Öppen källkod som utvecklats av en kandidat från Penn State kan förbättra väderprognoser och en rad andra forskningsinsatser som bygger på parning av atmosfäriska modeller med satellitbilder.

Yanni Cao, som tog sin magisterexamen i geografi 2016, utvecklade koden medan en medlem av Penn State's Geoinformatics and Earth Observation -laboratorium (GEOlab) som ett sätt att åtgärda fel som skapas när satellitdata kombineras med WRF -modellen (Weather Research and Forecasting). Arbetet gjordes i samarbete med hennes rådgivare, Guido Cervone, chef för GEOLab, docent i geoinformatik och docent vid Institute for CyberScience, och National Center for Atmospheric Research (NCAR).

För att effektivisera beräkningar, den vanliga WRF -modellen - som de flesta - förutsätter att jorden är en perfekt sfär. Ändå fångar satelliterna en mer realistisk oblat sfärisk form av jorden, eftersom planeterna är utbuktade på grund av gravitation och rotation. Felaktigheter i beräkningar orsakas av att modellerna flyttas från en perfekt sfär till observationsdata på jorden som plattar nära polerna och buktar runt ekvatorn.

"Grundtanken är att jorden inte är en perfekt sfär, "sa Cao." För att göra enkla beräkningar, mest, om inte alla, vädermodeller ser jorden som en perfekt sfär. Dock, de flesta av fjärranalyssystemen ser jorden som en sfäroid. Det är en skillnad mellan de två. När du använder sfäroidiska geografiska koordinatsystem med en sfärisk modell, en felaktig överensstämmelse skapas. "

Detta är allmänt känt för att orsaka beräkningsfel, Cao sa, men dessa fel är mer uttalade när modellerna ska köras med hög rumslig upplösning. Till exempel, platsfel på upp till 13 miles introducerades i WRF-modellen när den kördes med en 0,6 mils nätstorlek, orsakar fel i temperatur och andra vädervariabler, särskilt nära berg och vattendrag.

För att analysera dessa fel och utveckla en metod som löser dessa problem, Cao analyserade ett område i USA som är cirka 17, 000 kvadratkilometer. Hon använde WRF -modellen under tre scenarier:satellitdata med låg upplösning, högupplösta satellitdata, och sedan WRF-korrigerade data med koden hon skapade. Cao valde ett område i nordöstra USA eftersom det innehöll stora höjdgradienter och olika markanvändningsmönster som skogar, tätorter och våtmarker.

Hon använde data för att kvantifiera hur parning av WRF -modeller med olika satellitupplösningar påverkar projicering av meteorologiska variabler som temperatur, vindriktning, vindhastighet och atmosfäriska blandningsförhållanden.

"Även om några av dessa fel kan vara små, de introducerar fortfarande fördomar i modellutgången, "Sa Cao." För simuleringar med mycket hög upplösning, dessa fördomar förvärras och kan leda till betydande fel i modellresultaten. "

Hennes resultat visar att felanpassningen resulterade i fel i modellresultaten för varje variabel.

Cao använde denna metod för att förbättra noggrannheten hos modeller för metanutsläpp och arbetar nu som datavetenskapare som upptäcker metanläckor för Picarro, ett privat företag baserat i Silicon Valley.

Cervone tillade att koden kommer att vara fördelaktig inom en rad forskningsområden. "Denna forskning passar bra med frågor som undersöks vid NCAR, varför forskare där var så intresserade av att utveckla detta nya verktyg, "sa Cervone." Och det kommer bara att visa sig vara ännu mer användbart när satellitbilder med hög upplösning blir mer vanliga. "

Forskningen publicerades i Geovetenskaplig modellutveckling .