Även om de stora sjöarna kallas sjöar, på grund av deras stora storlek, de är verkligen inre hav. De påverkar regionala vädermönster, ge dricksvatten till miljontals människor och driva ekonomin i flera stater.

Förutsäga vattennivåerna, temperaturer och strömmar i sjöarna är mycket viktigt på grund av de otaliga sätt som sjöförhållanden påverkar handeln, rekreation och samhällets välbefinnande. Dessa prognoser omfattar Great Lakes Operational Forecast System (GLOFS), ett automatiserat modellbaserat prediktionssystem som drivs av National Oceanic and Atmospheric Administration (NOAA).

"Systeminformationen gör det möjligt för beslutsfattare att fatta välgrundade beslut och prognosprodukterna har använts av en mängd olika användare regelbundet, sa Philip Chu, övervakande fysikalisk forskare från den integrerade fysiska och ekologiska modellerings- och prognosgrenen av NOAA:s Great Lakes Environmental Research Laboratory (GLERL).

Att bygga ett bättre prognossystem för Great Lakes

"Vattennivåer används av kraftmyndigheter; våg- och strömförhållanden används av den amerikanska kustbevakningen för sök- och räddningsuppdrag och temperaturprofiler har använts av fritidsbåtare och fiskare, "sa han." Informationen har också använts för att förutsäga skadliga algblomningar samt hypoxi (lågt upplöst syre) i de stora sjöarna. "

Medan NOAA driver sitt eget modellteam för att underhålla systemet, byrån arbetar också med universitetsforskare för att ständigt förbättra GLOFS. Vid Michigan Technological University, Pengfei Xue, docent i civil- och miljöteknik och chef för Numerical Geophysical Fluid Dynamics Laboratory vid Great Lakes Research Center, hjälper NOAA genom att lägga till en dataassimileringskomponent.

Xue noterade att ett typiskt operativt prognossystem bör inkludera tre komponenter:modellering, ett observationsnätverk och dataanalys.

"De stora sjöarna har relativt täta och långsiktiga observationsdata, men hur använder vi data för att förbättra prognoser?" Xue poserade. "Dessa data har använts för modellinitiering och verifiering, men det kan finnas en mycket starkare koppling mellan observationer i fält och numerisk modellering. Att blanda in observationsdata i modellen kan förbättra kortsiktiga prognoser. Denna teknik, kallas dataassimilering, är en av de mest effektiva metoderna för att statistiskt kombinera observationsdata och modelldynamik för att ge den bästa uppskattningen av Stora sjöarnas systemtillstånd."

Vad är dataassimilering?

För att förklara dataassimilering, Xue gav exemplet att ta temperaturen på en sjö. En datormodell kan förutsäga temperaturen på en plats i sjön är 68 grader Fahrenheit (20 grader Celsius). Men en fysisk mätning på platsen visar att temperaturen är 70 grader Fahrenheit (21,1 grader Celsius).

"Alla modeller innehåller vissa osäkerheter och observationen har också brus, som kan vara stora eller små i fältarbete, beroende på olika fall, " sa Xue. "Vilket ska du tro? Ditt bästa val är något mittemellan. När vi kvantifierar modellen och observationsosäkerheterna genom att bedöma deras historiska prestationer, vi kan kvantitativt kombinera observationsdata och numeriska modellresultat med olika vikter och ge en mer exakt uppskattning."

Datormodellering är mycket mer komplicerat än det här exemplet, Xue noterade. En viktig fördel med en modell, speciellt i en stor och komplex miljö som de stora sjöarna, är att den kan producera kontinuerliga fält i 3D-rymden, förutsäga – när som helst och var som helst – temperatur, vattennivåer, och strömmar. Å andra sidan, observationer in situ ger "grundsanning, " men de är ofta begränsade i tid och rum.

"Kvantifiering av modellen och observationsosäkerheter är kärnan i dataassimileringstekniker, " Xue förklarade. "Det fina med dataassimilering är att använda informationen om missanpassningar mellan modellresultat och observationer, som endast är kända på begränsade observationsplatser, för att korrigera modellbias i ett 3D-utrymme bortom observationsplatserna. Därav, det förbättrar modellnoggrannheten för hela simuleringsfälten."

Mer än en modell

En annan gräns för observationer på fältet är den stora kostnaden för att göra dem. Observationsdata är i sig mer exakt än en modell ensam, och grund sanning utdata från en modell är nödvändig. Genom att mata in observationsdata i en modell, sedan använda modellen för att förutsäga bättre platser för framtida in situ datainsamling, Xues arbete hjälper GLOFS-modelleringen att förbättras, och hjälper forskare att effektivt välja forskningsplatser.

"The Great Lakes har stor yta och stort djup. Vanligtvis är där människor väljer att ta prov är baserat på experterfarenhet och deras forskningsintressen, " Sa Xue. "Iakttagelser på plats, speciellt mätningar under ytan, förbli begränsad på grund av de höga kostnaderna för att bygga och underhålla observationsnätverk. Att använda dataassimilering för att vägleda utformningen av datasamplingsplats och frekvens och optimera ett observationsnätverk är ett av de viktigaste forskningsämnena i ett integrerat observation och prognostiseringssystem."

Xues preliminära resultat visar att dataassimilering kan minska provtagningsinsatser och öka prognostiseringsnoggrannheten genom att optimera provtagningsplatser.

"Professor Xues bidrag överensstämmer perfekt med NOAA och GLERL:s kortsiktiga mål och långsiktiga uppdrag att bygga ett integrerat miljömodelleringssystem och en väderberedskapsstat, friska hav och kuster, ", sa Chu. "Hans forskningsbidrag och samarbete med NOAA-forskare främjar vår övergripande förståelse av det komplicerade dynamiska systemet i de stora sjöarna samt accelererar NOAA:s utvecklingstakt, förbättra och överför nästa generations Great Lakes Operational Forecasting System till drift."

Xues arbete använder sig av Superior, en högpresterande datorinfrastruktur vid Michigan Tech, att bygga högtrogna modeller. Modellresultat används för att bygga en långsiktig, dataassimilativ temperaturdatabas för Lake Erie för användning av resursförvaltare och forskare i Great Lakes-samhället. Lake Erie-simuleringen är ett proof of concept innan GLOFS blev helt ombyggd med hjälp av dataassimilering. Xues projekt kommer också att tillämpa maskininlärning för att ytterligare förbättra modellprestanda och anpassningsbar provtagning på plats, med målet att utöka metoden till alla fem stora sjöarna.

"Vi vill visa potentialen i detta tillvägagångssätt. Erie -sjön har upplevt betydande miljöfrågor i decennier och har studerats mer ingående, och människor inser bättre modelleringsbristerna, "Sa Xue." Den termiska strukturen och cirkulationen i sjön Erie påverkar starkt skadliga algblomningar och hypoxiahändelser. Vår plan är att gradvis utöka och bygga ett fullt fungerande prognossystem med dataassimileringsmöjligheter för att förbättra kortsiktig prognosnoggrannhet och förfina observationsarbetet."