Проверка метода Берлянда прогноза минимальной температуры воздуха

ВВЕДЕНИЕ
Контроль качества атмосферного воздуха, особенно на промышленных территориях, действительно является приоритетной задачей, поскольку он напрямую влияет на здоровье человека и качество жизни. Основные шаги по решению этой задачи включают в себя использование различных методов математического моделирования для расчета рассеивания выбросов в атмосфере. Однако, как вы правильно отметили, существует множество методов, и отсутствие инструментов для выбора наиболее подходящей методики и оценки её эффективности создает определенные сложности.

1 ИССЛЕДОВАНИЕ МЕТЕОРОЛОГИЧЕСКИХ УСЛОВИЙ ГОРОДА САНКТ-ПЕТЕРБУРГ
1.1 Общая характеристика метеорологических условий Пулково
Общая характеристика метеорологических условий в аэропорту «Пулково» включает следующие особенности:
Переходный климат от морского к континентальному. Степень континентальности составляет 30%.
Годовая амплитуда температуры воздуха составляет 24,6°. Средняя многолетняя температура воздуха за весь период наблюдений — 5,1°С.
Самые холодные месяцы — январь и февраль (среднемесячная многолетняя температура воздуха составляет соответственно −6,7°С и −6,6°С).
Самый тёплый месяц — июль (среднемесячная многолетняя температура составляет 17,9°С).
Повышенная влажность. Средняя относительная влажность воздуха составляет 78%.

1.2 Краткий обзор влияния погодных условий на воздушные перевозки в Пулково
Климатические показатели скорости ветра играют важную роль в различных отраслях, включая метеорологию, авиастроение, строительство и экологические исследования. Рассмотрим подробнее основные климатические показатели скорости ветра:
1. Средняя скорость ветра
Определение: Средняя скорость ветра – это усредненное значение скорости ветра за определенный период времени (например, месяц, сезон или год). Она рассчитывается путём интегрирования скорости ветра во времени и деления на период наблюдения.
• Метод расчета: для вычисления средней скорости ветра используется формула:
Vср=1T∫0TV(t)dt
где V(t) – скорость ветра в момент времени t, а T – продолжительность наблюдения.
• Применение: Средняя скорость ветра используется для оценки климата в целом, проектирования ветровых установок, а также для анализа влияния ветра на окружающую среду.
2. Повторяемость различных скоростей ветра

Климатические показатели скорости ветра за 2022-2024 годы предоставляет интересный и детализированный обзор изменений в скорости ветра в зависимости от времени года. Давайте разберем и проанализируем представленные данные более подробно, а также обсудим возможные выводы.
Анализ среднемесячной скорости ветра
Общая тенденция:
Средняя скорость ветра в указанные годы составила 3,6 м/с, что указывает на стабильные климатические условия во время наблюдений. Такую скорость можно считать умеренной, не вызывающей значительных неудобств в повседневной жизни.
Сезонные колебания:
Холодный период (декабрь-апрель):
Средняя скорость ветра колебалась от 3,52 м/с до 4,38 м/с. Увеличение средней скорости в этот период может быть связано с более частыми и сильными атмосферными системами, проходящими через регион.
Максимальная средняя скорость (4,67 м/с) отмечалась в холодные месяцы, что может свидетельствовать о наличии сильных штормов или циклонов.
Теплый период (июль-сентябрь):
Средняя скорость ветра варьировалась от 2,95 м/с до 3,15 м/с, что похоже на снижение активности ветров в это время года, возможно, из-за более стабильной атмосферы и высоких температур.
Месячные характеристики
Холодный период:
В 2024 году максимальная скорость ветра достигла 4,67 м/с в зимние месяцы (октябрь, ноябрь, декабрь, январь), что указывает на наличие сильных зимних ураганов или циклонов.

1.3 Метеорологические показатели, влияющие на дальность видимости
Погода влияет на многие аспекты повседневной жизни, от вождения, полетов до других видов активного отдыха.
Расстояние, на котором человек может разглядеть отдельные элементы атмосферы, называется видимостью. Знание того, как измеряется видимость, имеет решающее значение для понимания погодных условий и рисков, связанных с ограниченной видимостью. Можно измерить видимость с помощью наземных наблюдений, оценки воздушной видимости и нескольких автоматизированных инструментов. Горизонтальное расстояние, на котором наблюдатель способен различить отчетливый черный объект на фоне неба на горизонте в течение дня, указывает на видимость.
Точно так же видимость может относиться к расстоянию, на котором можно заметить распознанный, несфокусированный, умеренно сильный источник света в ночное время. Если вы измеряете видимость с нуля, и она больше или равна видимости полукруга горизонта, вы получаете видимость поверхности.
Датчики, используемые для измерения видимости (установленные в аэропорту Пулково), рассчитывают, как далеко луч света может пройти по воздуху, прежде чем потерять 95% своей интенсивности из-за атмосферного преломления. Термин «метеорологический оптический диапазон» описывает это разделение. В течение долгого времени лучшие догадки людей о видимости основывались на их способности различать силуэты далеких объектов на темном фоне, например, в небе. Некоторые эмпирические правила, которые следует учитывать при оценке видимости, включают следующее:
• Объект должен выделяться на фоне настолько, чтобы его можно было распознать таким, какой он есть.
• Оценки видимости лучше всего делать с земли, с четким обзором горизонта.
• При составлении отчетов о видимости необходимо использовать наименьшее значение, если оно изменяется в разных направлениях.
• Общая или преобладающая видимость должна быть зарегистрирована для обеспечения безопасности воздушного судна.
В аэропорту Пулково видимость имеет огромное значение и относится к расстоянию, на котором пилот может легко идентифицировать заметные объекты. Даже для опытных пилотов плохая видимость может создать значительные проблемы во время полета. Чтобы гарантировать безопасность и эффективность полетов воздушных судов, решающее значение имеет знание того, как оценивается видимость и как она влияет на авиацию.

1.4 Влияние метеорологической дальности видимости на полеты военной авиации
Метеорологическая дальность видимости (МДВ) — это расстояние, на котором пилот воздушного судна на центральной линии взлетно-посадочной полосы может видеть разметку поверхности взлетно-посадочной полосы или огни, обозначающие взлетно-посадочную полосу или идентифицирующие ее осевую линию.
МДВ не является наблюдением или измерением метеорологических параметров (таких как, например, направление и скорость приземного ветра, температура и давление). Это оценка, основанная на расчетах, которые учитывают различные элементы, включая атмосферные факторы, такие как коэффициент затухания атмосферы, физические/биологические факторы, такие как визуальный порог освещенности, и эксплуатационные факторы, такие как интенсивность освещения взлетно-посадочной полосы.

2 ПРИМЕНЕНИЕ ДИСКРИМИНАНТНОГО АНАЛИЗА ПРИ РАЗРАБОТКЕ СПОСОБОВ ПРОГНОЗА ЯВЛЕНИЙ ПОГОДЫ
2.1 Общие сведения о методе Берлянда
Метод Берлянда представляет собой одну из прогностических систем, направленных на определение минимальных температур воздуха. Основной акцент в разработке метода делается на применении научных и экспериментальных данных, которые позволяют более точно предсказывать атмосферные явления, особенно в условиях сложной городской среды и изменений климата [1]. В процессе применения метода важно учитывать множество факторов, включая временные интервалы, в которых происходят осреднения значений концентраций загрязняющих веществ. Это позволяет получить более реалистичную картину состояния атмосферы и минимальных температур, устойчивых для различных регионов [2].
Метод Берлянда включает в себя деление прогноза на численные и статистические подходы. Статистические методы строятся на исторических данных, что позволяет использовать их в качестве базы для будущих предсказаний. Численные же методы основаны на физических уравнениях, которые описывают динамику изменения загрязнителей в атмосфере. Это позволяет обрабатывать данные о воздействиях, происходящих в реальном времени, и учитывать их при дальнейшем прогнозировании парниковых и загрязняющих эффектов в атмосфере [3].
Анализ методов включает в себя также и контроль за климатическими аномалиями, которые могут серьезно повлиять на прогнозируемые значения минимальной температуры. При этом используются стандартные диапазоны и предельно допустимые концентрации, установленные для различных загрязняющих веществ, что позволяет выявлять случаи, которые могут угрожать экологической устойчивости региона [4]. Соответствие рассчитанных значений нормативным документам, в частности "Методике расчета концентраций в атмосферном воздухе вредных веществ", дополнительно усиливает надежность получаемых прогностических данных [5].

2.2 Статистические модели
Основные подходы к описанию процессов рассеивания примесей в атмосфере:
* Решение полуэмпирического уравнения турбулентной диффузии (К-теория)
* Статистическая модель с нормальным законом распределения концентрации (распределение Гаусса)
Известные модели рассеивания:
* Модель ГГО
* Модель ИЭМ
* Модель Паскуилла-Гиффорда
Особенности модели ГГО:
* Комбинированный подход, использующий градиентную и гауссову теории
* Определение поля концентраций только для опасной скорости ветра и наиболее неблагоприятных условий рассеивания
Модель Паскуилла-Гиффорда
Рассеяние примеси в атмосфере определяется следующими факторами:
* Мощность источника выброса примеси
* Высота источника
* Температура смеси
* Скорость ветра
* Состояние атмосферы (класс устойчивости)
Мощность источника примеси. Это масса примеси, выходящей из источника в единицу времени. Источники выбросов делятся на высокие и низкие:
* Низкие источники: выбросные трубы, вентиляционные шахты, дефлекторы и другие источники, выбросы которых производятся непосредственно в зоны аэродинамических теней зданий и сооружений.
* Высокие источники: трубы, выбрасывающие вентиляционный воздух и технологические газы в верхние слои атмосферы.
Классификация источников
Производится по их эффективной высоте, которая складывается из:

2.3 Параметрические методы дискриминантного анализа
Дискриминантный анализ также называют линейным дискриминантным анализом) был создан в 1930-х годах. Это статистический метод, который использует выборки известных категорий для создания дискриминантной модели и дискриминирования выборок неизвестных категорий. В последние годы дискриминантный анализ широко используется в естественных науках, социологии и дисциплинах экономического менеджмента. Характерной чертой дискриминантного анализа является обобщение закономерности классификации объективных объектов и установление дискриминантных формул и критериев на основе данных нескольких выборок каждой категории в истории. При обнаружении новой точки отбора проб о категории, к которой она принадлежит, можно судить на основе формулы и критерия обобщенной дискриминации. Дискриминантный анализ делится в зависимости от количества дискриминантных групп и может быть разделен на двухгрупповой дискриминантный анализ и многогрупповой дискриминантный анализ.
Метод дискриминантного анализа #
Задача дискриминантного анализа (Discriminant Analysis) четко базируется на освоенной классификации партий. Выборка, установите лучшую дискриминантную функцию, чтобы свести к минимуму количество случаев неправильных суждений, а затем определите, из какой популяции она исходит для данной новой выборки.
По характеру данных он делится на дискриминантный анализ качественных данных и дискриминантный анализ количественных данных; используя различные критерии дискриминации, существуют также дискриминантные методы, такие как метод Фишера, Байеса и расстояние.
Идея суждения Фишера заключается в проекции, которая упрощает многомерные проблемы до одномерных проблем, с которыми нужно иметь дело. Выберите подходящую ось проекции таким образом, чтобы все опорные точки были спроецированы на эту ось для получения значения проекции. Требование к направлению этой оси проекции состоит в том, чтобы сделать внутриклассовую дисперсию, образованную значениями проекции внутри каждого класса, как можно меньше, а межклассовую дисперсию, образованную значениями проекции между различными классами, как можно больше.

3 РАЗРАБОТКА СПОСОБА ПРОГНОЗА РАДИАЦИОННЫХ ТУМАНОВ И ГУСТЫХ ДЫМОК ДЛЯ АЭРОДРОМА ПУЛКОВО
3.1 Разработка алгоритма выбора математической модели
При изучении того или иного явления, в нашем случае атмосферной дисперсии, посредством математического моделирования, исследователь сталкивается с определённым массивом моделей, разработанных разными научными школами, а также массивом научно – технической документации. В таких условиях на первый план выходит систематизирующая функция науки, выстраивающая научное знание по определённой системе и позволяющая вести сравнительный анализ подходов к решению определённой задачи.
Алгоритм выбора математической модели
Шаг 1. Определение множества моделей
* Исследователь определяет множество моделей M1-MV, описывающих исследуемое явление.
Шаг 2. Определение цели расчета
* Исследователь определяет переменные, которые интересуют его в данном расчете.
* Модели, которые не могут предоставить требуемую информацию, отбрасываются, образуя множество N1-NK.
Шаг 3. Анализ ограничивающих параметров
* Модели из множества N1-NK анализируются на предмет соответствия предполагаемого расчета ограничивающим параметрам.
* Модели, которые не соответствуют этим параметрам, отбрасываются, образуя множество Z1-ZT.
Шаг 4. Анализ обеспеченности входными данными
* Модели из множества Z1-ZT анализируются на предмет обеспеченности исследователя входными данными для расчета.
4 ВЫЧИСЛЕНИЯ И АНАЛИЗ ПОЛУЧЕННЫХ ДАННЫХ
4.1 Подготовка исходных метеорологических данных
Исходные условия: архивная выборка на 200 случаев, в качестве предикторов взять температуру воздуха за 19 часов, час ночи, 7 утра и 19 часов предшествующих суток, предиктант температура воздуха за 7 часов утра следующих суток, архивную выборку за холодный период года надо взять, также провести корреляционный анализ элементов выборки

Изучение минимальных температур воздуха предоставляет ценную информацию о климатических условиях различных регионов. Обеспеченность данных с уровнем 0,98 указывает на высокую степень точности измерений. Это является ключевым моментом для качественного анализа статистики температурного режима [6]. В частности, наивысшее значение минимальной температуры составляет -25 °C, в то время как наименьшее наблюдение фиксировано на уровне -71 °C [7]. Эти показатели подчеркивают экстремальные климатические условия в ряде мест.

4.2 Проверка метода Берлянда прогноза минимальной температуры воздуха
Минимальная температура воздуха ночью (утром) зависит от многих факторов. К этим факторам относятся:
1) влажность воздуха, наличие или отсутствие облачности;
2) скорость ветра, её изменение с высотой и стратификация атмосферы в пограничном слое;
3) состояние поверхности почвы (сухая, мокрая, снежный покров), структура почвы и изменение температуры почвы с глубиной;
4) конденсация водяного пара (туман, выпадение росы или инея) или испарение влаги с поверхности почвы и нагревание или охлаждение приземного слоя воздуха;
5) рельеф местности

4.3 Оценка качества прогноза и сравнение с существующими методами
Сравнительный анализ средних минимальных температур в разные временные периоды показывает значительные колебания, которые зависят от месяца и географического положения. Например, зимние месяцы могут демонстрировать температуры, достигающие -60 °C [8]. Это подчеркивает необходимость учитывать специфику каждого региона, особенно при применении методологий прогнозирования.
 
ЗАКЛЮЧЕНИЕ
В заключение данной работы можно подвести итоги проведенного исследования, которое было направлено на проверку метода Берлянда для прогнозирования минимальной температуры воздуха. В ходе работы мы рассмотрели как теоретические аспекты данного метода, так и практические результаты его применения, что позволило глубже понять его возможности и ограничения.