишем состав архива данных по периоду 1 мая ‒ 23 сентября

(последняя неделя сентября не включена по объективным причинам). Ко-

личественные характеристики округляются до десятков. Для краткости бу-

дет называть наборы данных условно результирующими, обучающими и

контрольными.

1. Результирующие прогностические поля порывов (наукасты) в обла-

сти обзоров радиолокаторов ДМРЛ-С сроком до 150 мин в 10-минутных

интервалах (144 прогноза ежесуточно). Шаг расчетной ячейки ~1 км, раз-

мер расчетных матриц данных 987×987. Общее количество полей для од-

ной заблаговременности около 20600.

2. Обучающие численные прогнозы порывов (мезопрогнозы) сроком

на 720 мин через 3 часа (8 прогнозов ежесуточно в 10-минутной дискрет-

ности). Шаг расчетной ячейки 2.2 км, размер матриц данных 601×601. Об-

щее количество полей для одной заблаговременности около 1150.

3. Контрольные наблюдения около 180 автоматических метеорологи-

ческих станций (АМС) в 10-минутных интервалах (144 телеграммы ежесу-

точно). Общее количество телеграмм от сети АМС около 21000.

Географическая область наукастинга порывов представляет собой

сферический прямоугольник в зоне обзоров радиолокаторов ДМРЛ-С,

развернутых на территории ЦФО России (рис. 1). Довольно частое отсут-

ствие данных от каких-либо локаторов маркируется в расчетной матрице

("композитном поле") константами отсутствия в соответствующих точках

выходного наукаста.

Смирнов А.В., Киктев Д.Б., Муравьев А.В.

9

Рис. 1. Зоны обзора радиолокаторов и расчетная область наукастинга

скорости порывов ветра.

Fig. 1. Radar coverage areas and computation area for wind gust speed

nowcasting.

1. Реализация технологии наукастинга порывов приземного ветра

Сложность прогноза шквалистых усилений ветра начинается со слож-

ности их диагноза по имеющимся наблюдениям. Эти явления часто не уда-

ется зарегистрировать надлежащим образом средствами контактных изме-

рений – расстояние между станциями велико в сравнении с характерными

размерами такого рода явлений.

Для радарных наблюдений нижний пятидесятиметровый слой над зем-

ной поверхностью, где происходят максимальные шквалистые усиления

ветра, обычно находится ниже зоны прямой видимости радара и для кос-

венной оценки приземного ветра требуется привлекать гипотезы о его

связи с непосредственно измеряемыми характеристиками.

Анализ ситуаций по 10-минутным измерениям автоматических метео-

рологических станций (АМС) и радарным данным показывает, что фикси-

руемые на станциях порывистые скорости ветра могут сильно различаться

при близких значениях в их окрестности таких влияющих параметров, как

высота верхней границы облачности (ВГО), отражаемость, влагосодержа-

ние и др.

Такие ситуации возникают, когда активная конвекция, идентифициру-

емая максимальной отражаемостью выше 50 dBZ и высотой ВГО более

10

Гидрометеорологические прогнозы, математическое моделирование

12 км, не сопровождается заметными порывами ветра на ближайших АМС.

Среди возможных объяснений такого несовпадения могут быть:

‒ особенности структуры конвективного облака, где области повы-

шенного радиоэха и области максимальных шквалистых усилений скоро-

сти ветра пространственно разнесены (максимальные усиления ветра чаще

возникают на фронтах порывистости перед конвективным облаком, кото-

рые при этом могут опережать передний край зоны ливневых осадков на

10–15 км);

‒ недостаточный учет в диагностических алгоритмах тонких эффек-

тов, связанных со структурой конвективного облака и его окружения, как

в атмосфере, так и на подстилающей поверхности (например, увлажнен-

ность, альбедо и др. могут оказывать существенное влияние на энергетику

конвекции);

‒ погрешности пространственно-временной привязки радарных дан-

ных к станционным (при сканировании каждые 10 минут и при скорости

потока около 30 км/ч перенос за 5-минутный интервал составляет 2‒3 км,

вследствие чего фиксируемые на станциях явления могут оказаться разне-

сенными с радарными наблюдениями по соседним 10-минутным срокам).

Существенные пробелы в фиксации шквалистых усилений ветра

наземными измерениями затрудняют настройку диагностических алгорит-

мов по данным дистанционного зондирования, что сказывается на качестве

верификации прогнозов этих явлений, способствуя в первую очередь оби-

лию ложных тревог в прогностической продукции.

В решающих правилах программного обеспечения вторичной обра-

ботки информации ДМРЛ-С [7] шквалы диагностируются в том случае, ко-

гда отражаемость на уровне изотермы -15 °С, максимальная отражаемость

в столбе и высота ВГО относительно уровня тропопаузы превышают пред-

писанные пороговые значения. Эти правила не являются универсальными

для охвата многообразных и физически сложных ситуаций образования

шквалов, что также отражается на качестве их детектирования. Разработ-

чики "ГИМЕТ-2010" считают необходимым к единственному фактору ин-

тенсивности конвекции, учитываемому в текущей версии диагностики

шквалов, добавить «динамический», т. е. адвективный фактор [3, 7].

2. Машинное обучение: алгоритм "Случайный лес"

Алгоритм машинного обучения "Случайный лес" (использован пакет

randomForestSRC из библиотек языка R) применен к выходным данным

ЧПП, которые имеются одновременно и в продукции радиолокационного

зондирования (ВГО, интегральное влагосодержание облаков, отражае-

мость, скорость и направления ветра на различных уровнях), а также к вы-

сотам изотерм и некоторым другим потенциальным предикторам шквали-

стых усилений ветра. Данный алгоритм зарекомендовал себя как простой,

надежный и гарантированный от переобучения метод, чем он выгодно от-

личается, в частности, от нейросетевых моделей, которые при довольно

Смирнов А.В., Киктев Д.Б., Муравьев А.В.

11

сложной настройке требуют и значительных вычислительных ресурсов для

поддержания режима частого обновления прогнозов.

В предположении наличия связи этих предикторов со скоростью по-

рывов формируется обучающая выборка для диагноза шквалов по данным

ЧПП и строятся решающие диагностические процедуры для последующего

использования построенных связей в радарном диагнозе и наукастинге.

Перенос связей в область радарного диагноза и прогноза обусловлен

тем, что мультипликативная каскадная модель наукастинга pySTEPS спо-

собна воспроизводить структуру и временную эволюцию не только полей

осадков, но и полей упомянутых выше потенциальных предикторов. Сле-

дует, однако, учитывать, что оперативная модель COSMO-Ru2.2 в целом

достаточно реалистично прогнозирует скорость порывов ветра у земли, но

довольно грубо воспроизводит сложные процессы глубокой конвекции,

ввиду чего перенос построенных машинным обучением диагностических

связей на данные радарного наукастинга сопряжен с определенным риском

и должен внимательно контролироваться и перепроверяться. Как будет по-

казано ниже, такие опасения вполне обоснованы.

Для построения решающих правил используется информация послед-

него доступного оперативного ЧПП модели COSMO-Ru2.2, представлен-

ного в 10-минутной временной дискретности внутри периода прогноза.

Расчет ЧПП на срок до 12 часов проводится восемь раз в сутки и через 2.5–

3 часа после стартового срока результаты расчетов становятся доступными

для технологии наукастинга.

В качестве предикторов скорости приземных порывов ветра из данных

ЧПП выбираются следующие параметры:

‒ максимальная отражаемость,

‒ высота верхней границы облачности,

‒ высота нулевой изотермы,

‒ средняя скорость ветра на высоте 1 км,

‒ средняя скорость ветра на высоте 3 км,

‒ средняя скорость ветра на 10 м.

В обучающую выборку включаются все попадающие на временной

интервал наукастинга 10-минутные модельные поля скорости порывов и

шести предикторов из последнего доступного численного прогноза по-

годы. Перед процедурой машинного обучения модельные сеточные значе-

ния предикторов и предиктанта преобразовываются в значения, агрегиро-

ванные по окрестным узлам сетки. Размеры окна агрегации и функции

преобразования в окне сеточных значений подобраны в результате предва-

рительных экспериментов (табл. 1).

По алгоритму "Случайный лес" строится ансамбль множества решаю-

щих деревьев (рис. 2), а итоговый прогноз "обобщает" ответы множества

деревьев. Тренировка деревьев происходит независимо друг от друга на

разных подмножествах, что препятствует построению одинаковых дере-

вьев на одной выборке и делает этот алгоритм удобным для распределён-

ных вычислений.

12

Гидрометеорологические прогнозы, математическое моделирование

Таблица 1. Перечень обучающих параметров, размеры используемых окон

агрегации и способы преобразования окрестных сеточных значений

Table 1. List of training parameters, sizes of aggregation windows used and meth-

ods for transforming neighboring grid values

Параметр

Единицы Размер окна Функция

(узлы сетки)

Максимальная отражаемость

dBZ

м

11×11

15×15

11×11

25×25

5×5

max

Высота верхней границы облачности

Высота нулевой изотермы

м

mean

Средняя скорость ветра на высоте 1 км

Средняя скорость ветра на высоте 3 км

Средняя скорость ветра на 10 м

Скорость приземных порывов ветра

м/с

Рис. 2. Схема работы алгоритма "Случайный лес".

Fig. 2. Operational scheme of the "Random Forest" algorithm.

Обучение выполняется при расчете каждого наукаста (прогностиче-

ского поля скорости порывов), при этом формируется 200 решающих дере-

вьев регрессионного типа (рис. 3). Качество построения решающих правил

оценивается сопоставлением восстановленных значений порывов с поры-

вами, прогнозируемыми самой моделью COSMO-Ru2.2.

Смирнов А.В., Киктев Д.Б., Муравьев А.В.

13

В настоящее время ЧПП все еще уступает простой экстраполяции те-

кущей погоды ("лагранжевому" наукастингу) в локализации мезо-метеоро-

логических объектов и структур на раннем этапе прогноза. Перенос в об-

ласть радарного наукастинга состоит в том, что часть модельных

предикторов заменяется результатами пространственно-временной экстра-

поляции полей максимальной отражаемости и высоты верхней границы об-

лачности с помощью модели pySTEPS (рис. 3).

Рис. 3. Схема комбинирования полей предикторов при расчетах наукастинга

скорости порывов.

Fig. 3. Combining scheme of predictor fields in calculations of gust speed

nowcasting.

Общая блок-схема алгоритма наукастинга скорости порывов призем-

ного ветра показана на рис. 4. Серым цветом обозначены блоки с возмож-

ностью распараллеливания вычислительных процессов. В верхней части

схемы представлены модули, которые работают независимо друг от друга.

Цепочка последовательных действий выполняется при расчете каждого

наукаста. Распараллеливание сокращает время работы системы наука-

стинга в несколько раз, в результате чего расчет одного прогноза на

2.5 часа укладывается в 5‒6 минут, что с запасом обеспечивает возмож-

ность обновления прогноза каждые 10 минут.

3. Описание, преобразование и сопоставление типов данных

Использованные типы прогностической и фактической информации

различаются как по форматам, так и по значениям порывов ветра. Некото-

рые особенности использованных типов информации и возникающие при

этом проблемы хорошо известны. Например, это точечный характер стан-

ционных наблюдений и двумерное представление прогнозов в виде полей,

14

Гидрометеорологические прогнозы, математическое моделирование

причем поля ЧПП и наукастинга имеют различное разрешение. Разнообра-

зие объемов выборок разных типов информации может критично

отражаться на статистической значимости сравнительных оценок в парах

сопоставляемых данных. Далее, большие объемы данных при испытании

схем наукастинга по значительным периодам времени (с заблаговременно-

стями до нескольких часов в 10-минутной дискретности) также способны

затруднить их обработку и верификацию, вынуждая искать способы сокра-

щения табличной и графической продукции без потери содержательной

информации. Наконец, остаются проблемы отбора подходящих статисти-

ческих характеристик для описания и сопоставления разнородных данных,

а также для верификации качества прогнозов как в точках, так и в про-

странственных полях.

Рис. 4. Блок-схема алгоритма наукастинга скорости порывов приземного

ветра.

Fig. 4. Flow chart of the nowcasting algorithm for surface wind gust speed.

Остановимся на проблеме "больших данных". Десятки тысяч прогно-

стических полей (по миллиону точек каждое) со значениями скорости вет-

ровых порывов удается заметно "ужать" выделением порывов ветра в при-

нятых градациях "неблагоприятного" (НЯ) и "опасного" явлений (ОЯ) [8].

При таком подходе количество "полей с порывами" уменьшается в не-

сколько раз, а сами поля превращаются в удобные для обработки бинарные

Смирнов А.В., Киктев Д.Б., Муравьев А.В.

15

(дихотомические) массивы, состоящие только из единиц и нулей. В прове-

денных испытаниях рассмотрены пороговые значения скорости ветра

15 м/с как "неблагоприятного метеорологического явления", в интервале

15‒24 м/с как "сильного ветра" и в ранге ОЯ при скорости не менее 25 м/с

как "очень сильного ветра". Для иллюстрации качества наукастинга приво-

дятся оценки порывов скорости не менее 20 м/с. Контрольные станцион-

ные наблюдения - ввиду их редкости и пространственной разреженности ‒

градуировались порогами 15 и 20 м/с.

Ниже приняты следующие обозначения. Прогнозы и наблюдения про-

изводятся в 10-минутные сроки YYYYMMDDhhmi, где год YYYY = 2024,

месяцы MM = {05, 06, 07, 08, 09}, дни DD = {01, 02, ..., 31}, часы hh =

{00, 01, ..., 23}, десятки минут mi = {00, 10, 20, ...}. Продукция модели

COSMO-Ru2.2 относится к срокам hh = {00, 03, 06, 09, 12, 15, 18, 21}. Под-

черкнем, что всюду ниже, где указано реальное время, имеется в виду ВСВ.

3.1. Поля наукастинга в области обзоров сети ДМРЛ-С

Поле наукастинга (FCAST) составлено из кругов радиолокационных

обзоров с возможными пересечениями и содержит точки с константами от-

сутствия (NA) при отсутствии данных с каких-либо локаторов. В период

испытаний количество отсутствующих значений в композитном поле до-

стигало до трети общего размера поля в 987×987 точек. Заметим, что учет

и обработка констант отсутствия в прогностических полях представляет

собой непростую проблему, которая зависит от множества факторов и не

имеет универсального решения [4].

Поля наукастинга и мезопрогнозов расположены в повернутых коор-

динатах модели COSMO c Москвой в центральной точке массива данных

(рис. 5). Окаймляющий шестиугольник с вершинами в координатах неко-

торых городов построен для более наглядной иллюстрации поворота карты

относительно стран света.

Рассмотрим дихотомические поля наукастинга со значениями поры-

вов не меньше 20 м/с и представим квантильное распределение единиц по

всему полю через 10 %. Для всех 15 заблаговременностей составлены таб-

лицы, имеющие вид табл. 2.

Приведены части таблицы, характеризующие особенности этого рас-

пределения: видно, что количество точек с сильными порывами располо-

жено в самом конце распределения и может изменяться в широких диапа-

зонах (здесь от 3 до 10000). Отметим, что по таблицам такого вида удобно

выделять развивающиеся ситуации, в которых количество точек со значи-

тельными скоростями порывов занимают постепенно растущие и посте-

пенно уменьшающиеся области полей в последних квантилях распределе-

ния.

В табл. 3 отражена ситуация 20 июня около полудня с наукастами по-

рывов до 28 м/с и с охватом до 17.5 тысяч точек поля (около 2 % общей

области).

16

Гидрометеорологические прогнозы, математическое моделирование

Рис. 5. Ориентация повернутой сетки COSMO-Ru2.2 (левая панель) относи-

тельно долготно-широтной карты (правая панель). На левой панели точками

нанесены координаты АМС в определенный срок наблюдений и некоторые

города ЦФО России.

Fig. 5. Orientation of the rotated COSMO-Ru2.2 grid (left panel) relative to the

latitude-longitude map (right panel). The left panel shows the coordinates of the

AMS at a certain observation time and some cities in the Central Federal District

of Russia.

Таблица 2. Пространственное распределение значений порывов ветра в

поле наукастинга на 10 мин 5 мая 2024 г. с указанием минимального и макси-

мального значений (0% и 100%), полного размера поля (size), количества то-

чек с константами отсутствия (NAs), процентной доли констант отсутствия

(Nas%) и количества точек со слабым превышением порога 20 м/с (GE20)

Table 2. Spatial distribution of wind gust values in the 10 min nowcasting field on

May 5, 2024, indicating the minimum and maximum values (0% and 100%), the

total field size (size), the number of points with missing constants (NAs), the per-

centage of missing constants (Nas%) and the number of points with a weak excess

of the 20 m/s threshold (GE20)

Смирнов А.В., Киктев Д.Б., Муравьев А.В.

17

Таблица 3. Пространственное распределение значений порывов ветра в

поле наукастинга на 10 мин для ситуации с порывами ветра 19 и 20 июня

2024 г.; обозначения как для таблицы 2

Table 3. Spatial distribution of wind gust values in the 10 min nowcasting field for

the wind gust situation on 19 and 20 June 2024; notations as for Table 2

Рис. 6 с наукастами в географической "развертке" (без населенных

пунктов) иллюстрирует табличные данные о ситуации 20 июня 2024 г., ука-

зывая координатное расположение областей с порывами не менее 20 м/с

(желтый цвет). В центре средней панели рис. 6 заметна область желтого

цвета (до 25 м/с) с вкраплением красного, сигнализирующего о порывах до

30 м/с

Рис. 6. Развитие ситуации около полудня 20 июня 2024 г. (слева направо) с

порывами ветра в картах наукастинга на 10 минут

Fig. 6. Development of the situation around midday on June 20, 2024 (from left to

right) with wind gusts in the 10 minutes nowcasting maps.

3.2. Поля прогнозов COSMO-Ru2.2: приведение к формату полей

наукастинга

Основные характеристики прогностических полей представлены в вы-

ходных параметрах функции raster() языка R, с помощью которой читаются

файлы .tiff (или .tif) (табл. 4).

18

Гидрометеорологические прогнозы, математическое моделирование

Таблица 4. Характеристики растровых изображений для наукастов (сверху) и

мезопрогнозов (снизу)

Table 4. Raster image characteristics for nowcasts (upper) and mesoforecasts

(bottom)

class:

RasterLayer

dimensions: 978, 978, 956484 (nrow, ncol, ncell)

resolution:

extent:

values:

0.01, 0.01 (x, y)

-31.89, -22.11, -2.73, 7.05 (xmin, xmax, ymin, ymax)

1.098624, 7.956317 (min, max)

class:

RasterLayer

dimensions: 601, 601, 361201 (nrow, ncol, ncell)

resolution:

extent:

values:

0.02, 0.02 (x, y)

-33.01, -20.99, -4.01, 8.01 (xmin, xmax, ymin, ymax)

0.01708796, 11.14982 (min, max)

Размеры полей указаны в строке dimensions: количество строк, столб-

цов и точек (ячеек) соответственно. Разрешение сетки в строке resolution

указывает на приблизительное количество километров на стороне ячейки

при соответствии 0.01 ~ 1 км. Ориентация повернутая, в центре карт пред-

полагаются данные по г. Москве. В строке extent указаны предельные зна-

чения координат по двум осям. Значения величин в строке values соответ-

ствуют наименьшей и наибольшей скорости порыва в данной карте. Обе

части таблицы относятся к одному сроку прогноза. Как видно из таблицы,

область мезомодели шире области наукастинга, но пространственное раз-

решение в два раза меньше.

Для сравнения наукастинга и мезопрогнозов карта мезомодели обре-

зается до пределов карты наукастинга и разрешение увеличивается вдвое

методом "ближайшего соседа", при котором значения сильных порывов

дублируются. Если для приведения полей к единому формату использовать

уменьшение размерности поля FCAST, то его простейшая интерполяция эк-

вивалентна отбору точек через одну. Можно предположить, что из-за от-

носительной редкости экстремумов удвоение количества точек с экстре-

мальными величинами незначительно влияет на суммарные оценки и

может быть учтено в ходе дальнейших расчетов и интерпретации резуль-

татов.

3.3. Архив телеграмм автоматических станций (АМС)

Телеграммы АМС записаны в текстовом формате в виде таблиц

(табл. 5), которые считываются функцией read.table(*, header=TRUE) языка

R с заголовком столбцов, содержащим указания на Юникс-время наблюде-

ния (dt) в секундах, индекс станции (stan), скорость порыва (gust) в м/с,

среднюю скорость ветра за 10 минут (ws) в м/с, дату и время наблюде-

ния(dt_str) в формате YYYYMMDDhhmi, географические координаты дол-

готы и широты станции (lon,lat) и координаты в повернутой географиче-

ской сетке мезомодели (X,Y).

Смирнов А.В., Киктев Д.Б., Муравьев А.В.

19

Таблица 5. Структура телеграмм АМС в файле 202407010000.dat

Table 5. Structure of AMS telegrams in file 202407010000.dat

dt

stan gust ws

dt_str

lon

lat

X

Y

1719792000 19027 1.1

0.9 202407010000 37.775 55.508 -26.607 1.945

0.2 202407010000 37.213 55.592 -26.767 2.232

1719792000 32466 1.1

...

Количество станций не превышает двухсот и может заметно меняться

в зависимости от срока наблюдения. Телеграммы накапливаются в течение

суток (YYYYMMDD), в то время как наблюдения привязаны к стандарт-

ному сроку в формате YYYYMMDDhhmi, ввиду чего файл телеграмм со-

держит порядка 25 тысяч строк. На рис. 7 демонстрируется расположение

196 станций, содержащихся в файле 20240625.dat. Для удобства обработки

данных суточные данные АМС "рассыпаются" на 144 текстовых файла с

наблюдениями всех отметившихся наблюдениями станций в стандартный

суточный срок.

Рис. 7. Распределение АМС, приславших телеграммы 25 июня 2024 г., и

окаймляющий четырехугольник (красный цвет). Сиреневой и зеленой вер-

тикальными линиями выделены максимальные значения оси х зон наука-

стинга и мезопрогноза соответственно.

Fig. 7. Distribution of AMS that sent telegrams on June 25, 2024, and the bor-

dering quadrangle (red). The purple and green vertical lines highlight the max-

imum values of the x-axis of the nowcasting and mesoforecast zones, respec-

tively.

20

Гидрометеорологические прогнозы, математическое моделирование

Видно, что несколько станций не входят ни в одну область прогноза,

при этом некоторые станции размещены только в зоне мезопрогноза и от-

сутствуют в полях наукастинга. Примерно 40 % всех станций расположены

в центральной части карты, в основном Москва и Московская область.

Известно, что определение и фиксация порывов ветра производятся

вместе с определением и фиксацией средней скорости за выделенный пе-

риод времени (здесь интервал осреднения равен 10 мин). Взаимосвязь этих

двух величин хорошо изучена и используется в разнообразных схемах про-

гноза порывов, при этом средняя скорость является важнейшим предикто-

ром в статистических схемах и непременным элементом параметризации

порывов в гидродинамических ЧПП.

Продемонстрируем распределение повторяемостей средней скорости

ветра и величины порывов, зафиксированных на 196 станциях 25 июня

2024 г. (рис. 8). Несмотря на ограниченность гистограммного представле-

ния прослеживаются такие особенности, как возможная аппроксимация

средней скорости гамма-распределением, а порывов ‒распределением Вей-

булла с тяжелым правым хвостом. То есть порывы обнаруживают стати-

стические свойства экстремальной величины с указанным законом притя-

жения, что отмечается в множестве публикаций (например, [10, 11]). В

данном случае параметры формы обоих распределений выше единицы.

Определение порыва в 10-минутных интервалах наблюдений обуслов-

ливает высокую повторяемость малых скоростей порывов: в приведенном

примере максимальный порыв не превышает 15 м/с, что, в частности,

не дотягивает до градации "неблагоприятного метеорологического явле-

ния" [8].

Рис. 8. Распределение средней скорости (левая панель) и порывов (правая

панель) в 10-минутных интервалах по 196 станциям 25 июня 2024 г. (теле-

граммы файла 20240625.dat). Объем выборки ‒ 27000 значений

Fig. 8. Distribution of average speed (left panel) and gusts (right panel) in 10-mi-

nute intervals at 196 stations on June 25, 2024 (telegrams of file 20240625.dat).

Sample size ‒ 27000 values.

Смирнов А.В., Киктев Д.Б., Муравьев А.В.

21

Распределение по времени средней скорости ветра и порывов для от-

дельной станции в целом также сходно с гамма-распределением и распре-

делением Вейбулла. Наличие порядка сотни наблюдений в сутки (из 144

максимальных) вполне достаточно для построения устойчивого распреде-

ления по паре месяцев года. Для иллюстрации приведем типичные гисто-

граммы распределения для мая-июня 2025 г. На рис. 9 и 10 приводятся две

типичные гистограммы распределения по времени средней скорости ветра

и порывов, напоминающие гистограммы частот по всем станциям для од-

ного дня (рис. 8). Заметно различие форм возможных аппроксимаций при-

веденных гистограмм: если для станции 19028 параметр формы гамма-рас-

пределения явно больше 1, а параметр формы распределения Вейбулла

явно меньше 1, то для станции 19101 типы параметров меняются на проти-

воположные.

Подчеркнем важное обстоятельство. Наблюдения АМС были исполь-

зованы в том виде, в котором они поступали в базу данных Гидрометцентра

‒ без предварительного контроля качества. В результате первичного стати-

стического анализа было установлено, что имеется несколько десятков те-

леграмм с константами отсутствия (NA) в ячейках характеристик ветра,

при этом некоторые станции генерировали явно бракованные наблюдения,

хотя сами значения были реальными числами в привычном диапазоне из-

менения величины. Например, станция 19025 (первая в списке активно дей-

ствующих АМС) прислала мае-июне 7803 приемлемых сообщений о сред-

ней скорости, но явно бракованные сообщения о порывах, что проявилось

на соответствующих гистограммах плотности распределения (рис. 11).

Рис. 9. Гистограммы относительных частот наблюдений средней скорости

ветра (левая панель) и значений порывов (правая панель) на станции 19028

в период май-июнь 2024 г.

Fig. 9. Histograms of relative observation frequencies of average wind speed

(left panel) and gust values (right panel) at station 19028 in the period May-June

2024.

22

Гидрометеорологические прогнозы, математическое моделирование

Рис. 10. Гистограммы относительных частот наблюдений средней скорости

ветра (левая панель) и значений порывов (правая панель) на станции 19101

в период май-июнь 2024 г. Объем выборки 6142 телеграммы.

Fig. 10. Histograms of relative observation frequencies of average wind speed (left

panel) and gust values (right panel) at station 19101 in the period May-June 2024.

Sample size 6142 telegrams.

Рис. 11. Гистограммы относительных частот наблюдений средней скорости

ветра (левая панель) и значений порывов (правая панель) на станции 19025

в период май-июнь 2024 г. Объем выборки 7803 телеграммы.

Fig. 11. Histograms of relative observation frequencies of average wind speed (left

panel) and gust values (right panel) at station 19025 in the period May-June 2024.

Sample size 7803 telegrams.

Ниже будут рассмотрены данные по всему архиву испытаний с 1 мая

до 23 сентября 2024 года.

Смирнов А.В., Киктев Д.Б., Муравьев А.В.

23

3.4. Сопоставление разнородных данных: синхронизация

и дихотомизация

По всему периоду испытаний в полях наукастинга и мезопрогнозов, а

также в сообщениях АМС выделяются сроки, в которые наблюдались "яв-

ления порыва" хотя бы в одной точке поля или хотя бы в одной станции

соответствующей телеграммы. Напомним, под порывом понимается пре-

вышение определенного порога скорости: для наукастинга и мезопрогно-

зов 20 м/с, а для АМС 15 и 20 м/с.

Количество синхронизованных пар (и троек) полей и станционных

наблюдений свидетельствует об информационном покрытии интервала ис-

пытаний и о статистической значимости результатов верификации. Приве-

дем эти объемы, напомнив максимально возможные объемы полей и набо-

ров телеграмм. В интервале от 1 мая до 23 сентября 2024 г. содержится

146 суток по 144 десятиминутных сроков в каждых сутках. Таким образом,

максимально возможное количество наукастов одной заблаговременности

и сроков наблюдений равно 21024. Максимальное количество мезопрогно-

зов одной заблаговременности равно 146×8 = 1168.

Виды и результаты проделанной синхронизации выглядят следующим

образом (с округлениями в десятых).

‒ Синхронизация пар: поля наукастинга FCAST и телеграммы наблю-

дений АМС. Количество пар для прогнозов от 10 до 100 минут в 10-минут-

ной дискретности равно около 20640 для каждой заблаговременности.

‒ Синхронизация пар: поля наукастинга FCAST и поля мезопрогноза

COSMO. Количество пар равно около 1150 для каждой заблаговременно-

сти.

‒ Синхронизация троек: поля наукастинга FCAST, поля мезопрогноза

COSMO и телеграммы АМС. Количество троек для заблаговременностей

от 10 до 100 мин равно около 1140.

‒ Синхронизация пар: поля наукастинга FCAST и поля наукастинга

"первого приближения" (наукастинга на 10 минут). Количество пар лишь

незначительно отличается от соответствующего количества пар FCAST ‒

АМС, т. е. около 20640.

Перечень не полон: не рассматривались синхронизованные пары поле

наукастинга и поле мезопрогноза "первого приближения" (мезопрогноза

на 10 мин).

Очевидно, что большая разница объемов выборок пар и троек наборов

данных усложняет статистическое сопоставление качества прогнозов

между синхронизованными парами и тройками.

Также следует учитывать условности и ограничения, которые накла-

дываются исследуемой величиной ‒ ветровыми порывами. Основными

свойствами порывов являются мелкомасштабность и турбулентность, т. е.

кратковременность развития (до минуты для порывов и до нескольких ми-

нут для шквалов), относительная редкость и случайность проявления в

пространстве и времени.

24

Гидрометеорологические прогнозы, математическое моделирование

Мелкомасштабность и редкость заставляют прибегать к обобщениям

(агрегированию) как по пространству, так и по времени, а турбулентный

характер явления вынуждает использовать вероятностные определения и

термины. При анализе качества моделирования и прогнозирования редкого

явления следует ожидать чрезмерного количества как случаев "отсутствия

явления", так и "отсутствия прогнозов явления". Малоинформативными

оказываются или даже теряют смысл такие стандартные оценки качества,

как общая оправдываемость и критерий Пирса ‒ Обухова: первый показа-

тель стремится к единице, второй ‒ к доли попаданий. Так как теряется

значимость "отсутствия явления", из дихотомического анализа часто ис-

ключают ячейку "нет-нет", или (2,2), в таблице сопряженности [9]. Именно

по указанным причинам одной из наиболее подходящих мер качества счи-

тается критерий "отношения пространственных долей", FSS (Fractions Skill

Score), учитывающий, как пространственный масштаб явления, так и его

вероятностный характер [1, 5].

На этом этапе удается частично решить и проблему "больших данных"

переходом от величины порыва (действительное число) к категории "по-

рыва" (0 или 1) и сохранением для обработки лишь тех дихотомических

полей, в которых имеются метки "порыва", привычно обозначаемые еди-

ницей. Экономия на дихотомизации при верификации прогнозов суще-

ственно упрощает расчеты оценки FSS, так как данный показатель не вы-

рождается лишь в тех случаях, когда каждое из двух полей (прогноз ‒

контроль) имеют хотя бы одну единицу. Также существенно упрощается

процедура обобщения полей на часовые интервалы, когда в точку обоб-

щенного поля единица записывается дизъюнктивно ‒ если среди шести по-

следовательных полей в данной точке имеется хотя бы одна единица.

Имеет смысл дать короткую справку о наличии такого рода полей, об

их количестве и о количестве единиц, назвав такие порывы "существен-

ными".

‒ Существенные порывы в сообщениях АМS. Среди примерно 20600

станционных сообщений было обнаружено 549 сообщений с порывами не

менее 15 м/с (чуть менее 3 %) и 119 сообщений с порывами не менее 20 м/с

(менее 0.1 %).

Рассмотрим распределение сообщений по количеству станций, одно-

временно зафиксировавших порыв в интервале 10 мин. По одному порыву

(т. е. на одной станции) было зафиксировано в 429 сообщениях

(429/549=78 %). По два порыва содержались

в

68 сообщениях

(68/549=12 %), по три порыва ‒ в 19 сообщениях, по четыре ‒ в 15, по 5 и

6 порывов ‒ в 13 сообщениях. На 7, 10 и 13 станциях порывы были зафик-

сированы единожды и в двух сообщениях данные о порывах получены с

11 станций. Намного скуднее количество сообщений о порывах не менее

20 м/с: общее количество сообщений с порывами ‒ 119, из них 1 порыв от-

мечен в 111 сообщениях (93 %), 2 ‒ в 4, 3 и 4 порыва отмечены в двух со-

общениях. Таким образом, основная масса срочных сообщений содержит

наблюдения порыва на единственной станции (в 78 % случаев для порога

15 м/с и в 93 % случаев ‒ для порога 20 м/с). При этом максимальное

Смирнов А.В., Киктев Д.Б., Муравьев А.В.

25

количество станций, одновременно зафиксировавших существенные по-

рывы, оказалось равным 13 (в двух сообщениях) для порога 15 м/с и 4 стан-

ции (в двух сообщениях) для порога 20 м/с.

‒ Существенные порывы в наукастах (FCAST). Табл. 6 содержит пол-

ную информацию о пространственном распределении прогнозируемых по-

рывов не менее 20 м/с в зависимости от заблаговременности.

Наблюдаются следующие особенности характеристик распределения

в зависимости от заблаговременности. Количество полей с наличием поры-

вов растет от 400 до 450, затем падает до 376. Минимальное количество

(порыв в одной точке поля) не изменяется, квартили до 75-го изменяются

без особого тренда. Квартиль q75 в основном снижается от 2334 до 1269, а

максимум растет от 19500 до 28500 (почти на 10 тысяч). При этом среднее

количество порывов в поле для каждой заблаговременности существенно

не меняется. Снижение квартиля 75 % и рост максимального количества

точек с порывами с ростом заблаговременности систематично, но вряд ли

интерпретируемо.

Таблица 6. Квартильное распределение порывов в наукастах (FCAST): за-

благовременность (ld минут), количество полей в выборке (#fields), минималь-

ное количество единиц (vmin), квартильные значения количества единиц в

25% полей (q25), в 50 % полей (median) в 75% полей (q75), максимальное ко-

личество единиц (vmax) и среднее количество единиц по всем полям выборки

Table 6. Quartile distribution of gusts in nowcasts (FCAST): lead time (ld minutes),

number of fields in the sample (#fields), minimum number of units (vmin), quartile

values of the number of units in 25% of fields (q25), in 50% of fields (median) in

75% of fields (q75), maximum number of units (vmax) and average number of units

across all fields in the sample

ld

#fields vmin

q25

median

mean

q75

vmax

10

406

403

425

444

454

449

446

448

428

405

398

391

376

1

100

161

153

112

111

118

128

134

116

100

138

124

108

126

547

581

537

522

496

481

445

484

462

452

510

478

458

446

1799

1884

1846

1807

1789

1806

1807

1800

1754

1742

1800

1784

1757

1762

2334

2366

2142

1989

1953

1898

1904

2012

1884

1618

1559

1438

1342

1269

19426

20322

20868

21274

22159

23123

24070

25269

26308

28179

28595

28308

28662

28529

20

30

40

50

60

70

80

90

110

120

130

140

150

‒ Существенные порывы в мезопрогнозах (COSMO-Ru2.2). Табл. 7 со-

держит информацию о пространственном распределении прогнозируемых

порывов не менее 20 м/с в зависимости от заблаговременности.

26

Гидрометеорологические прогнозы, математическое моделирование

Напомним, количество порывов в урезанном и переинтерполирован-

ном поле примерно вдвое превышает количество порывов в исходном поле

из-за интерполяции методом "ближайшего соседа". Размах максимальных

порывов в полях наукастинга в интервале составляет 20‒29 тысяч (табл. 6)

намного меньше аналогичного размаха от 7500 до 40000 точек в мезопро-

гнозах (табл. 7). Сужение размаха в наукастинге можно объяснить особен-

ностями алгоритма построения дерева решений, в котором используется

скользящий пространственный фильтр масштаба около 10 км (раздел 1); в

общем поля порывов в наукастинге оказываются более сглаженными, чем

поля среднего ветра в мезопрогнозе.

Таблица 7. Квартильное распределение порывов в мезопрогнозах (COSMO-

Ru/2.2): заблаговременность (ld минут), количество полей в выборке (#fields),

минимальное количество единиц (vmin), квартильные значения количества

единиц в 25% полей (q25), в 50% полей (median) в 75% полей (q75) и макси-

мальное количество единиц (vmax) и среднее количество единиц по всем по-

лям выборки(mean)

Table 7. Quartile distribution of gusts in mesoforecasts (COSMO-Ru/2.2): lead time

(ld minutes), number of fields in the sample (#fields), minimum number of units

(vmin), quartile values of the number of units in 25% of fields (q25), in 50% of fields

(median) in 75% of fields (q75) and maximum number of units (vmax) and average

number of units for all fields in the sample (mean)

ld

#fields

vmin

q25

median

mean

q75

vmax

10 315

20 352

30 375

40 395

50 411

60 420

4

28

32

36

144

160

188

244

238

583

820

1036

1230 1134

1394 1270

1553 1357

550

835

988

13420

19076

23800

27072

29656

31924

4

70 255

80 299

90 326

100 339

110 352

120 362

4

26

32

36

40

44

112

156

190

228

250

553

791

1020

1246 1074

1435 1316

1609 1408

458

682

896

7412

12372

17084

21712

26284

30652

130 236

140 250

150 264

160 277

170 285

180 294

4

28

40

36

40

158

222

250

276

300

332

564

867

1138 1009

1377 1280

1622 1512

1848 1631

461

775

9744

16288

21648

27480

33948

40144

В табл. 7 пустые строки вставлены намеренно, чтобы подчеркнуть "пи-

лообразное" изменение квартильных характеристик с часовым циклом в

столбцах количества полей, медианы, средней величины, квартиля 75 % и

максимума. Изменение явно систематическое и связано с особенностями

прогнозирования порывов в модели COSMO-Ru2.2.

Смирнов А.В., Киктев Д.Б., Муравьев А.В.

27

Часовой цикл проявляется и в количестве точек с порывами, и в рас-

положении очагов порывов, иногда он выражен и на большем интервале

времени. Так, в прогнозе в 10:00 20 июня при переходе от заблаговремен-

ности 60 мин к 70 мин количество точек с существенными порывами

уменьшилось с 25080 до 6092, при переходе от 120 мин к 130 мин ‒ с 23676

до 4692 точек, т. е. область порывистости сузилась в 4 и 5 раз соответ-

ственно. При переходе от 180 мин к 190 мин эта область уменьшилась по-

чти в 8 раз!

При этом в полях среднего ветра часовой цикличности в 10-минутных

прогнозах не обнаруживается ни в картах, ни в таблицах квантилей (кото-

рые здесь не приводятся). К этой "часовой пиле" оказались устойчивыми и

наукасты, однако некоторые сходные явления проявились в оценках каче-

ства наукастинга относительно мезопрогнозов.

4. Анализ случая и результаты верификации

Ввиду отмеченной систематической особенности прогноза порывов в

модели COSMO, результаты сопоставления синхронизованных полей

наукастинга и мезопрогнозов нельзя считать корректными. Резкое сниже-

ние количества пар полей наукастинга с синхронизованными полями

мезопрогнозов "первого приближения" снижает статистическую устойчи-

вость оценок качества, в связи с чем остаются лишь варианты сравнения

пар наукастинг ‒ станции и наукастинг ‒ наукастинг первого приближе-

ния.

Несомненно, сопоставление в один срок менее двухсот станционных

наблюдений и прогностических полей с одним миллионом узлов имеет

мало смысла со статистической точки зрения, если требуется оценка про-

гнозов по всей области. В таких случаях проводится подробный анализ от-

дельных синоптических ситуаций (case studies) с наличием областей силь-

ных порывов, подтвержденных и несколькими станциями наблюдательной

системы, и прогностическими полями. Такого рода "анализ случая", по-

мимо убедительной иллюстрации, характеризует общую полезность схемы

наукастинга. Рассмотрим в этой связи синоптическую ситуацию 20 июня в

ЦФО, в которой вокруг Москвы к 10:00 сформировался очаг порывов (не

менее 15 м/с), зафиксированных несколькими АМС.

4.1. Порывы ветра 20 июня 2024 г, на территории Московской

области

На рис. 12 последовательно расположены карты прогноза системы

наукастинга порывов на 90, 60, 30 и 10 минут, зафиксированных станциями

в центральной части Московской области.

На всех картах цветом магента выделены значения станционных

наблюдений выше 15 м/с в условный срок 00 минут (эти значения неиз-

менны на всех картах). В центральной части карты на нескольких станциях

зафиксированы скорости порывов выше 15 м/с, при этом максимальный

порыв (22.9 м/с) сообщен станцией, расположенной к востоку от Калуги.

28

Гидрометеорологические прогнозы, математическое моделирование

В полях FCAST максимальная скорость растет с уменьшением забла-

говременности: 16.9 (90 мин), 17.6 (60 мин), 20.9 (30 мин) и 22.2 м/с (10

мин). Однако превышение порога 20 м/с в поле наукастинга (желтый цвет)

прогнозируется в районе Курска, т. е. далеко за пределами станционного

скопления порывов. При этом наиболее точное указание на район возмож-

ной порывистости ветра (в центральной части карты) дается лишь в про-

гнозах от часа и меньше; максимально отчетливо ‒ лишь на карте прогноза

заблаговременности 30 минут.

Рис. 12. Карты наукастинга в 10:00 20 июня 2024 г. на 90, 60, 30 и 10 мин

(leadt).

Fig. 12. Nowcasting maps at 10:00 on June 20, 2024 for 90, 60, 30 and 10 min

(leadt).

В панелях рис. 12 заметны более масштабные особенности, никак не

фиксируемые станциями. Например, система наукастинга довольно

быстро заполняет очагом существенной скорости широкую полосу в левом

нижнем углу карты вне станционного массива. Наличие развивающейся

ситуации большего масштаба подтверждается 60-минутным прогнозом

COSMO-Ru2.2 со стартом в 09:00 (рис. 13).

Смирнов А.В., Киктев Д.Б., Муравьев А.В.

29

Рис. 13. Прогноз на 60 минут поля порывов с помощью модели

COSMO-Ru2.2 со стартом в 09:00 20 июня 2024 г.

Fig. 13. 60-minute forecast of the gust field using the COSMO-Ru/2.2

model starting at 09:00 on June 20, 2024.

Сопоставление карты мезопрогноза на рис. 12 с картой наукастинга на

рис. 11 (панель leadt=10) подтверждает некоторые, возможно, системати-

ческие особенности системы наукастинга, включая заметную сглажен-

ность формируемых полей (по линии Тула ‒ Курск) и потерю некоторых

существенных элементов синоптического положения как вне обзора лока-

торов, так и внутри (потеря полосы на линии Волоколамск ‒Брянск). Оче-

видно, пространственная фильтрация, проводимая как в модели pySTEPS,

так и в алгоритмах машинного обучения, приводит к систематическому за-

нижению максимальных и близких к максимуму значений порывов (что

наиболее отчетливо наблюдается здесь в районе около Тулы).

4.2. Обобщение до часового интервала и суммарная оценка

качества по пространственным долям

Для расчета суммарных оценок срочные данные "обобщаются" до ча-

сового интервала и заново проводится синхронизация пар полей и наборов

данных. При этом происходит ожидаемый рост количества точек с поры-

вами, а также увеличение количества "обобщенных" полей и наборов

станционных телеграмм. Верификация наукастинга сводится к сопоставле-

нию наукастов со следующими данными, которые потенциально рассмат-

риваются в качестве контрольных:

1) наблюдения АМС;

2) мезопрогнозы той же заблаговременности и за тот же срок наука-

стинга;

3) мезопрогнозы "первого приближения" (мезопрогнозы на 10 мин);

4) наукасты "первого приближения" (наукасты на 10 мин).

30

Гидрометеорологические прогнозы, математическое моделирование

Как показал предыдущий анализ архива испытаний, обоснованные вы-

воды можно сформулировать лишь при двух вариантах сопоставлений: при

визуальном анализе всех трех типов информации в отдельных ситуациях,

как показано выше в "анализе случая", и при использовании наукастов пер-

вого приближения. При сопоставлении полей рекомендуются высокоин-

формативные критерии пространственной верификации, в частности, упо-

мянутые выше оценки качества по "пространственным долям" FSS.

Результаты оценок качества по этому показателю собраны в табл. 8 [2].

Формулировка вывода такова. Если считать прогнозы системы наука-

стинга на 10 минут наиболее точно отражающими реальность и использо-

вать их в виде "первого приближения", то качество прогностической си-

стемы (по значению FSS > 0.5) в пространственном масштабе до 40×40 км

и в часовом обобщении превышает 50 % в заблаговременности до полу-

часа.

Таблица 8. Количество пар с оценкой FSS >0.5 в окнах со сторонами

0‒40 км; "сумма" всех случаев FSS > 0.5 для условных заблаговременностей

10‒90 мин

Table 8. Number of pairs with FSS >0.5 in windows with sides of 0‒40 km; "sum"

of all cases of FSS > 0.5 for conditional lead times of 10‒90 min

Окна со стороной (в км)

Условная

заблаговрем.

Кол-во

пар

Сумма

0

10

20

30

40

10

20

30

40

50

60

70

80

90

453

419

398

372

357

335

307

290

270

245

182

135

101

91

59

43

32

23

277

209

171

126

106

86

55

42

31

289

221

183

134

118

94

68

49

39

293

233

194

154

127

109

76

297

242

201

164

135

114

84

1401

1087

884

679

577

462

326

256

191

64

45

69

53

Сделаем одно замечание, касающееся свойств показателя FSS в тех си-

туациях, когда явление одновременно редкое и наблюдается на границе до-

мена верификации, что приводит к вырождению показателя, т. е. к резкому

росту до единицы или к падению до нуля. Универсального рецепта против

вырождения показателя FSS не существует, если не считать простого пра-

вила устанавливать пороговое (наименьшее) количество точек поля и не

учитывать в суммарном представлении качества оценки вблизи границ до-

мена верификации.

Выводы

На основе представленной табличной и графической информации

можно сформулировать выводы об особенностях и качестве отдельных ти-

пов использованных данных, а также об успешности наукастинга порывов

Смирнов А.В., Киктев Д.Б., Муравьев А.В.

31

в заблаговременности до полутора часов по результатам испытаний в пе-

риод май‒сентябрь 2024 года.

Во-первых, выявлены специфические свойства трех типов использо-

ванных данных, которые необходимо учитывать и по возможности устра-

нять при усовершенствовании системы наукастинга порывов ветра с опо-

рой на отечественные ресурсы:

– алгоритм машинного обучения порождает сильно сглаженные про-

гностические поля порывов (наукасты);

– в прогнозах скорости порывов модели COSMO-Ru2.2 версии 2024 г.

прослеживается систематическое смещение;

– станционные наблюдения порывов нуждаются в серьезном контроле

качества.

Во-вторых, в условиях проведенных испытаний и на основе простран-

ственной оценки качества "по полю первого приближения" итоговый ре-

зультат таков: информативный (или полезный) интервал наукастинга силь-

ных порывов (не менее 20 м/с) в часовом обобщении и в масштабе окна со

стороной до 40 км не превышает 30 минут.

Работа выполнена в рамках темы 1.1.5 Плана НИТР Росгидромета на

2020‒2024 гг.

Список литературы

1. Киктев Д.Б., Муравьев А.В., Бундель А.Ю. Методические рекомендации по верифи-

кации метеорологических прогнозов. М.: АМА ПРЕСС, 2021. 94 с.

2. Киктев Д.Б., Муравьев А.В., Смирнов А.В. Технология наукастинга скорости поры-

вов ветра в летний период на основе данных дистанционного зондирования атмосферы и

численных прогнозов погоды // Гидрометеорологические исследования и прогнозы. 2025.

№2 (396). С. 169-173.

3. Методическое письмо об итогах работы сети ДМРЛ Росгидромета в 2020 г. Долго-

прудный: Центральная аэрологическая обсерватория, 2021. 88 с.

4. Муравьев А.В., Бундель А.Ю., Киктев Д.Б., Смирнов А.В. Опыт пространственной

верификации радиолокационного наукастинга осадков: определение и статистика объектов,

ситуаций и условных выборок // Гидрометеорологические исследования и прогнозы. 2022.

№ 2 (384). С. 6-52.

5. Муравьев А.В., Киктев Д.Б. Качество, предсказуемость и полезность в задачах ра-

диолокационного наукастинга осадков // Метеорология и гидрология. 2024. № 7. C. 93-107.

6. Муравьев А.В., Киктев Д.Б., Смирнов А.В. Наукастинг порывов ветра с помощью

численных прогнозов, данных радиолокации и машинного обучения: определения и тер-

мины, инструменты наблюдений и модели // Гидрометеорологические исследования и про-

гнозы. 2025. №3 (397). С. 8-31.

7. Программный комплекс вторичной обработки информации доплеровского метео-

рологического радиолокатора ДМРЛ-С (шифр «ГИМЕТ-2010») версия 02: Свидетельство о

государственной регистрации программы для ЭВМ. Правообладатель: ФГБУ «ЦАО», но-

мер регистрации: 2018665447, дата регистрации: 05.12.2018.

8. РД 52.27.724-2019 Наставление по краткосрочным прогнозам погоды общего назна-

чения. М.: Гидрометцентр России», 2019. 66 с.

9. Forecast Verification in Atmospheric Science. A Practitioner’s Guide: Second Ed. / I.

Jolliffe, D. Stephenson (Eds.). John Wiley & Sons Ltd. 2012. 274 p.

10. Kislov A., Matveeva T. An Extreme Value Analysis of Wind Speed over the European

and Siberian Parts of Arctic Region // Atmospheric and Climate Sciences. 2016. Vol. 6. P. 205-

223.

32

Гидрометеорологические прогнозы, математическое моделирование

11. Palutikof J.P., Brabson B.B., Lister D.H., Adcock S.T. A review of methods to calculate

extreme wind speeds // Meteorol. Appl. 1999. Vol. 6. P.119-132 .

References

1. Kiktev D.B., Murav'ev A.V., Bundel' A.Yu. Metodicheskie rekomendatsii po verifikatsii

meteorologicheskih prognozov. Moscow, AMA PRESS Publ., 2021, 94 p. [in Russ.].

2. Kiktev D.B., Muravyev A.V., Smirnov A.V. Technology for nowcasting wind gusts in sum-

mer based on the data of remote sensing of the atmosphere and numerical weather prediction.

Gidrometeorologicheskie issledovaniya i prognozy [Hydrometeorological Research and Forecast-

ing]. 2025, vol. 396, no. 2, pp. 169-173 [in Russ.].

3. Metodicheskoe pis'mo ob itogah raboty seti DMRL Rosgidrometa v 2020 g. Dolgoprud-

nyy, Tsentral'naya aerologicheskaya observatoriya, 2021, 88 p. [in Russ.].

4. Muravev A.V., Bundel A.Yu., Kiktev D.B., Smirnov A.V. Expertise in spatial verification of

radar precipitation nowcasting: identification and statistics of objects, situations and conditional

samples. Gidrometeorologicheskie issledovaniya i prognozy [Hydrometeorological Research and

Forecasting]. 2022, vol. 384, no. 2, pp. 6-52 [in Russ.].

5. Muravev A.V., Kiktev D.B. Quality, Predictability, and Utility in Radar Precipitation Now-

casting Applications. Russ. Meteorol. Hydrol. 2024, vol. 49, no. 7, pp. 627-637. DOI:

10.3103/S1068373924070070.

6. Muravev A.V., Kiktev D.B., Smirnov A.V. Naukasting poryvov vetra s pomoshch'yu

chislennyh prognozov, dannyh radiolokatsii i mashinnogo obucheniya: opredeleniya i terminy, in-

strumenty nablyudeniy i modeli. Gidrometeorologicheskie issledovaniya i prognozy [Hydromete-

orological Research and Forecasting]. 2025, vol. 397, no. 3, pp. 8-31 [in Russ.].

7. Programmnyy kompleks vtorichnoy obrabotki informatsii doplerovskogo meteoro-

logicheskogo radiolokatora DMRL-S (shifr «GIMET-2010») versiya 02: Svidetel'stvo o gosudar-

stvennoy registratsii programmy dlya EVM. Pravoobladatel': FGBU «TSAO», nomer registratsii:

2018665447, data registratsii: 05.12.2018 [in Russ.].

8. RD 52.27.724-2019 Nastavlenie po kratkosrochnym prognozam pogody obshchego

naznacheniya. Moscow, Gidromettsentr Rossii [Hydrometcenter of Russia], 2019, 66 p. [in Russ.].

9. Forecast Verification in Atmospheric Science. A Practitioner’s Guide: Second Ed. John

Wiley & Sons Ltd., 2012, 274 p.

10. Kislov A., Matveeva T. An Extreme Value Analysis of Wind Speed over the European

and Siberian Parts of Arctic Region. Atmospheric and Climate Sciences. 2016, vol. 6, pp. 205-223.

11. Palutikof J.P., Brabson B.B., Lister D.H., Adcock S.T. A review of methods to calculate

extreme wind speeds. Meteorol. Appl. accepted for publication 1999, vol. 6, pp.119-132.

Поступила 17.08.2025; принята в печать 26.11.2025.

Submitted 17.08.2025; accepted for publication 26.11.2025.