Operativa modeller för svåra väderprognoser förutspådde orkanen Harvey skulle bli en kategori 1-orkan 2017, enligt University Corporation for Atmospheric Research. Istället, det blev en massiv kategori 4 strax innan den landade, att knyta orkanen Katrina till den dyraste orkanen någonsin.

Nu kan ett nytt tillvägagångssätt utvecklat vid Penn State Center for Advanced Data Assimilation and Predictability Techniques förutsäga orkanen Harveys intensitet och bana, enligt forskare vid Penn State och National Oceanographic and Atmospheric Administration.

Tillvägagångssättet använde data från GOES-16-satelliten, i kombination med Penn State's all-sky radiance-metod, som mer exakt modellerade orkanen Harvey. Data kallas "all-sky" eftersom den fångar data under alla väderförhållanden, inklusive moln och regn.

Arbetet, ledd av Fuqing Zhang, framstående professor i meteorologi och atmosfärisk vetenskap vid Penn State, nu avliden, är första gången GOES-16 satellitdata användes för att förutse orkaner. Orkanen Harvey var den första stora orkanen som fångades av GOES-16, som togs i drift 2017. Zhang dog i juli inte långt efter att ha fått diagnosen cancer.

När han diskuterade forskningen i juni, Zhang sa, "Detta är fortfarande experimentellt. Vi har visat att vi kan förbättra banan, placera, intensiteten och strukturen för just denna händelse. Vi behöver fortfarande studera alla andra orkanhändelser med nya satellitdata, men det ger oss många löften för framtiden för orkanprognoser. "

Zhang tillade att denna studie, publiceras i Bulletin från American Meteorological Society , antydde att all-sky strålningsdata skulle kunna gynna orkanprognoser i allmänhet.

I denna proof-of-concept studie, forskare använde hindcasting – med hjälp av data som samlades in under evenemanget, men analyserar det efteråt. Detta gjorde det möjligt för forskare att finslipa de mest talande data och ytterligare förfina modellen.

Processen för att skapa driftsklara modeller tar ofta flera år. Det börjar med hindcasted modeller innan dessa modeller testas tillsammans med befintliga modeller för att se om några förbättringar har skett. Eftersom väderprognoser räddar liv, modellerna genomgår strikta procedurer och tester före implementering.

All-sky radiance-metoden parades med en modell som utvecklats vid National Center for Atmospheric Research med hjälp av medlemmar från Penn State Department of Meteorology and Atmospheric Science. När du kör modellen under en 24-timmarsperiod, forskare fann att assimilering av all-sky radiance data bättre reproducerade molnintensitet och mönster i kontrast till den nuvarande modellen. Det ledde till mer exakta prognoser i både stormens öga och kringutrustning.

Forskning visar att vanliga felaktigheter i att förutsäga orkanens intensitet och struktur dagar i förväg främst kommer från dålig generering av orkanvirvel. Bättre förutsägelse av ögonväggen och sekundära cirkulationer av en storm kan leda till mer exakt orkanförutsägelse, sa Zhang.

"Vi kommer att fortsätta att testa vårt satellitdataassimileringssystem med fler orkaner för att se om den här metoden fungerar bra med andra svåra väderhändelser, "sa Xingchao Chen, en biträdande forskningsprofessor vid Penn State som var involverad i denna forskning. "Förutom all-himlen infraröd strålning, vi börjar titta på mikrovågsstrålningar, som effektivt tränger in i molniga områden."

När forskare kontrasterade bilder skapade med modeller med och utan all-sky radiance data inkluderade, det visade inte bara en stark förbättring jämfört med operativa modeller, det skapade bilder nästan identiska med faktiska satellitbilder under stormen. De operativa modellerna som misslyckades med att förutsäga den snabba intensifieringen av Harvey inkluderade National Oceanic and Atmospheric Administrations (NOAA) regionalskaliga orkanväderforsknings- och prognosmodell, NOAA:s globala prognossystem, och det integrerade prognossystemet från European Centre for Medium Range Weather Forecasts.

"Det är det fina med att assimilera GOES-16-satelliten, ", sa Zhang. "Det ser nästan identiskt ut med den faktiska observationen. Användningen av all-sky utstrålning förbättrar inte bara befintliga modeller. Det gör en enorm skillnad."