All börjar med observationerna
Som ingångsdata och begynnelsevillkor för alla väderprognoser krävs bästa möjliga kunskap om de rådande förhållandena och processerna i atmosfären. Uppsamlandet av observationer och konstruktionen av bästa möjliga startvärden är därför en viktig del av arbetet när en numerisk prognos skall beräknas. Det internationella nätverket av observationer innefattar ytobservationer från väderstationer och fartyg, samt höjdobservationer från ballongburna radiosonder och trafikflyg. Lika viktiga som de direkta mätningarna, är fjärranalys genom satelliter och markbundna instrument som radar, vilka växer i betydelse allt medan mätteknik och analysmetoder utvecklas.
Inte ens detta omfattande observationssystem räcker emellertid till att bestämma begynnelsevillkoren för alla vädermodellens variabler tillräckligt noggrant. Dels är observationerna ojämnt fördelade över jordklotet, dels kan inget instrument mäta alla de egenskaper som tillsammans karakteriserar vädret. För att lösa detta problem kombineras väderinformationen från observationerna med informationen från en datorbaserad väderprognos, gällande vid observationstillfället.
De nya startvärdena bestäms då genom sk. dataassimilering, där en gällande prognos -som ju innehåller en fullständig, om än approximativ bild av tillståndet i atmosfären- korrigeras med hjälp av information från de senaste observationerna. För att rätt kunna vikta prognosvärdena och de olika observationerna, är det nödvändigt att känna till noggrannheten hos varje informationskälla.
Det finns olika metoder för dataassimilering. I variationell dataassimilering den optimala kombinationen av prognos och observationer bestäms genom att minimera en målfunktion som beaktar hur mycket de sökta startvärdena avviker både från den ursprungliga prognosen och från de tillgängliga observationerna. Metoden ställer stora krav på datorkraft. Det är vanligt att bestämningen av startvärdena kräver ett lika stort räknearbete som själva prognosen.
Den operativa vädertjänsten bygger alltså på en kedja av datorprognoser, där varje länk griper in i följande genom dataassimileringssteget. Det är viktigt att hålla den här kedjan obruten. Ifall den erforderliga prognosen saknas, måste den ersättas med en äldre prognos, vilket påverkar kvaliteten hos nästa prognos.
25.4.2022