What have we done so far in Alertness?

/

On October 1st, Alertness will deliver a report to the Norwegian Research Council, who are funding the project. Part of the report is a popular description of Alertness and the progress that has been made during the preceeding year. Here you can read this description. For the Norwegian version, click here.

Improved weather prediction in the Arctic

Climate change leads to increased activity in the Arctic, but the high-impact weather (HIW) common in these areas is hazardous to marine operations and industrial development. The ambition of Alertness is to develop world-leading capacity for the delivery of reliable and accurate Arctic weather forecasts and warnings for the benefit of maritime operations, business and society. In this science for services and society approach, Alertness develops the numerical weather prediction (NWP) model AROME Arctic, which is operational at the Norwegian Meteorological Institute (MET Norway).

The unique Arctic weather conditions challenge the observation systems and NWP models, and thereby our ability to predict the weather. For reference, Alertness has established a database of 21 Arctic HIW events, such as polar lows, maritime icing, fog and cold-air outbreaks and relevant field campaigns for the period 1987-2018. This will soon be updated with recent events. 

In the project, we evaluate forecast accuracy against available observations. The forecast capabilities are challenged by small-scale spatial variability or uncertainty. When compared to other weather forecast models, AROME Arctic performs very well. A set of common weaknesses across forecast systems are revealed, such as (i) forecasting temperature during cloud free, calm weather, (ii) an underestimation of temperature in windy conditions and (iii) an underestimation of solid precipitation. However, precipitation observations are associated with uncertainties and measurement errors. Results from Alertness show that one of the largest observational uncertainties, the wind-induced undercatch of solid precipitation by gauge measurements, has a substantial influence on the quantification of (true) forecast accuracy. In a well-read article in the science outreach newspaper forskning.no we presented, to a general audience, the methods used by researchers working on NWP models, as well as the different types of uncertainties involved.

Impact-based forecasting combines a forecast of a weather or climate hazard and an assessment of possible impacts, including when, where and how likely the impacts are. Thus, for a weather forecast to be complete the uncertainty must be quantified. This is typically done through the use of ensembles, whereby many individual forecasts, known as ensemble members, are made for the same forecast period. Alertness has constructed an ensemble from AROME Arctic with 11 members. Experiments covering the Year of Polar Prediction (YOPP) special observing periods for winter and summer show that we are not only able to make more accurate forecasts than the leading global ensemble, but we are also able to better quantify the uncertainty in the forecasts at smaller spatial scales than is currently available. Our research also gauges the influence of sea ice and sea surface temperature (SST) on the forecast reliability. We have developed an improved method which is able to target areas where the uncertainty in SST is largest.  

Alertness enhances the use of existing Arctic observation systems in data assimilation to improve the weather forecast initialization and accuracy, as well as advancing future systems. We have developed a methodology (supermodding) to improve the uptake of wind scatterometer (satellite) data by accounting for its effective resolution. Regional observing system experiments (OSEs) coordinated with global OSEs of the EU APPLICATE project, show the relative impact of different observations on forecast accuracy. This is the first such coordinated experiment between regional and global weather forecasting centres disentangling the benefits of observations on local forecast accuracy. 

Alertness has a broad and innovative approach. We develop and test new methods to decipher the inner workings of the complex model system in order to identify the most uncertain components during certain weather situations. The project applies a combination of methodological approaches to a level that has never been done before for the Arctic. 

In May 2020, close to hundred viewers attended a live streaming event on Youtube organised by Alertness on how a weather forecast is made and how researchers work with improving weather forecasts in the Arctic. People working in the emergency preparedness services and interested members of the general public were given a series of short lectures followed by a panel session with questions from viewers. Examples of usage of the data and products were given by the University Centre in Svalbard (UNIS). 

Alertness cooperates with a multitude of international projects. Of special importance is our contributions to YOPPsiteMIP, a coordinated process-based model evaluation project based on high-frequency multi-variate observations at selected Arctic supersites. www.alertness.no gives news and information about the project, as well as open access to data.

Bedre værvarsling i Arktis

Klimaendringene fører til økt næringsaktivitet i Arktis, men med røffe værforhold kan det være risikofylt å ferdes i området. Alertness-prosjektet har ambisjoner om å utvikle verdensledende kompetanse innen produksjon av pålitelige og nøyaktige værvarsler, til nytte for maritim virksomhet, næringsliv og samfunn. For å nå dette målet bruker og utvikler vi den numeriske værmodellen AROME-Arctic, som kjøres operasjonelt ved Meteorologisk institutt (MET).

Arktisk vær gir utfordringer i form av blant annet kraftig nedbør, ising, tåke, sterk vind og høye bølger, og ikke minst polare lavtrykk, som er typisk for området. De unike forholdene i Arktis fører til begrensninger i dagens observasjonssystem og værmodeller, og dermed begrensninger i vår evne til å varsle været. Behovet for bedre værvarsler er derfor prekært. Alertness har etablert en referansedatabase med 21 representative tilfeller med farlig vær fra perioden 1987 - 2018. Databasen oppdateres jevnlig gjennom prosjektperioden. 

I prosjektet evaluerer vi værvarslene mot tilgjengelige observasjoner. Evnen til å varsle været utfordres av variasjoner på liten skala og usikkerheter. Sammenlignet med andre værmodeller presterer AROME-Arctic meget bra. Enkelte svakheter er de samme for flere værmodeller, f.eks (i) temperaturvarsler for skyfritt, rolig vær (ii) underestimering av temperatur under forhold med sterk vind og (ii) underestimering av fast nedbør. Det er verdt å merke seg at observasjoner av nedbør ofte er usikre i seg selv. Resultater fra Alertness viser at en av de største usikkerhetene i målingene, nemlig underestimering av fast nedbør (snø, hagl osv) på grunn av vind, er svært viktig for  å kvantifisere kvaliteten på værvarsler. I en godt lest populærvitenskapelig artikkel i forskningsavisen forskning.no presenterte vi metodene som forskere bruker når de jobber med numeriske værmodeller, i tillegg til de ulike typene feil og usikkerheter som forskerne må ta hensyn til. 

Konsekvensbasert varsling kombinerer et værvarsel med en vurdering av mulige konsekvenser. Dette inkluderer når, hvor og hvor sannsynlig hendelsen er. For at et værvarsel skal være komplett må derfor usikkerheten tallfestes. Dette gjøres ofte gjennom å bruke såkalte ensembler. Flere ulike varsler, såkalte ensemblemedlemmer, produseres for den samme varslingsperioden. Alertness har utviklet et ensemble fra AROME-Arctic med 11 medlemmer. Eksperimenter fra Year of Polar Predicition (YOPP) sine observasjonsperioder for vinter og sommer viser at vi er i stand til å kvantifisere usikkerheten i værvarslene i mer detaljert romlig oppløsning enn det som hittil har vært mulig. For å tallfeste usikkerheten fullt ut forskes det for tiden på hvordan temperaturen av sjøis og havets overflatetemperatur påvirker varslene. Vi har utviklet en forbedret metode som kan identifisere områder der usikkerhetene i havets overflatemperatur er størst. 

Alertness videreutvikler bruken av arktiske observasjonssystem i dataassimilasjon for å forbedre initialiseringen av værvarslene og varslenes nøyaktighet, i tillegg til å utvikle fremtidens observasjonssystemer. Vi har utviklet en metode (supermodding) for å forbedre nytten av data fra scatterometer (satellittdata) av vind. Regionale og globale observasjonssystemer fra EUs APPLICATE-prosjekt viser den relative betydningen av ulike observasjoner på værvarslenes nøyaktighet. Dette er det første koordinerte eksperimentet mellom regionale og globale værvarslingssentre som viser betydningen av observasjoner lokalt på værvarslene. 

Alertness har en bred og innovativ tilnærming. Vi utvikler og tester nye metoder for å bedre forståelsen av komplekse modellsystemer for å finne de mest usikre komponentene under spesifikke værforhold. Prosjektet benytter en kombinasjon av metodiske tilnærminger i en utstrekning som aldri tidligere har vært gjort for Arktis. Blant annet gjør sannsynlighetsvarsler det mulig å vurdere risiko opp mot ulike værforhold og dermed gi brukere mulighet til å ferdes og operere tryggere og mer effektivt.

I mai 2020 fulgte nærmere 100 seere med på Youtube da Alertness arrangerte en direktesending med en rekke foredrag om hvordan et værvarsel blir til og hvordan forskere jobber med å forbedre værvarsler i Arktis. Målgruppen for arrangementet var aktører i beredskapstjenestene, i tillegg til det generelle værinteresserte publikum. På slutten av sendingen var det en åpen runde med spørsmål fra seerne. Eksempler på bruk av data og produkter ble gitt av Universitetssenteret på Svalbard (UNIS). 

Alertness samarbeider med flere nasjonale og internasjonale prosjekter. Spesielt viktig i denne sammenhengen er vårt bidrag til YOPPsiteMIP, som er et koordinert prosjekt for modellvalidering basert på høyoppløste observasjoner av flere værparametere ved utvalgte arktiske supersites. På www.alertness.no publiserer vi nyheter og informasjon om prosjektet, i tillegg til våre data.