Contribution to the forecast skill of meteorological and air pollution numerical predictions at mesoscale and urban scale with post-processing algorithms

Abstract

Significant scientific and technological breakthroughs in the last century have enabled the quantification of uncertainty in unstable nonlinear dynamic systems, such as the atmosphere. Complex atmospheric processes, including atmospheric dynamics, energy transfers, and chemical reactions have been successfully simulated by Numerical Weather Prediction (NWP) models. The ability of these models to accurately represent phenomena across a diverse range of scales, from the microscale to the global scale, has established them as a fundamental component in atmospheric studies. Their pivotal role has, in turn, spurred an increased focus in scientific research on enhancing the accuracy of numerical forecasts. This entails refining NWP models for a more precise representation of atmospheric processes and applying advanced statistical methods to improve model outputs. This dual approach - advancing model sophistication while also developing robust statistical techniques - has been instrumental in elevating the precision and reliability of weather forecasting. The subject of this dissertation focuses on developing and assessing advanced statistical techniques aimed at enhancing the accuracy of weather and air quality numerical predictions. These approaches aim to tackle the inherent uncertainties in weather and air quality modeling by correcting errors in NWP outputs, showcasing a comprehensive methodology for improving forecasting in these vital domains. As a preliminary step, a comprehensive assessment is carried out to evaluate the accuracy and effectiveness of the numerical weather and air quality predictions. This is followed by an analysis of how inaccuracies in meteorological forecasts impact air quality forecasting. The study culminates in the employment of state-of-the-art statistical methods. These include post-processing filters, analytically optimized multi-model ensemble techniques, and the generation of neural networks, all aimed at enhancing the accuracy of numerical predictions. The versatility of these techniques extends to a variety of applications, ranging from improving air quality forecasts to supporting renewable energy generation

Σημαντικές επιστημονικές και τεχνoλoγικές ανακαλύψεις τον περασμένο αιώνα επέτρεψαν την ποσοτικοποίηση της αβεβαιότητας σε ασταθή μη γραμμικά δυναμικά συστήματα, όπως η ατμόσφαιρα. Οι πολύπλοκες ατμοσφαιρικές διεργασίες, όπως η μεταφορά ενέργειας, οι χημικές αλληλεπιδράσεις όπως η δυναμική των ατμοσφαιρικών φαινομένων, έχουν επιτυχώς προσομοιωθεί από τα αριθμητικά μοντέλα πρόγνωσης καιρού. Η ικανότητα αυτών των μοντέλων να αναπαριστούν με ακρίβεια φαινόμενα σε διάφορες κλίμακες, από την μικροκλίμακα μέχρι την παγκόσμια κλίμακα, τα έχει καθιερώσει ως θεμελιώδες εργαλείο στις ατμοσφαιρικές επιστημονικές μελέτες. Ο κρίσιμος ρόλος τους έχει προσανατολίσει το επιστημονικό ενδιαφέρον και την έρευνα προς την κατεύθυνση της βελτίωσης της ακρίβειας των αριθμητικών προβλέψεων. Αυτό συνεπάγεται τη βελτίωση των αριθμητικών μοντέλων πρόγνωσης καιρού για μια πιο λεπτομερή αναπαράσταση των ατμοσφαιρικών διεργασιών καθώς και την εφαρμογή προηγμένων στατιστικών μεθόδων για τη βελτίωση των αποτελεσμάτων των μοντέλων. Αυτή η διπλή προσέγγιση - η προώθηση της πολυπλοκότητας των μοντέλων και η ανάπτυξη ισχυρών στατιστικών τεχνικών - έχει συμβάλει καθοριστικά στην αύξηση της ακρίβειας και της αξιοπιστίας της πρόγνωσης καιρού. Το αντικείμενο αυτής της διατριβής εστιάζει στην ανάπτυξη και αξιολόγηση προηγμένων στατιστικών τεχνικών με σκοπό την ενίσχυση της ακρίβειας των αριθμητικών προβλέψεων προβλέψεων για τον καιρό και την ποιότητα του αέρα. Αυτές οι προσεγγίσεις στοχεύουν στην αντιμετώπιση των εγγενών αβεβαιοτήτων στη μοντελοποίηση του καιρού και της ποιότητας του αέρα, διορθώνοντας σφάλματα στα αποτελέσματα των αριθμητικών μοντέλων, παρουσιάζοντας μια ολοκληρωμένη μεθοδολογία για τη βελτίωση των προβλέψεων σε αυτούς τους ζωτικούς τομείς. Το πρωταρχικό βήμα για τον σκοπό αυτό, είναι η ολοκληρωμένη αξιολόγηση της ακρίβειας και της αποτελεσματικότητας των αριθμητικών προβλέψεων καιρού και ποιότητας του αέρα. Στη συνέχεια, γίνεται η αξιολόγηση της επίδρασης των ανακριβειών στις μετεωρολογικές προβλέψεις και στις προβλέψεις για την ποιότητα του αέρα. Η μελέτη ολοκληρώνεται με τη χρήση προηγμένων στατιστικών μεθόδων. Αυτές οι μέθοδοι περιλαμβάνουν φίλτρα μετα-επεξεργασίας, αναλυτικά βελτιστοποιημένες τεχνικές συνόλου πολλαπλών μοντέλων και δημιουργία νευρωνικών δικτύων, με στόχο την ενίσχυση της ακρίβειας των αριθμητικών προβλέψεων. Η ευελιξία αυτών των τεχνικών επεκτείνεται σε μια ποικιλία εφαρμογών, από τη βελτίωση των προβλέψεων για την ποιότητα του αέρα έως την υποστήριξη της παραγωγής ενέργειας από ανανεώσιμες πηγές.