Il codice open source sviluppato da un laureato della Penn State potrebbe migliorare le previsioni meteorologiche e una serie di altri sforzi di ricerca che si basano sull'abbinamento di modelli atmosferici con immagini satellitari.

Yanni Cao, che ha conseguito la laurea magistrale in geografia nel 2016, ha sviluppato il codice mentre era membro del laboratorio di geoinformatica e osservazione della terra (GEOlab) di Penn State come un modo per correggere gli errori creati quando i dati satellitari sono combinati con il modello Weather Research and Forecasting (WRF). Il lavoro è stato svolto in collaborazione con il suo consigliere, Guido Cervone, capo di GEOLab, professore associato di geoinformatica e direttore associato dell'Institute for CyberScience, e il Centro nazionale per la ricerca atmosferica (NCAR).

Per semplificare i calcoli, il modello WRF comunemente usato, come la maggior parte, presuppone che la Terra sia una sfera perfetta. Eppure i satelliti catturano una forma sferoide oblata più realistica della Terra, poiché i pianeti sono rigonfi a causa della gravità e della rotazione. Le imprecisioni nei calcoli sono causate dallo spostamento delle posizioni dei modelli da una sfera perfetta ai dati osservativi sulla Terra che si appiattiscono vicino ai poli e si gonfiano intorno all'equatore.

"L'idea di base è che la Terra non è una sfera perfetta, " disse Cao. "Per fare facili calcoli, maggior parte, se non tutto, i modelli meteorologici vedono la Terra come una sfera perfetta. Però, la maggior parte dei sistemi di telerilevamento vede la Terra come uno sferoide. C'è una differenza tra i due. Quando si utilizzano sistemi di coordinate geografiche sferoidi con un modello sferico, si crea una mancata corrispondenza."

Questo è ampiamente noto per causare errori di calcolo, Cao ha detto, ma questi errori sono più pronunciati quando i modelli sono impostati per essere eseguiti con un'elevata risoluzione spaziale. Per esempio, errori di posizione fino a 13 miglia sono stati introdotti nel modello WRF quando è stato eseguito con una dimensione della griglia di 0,6 miglia, causando errori di temperatura e altre variabili meteorologiche, particolarmente vicino a montagne e corsi d'acqua.

Per analizzare questi errori e sviluppare una metodologia che risolva questi problemi, Cao ha analizzato un'area degli Stati Uniti che è di circa 17, 000 miglia quadrate. Ha usato il modello WRF in tre scenari:dati satellitari a bassa risoluzione, dati satellitari ad alta risoluzione, e poi i dati corretti da WRF usando il codice che ha creato. Cao ha selezionato un'area nel nord-est degli Stati Uniti perché conteneva grandi dislivelli e diversi modelli di uso del suolo come foreste, aree urbane e zone umide.

Ha usato i dati per quantificare come l'associazione di modelli WRF con diverse risoluzioni satellitari ha un impatto sulla proiezione di variabili meteorologiche come temperatura, la direzione del vento, velocità del vento e rapporti di miscelazione atmosferica.

"Anche se alcuni di questi errori possono essere piccoli, introducono ancora bias nell'output del modello, " Ha detto Cao. "Per le simulazioni a risoluzioni molto elevate, questi pregiudizi sono aggravati e possono portare a errori significativi nei risultati del modello".

I suoi risultati mostrano che la mancata corrispondenza ha provocato errori nei risultati del modello per ciascuna variabile.

Cao ha utilizzato questa metodologia per migliorare l'accuratezza dei modelli per le emissioni di metano e ora lavora come data scientist rilevando perdite di metano per Picarro, una società privata con sede nella Silicon Valley.

Cervone ha aggiunto che il codice sarà vantaggioso in una serie di aree di ricerca. "Questa ricerca si adatta bene alle domande oggetto di indagine presso l'NCAR, ecco perché i ricercatori erano così interessati a far progredire questo nuovo strumento, " ha detto Cervone. "E si dimostrerà ancora più utile man mano che le immagini satellitari ad alta risoluzione diventeranno più comuni".

La ricerca è stata pubblicata su Sviluppo di modelli geoscientifici .