Sebbene i Grandi Laghi siano chiamati laghi, per la loro grandezza, sono veramente mari interni. Influenzano i modelli meteorologici regionali, fornire acqua potabile a milioni di persone e guidare le economie di diversi stati.

Prevedere i livelli dell'acqua, temperature e correnti dei laghi è molto importante a causa della miriade di modi in cui le condizioni dei laghi influenzano il commercio, ricreazione e benessere della comunità. Queste previsioni comprendono il Great Lakes Operational Forecast System (GLOFS), un sistema di previsione automatizzato basato su modelli gestito dalla National Oceanic and Atmospheric Administration (NOAA).

"Le informazioni di sistema consentono ai decisori di prendere decisioni informate e i prodotti di previsione sono stati utilizzati regolarmente da un'ampia varietà di utenti, " ha detto Philip Chu, scienziato fisico supervisore del ramo di previsione e modellazione fisica ed ecologica integrata del Great Lakes Environmental Research Laboratory (GLERL) della NOAA.

Costruire un migliore sistema di previsione dei Grandi Laghi

"I livelli dell'acqua sono utilizzati dalle autorità elettriche; le condizioni delle onde e delle correnti sono utilizzate dalla Guardia costiera degli Stati Uniti per le missioni di ricerca e soccorso e i profili di temperatura sono stati utilizzati da diportisti e pescatori, " ha detto. "Le informazioni sono state utilizzate anche per prevedere le fioriture algali dannose e le condizioni di ipossia (basso ossigeno disciolto) nei Grandi Laghi".

Mentre NOAA gestisce il proprio team di modellazione per mantenere il sistema, l'agenzia collabora anche con ricercatori universitari per migliorare continuamente GLOFS. Alla Michigan Technological University, Pengfei Xue, professore associato di ingegneria civile e ambientale e direttore del Laboratorio di fluidodinamica geofisica numerica presso il Great Lakes Research Center, sta aiutando NOAA aggiungendo un componente di assimilazione dei dati.

Xue ha osservato che un tipico sistema di previsione operativa dovrebbe includere tre componenti:modellazione, una rete di osservazione e analisi dei dati.

"La regione dei Grandi Laghi ha dati di osservazione relativamente densi e a lungo termine, ma come usiamo i dati per migliorare le previsioni?" ha chiesto Xue. "Questi dati sono stati utilizzati per l'inizializzazione e la verifica del modello, ma può esserci un legame molto più forte tra le osservazioni sul campo e la modellazione numerica. L'unione dei dati osservativi nel modello può migliorare le previsioni a breve termine. Questa tecnica, chiamata assimilazione dei dati, è uno degli approcci più efficaci per combinare statisticamente dati osservativi e dinamiche del modello per fornire la migliore stima dello stato del sistema dei Grandi Laghi".

Che cos'è l'assimilazione dei dati?

Per spiegare l'assimilazione dei dati, Xue ha fatto l'esempio di prendere la temperatura di un lago. Un modello al computer potrebbe prevedere che la temperatura in un sito nel lago è di 68 gradi Fahrenheit (20 gradi Celsius). Ma una misurazione fisica nel sito mostra che la temperatura è di 70 gradi Fahrenheit (21,1 gradi Celsius).

"Tutti i modelli contengono alcune incertezze e l'osservazione ha anche rumore, che può essere grande o piccolo nel lavoro sul campo, a seconda dei diversi casi, " Xue ha detto. "A cosa dovresti credere? La tua migliore scommessa è qualcosa nel mezzo. Quando quantifichiamo il modello e le incertezze di osservazione valutando le loro performance storiche, possiamo combinare quantitativamente i dati osservativi e i risultati del modello numerico con pesi diversi e fornire una stima più accurata".

La modellazione al computer è molto più complicata di questo esempio, ha notato Xue. Un vantaggio chiave di un modello, soprattutto in un ambiente vasto e complesso come i Grandi Laghi, è che può produrre campi continui nello spazio 3D, prevedere, in qualsiasi momento e luogo, la temperatura, livelli dell'acqua, e correnti. D'altra parte, osservazioni in situ forniscono "verità fondamentale, "ma spesso sono limitate nel tempo e nello spazio.

"La quantificazione del modello e delle incertezze di osservazione è al centro delle tecniche di assimilazione dei dati, " Xue ha spiegato. "La bellezza dell'assimilazione dei dati è utilizzare le informazioni dei disadattati tra i risultati del modello e le osservazioni, che sono noti solo in punti di osservazione limitati, per correggere la distorsione del modello in uno spazio 3D oltre i luoghi di osservazione. Quindi, migliora la precisione del modello per l'intero campo di simulazione."

Più di un modello

Un altro limite delle osservazioni sul campo è il puro costo di farle. I dati osservativi sono intrinsecamente più accurati di un solo modello, ed è necessario verificare l'output di un modello. Inserendo i dati osservativi in ​​un modello, quindi utilizzando il modello per prevedere posizioni migliori per la futura raccolta di dati in situ, Il lavoro di Xue aiuta la modellazione GLOFS a migliorare, e aiuta gli scienziati a scegliere i siti di ricerca in modo efficace.

"I Grandi Laghi hanno una vasta superficie e una grande profondità. Tipicamente, dove le persone scelgono di campionare si basa sull'esperienza empirica esperta e sui loro interessi di ricerca, " Xue ha detto. "Osservazioni in situ, in particolare misurazioni del sottosuolo, rimangono limitati a causa degli alti costi di costruzione e mantenimento delle reti di osservazione. L'utilizzo dell'assimilazione dei dati per guidare la progettazione della posizione e della frequenza di campionamento dei dati e ottimizzare una rete di osservazione è uno dei temi di ricerca chiave di un sistema integrato di osservazione e previsione".

I risultati preliminari di Xue mostrano che l'assimilazione dei dati è in grado di ridurre gli sforzi di campionamento e aumenta l'accuratezza delle previsioni ottimizzando le posizioni di campionamento.

"Il contributo del professor Xue si allinea perfettamente con l'obiettivo a breve termine e la missione a lungo termine di NOAA e GLERL sulla costruzione di un sistema integrato di modellizzazione ambientale e di una nazione pronta per il clima, oceani e coste sani, " Chu ha detto. "Il suo contributo alla ricerca e la collaborazione con gli scienziati della NOAA migliorano la nostra comprensione generale del complicato sistema dinamico nei Grandi Laghi e accelerano il ritmo di sviluppo della NOAA, migliorare e trasformare il sistema di previsione operativa dei Grandi Laghi di nuova generazione in operazioni".

Il lavoro di Xue utilizza il Superiore, un'infrastruttura di calcolo ad alte prestazioni presso Michigan Tech, per costruire modelli ad alta fedeltà. I risultati del modello vengono utilizzati per costruire un progetto a lungo termine, database di temperatura assimilativo dei dati per il Lago Erie per l'utilizzo da parte di gestori di risorse e ricercatori nella comunità dei Grandi Laghi. La simulazione del Lago Erie è una prova di concetto prima che GLOFS fosse completamente riadattato utilizzando l'assimilazione dei dati. Il progetto di Xue applicherà anche l'apprendimento automatico per migliorare ulteriormente le prestazioni del modello e il campionamento adattivo in situ, con l'obiettivo di estendere il metodo a tutti e cinque i Grandi Laghi.

"Vogliamo dimostrare il potenziale di questo approccio. Il lago Erie ha sperimentato notevoli problemi ambientali per decenni ed è stato studiato in modo più completo, e le persone si rendono conto meglio delle carenze della modellazione, " Xue ha detto. "La struttura termica e la circolazione del lago Erie hanno un grande impatto sulle fioriture algali dannose e sugli eventi di ipossia. Il nostro piano è di espandere gradualmente e costruire un sistema di previsione pienamente operativo con capacità di assimilazione dei dati per migliorare l'accuratezza delle previsioni a breve termine e perfezionare il lavoro di osservazione".