ABSTRACT
Arctic researchers have for a while seen changes in the mass balance of glaciers at Svalbard. This is concerning because a major melt of the glaciers might lead to changes in the ocean circulations and a sea level rise. One way of improving the knowledge of surface mass and energy balance processes over the glaciers is to produce dynamically down scaled climate runs over the Arctic areas.
To generate high resolution meteorological data the regional climate model WRF 3.0.1 (Weather Research Forecast) was downscaled and simulated over Svalbard. The WRF-model was forced by the ERA-Interim reanalysis and simulated using two different physical set–ups: standard WRF and polar optimized WRF. Standard-WRF consists of the default physical descriptions and polar optimized WRF contains an optimal description of physical processes in polar climate.
The WRF simulations in the period 2007-2010 were verified with observations from automatic weather stations (AWS). The study focus on the following surface parameters: temperature, wind speed, specific moisture, incoming short wave radiation, outgoing short wave radiation and incoming long wave radiation. Compared to AWS–measurements the standard WRF model simulated too small amounts of shortwave radiation and incoming longwave radiation for all of the resolutions. As a direct consequence of too small amount of incoming radiation the model simulations had a negative temperature bias. The dysfunctional radiation budget might depend on the inability of the default physical schemes to predict the accurate amount of high and low clouds. The wind speed modeled by standard-WRF in the resolutions 24 km and 8 km give higher concordance with observations than the ERA-Interim reanalysis. ERA has the highest correlation against observations regarding the temperature. Wind speed modeled by standard-WRF in the 8 km resolution has the highest correlation against observations.
With polar optimized WRF the agreement with observations improved significantly. The magnitude of the shortwave and the longwave radiation biases decreased. The main reason for the improvements is probably due to improved cloud physics making the cloud simulations better. In combination with a more suitable shortwave radiation scheme, the surface radiation budget is improved. As a result the modeled temperature field is more concordant with observations. The correlation for the wind speed decreases and the dispersion increases when the model is downscaled to the resolution 2.7 km with both standard WRF and polar optimized WRF.
This study shows that polar optimized WRF is a better alternative compared with standard-WRF when simulating the meteorological parameters over Svalbard.
Innehållsförteckning
1
Inledning ... 5
1.1 SVALI ... 5 1.2 Tillvägagångssätt ... 52
Teori ... 6
2.1 Svalbards klimat ... 6 2.2 Mikroklimat på glaciärerna ... 7 2.3 Klimatmodellens utförande ... 8 2.4 ERA-Interim ... 162.5 Simuleringar med WRF över Norge ... 17
2.6 Statistik ... 18
3
Mätplatser ... 20
3.1 Nordenskiöldbreen ... 21 3.2 Vestfonna ... 22 3.3 Kongsvegen ... 234
Metod ... 24
4.1 Meteorologiska parametrar ... 24 4.2 Databearbetning ... 24 4.3 Modelldomän ... 255
Resultat ... 27
5.1 Val av jämförelsepunkter ... 275.2 Verifikation av standard-WRF och studie av extremvärden ... 28
5.3 Jämförande studie mellan 8 km, 2,7 km samt polar WRF 2,7km ... 49
6
Sammanfattning och diskussion ... 57
6.1 Jämförelse med andra studier ... 59
5
1 Inledning
1.1 SVALI
Detta examensarbete är en del av ett större Nordiskt samarbete SVALI (Stability and Variations of Arctic Land Ice) NCoE, (Nordic Center of Excellence), vars forskning rör glaciärer och deras samspel med klimatet. Hösten 2010 drog projektet igång och beräknas fortgå under flera år framöver. Bakgrunden för projektet är att forskare har sett att uppvärmningen av jorden som pågår nu har lett till stora förändringar i kryosfären som i sin tur påverkat glaciärerna. Avsmältning och kalvning från glaciärerna har ökat, vilket lett till ökad havsnivå och potentiellt ändrad havscirkulation. För att förstå förändringarna i glaciärerna vill projektet studera glaciärernas massbalans och interaktion med atmosfären. En ökad förståelse för klimat-kryosfärs återkopplingsprocesser är viktigt för modellering av havsnivåhöjningen.
NCoE forskar i tre områden som kommer utmynna i parametrar och validering av data till ESM (Earth System Modell).
1. Observera glaciärernas nuvarande baslinjer och dess förändring, där studier av isvolymen, förändringar i isdynamiken och förändring i ytans massbalans kommer att utföras.
2. Att förstå de fysiska processerna i glaciärerna. I detta tema ingår glaciologisk och
subglaciologisk hydrologi, kalvningsprocesser och interaktioner mellan atmosfär, kryosfär och hydrologiska processer på glaciärens yta.
3. Förstå de nuvarande förändringarna och förutspå framtida förändringar av glaciärerna. Formulera glaciär-atmosfär-interaktioner i jord system modeller, eller ESM (Earth System Model) och validera utifrån tillgänglig data. Implementera de fysiska processerna i ESM från område två. Estimera framtida förändringar hos landliggande is.
Detta examensarbete är en viktig del i arbetet att förstå hur de meteorologiska parametrarna påverkar glaciärernas utveckling. I vissa områden har glaciärerna växt medan de på andra har minskat i storlek. Detta kan eventuellt förklaras genom interaktionen mellan de meteorologiska parametrarna och glaciärerna. En regional klimatmodell, i detta fall WRF, har körts över norska Svalbard och dess data har validerats utifrån tillgängliga data från automatiska väderstationer på Svalbard. WRF-modellens klimatparametrar kommer användas som input data till glaciärmodeller och till bakgrund till vilka glaciologiska processer som måste förbättras. (Haugen et.al 2010)
1.2 Tillvägagångssätt
Den mesoskaliga modellen WRF (Weather Research and Forecasting model) har simulerat de
meteorologiska förhållandena över Svalbard under fyra år, 2007 till 2010. Driven på återanalysdata från ERA-Interim arkivet har tre områdens meteorologiska parametrar beräknats. Modelldomänernas
6
examensarbetet är att utifrån uppmätta värden från automatiska väderstationer (AWS) på Svalbard verifiera WRF-modellens resultat. Detta kommer ske utifrån följande frågeställningar.
1. Hur väl stämmer AWS-stationernas uppmätta värden överens mot resultatet från simulerad data för modelldomänerna 24 km, 8 km och ERA-Interim? Ger ökad upplösning bättre
överensstämmelse med observerade värden?
2. Förbättrar nedskalning med WRF-modellen överensstämmelsen med observerade värden jämfört mot ERA-Interim?
3. Kan modellen fånga den observerade fördelningen och extremvärdena av de observerade meteorologiska parametrarna?
4. Förbättrar resultaten från polaroptimerade WRF överensstämmelsen med observerade värden jämfört med resultaten från standard WRF?
Från WRF-modellerna och ERA-Interim används resultaten från en gridpunkt som är placerad i anslutning till AWS-stationerna för att genomföra verifikationen. Resultaten från WRF-modellerna och ERA verifieras mot väderobservationer från de automatiska väderstationerna genom statistiska analyser. Studien delas upp i två delstudier. Den första studien jämför resultaten från ERA, standard-WRF 24 respektive 8 km. Studien nummer två jämför resultaten från polaroptimerade WRF 2,7 km mot resultaten från standard-WRF 8 km respektive 2,7 km. Dessa analyser kommer förhoppningsvis utmynna i förslag i vilka fysikaliska parameteriseringar som bör modifieras för att få en modell som bättre återger vädersituationen på Svalbard och även ge en fingervisning om modellens styrkor och svagheter.
2 Teori
2.1 Svalbards klimat
Svalbards klimat är mycket särpräglat med en lång polarnatt som börjar under slutet av oktober. Under slutet av april är förhållandena omvända och solen går aldrig ner över horisonten. Detta gör att de årliga variationerna hos klimatet blir extremt stora och att dygnsvariationerna blir mindre accentuerad. Under den korta våren och hösten ses den största meteorologiska dygnsvariationen. Regionen har ett arktiskt klimat, eller ett polarklimat som det också kan benämnas. Enligt Köppens klimatklassifikation beskriver ett sådant klimat av att alla månaders medeltemperatur understiger 10 grader. Gränsen för polarklimatets utbredning sammanfaller i stort sett med trädgränsen (www.ne.se).
Väster och delvis norr om ögruppen passerar en gren av Golfströmmen vilket ger att de sydvästra delarna är varmare än de östra delarna, som täcks av permanent havsis. Ögruppen ligger på 76° – 81° nordlig bredd och 10° -35° i östlig i Norra ishavet. På motsvarande breddgrad på andra kontinenter är fartygstrafik
7
vindriktningen är östlig till nordöstlig på grund av den synoptiska situationen i området. Tråget som sträcker sig i nordlig riktning i samband med Islands lågtryck ger en dominerade östlig till nordöstlig vindriktning över Svalbard. Grönlands nästintill permanent högtryck för med sig kall arktisk luft över Svalbard. Dessa två system för med sig två vitt skilda luftmassor som delvis möts och blandas över Svalbard. Detta skapar skarp horisontell temperaturgradient över Svalbard och ger en stor variation i vädret.
De meteorologiska förhållandena på Svalbard bestäms till stor del av lokala förhållanden. Det kan blåsa storm uppe i bergen medan det är nästan vindstilla nere i dalen. Vädret kan påverkas av topografin, glaciärer och närheten till öppet hav, vindriktning med mera. Topografin i området leder ofta till lokalt genererade vindar (Hanssen-Bauer, 1990). Perioder med permanent havsis ger klimatet en kontinental prägling medan perioder med mycket öppet hav ger ett mer maritimt väder.
Hur mycket solljus som når ner till ytan och hur mycket som absorberas påverkar i väldigt stor grad det lokala klimatet. Variationer i molntäcke, förändringar i landalbedo, hur stor fraktion av solljuset som når ytan som reflekteras är alla viktiga processer som styr strålningsbalansen i området. Förändringar i snötäcke, förekomst av havsis påverkar i väldigt hög grad ytans albedo. Under helt molnfria dagar kan utstrålningen skapa kraftiga inversioner som ger kallare temperaturer nere i dalen än uppe i bergen. (Przybylak R., 2003)
2.2
Mikroklimat på glaciärerna
2.2.1 Kortvågig strålningAlbedot på en glaciär bestäms av flera olika parametrar. När den kortvågiga strålningen från solen når ytan av glaciären kan den antingen reflekteras, absorberas eller tränga igenom ytan till en lägre nivå för att sedan spridas eller absorberas. Hur mycket ljus som reflekteras beror på ytans sammansättning och struktur. En yta med helt nyfallen snö har mycket större reflektans än en yta som har partiklar i sig. Hur ljuset sprider sig när den träffar ytan är en komplicerad process som beror på koncentrationen av
orenheter, storlek och placering av luftbubblor i isen eller snöstrukturens uppbyggnad. När ljuset träffar en ren yta kan strålningen penetrera ett avsevärt djup. I de flesta fallen reflekteras eller absorberas det mesta ljuset i de översta centimetrarna av glaciären. I det fallet ljuset absorberas kan det leda till att ytan värms upp eller att en inre smältningsprocess äger rum.
Albedot definieras som kvoten mellan utgående och inkommande kortvågig strålning och mäts över hela strålningsspektrumet. Närvaro av snö är den viktigaste faktorn när det gäller att bestämma
albedovariationer på en tidsskala dagar eller längre. När ackumulationsåret påbörjas har glaciären störst albedo vid tillfällen med nysnö. När snön senare åldras och snökristallerna struktur förändras sjunker albedot med storleksordningen 0,1 – 0,2. När snön börjar smälta eller när det inte längre faller någon nysnö samlar ytan på sig orenheter i form av sot och aerosoler vilket ökar absorbansen och därmed minskar albedot. Detta leder till att ytan värms upp och en smältningsprocess sker. Detta ger att fler orenheter dyker upp samt att en algtillväxt sker. Ett reducerat albedo leder på ett systematiskt vis till ökad avsmältning under sommarmånaderna (Oerlemans et al., 2009).
8
påverka mätresultatet. Vid dagar med många partiklar i luften, till exempel vid dimma kan ett betydande bidrag från spridningsprocesser över ytan ske. (Oerlemans et al., 2009)
2.2.2 Långvågig strålning
Alla material som har en temperatur högre än den absoluta nollpunkten strålar ut värme till omgivningen. Från jorden utstrålas ett spektrum av våglängder där huvuddelen av strålningen emitteras som långvågig strålning med våglängden > 1μm. Mängden strålning som emitteras beräknas genom Stefan-Bolltzmann lag som postulerar att alla kroppar som har en temperatur över absoluta nollpunkten strålar ut energi som är proportionell mot ytans temperatur. Om kroppen inte är en ren svartkroppsutstrålare behövs utstrålningen begränsas av en emissivitetsfaktor, ε. Detta ger att energin som emitteras ges av följande ekvation.
stant llitetskon proprtiona Boltzmans Stefan ] K [Wm 10 5,67 konstanten ts Emissivite [K] T ] [Wm T densitet Flödes 4 -2 -8 --2 4
Förekomsten av moln påverkar mängden inkommande långvågig strålning. Den strålning som jorden emitterar absorberas och strålar ned mot jorden igen. Ett varmare moln stålar ut mer än ett kallt moln. Detta ger att de låga molnen strålar ut mer långvågig strålning än de höga eftersom det i regel är varmare vid jordytan än längre upp i atmosfären. (Oke T.R, 2010)
2.3 Klimatmodellens utförande
2.3.1 Weather Research Forecasting (WRF)IWRF (Weather Research and Forecasting) kan användas inom flera olika områden och kan appliceras på nästan alla geografiska områden med en upplösning från meter till tusentals av kilometer. Dess främsta användningsområden är att göra operationell mesoskaliga prognoser, regionala klimatsimuleringar, luftkvalitetsmodeller och idealiserade dynamiska studier. WRF kan köras med idealiserade fall eller för fall med riktig data, i detta fall körs modellen med riktig data. detta examensarbete har den mesoskaliga modellen WRF i version 3.0.1 använts.
9 2.3.2 Weather Research Forecasting (WRF)
Modellen består av en mjukvarustruktur (WSF- WRF Software Framework) som innehåller de dynamiska ekvationerna, fysikpaketen som interagerar med de dynamiska ekvationerna samt program för att initiera modelleringarna. Det finns två dynamiska lösare som kan användas i WRF, the Advanced Research
WRF(ARW) och Nonhydrostatic Mesoscale Model (NMM). I denna studie används den dynamiska lösaren ARW.
Figur 1. Schematisk bild över WRF-modellens strukturella uppbyggnad.
WRF-modellens strukturella uppbyggnad kan ses i figur 1. I första steget sker initiation av data och domänerna. Detta görs av WPS (WRF preprocessing System). I WPS körs tre program. Det första programmet, geogrid.exe definierar domänen och interpolerar en mängd terrestriella data set till
modellens gridpunkter blanda annat topografin, vegetation och albedo. Program nummer två, ungrib.exe packar upp meteorologisk data, i detta fall ERA-Interim data som erhålls i gribformat, till ett format som nästa program i tur kan läsa. Det sista programmet, metgrid.exe interpolerar det meteorologiska datat horisontellt till modelldomänen. WRF och WPS delar drivrutiner och all datamängd som skapas i WPS används till modelleringen i WRF.
10 2.3.3 ARW (Advanced Research WRF)
I begreppet ARW ingår ARW dynamiska ekvationer och alla komponenter som är kompatibla med denna. I detta ingår fysiska scheman numeriska val, initialiseringsrutiner och data- assimilationspaket. De viktigaste alternativen för de fysiska schemana är: mikrofysik, cumulus-parameterisering, gränsskiktet (PBL), land-yta schema och schemat som beskriver strålningsprocesser.
Modellen bygger på icke hydrostatiska fullt kompressibla Euler ekvationer med vertikala hybrid
sigmakoordinater där det finns möjlighet att lägga till ett hydrostatiskt tillval. Övre gränsen av modellen har ett konstant tryck som sätts till 50 hPa. Den horisontella grid som används är en Arakawa E staggering. För tidsintegration används ett andra och tredje ordningens Runge-Kutta schema. Modellen använder sig av ett framåt-bakåt schema för horisontellt snabbt propagerande vågor och ett implicit schema för vertikalt propagerande vågor. Horisontellt används ett Advektion-Adams-Bashforths schema och vertikal advektion beskrivs av ett Crank-Nicholson schema. Alla scheman använder samma tidssteg. Ett antal första ordens och andra ordens kvantiteter, bland annat energin och entropin är konserverade. I modellen är en fullständig coriolisparameter inkluderad. Kartprojektionen som används i denna uppställning av modellen är polar stereografisk. (Skamarock et al, 2008)
I denna studie används envägsnestning vilket betyder att information över de meteorologiska
förhållandena från moderdomänen används för att driva modellen i den inre domänen. I denna studie innebär det att de meteorologiska förhållandena i domänen med 24 km upplösning används för att driva modellen i upplösningen 8 km och att informationen som beräknas i domänen med 8 km upplösning sedan används som drivande data för modellen i 2,7 km upplösning.
2.3.4 Styrande ekvationer i ARW
Ekvationerna i ARW bygger på en terrängföljande hydrostatiskt koordinat som ges av η:
η= (ph−pht)/μ där μ = phs−pht. (2.1)
ph är den hydrostatiska komponenten av trycket, och phs och pht är tryck gränserna för ytan och toppen av modellen. η varierar från ett värde av 1 vid ytan till 0 vid den övre gränsen av modelldomänen. Denna koordinat är en vertikal koordinat som bygger på massan i en punkt μ(x, y). μ(x, y) representerar massan per areaenhet i kolumnen i modelldomänen vid koordinat (x,y). Detta ger att flödesformen på variablerna blir:
V = μv = (U, V, W),
Ω = μη˙,
11
v = (u, v, w) är hastigheten i de två horisontala och vertikala riktningarna. ω = η˙ är den vertikala hastigheten. θ är den potentiella temperaturen.
2.3.4.1 Eulerekvationer på flödesform
Genom att använda variablerna som är definierade ovan kan Eulers ekvationer på flödesform skrivas som
∂tU + (∇· Vu) − ∂x(p∂ηϕ) + ∂η(p∂xϕ) = FU (2.3) ∂tV + (∇ ·Vv) − ∂y(p∂ηϕ) + ∂η(p∂yϕ) = FV (2.4) ∂ tW + (∇· Vw) − g(∂η p − μ) = FW (2.5) ∂tΘ+(∇· Vθ) = FΘ (2.6) ∂tμ + (∇· V) = 0 (2.7) ∂tϕ + μ −1 [(V · ∇ϕ) − gW] =0 (2.8)
FU, FV, FW och FΘ representerar källor och sänkor som uppkommer från modellens fysik, turbulenta omblandningen, sfäriska projektion och jordens rotation.
Den diagnostiska relationen för den inversa densiteten och tillståndsekvationen ges av följande fyra ekvationer. ∂ηϕ = −αμ, (2.9) p = p0(Rdθ/p0α) γ . (2.10) ∇· Va = ∂x(Ua) + ∂y(V a) + ∂η(Ωa), V · ∇a = U∂xa + V ∂ya+Ω∂η a,
γ= cp/cv = 1.4 ger förhållandet mellan värmekapaciteterna för torr luft, Rd är gaskonstanten för torr luft och p0 är referenstrycket (typiskt 105 Pascal) och där a representerar en allmän variabel. Eulerekvationerna beskrivs även för fuktig luft. I den fullständiga formen för Eulerekvationerna skrivs ekvationerna i variabler som beskriver störningen från ett referensläge som är i hydrostatiskt balans. Där referensläget för
12 2.3.5 Polaroptimerade WRF
I detta projekt har polaroptimerade WRF använts. I denna modell modifieras processbeskrivningen i WRF så att den bättre ska beskriva de arktiska förhållandena. Många studier har utförts över Grönland, Arktis och Antarktis för att få fram vilka scheman som ger optimal modellering. De fysikaliska beskrivningarna ligger i olika scheman och de som byttes ut var mikrofysiken, parameteriseringen av cumulusmoln,
parameteriseringen av kortvågig strålning, fysiken gällande ytskiktet och det planetära gränsskiktet. Att just dessa scheman passar för arktiska förhållanden har utretts av Hines och Bromowich (2006)
Nyligen presenterade en ny modell som kallas Polar WRF, som bygger på aktuell forskning. Delar av modellens struktur för att beräkna vissa processer är förändrad vilket skiljer den från vanliga WRF med polaroptimerad processbeskrivning. Enligt ”the Polar Meteorology Group of the Byrd Polar Research Center at The Ohio State University” var det viktigast att förändra beskrivningen av energibalansen och värme transporten för Noah LSM (land surface model) över is och permanent havsis. Även att kunna beskriva en varierande tjocklek på havsisen och snötäckets tjocklek. En viktig hörnsten var också att införa
säsongsvarierande havsisalbedo. Denna modell ska inte förväxlas med polaroptimerade WRF.
Nedan följer en presentation av de scheman som ingår i standard-WRF och polaroptimerade WRF vilken funktion schemat innehar och hur de skiljer sig åt för de två uppsättningarna.
2.3.6 Mikrofysikschema
Detta schema beskriver förekomsten av vattenånga, moln, nederbörd och atmosfärsvatten i andra former. Molens koncentration och advektion beskrivs. För en domän med upplösning mindre än 10 km mellan gridpunkterna, där konvektion kan lösas upp, är det viktigt att välja ett schema som har möjlighet att beskriva processer då vattnet är i blandad fas. Med blandad fas menas processer som involverar både is och vattendroppar. Ett exempel på en sådan process är bildandet av hagel. För modelleringar med längre avstånd än 10 km mellan gridpunkterna är processer i blandad fas med hög sannolikhet inte upplösta vilket gör det, ur ett rent datakapacitetsmässigt synsätt, onödigt att använda ett schema som inkluderar dessa processer. I schemats mikrofysik kan justeringar av mättnadsgraden genomföras.
2.3.6.1 Standard-WRF - Singel-Moment Klass 3 schema
I standard uppsättningen av WRF används ett singel-moment klass 3 schema som är användbart i
13
Frysnings- och smältningsprocesser är beräknade i understeg till nederbördstermen. Detta för att öka noggrannheten i den vertikala temperaturprofilen på grund av uppvärmning/nedkylning av vatten som byter fas.
2.3.6.2 Polar WRF - Morrison dubbel-moment schema
Detta schema (Morrison et al 2003, 2008) är ett mikrofysiskt schema som tar hänsyn till
blandningsförhållandet och koncentrationen av ånga, molndroppar, molnis, regn, snö och hagel alltså totalt 6 olika hydrometeorer. Genom att förutsäga två moment av storleksdistributionen, koncentrationen samt blandningsförhållandet kan hydrometeorspektrat sammansättning beräknas med större noggrannhet än för schemat som används i standard WRF. Detta gör att beräkningar av mikrofysiska processer och strålningstransfer förbättras.
Det som är nytt med detta schema är som nämnt ovan att det förutsäger koncentrationen och blandningsförhållandet för varje hydrometeorsort i modellen. Det bygger på kinetiska ekvationer för blandningsförhållandet, q, och koncentrationen, N för varje hydrometeor. Storleksdistributionen av hydrometeoren representeras av en gammafunktion. Sammanlagt bildas 8 ekvationer som beror på de rumsliga variablerna x, y, z samt tiden för varje hydrometeor. De kinetiska ekvationerna tar hänsyn till vindvektorerna, fallhastigheten, turbulent omblandning med mera. I detta schema är det även nya parameteriseringar för hur prognostisk övermättnad, droppaktivering, heterogen och homogen istillväxt och det spektrala indexet av storleksfördelningen inkluderat.
Schemat inkluderar isprocesser och processer i blandad fas vilket gör det lämpligt att använda i
modelleringar med domänupplösning mindre än 10 km. Dropparnas kondensation beräknas genom att använda en ”quasi-steady adjustment approch”. Avdunstning och deposition sker på vattendropparna och ges av ångdiffusionstrycket som inte behöver vara jämnt. Detta gör att överskott av densitet hos
vattenångan relativt ismättnad kan tillåtas.
I modellen är det antaget att de övermättade fälten inte är upplösta och därför måste aktiveringen av bildningen av droppar parameteriseras som en funktion av den vertikala hastigheten och den adiabatiska avkylnadsgraden. Detta schema har många fördelar eftersom det bättre kan förutsäga koncentrationen, storleken och viken form vattnet är i. Vilket är mycket viktigt för vidare beräkningar av strålningsprocesser och molnmängd i WRF modellen.
2.3.7 Cumulus – fysikschema
14
fuktighetsprofil. Vissa scheman skapar även moln och nederbördsprofil. Schemana arbetar med att frigöra latent värme vilket är viktigt om inte modellen själv kan lösa upp dessa processer.
Dessa scheman bör inte användas för de tillfällen modellen själv kan sätta igång konvektiva turbulenta virvlar, då domänstorleken är mindre än 5 km mellan gridpunkterna.
2.3.7.1 Standard-WRF- Kain-Fritsch
Detta är ett enkelt massflödesschema för molnmodelleringen som är verksamt för både grund och djup konvektion. Det inkluderar processerna fuktiga uppvindar och fallvindar, ”detrainment”, ”entrainment” och enkla mikrofysiska processer. Detrainment och entrainment är engelska uttryck. Detrainment är när luft går från en organiserad luftström till omgivande atmosfären och entrainment är när luften går från omgivande atmosfär till en luftström. Dessa processers förekomst reglerar detta schema. Ett minsta värde för
entrainment är införd för att undertrycka utbredd konvektion i marginellt ostabil relativt torr luft. Grund konvektion som inte är nederbördsskapande är tillåten för alla uppvindar som inte når nedre höjdgränsen till där moln börjar ge nederbörd. Värdet på hur mycket entrainment som är tillåtet varierar som en funktion av konvergensen i lägre nivåer. (Kain & Fritsch, 1993)
2.3.7.2 Polar WRF-Grell-Devenyi ensemble
Detta schema bygger på en ensemblemetod (Grell och Devenyi 2002). I grunden används ett schema som bygger på beräkningar av massflödet för varje gridpunkt. I schemat ingår statiska processer så som
fallvindar, uppvindar, entrainment, detrainment och nederbörd. Det ingår även beskrivningar av dynamiska processer så som CAPE (konvektiv tillgänglig energi), vertikala hastigheter, konvergens av fuktig luft med mera. De dynamiska processerna kontrollerar flödet av molnmassa. För att skapa en uppsättning av 144 olika ensemblescheman varieras beskrivningen av de statiska och dynamiska processerna. Beskrivningen av process varieras en i taget vilket skapar ett unikt schema. I tur och ordning simuleras molnfysiken över varje gridpunkt med de 144 olika schemana. Resultatet från de olika modelleringarna läggs samman och ett medelvärde beräknas. Medelvärdet kan viktas för att få olika processer att överväga.
2.3.8 Strålningsfysikschema
Detta schema bestämmer balansen av kortvågig och långvågig strålning vilket i sin tur ger upphov till uppvärmning eller nedkylning av atmosfären eller markytan. Alla WRF:s strålningsscheman är endimensionella och beräknar strålningen för varje vertikal kolumn.
Den långvågiga strålningen består av infraröd strålning eller termisk strålning som absorberas eller strålas ut från markytan eller gaser i atmosfären. Hur mycket långvågig utstrålning som strålar ut beror på ytans sammansättning, dess emissivitet och dess marktemperatur. Atmosfärens sammansättning påverkar hur stor del av den långvågiga strålningen som absorberas och återemitteras.
15
respektive ytans albedo. Hur mycket ljus som absorberas bestäms av ytan respektive atmosfärens
sammansättning. De olika schemana kan ta hänsyn till följande atmosfäriska gaser, koldioxid, vattenånga, och ozon.
2.3.8.1 Standard-WRF-MM5 Dudhia
I standard-WRF används MM5 Dudhia schema som kommer från MM5, en mesoskalig modell som är framtagen av Penn State University och National Center for Atmospheric Research (Dudhia, 1989).Schemat integrerar flödet för ett spektralt band av solstrålning. Det tar hänsyn till spridning av solstrålning i molnfri atmosfär, och absorption av vattenånga, molnalbedo och absorption av moln.Schemat använder sig av molntabeller från Stephens (1978).
2.3.8.2 Polar WRF-Goddard
Polar WRF-schemat använder sig av 11 olika spektrala band och beräknar spridning och reflektionen för direkt och diffus solinstrålning. Att schemat tar hänsyn till fler spektrala band gör att absorberingen och reflektionen får ökad noggrannhet, eftersom olika våglängder påverkas av olika processer. Schemat beräknar processer som beror på moln, koldioxid och ozon (Chou and Suarez, 1994).
2.3.9 Ytskiktsscheman
Schemat för processer vid ytan (Surface layer scheme) beräknar flödes-koefficienter och
friktionshastigheter. Schemat beräknar endast statisk information till schemana som beskriver land-yta-processer och land-yta-processer i det planetära atmosfäriska gränsskiktet. Flödeskoefficienterna och
friktionshastigheterna används sedan av landyta-modellen för att beräkna flödet av fukt och värme och av det planetära gränsskiktsschemat används de för att beräkna hur mycket stress landytan utsätts för. Över vattenytor beräknas flöden och det diagnostiska fältet av ytskiktsschemat. För varje val av ytskiktsschema finns det ett visst gränsskiktsschema som måste användas.
Det som skiljer standard-WRF och polaroptimerade WRF scheman åt är att de har olika sätt att beräkna flödeskoefficienterna för värme, fuktighet och momentum. Schemat som används för standard-WRF (MM5) använder sig av en konvektiv hastighet för att öka flödet av värme och fuktighet. Schemat som används av polaroptimerade WRF(Eta) inkluderar parameterisering av det viskösa sublagret. Båda schemana baseras på Monin och Obukhov similaritets teori (Monin and Obukhov, 1954)
2.3.10 Gränsskiktet
16
det vertikala och horisontella flödet oberoende av varandra. Beräkningar sker för både väl omblandade och stabila skikt.
För standard-WRF används ett schema som heter Yonsei University (YSU) PBL och för polar- WRF används Mellor-Yamada-Janjic (MYJ) schema. YSU (Hong et al. 2006) bestämmer höjden på det planetära
gränsskiktet genom att sätta det kritiska värdet på Richardsons nummer till noll. MYJ (Janjic, 1996, 2002), parameteriserar turbulensen med hjälp av Mellor-Yamada Level 2,5 turbulens closure model. (Mellor och Yamada, 1982).
2.4 ERA-Interim
Modellen är driven vid modelldomänernas ränder av ERA-Interim data. ERA-Interim är en återanalys av den globala atmosfären, utförd av ECMWF och täcker perioden från 1989 fram till nu. Systemet som fanns innan hette ERA-40 och täcker perioden mellan 1957-2002, systemen överlappande varandra en längre period men nu är endast ERA-Interim som används för att lagra reanlayser. Anledningen till att ECMWF bytte system var att de bättre ville representera den hydrologiska cykeln, kvaliteten av den stratosfäriska cirkulationen, hanteringen av bias och förändringar i observationssystemet.
Arkiverade ERA-Interim innehåller analyser och prognosfält från assimilationen för atmosfäriska modeller. Återanalysen bygger på cykel från ECMWF:s integrerade väderprognos system IFS (Integrated Forecast System). Era-Interim producerar fyra analyser per dag, 00, 06, 12 och 18 UTC. Analysen bygger på
observationer som är tagna nio timmar innan och tre timmar efter aktuell tidpunkt. Till exempel analysen klockan 12 UTC bygger på observationer mellan 03UTC och 15 UTC.
17
Figur 2. Karta över ERA-Interims gridpunkter som representerar området över Svalbard
2.5 Simuleringar med WRF över Norge
I Heikkilä et al (2010) påvisas att WRF modellen kan addera signifikanta detaljer till representationen av 2-meterstemperaturen och nederbörden jämfört med ERA-40 återanalys. Även en förfining av modellens upplösning från 30 km till 10 km ökar modellens överensstämmande. För vindmodelleringar på 10 meters höjd kan ingen förbättring från ERA-40 återanalys ses. Resultaten bygger på en nedskalning av ERA-40 återanalyser med klimatmodellen WRFV3.1.1 under åren 1961-1990. Domänerna är 30 respektive 10 km stora och är situerade över Norge.
I denna undersökning föreslår de att de meteorologiska parametrarna över Norge blir mer tillförlitligt om en stor domän över Nordsjön används, detta för att all fuktighet som kan nå Norge hinner ackumuleras, och om spektral ”nudging” används. Spektral nudging är en metod där de inre punkterna av
modelldomänen med jämna mellanrum styrs av analysdata. En fördel med att använda spektral nudging är att de storskaliga väderutvecklingarna inte kan avvika från drivande data i för stor utsträckning så att systemen ligger i fas. Systemen kan trots detta utvecklas och en förbättring av nederbördsstatistiken kan påvisas i den 30 km stora domänen jämfört med ERA-40. Även situationer av extrem nederbörd blir bättre representerade. Vid en ytterligare nedskalning, till 10 km, kommer den orografiska hävningen bidra till en än bättre representation av extrem nederbörd. De påpekar dock att det är viktigt att man inte påverkar modellen utveckling med spektral nudging i för hög grad eftersom möjligheterna för utveckling av småskaliga väderfenomen kan försämras.
18
2.6 Statistik
2.6.1 Linjär regression med minsta kvadratmetoden
För beräkningar med linjära minsta kvadratmetoden ska värdena vara beroende endast i en variabel, i detta fall y-axeln som representeras av WRF-modellens resultat. De oberoende variablerna representeras av observationer från automatiska väderstationer. För att anpassa en linje som bäst passar ett set av mätpunkter tas avvikelsen från mätpunkterna och en tänkt linjär linje. Dessa avvikelser, ri, summeras sedan. För att erhålla en bra anpassning utformas ekvationen för linjen så att summan, S, av de kvadrerade felen blir så liten som möjligt.
N i ir
S
1 2Där ri står för avvikelsen mellan mätpunkterna och den tänkta regressionslinjen.
2.6.2 Medelvärde av avvikelserna (medelfelet)
En avvikelse beräknas genom att ta differensen mellan det observerade värdet och modellvärdet. När ett medelvärde av avvikelserna beräknas kan denna summa bli noll viket då inte säger något om hur väl modellen presterar men värdet kan ge en bra indikation på om modellen generellt underskattar eller överskattar de observerade värdena. Tillsammans med statistik som beräknar spridningen på avvikelserna kan medelfelet vara en bra parameter för att bedöma hur väl modellerna stämmer överens mot
observationerna. η=medelfelet. N N i i i
1 ) modell obs ( medelfelet 2.6.3 Absoluta medelavvikelsen19 2.6.4 Standardavvikelsen
Standardavvikelsen är ett mått på hur mycket varje element i en grupp av värden avviker från medelvärdet. Det är ett bra mått på dispersionen hos till exempel avvikelsen mellan modell och observerade värden. I denna rapport används standardavvikelsen för att studera hur mycket modellens avvikelse från
observerade värden varierar från medelfelet. Ifall värdena är samlade kring ett medelfel blir avvikelsen liten och om värden är spridda över och under medelfelet erhålls en stor avvikelse.
N
x
N i i
1 2)
(
vikelsen
Standardav
Där η står för medelfelet.xi = Modellens avvikelse från det observerade värdet för matriselement i. N = Antalet mätvärden
2.6.5 RMSE (Root mean square error)
Detta värde ger ett mått på spridningen av avvikelserna. För att beräkna RMSE tas kvadratroten av medelvärdet av den kvadrerade avvikelsen.
N
RMSE
N i i i
1 2)
modell
obs
(
där obsi – modelli är avvikelsen.
obsi = Observerade värden vid tidpunkt i. modelli= Simulerade värden vid tidpunkt i. N= Antalet mätvärden
2.6.6
Korrelation
20 ] ) ( [ ] ) ( [ ) )( ( 2 2 2 2
y y N x x N y x y x N r kvadrat i värdena e modellerad de av Summan kvadrat i värdena e observerad de av Summan värdena e modellerad de av Summan värdena e observerad de av Summan värden e modellerad och värden e observerad mellan produkten av summan mätvärden Antal 2 2
y x y x xy N r = korrelationskoefficient3 Mätplatser
Uppmätt data från automatiska väderstationer finns från tre stationer, Nordenskiöldbreen, Vestfonna samt Kongsvegen och deras placering kan ses i figur 3.
21
3.1 Nordenskiöldbreen
AWS-stationen är placerad 530 meter över havet på koordinaten N78° 40' 0'', Ö17° 10' 0''. Det finns data mellan 24 mars 2009 till 3 april 2011 och den är uppmätt i UTC tid. Väderstationen är placerad mitt på en iskappa på Nordensköldbreen och mäter var sjätte minut ett antal meteorologiska parametrar som följer nedan. Vindriktning och vindhastighet uppmäts med hjälp av en Young mätare. Alla strålningskomponenter det vill säga kortvågig in och utstrålning, långvågig in och utstrålning mäts med instrumentet Kipp&Zonen. Instrumentet har modellbeteckningen CNR1 och dess känslighet är 6,80·10-6 W/Vm2. Temperaturen, korrektionstemperaturen och den relativ fuktigheten mäts av ett instrument med namnet Vaisala och beteckningen HMP45A. Värdena som erhålls är timmedelvärden. Utifrån dessa parametrar kan andra meteorologiska data beräknas, av speciellt intresse är den specifika fuktigheten. Information om mätutrustningen från Nordenskiöldbreen kan ses i tabell 1.
Höjden på AWS är estimerad till 4,5 m över ytan av det dåvarande snötäcket och samtliga väderparametrar är uppmätta på denna höjd. Estimeringen är genomförd av dem som ansvarar för mätstationen, i detta fall Carleen Tijm-Reijmer. I figur 4 kan den aktuella uppställningen beskådas.
Figur 4. Bild på uppställningen av AWS-stationen på Nordenskiöldbreen
Under sommarmånaderna är det problem med temperaturmätaren förmodligen på grund av att
22
Glaciären breder ut sig mellan två berg, Terrierfjellet och Da Geerfjellet och är ca 5 km bred 14 km lång orienterad i nord-ostlig. Glaciären mynnar ut i Billefjorden. Glaciärens topp ligger på ca 1200 m. På och om glaciären sker omfattande forskning av Uppsala universitet och universitetet i Utrecht. På iskappan står sammanlagt 11 metallstakar med GPS-utrustning och en AWS-station. Dessa används för att studera glaciärens massbalans och rörelse. Med hjälp av radar har glaciärens flödesmönster och bastopografi kartlagts. Från toppen av glaciären har firnprover och snöprover tagits för att analysera snöns kemiska innehåll.
Väderförhållandena skiftar snabbt på en glaciär som denna. Vindstyrkor kan öka markant och sikten kan minska under loppet av några timmar. Vid kraftig blåst kan iskappan lämnas bar med öppen is under loppet av en till två dagar. Vid minskad tillgång till vindpackad snö blir glaciärens sprickbildningar, som är
omfattande, vanskligare att färdas över.
Tabell 1. Information om mätinstrumenten på Vestfonna och vilken höjd över glaciärsytan de är placerade.
Parameter Sensor Noggrannhet Höjd över glaciärsytan
Relativ fuktighet Vaisala HMP45A ±2% vid 0°C 450 cm Lufttemperatur Vaisala HMP45A ± 0,3°C vid 0°C 450 cm
Vindhastigheten Young ±0,3m/s 450 cm
Strålning, 4 komponenter Kipp&Zonen CNR 1 ± 10 % totalt dagligen 450 cm
3.2 Vestfonna
23
Tabell 2. Information om mätinstrumenten på Vestfonna och vilken höjd över glaciärsytan de är placerade.
Parameter Sensor Noggrannhet Höjd över glaciärsytan
Relativ fuktighet Vaisala HMP45A ±2% vid 0°C 180 cm Lufttemperatur Vaisala HMP45A ± 0,3°C vid 0°C 180 cm
Vindhastigheten Young 05103-5 ±0,3m/s 203 cm
Strålning, 4 komponenter Kipp&Zonen CNR 1 ± 10 % totalt dagligen 180 cm
3.3 Kongsvegen
Kongsvegen AWS station ligger på 537 meter över havet på koordinaten N78,780270° Ö13,156010°. Stationen som mäter i UTC-tid ger datavärden som är timmedelvärden från mätningar var 10 minut. De data som erhållits för projektet består av temperatur, relativ fuktighet, vindriktning, vindhastighet, strålning utgående och inkommande kortvågig/långvågig strålning. Alla data som använts i verifieringen är av hög eller mediumkvalité. För kvalitetsbeskrivning se tabell 13 bilaga A. Samtliga observerade värden är uppmätta på 3,5 meters höjd (Krismer.T, 2009). I tabell 3 finns information om Kongsvegens mätinstrument. Mätperioden sträcker sig från maj 2007- juli 2010 med vissa luckor i mätningarna.
Tabell 3. Information om mätinstrumenten och deras höjdplacering på glaciären Kongsvegen.
Parameter Sensor Noggrannhet Höjd över glaciärsytan
Relativ fuktighet Vaisala HMP45A Rotronic Hygroclip
±0,2 % vid 0°C (2000-2007) ±0,6 % vid 0°C (2007-2008)
350 cm
Lufttemperatur Vaisala HMP45A Rotronic Hygroclip
± 0,3°C vid 0°C (2000-2007) ± 0,6°C vid 0°C (2007-2008)
350 cm
Vindhastigheten Campbell Wind Monitor 05103
±0,3m/s eller 1% of reading 350 cm
Strålning 4 komponenter
Kipp&Zonen CM3 (CNR1) ± 10 % totala summan dagligen
24
4 Metod
4.1 Meteorologiska parametrar
Temperaturen, vindhastigheten, trycket och relativa fuktigheten för höjden 2 meter var direkt
representerade från både modellen och mätstationerna genom vertikal interpolation som genomförs av WRF-modellen.
För modellen ges ett värde för tvåmeterstemperaturen. Eftersom temperaturprofilen genom ett arktiskt gränsskikt är mycket svårt att simulera har ingen topografiavhängig korrektion av temperaturen för att matcha höjden på AWS-stationen genomförts. För mätstationerna har temperaturen uppmätts på varierande höjd över marken. Ingen korrektion av mäthöjden har genomförts för AWS-observationerna eftersom höjden över marken i praktiken förändras kontinuerligt på grund av varierande snöhöjd. Effekten skulle dessutom bli försumbar med tanke på att ingen höjdkorrektion för WRF modelleringarna och ERA genomförts.
WRF-modellen har en rutin som vertikalt interpolerar vinden till 10 meters höjd. För Nordenskiöldbreen, Vestfonna och Kongsvegen mäts vindhastigheten i höjderna 4,5 m, 2,0 m och 3,5 m respektive. Ingen vertikal höjdreglering på grund av mätstationernas mäthöjd har genomförts. Vilket betyder att vindhastigheten från de olika mätstationerna jämförs mot tiometersvinden som simulerats av WRF modellerna utan någon korrigering.
Specifika fuktigheten för AWS-stationerna beräknades utifrån trycket, relativa fuktigheten samt temperaturen. Mättnadsångtrycket över vatten beräknades med hjälp av Magnus exakta formel. När temperaturen var över noll beräknades mättnadsångtrycket över vatten och när den var under noll beräknades den över is. Trycket är taget direkt från de observerade värdena eller från den närmsta gridpunkten ur WRF-modellerna detta är eftersom tryckuppmätningar saknades från Kongsvegen AWS-station. Specifik fuktighet erhölls som en utparameter från modellen.
Kortvågig instrålning, kortvågig utstrålning och långvågig instrålning observerades med hjälp av
Kipp&Zonen CNR1 instrument på de tre glaciärerna. WRF simulerade inkommande kortvågig strålning och ytans albedo för samtliga gridpunkter i modelldomänen. Kortvågiga utstrålningen beräknades genom att multiplicera inkommande kortvågig strålning med albedot för de olika gridpunkterna.
4.2 Databearbetning
Observationerna från AWS-stationerna bearbetades för att få fram ett lämpligt dataset att verifiera WRF-simuleringar och ERA-data mot.
25
till att temperaturmätningar under mitten av maj och fram till oktober avlägsnades. Även de mätningar som är beroende av en korrekt temperaturmätningar avlägsnades.
För vindhastigheten sorterades de värden som var lägre än 0,5 m/s bort eftersom instrumentet som mäter vinden inte har tillräcklig noggrannhet för att mäta så svaga vindar. Att vindsensorn uppmäter nollvind kan även tyda på att instrumentet är nedisat och inte kan mäta vindhastigheten över huvud taget. För den relativa fuktigheten togs direkta mätfel bort, genom visuell sortering. Även vid problem med
temperaturmätningen togs datavärden bort.
För kortvågiga och långvågiga strålningen sattes gränserna för tillåtna observationer till mellan 0 och 1000 W/m² för att rensa bort direkta mätfel. Även en visuell kontroll av alla mätvärden har genomförts.
4.3 Modelldomän
Modellen har beräknat data för tre domäner med olika upplösning, 24 kilometer, 8 km och 8/3 km (avrundas i texten till 2,7 km). Domänen med 24 km mellan gridpunkterna, se figur 5, är placerat så det med god marginal täcker in hela Svalbard med 39 gridpunkter i öst-västlig riktning och 44 gridpunkter punkter i nord-sydlig riktning, det sydöstra hörnet är placerat på koordinaten N73,3911° E4,5772°. Modellen med 24 km upplösning har tidssteget 120 sekunder och ger en fil över de meteorologiska förhållandena var 3 timma. I randen för 24 km domänen sker inmatning av data från ERA-Interim arkivet. Generellt sätt erhåll inte bra värden i randområdena då de påverkas för mycket av ERA-Interimdrivningen. T.ex. kan för höga nederbördsmängder utlösas i modellen p.g.a. konvergens som kan uppstå i
gränsområdet mellan olika upplösningar och fysikbeskrivning.
Domänen med 8 km upplösning, se figur 6, har 63 gridpunkter i öst-västlig riktning samt 75 gridpunkter i nord-sydlig. Det sydöstra hörnet är placerat på koordinaten N 75,8319° E 9,6726°. Från denna modellering fås en fil över de meteorologiska förhållandena var 6:e timma och tidsstegen i modellkörningen är 40 sekunder.
För den minsta domänen med 2,7 km upplösning, se figur 7, är det sydöstra hörnet placerat på koordinaten N 77,7392° E 10,5037° och har 90 gridpunkter i öst-västlig riktning samt 105 gridpunkter i nord-sydlig riktning. Modelloutput ges var 6:e timma och tidstegen i modellen är 15 sekunder. WRF kördes med två olika uppsättningar för denna modelldomän, standard-WRF och polar-optimerade WRF.
26
Figur 5. Karta över modelldomänen med 24 km upplösning. Konturlinjer visas för var 200:e meter.
5 10 15 20 25 30 76 76 76.5 77 77.5 78 78.5 79 79.5 80 80.5 81 10 20 30 40 50 60 10 20 30 40 50 60 70
Figur 6. Karta över modelldomänen med 8 km upplösning. Konturlinjer visas för var 200:e meter.
10 12 14 16 18 20 78 78.5 79 79.5 80 20 40 60 80 10 20 30 40 50 60 70 80 90 100
Figur 7. Karta över modelldomänen med 2,7 km upplösning. Konturlinjer visas för var 200:e meter.
27
5 Resultat
Analys och presentation av resultat från WRF-modellen kommer att verifieras mot observationer från tre olika glaciärer på Svalbard, Nordenskiöldbreen, Vestfonna samt Kongsvegen. WRF-modellens
meteorologiska parametrar kommer verifieras en och en mot observationer med hjälp av statistik och diagram. WRF-modellen skrev ut en fil över de meteorologiska förhållandena var 6:e timma och i
upplösningarna 24 km, 8 km samt 2,7 km (standard och polaroptimerade WRF). Även ERA-Interim med 6 timmar mellan varje datavärde kommer att jämföras mot observerade värden.
Första delen av resultatet kommer att analysera resultatet från ERA, WRF 24 km upplösning och WRF 8 km upplösning mot uppmätta värden. En del av studien går ut på att analysera om WRF-modellen förbättrar resultaten mot observationer jämfört mot ERA. Även en analys av resultaten när modellen skalas ner från 24 km till 8 km kommer att genomföras för att se om denna nedskalning tillför bättre eller sämre
överensstämmelse mot observationer. Även en studie i hur väl samtliga modellkörningar ERA och samtliga WRF-simuleringar löser upp observerade extremvärden och fördelningen av mätvärden för Vestfonna och Kongsvegen kommer presenteras. Denna del av studien bygger på mätvärden från åren 2007-2008. I andra delen av resultaten kommer 8 km standard-WRF jämföras mot modelleringar med modelldomäner med 2,7 km upplösning. WRF har simulerat vädret över domänen med upplösning 2,7 km med två olika uppsättningar av den fysikaliska beskrivningen, standard-WRF och polaroptimerade WRF. Detta för att undersöka ifall polaroptimerade WRF kan tillföra bättre beskrivning av väderförhållandena över Svalbard än WRF i standarduppsättning. I denna del av studien är endast observationer från Vestfonna och Kongsvegen för åren 2007-2008 med i studien.
I alla upplösningar kommet valet av jämförelsepunkt från modellen ta hänsyn till närhet, korrelation mot uppmätta AWS-observationer och topografi. Analysen riktar in sig på vintermånaderna (DJF) december, januari och februari och sommarmånaderna (JJA) juni, juli och augusti.
5.1 Val av jämförelsepunkter
28
Tabell 4. Information gällande gridpunkterna som representerar Nordenskiöldbreen från WRF:s och ERA:s modelldomäner.
Nordenskiöldbreen °N °Ö Meter över havet
AWS-station 78,6667 17,1667 530 m
ERA 78,7500 16,5000 380 m
24 km 78,7001 16,3044 321 m
8 km 78,6364 17,0592 405 m
2,7 km 78,6622 17,2362 559 m
Tabell 5. Information gällande gridpunkterna som representerar Kongsvegen från WRF:s och ERA:s modelldomäner.
Kongsvegen °N °Ö Meter över havet
AWS-station 78,7803 13,1560 537 m
ERA 78,7500 13,5000 307 m
24 km 78,6396 13,0117 323 m
8 km 78,7915 13,2900 659 m
2,7 km 78,7873 13,1056 516 m
Tabell 6. Information gällande gridpunkterna som representerar Vestfonna från WRF:s och ERA:s modelldomäner.
Vestfonna °N °Ö Meter över havet
AWS-station 79,9422 19,1855 340
ERA 80,2500 19,5000 124
24 km 80,0240 19,5721 257
8 km 79,9508 19,1607 338
2,7 km 79,9510 19,2298 332
5.2 Verifikation av standard-WRF och studie av extremvärden
5.2.1 Temperatur29 24/12/07 -30 -25 -20 -15 -10 -5 Temperatur på Vestfonna [ºC ] Vestfonna-AWS WRF
Figur 8. Diagram över Temperaturen på Vestfonna i 8 km modellupplösning.
För de tre olika stationerna Nordenskiöldbreen, Vestfonna och Kongsvegen är de simulerade
temperaturerna från ERA och WRF inritade i ett diagram mot de observerade temperaturerna. Diagram visas för modellupplösningarna ERA, WRF 24 km och WRF 8 km.
Figur 9. Temperaturen för ERA under vintermånaderna december, januari och februari med en linjär referenslinje med förhållandet 1:1.
-40 -30 -20 -10 0 10 -40 -35 -30 -25 -20 -15 -10 -5 0 5 10 obs [°C] m o d e ll [° C ]
Temperatur ERA Kongsvegen DJF
30
Figur 10. Temperaturen för ERA under sommarmånaderna juni, juli och augusti.
Figurerna 9 och 10 visar tydligt att resultaten från ERA överskattar temperaturerna för samtliga stationer och särskilt för de låga temperaturerna. Att jämförelsepunkterna är placerade på olika höjd förhållande till AWS-stationerna är inget som har kompenserats för. Om en enkel höjdkorrektion skulle genomföras, där hundra meter skulle innebära ca 0,6 grader, skulle trenden att ERA överskattar temperaturerna inte helt raderas. De flesta jämförelsepunkter ligger ca 200 m lägre än den aktuella AWS-stationen vilket med en höjdkorrelation skulle motsvara ca 1,2 °C.
Figur 11. Temperaturen för 24 km under vintermånaderna december, januari och februari
-10 0 10 -15 -10 -5 0 5 10 15 obs [°C] m o d e ll [° C ]
Temperatur ERA Kongsvegen JJA
31
Figur 12. Temperaturen för 24 km under sommarmånaderna juni, juli och augusti.
Under vintermånaderna har resultaten från WRF-modellen (24 km), se figur 11, en bra överensstämmelse med observationerna från Kongsvegen och Nordenskiöldbreen. För Vestfonna ger WRF-modellen generellt sett för låga temperaturer, detta kan bero på att det eventuellt ligger öppet hav i närheten vilket påverkar de observerade värdena i form av förhöjda temperaturer. Under sommarmånaderna ses tendensen för samtliga stationer att resultaten från WRF-simuleringarna i 24 km upplösning, se figur 12, underskattar de lägsta temperaturerna. Under sommarmånaderna påverkar den kortvågiga instrålningen och den
långvågiga instrålningen temperaturfördelningen. Detta tyder på att den simulerade strålningsbalansen eventuellt kan vara felaktig. Detta kan bero på att modelleringarna inte korrekt återger förekomsten av höga och låga moln. Det faktum att modellen förutsätter konstant havsis kan också vara en bidragande faktor, eftersom ingen sensibel eller latent värme från öppet hav kan påverka modellresultaten.
Figur 13. Temperaturen för 8 km under vintermånaderna december, januari och februari.
-10 0 10 -15 -10 -5 0 5 10 15 obs [°C] m o d e ll [° C ]
Temperatur Kongsvegen JJA
32
Figur 14. Temperaturen för 8 km under sommarmånaderna juni, juli och augusti.
För vintermånaderna varierar inte resultaten från WRF 8 km, se figur 13, så mycket från WRF 24-km simuleringen. Under sommarmånaderna, se figur 14, är inte förändringen inte heller så markant förutom att temperaturen i Kongsvegen är generellt sett underskattad av WRF 8 km för större delen av mätserien, samma trend ses inte för modelleringen för 8 km. Denna skillnad kan bero på att höjden på modellpunkten för 24 km upplösning ligger lägre än modellpunkten från 8 km upplösning.
För samtliga simuleringar är korrelationen mellan observerade temperaturer och modelleringar bäst för ERA. När korrelationen mellan observerade värden och resultaten från nedskalningen 24 km till 8 km studeras ses att korrelationen för temperaturen under sommarmånaderna är lägre för WRF 8 km än WRF 24 km för stationen Nordenskiöldbreen. Korrelationen mellan WRF-modelleringarna och observationer minskar under vintermånaderna för stationen Nordenskiöldbreen när en nedskalning från 24 km till 8 km av WRF-modellen genomförs. För stationerna Vestfonna och Kongsvegen är korrelationerna mellan
simuleringar och observationer för de två upplösningarna, 24 km och 8 km, nästintill oförändrad under vintermånaderna medan den ökar marginellt för sommarmånaderna. Korrelationen är överlag bäst för vintermånaderna. Korrelationskoefficienter kan studeras i bilaga B.
I tabell nummer 7 ses att WRF-modellen har ett lägre medelfel än ERA-analysen för stationerna Vestfonna och Kongsvegen. För Nordenskiöldbreen förbättras medelfelet och medel absoluta avvikelsen endast för sommarmånaderna. För resultaten från WRF:s modellupplösning 8 km samt 24 km är medelfelet i de flesta fallen negativt medan de är positiva för temperaturanalysen från ERA. När WRF-modellen skalas ner från 24 km till 8 km och resultatet jämförs mot observationer ses att medelfelet för Nordenskiöldbreen och
Kongsvegen ökar medan det minskar för Vestfonna.
Ingen tydlig slutsats kan dras från analysen ovan förutom att korrelationen mellan observationer och simulerade temperaturer är mindre för WRF-simuleringarna än för ERA. Även tendensen att resultaten från WRF-simuleringarna underskattar de lägsta temperaturerna under sommarmånaderna kan observeras.
-10 0 10 -15 -10 -5 0 5 10 15 obs [°C] m o d e ll [° C ]
Temperatur Kongsvegen JJA
33
Tabell 7. Resultat över medelfelet, standardavvikelse samt absoluta medelavvikelsen.
Temperatur [°C] Upplösning Medelfelet Standardavvikelsen Absoluta
medelavvikelsen D J F J J A D J F J J A D J F J J A Nordenskiöldbreen ERA 0,9 2,2 3,6 1,3 2,6 2,3 24 km – 1,2 – 0,9 4,1 2,2 3,2 1,8 8 km – 1,1 – 1 4,3 2,5 3,2 2 Vestfonna ERA 4,5 2,2 2,7 1,6 4,6 2,3 24 km – 4 – 1,6 4,5 2,2 4,7 2 8 km – 3,1 – 1.4 5 2,3 4,5 1,95 Kongsvegen ERA 4,3 2,2 2,8 1,6 4,4 2,4 24 km 0,6 – 1,6 3,5 2,1 2,7 2 8 km – 1,4 – 2,9 3,7 1,9 2,9 3 . 5.2.1.1 Temperaturfördelning
Hur väl WRF-simuleringarna och ERA återanalyser löser upp låga och höga extremtemperaturerna för Vestfonna kan ses i figur 15 och 16.
-40 -35 -30 -25 -20 -15 -10 -5 0 5 10 10-3 10-2 10-1 100 fr e k v e n s Temperatur [ºC]
Histogram över Temperaturen VF-DJF
VF-AWS ERA 24km 8km 2,7km polarWRF
34 -40 -35 -30 -25 -20 -15 -10 -5 0 5 10 10-3 10-2 10-1 100 fr e k v e n s Temperatur [ºC]
Histogram över Temperaturen VF-JJA
VF-AWS ERA 24km 8km 2,7km polarWRF
Figur 16. Temperaturen för samtliga modellförsök under sommarmånaderna juni, juli och augusti. temperatur intervallet i diagrammet är två grader °C.
I figur 15 och 16 kan utläsas att data från ERA-Interim inte representerar den observerade
temperaturfördelning på Vestfonna korrekt. För både vintersäsongen och sommarsäsongen överskattade ERA-Interim temperaturerna. Detta kan inte helt förklaras av de olika stationernas topografiska placering eftersom en korrigering för 200 m skulle innebära en reducering av temperaturen på ca 1,2 °C. Detta skulle leda till att ERA bättre representerade de högre temperaturerna men de lägre skulle fortfarande vara överskattade. För de högre temperaturerna i intervallet ger samtliga WRF-simuleringar en bra
överensstämmelse mot observationer under både vinter och sommaren. Eventuellt kan en tendens ses att polaroptimerade WRF överskattar de högre temperaturerna under sommarmånaderna. Under
vintermånaderna underskattar samtliga WRF-simuleringar de lägre temperaturerna. För de lägre temperaturerna i intervallet under sommarmånaderna däremot ligger samtliga WRF-modeller med standarduppsättning något förskjutet mot de lägre temperaturerna jämfört med polaroptimerade WRF. Här representerar polaroptimerade WRF de lägsta temperaturerna på ett mer adekvat vis än övriga modeller, detta gäller även för Kongsvegen (se bilaga C figur 44). Detta kan bero på att polaroptimerade WRF bättre kan beskriva strålningsbalansen över Svalbard, vilket leder till en bättre beskrivning av temperaturfördelningen för de lägsta temperaturerna. Något som observeras är att temperaturfältet, simulerat av polaroptimerade WRF, överskattar de högsta observerade temperaturerna både för Vestfonna och för Kongsvegen (se bilaga C figur 44) under sommaren. Histogram över temperaturfördelningen över Kongsvegen under vintermånaderna se bilaga C figur 43.
5.2.2 Vindhastigheten
35
Figur 17. Vindhastighet för ERA-Interim under vintermånaderna december, januari och februari.
Figur 18. Vindhastigheten för ERA-Interim under sommarmånaderna juni, juli och augusti.
0 10 20 30 0 5 10 15 20 25 obs [m/s] m o d e ll [m /s ]
Vindhastighet Kongsvegen JJA
36
Simuleringar av vinden i 24 km upplösning, se figur 19 och 20, visar en klar förbättring jämfört med resultaten från ERA-Interim.
Figur 19. Vindhastighet för simuleringar med upplösning 24 km under vintermånaderna december, januari och februari.
Figur 20. Vindhastigheten för simuleringar med upplösning 24 km under sommarmånaderna juni, juli och augusti. 0 10 20 30 0 5 10 15 20 25 30 obs [m/s] m o d e ll [m /s ]
Vindhastighet Kongsvegen JJA
37
Figur 21. Vindhastighet för simuleringar med upplösning 8 km under vintermånaderna december, januari och februari.
Figur 22. Vindhastigheten för simuleringar med upplösning 8 km under sommarmånaderna juni, juli och augusti.
Genom att skala ner modellen till 8 km gridstorlek fås bättre modellering av vinden för samtliga stationer, se figur 21 och 22. Framför allt en förmåga att simulera de högre vindhastigheterna förbättras för standard WRF 8 km.
Korrelationen mot observationer ökar kraftigt när analyser från ERA och vindmodellering av WRF 24 km jämförs. Resultaten från nedskalning med WRF 8 km uppvisar en något bättre korrelation jämfört med resultaten från 24 km. För Kongsvegen ökar korrelationen från 0,56 till 0,75 när ERA-analysen av vindfältet och WRF 8 km modellering jämförs. För Vestfonna ökar korrelationen kraftigt för alla steg i nedskalningen. För vintermånaderna ökar korrelationen från 0.46 (ERA) till 0,76 (24km) till 0,84 (8 km) och för
0 10 20 30 0 5 10 15 20 25 30 obs [m/s] m o d e ll [m /s ]
Vindhastighet Kongsvegen JJA
38
sommarmånaderna ökar korrelationen från 0,36, 0,58 till 0,83 för respektive modellering. Samtliga korrelations koefficienter kan avläsas i tabell 14-16 i bilaga B.
Tabell 8. Jämförande studie mellan observationer och modelleringar av vindhastigheten. Medelfelet, standardavvikelsen samt medel absoluta avvikelsen för de tre olika stationerna presenteras.
Vindhastighet [m/s]
Station Upplösning Medelfelet Standardavvikelsen Absoluta
medelavvikelsen D J F J J A D J F J J A D J F J J A Nordenskiöldbreen ERA – 2,2 – 1,2 3,8 2,7 3,3 2 24 km 0,33 – 0,5 3,6 2,5 2,8 1,9 8 km 1,1 – 1 4,3 2,8 3,4 2,2 Vestfonna ERA 0,14 – 0,9 4,5 3,5 3,7 2,7 24 km – 1,7 – 1,2 3 2,9 2,7 2,3 8 km – 1,4 – 1.37 2,6 1,96 2,2 1,8 Kongsvegen ERA – 1,4 – 0,7 2,5 1,8 2,4 1,5 24 km 0,8 0,14 2,4 1,7 1,9 1,4 8 km 0,8 0,2 0,8 1,9 2,5 1,5
I tabell 8 kan ses att för Nordenskiöldbreen är medelfelet, standardavvikelsen samt den absoluta medelavvikelsen minst för resultaten från standard-WRF modelleringen med 24 km upplösning. För Kongsvegen är medelfelet, standardavvikelsen samt den absoluta medelavvikelsen minst för WRF 24 km modelleringen under sommarmånaderna. Under vintermånaderna är resultaten från WRF 24 km och WRF 8 km samstämmiga och båda modelleringarna uppvisar bättre beskrivning av den observerade
vindhastigheten än ERA:s vindanalys.
Resultaten från ERA-analysen av vindfältet jämfört med observationer av vinden på Vestfonna ger ett litet medelfel, 0,14 m/s, vilket är ett bättre resultat än för modelleringarna med WRF. Dock är
standardavvikelsen och den absoluta medelavvikelsen relativt stora vilket tyder på att felet fluktuerar mycket. Detta kan lätt verifieras genom att studera scatterdiagrammen över Vestfonna, observationer och ERA:s vindanalys, som uppvisar stor spridning. För WRF modelleringarna erhålls minst standardavvikelse och absolut medelfel för 8 km modelleringen. Vilket tyder på att färre grova avvikelser från observerade värden fås när modellen skalas ner.
39
säkerheten av vindmodelleringen ökar för Vestfonna med ökad nedskalning är på grund av dess utseende. Vestfonna är en utbred glaciär med ett relativt homogent utseende där topografin är väl beskriven. Nordenskiöldbreen och Kongsvegen är båda små glaciärer som ligger belägna i en dal med höga berg som omger iskappan. Det gör det svårt för modellen att beskriva topografin i området vilket gör att lokala vindfenomen på grund av topografi inte kan lösas upp.
5.2.2.1 Fördelning av vindhastighet
Ur histogrammet i figur 23 som visar fördelningen av vindhastigheternas ses att samtliga modeller fångar fördelningen av vinden mellan 2,5 m/s och 12,5 m/s för vintermånaderna bra. Samtliga WRF-modelleringar och ERA-analyser underskattar mängden tillfällen där vindhastigheten ligger mellan 0 och 2 m/s. De högsta vindhastigheterna, runt 20 m/s, kan inte ERA-Interim och resultaten från WRF modelleringen med 24 km upplösning återge. D övriga WRF-simuleringarna i upplösning 8 km och 2,7 km har förmåga att simulera dessa höga hastigheter. I figur 24 ses fördelningen av vindhastigheterna under sommarmånaderna. ERA-analysen och WRF modelleringen (24 km) underskattar de högre hastigheterna i större utsträckningen än resultaten från standarduppsättningen av WRF med upplösningarna 8 km och 2,7 km. Den modell som bäst beskriver de högsta vindhastigheterna är polar WRF, men även den underskattar vindhastigheterna. För Kongsvegen, se bilaga C figur 45 och 46, kan ses att polar WRF-simuleringarna har en tendens att överskatta de högsta vindhastigheterna för både sommaren och vintern.
0 5 10 15 20 25 30 10-3 10-2 10-1 100 fr e k v e n s Vindhastighet [m/s]
Histogram över Vindhastigheten VF-DJF
VF-AWS ERA 24km 8km 2,7km polarWRF
40 0 5 10 15 20 25 30 10-3 10-2 10-1 100 fr e k v e n s Vindhastighet [m/s]
Histogram över Vindhastigheten VF-JJA
VF-AWS ERA 24km 8km 2,7km polarWRF
Figur 24. Vindhastigheten för samtliga modellförsök under sommarmånaderna juni, juli och augusti.
5.2.3 Specifik fuktighet
Den specifika fuktigheten är till stor del beroende på temperaturen vilket gör att resultaten liknar resultaten som fås för denna parameter. I figur 25 kan en tidserie av den simulerade fuktigheten och den observerade fuktigheten över Vestfonna studeras.
24/12/07 0.5 1 1.5 2 2.5 3 3.5 4
x 10-3 Specifik fuktighet Vestfonna
[k g /k g ] Vestfonna-AWS WRF 8km
Figur 25. Tidserie för Vestfonna AWS och WRF-modellen med 8 km modelldomän för den specifika fuktigheten.
41
För de modelleringar där temperaturen är för hög jämfört med observerade värden fås för hög specifik fuktighet. För att studera korrelationen mot observationer för de olika modellupplösningarna se bilaga B. Resultaten från korrelationsanalysen pekar på att korrelationen förblir nästintill oförändrad för
modelleringarna över Vestfonna och Kongsvegen när modellen skalas ner från ERA till 8 km. För Nordenskiöldbreen går korrelationen kraftigt ner under sommarmånaderna när resultatet mellan
modelleringarna från standard-WRF (24 km) och standard-WRF (8km) jämförs. Korrelationen minskar från 0,67 till 0,43. Samtliga korrelations koefficienter kan avläsas i tabell 14–16 i bilaga B.
5.2.3.1 Fördelning av den specifika fuktigheten
Fördelningen och modelleringen av extremvärden för den specifika fuktigheten är god för Kongsvegen och Vestfonna på vintern. På sommaren är modellerna bra för Kongsvegen men inte för Vestfonna, vilket kan ses i figur 26. Den specifika fuktigheten är underestimerad av samtliga WRF-modeller, vilket kan beror på att modellen inte kan tillgodogöra sig fukt som kommer av öppet hav. Enligt visuella observationer ligger sundet mellan Vestfonna och ögruppen väster som Vestfonna ofta isfritt vilket kan leda till transport av fuktig luft vilket modellen inte kan tillgodogöra sig eftersom permanent havsis är simulerad. För
fördelningen av fuktigheten på Kongsvegen och fördelningen av fuktighet över sommaren på Vestfonna se bilaga C figur 47-49. 0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5 x 10-3 0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5 fr e k v e n s Specifik fuktighet [kg/kg]
Histogram över den Specifika fuktigheten VF-DJF
VF-AWS ERA 24km 8km 2,7km polarWRF
42 5.2.4 Inkommande och utgående kortvågig strålning
Rent generellt kan ses i tidserien i figur 27 att modelleringen av WRF med åtta kilometers upplösning inte når upp till samma nivåer som den observerade inkommande strålningen på Vestfonna.
07/06/07 0
200 400 600
Inkommande kortvågig strålning på Vestfonna
[W /m ²] Vestfonna AWS WRF 07/06/07 0 200 400
Utgående kortvågig strålning på Vestfonna
Figur 27. Tidserie över kortvågig instrålning och utstrålning, simulerad och observerade, på Vestfonna för modelldomänen med 8 km upplösning.
5.2.4.1 Inkommande strålning
Eftersom Svalbard upplever polarnatt mellan oktober och april kommer endast modellresultaten från sommarmånaderna att studeras när det gäller kortvågig in- och utstrålning.
Figur 28. Kortvågig instrålning för 24 km under sommarmånaderna juni, juli och augusti.
0 200 400 600 0 100 200 300 400 500 600 obs [W/m2] m o d e ll [W /m 2 ]
Kortvågig instrålning Kongsvegen JJA
