Журнал Белорусского государственного университета. География. Геология, 2020, № 2

ЖУРНАЛ 
БЕЛОРУССКОГО  ГОСУДАРСТВЕННОГО  УНИВЕРСИТЕТА
ГЕОГРАФИЯ 
ГЕОЛОГИЯ                 

JOURNAL 
OF  THE  BELARUSIAN  STATE  UNIVERSITY
GEOGRAPHY 
and 
GEOLOGY

Издается с января 1969 г. 
(до 2017 г. – под названием «Вестник БГУ.
Серия 2, Химия. Биология. География»)

Выходит один раз в полугодие

2
2020

МИНСК 
БГУ

РЕДАКЦИОННАЯ КОЛЛЕГИЯ

Главный редактор
АНТИПОВА Е. А. – доктор географических наук, профессор; заведующий 
кафедрой экономической и социальной географии факультета географии 
и геоинформатики Белорусского государственного уни верситета, 
Минск, Бе ларусь.
E-mail: antipova@bsu.by

Заместитель  
главного  
редактора

КЛЕБАНОВИЧ Н. В. – доктор сельскохозяйственных наук, профессор; 
заведующий кафедрой почвоведения и геоинформационных систем факультета 
географии и геоинформатики Белорусского государственного 
уни верситета, Минск, Бе ларусь.
E-mail: n_klebanovich@inbox.ru

Ответственный  
секретарь

ГАГИНА Н. В. – кандидат географических наук, доцент; заведующий 
кафедрой географической экологии факультета географии и геоинформатики 
Бе лорусского государственного университета, Минск, Беларусь.
E-mail: hahina@bsu.by

Балтрунас В.
Центр изучения природы, Вильнюс, Литва. 

Витченко А. Н.
Белорусский государственный университет, Минск, Беларусь. 

Донерт К.
Европейский центр качества, Европейская ассоциация географов, Зальцбург, Германия. 

Еловичева Я. К.
Белорусский государственный университет, Минск, Беларусь. 

Зуй В. И.
Белорусский государственный университет, Минск, Беларусь.

Калицкий Т.
Институт географии Университета Яна Кохановского в Кельце, Кельце, Польша.

Катровский А. П.
Смоленский государственный университет, Смоленск, Россия.

Курлович Д. М.
Белорусский государственный университет, Минск, Беларусь.

Маркс Л.
Варшавский университет, Варшава, Польша. 

Мезенцев К. В.
Киевский национальный университет имени Тараса Шевченко, Киев, Украина. 

Нюсупова Г. Н.
Казахский национальный университет имени аль-Фараби, Алматы, Казахстан.

Пирожник И. И.
Поморский университет, Слупск, Польша. 

Родионова И. А.
Российский университет дружбы народов, Москва, Россия. 

Руденко Л. Г.
Институт географии Национальной академии наук Украины, Киев, Украина.

Санько А. Ф.
Белорусский государственный университет, Минск, Беларусь. 

Сарменто Ж. К. В.
Университет Миньо, Брага, Португалия.

EDITORIAL BOARD 

Editor-in-chief
ANTIPOVA E. A., doctor of science (geography), full professor; head of the 
department of economic and social geography of the faculty of geog raphy 
and geoinformatics of the Belarusian State University, Minsk, Belarus.
E-mail: antipova@bsu.by

Deputy  
editor-in-chief

KLEBANOVICH N. V., doctor of science (agricultural sciences), full profes-
sor; head of the department of soil science and land information systems of 
the faculty of geog raphy and geoinformatics of the Belarusian State Univer-
sity, Minsk, Belarus.
E-mail: n_klebanovich@inbox.ru

Executive  
secretary

HAHINA N. V., PhD (geography), docent; head of the department of geo-
g raphical ecology of the faculty of geog raphy and geoinforma tics of the 
Belarusian State University, Minsk, Belarus.
E-mail: hahina@bsu.by

Baltrūnas V.
Nature Research Centre, Vilnius, Lithuania.

Vitchenko A. N.
Belarusian State University, Minsk, Belarus.

Donert K.
European Centre of Excellence, EUROGEO, Salzburg, Germany.

Yelovicheva Ya. K.
Belarusian State University, Minsk, Belarus.

Zui V. I.
Belarusian State University, Minsk, Belarus.

Kalicki T.
Institute of Geography of the Jan Kochanowski University in Kielce, Kielce, Poland. 

Katrovskii A. P.
Smolensk State University, Smolensk, Russia.

Kurlovich D. M.
Belarusian State University, Minsk, Belarus.

Marks L.
University of Warsaw, Warsaw, Poland.

Mezentsev K. V.
Taras Shevchenko National University of Kyiv, Kyiv, Ukraine.

Nyusupova G. N.
al-Farabi Kazakh National University, Almaty, Kazakhstan.

Pirozhnik I. I.
Akademia Pomorska, Slupsk, Poland.

Rodionova I. A.
Peoples’ Friendship University of Russia, Moscow, Russia. 

Rudenko L. G.
Institute of Geography of the National Academy of Sciences of Ukraine, Kyiv, Ukraine.

Sanko A. F.
Belarusian State University, Minsk, Belarus. 

Sarmento Zh. K. B.
University of Minho, Braga, Portugal.

О браз е ц  цитирова ния:
Зайко ПО, Красовский АН, Бородко СК. Совершенствование 
мезомасштабного численного прогнозирования погоды 
WRF-ARW в Республике Беларусь путем ассимиляции 
радиолокационных данных о ветре и отражаемости. Журнал 
Белорусского государственного университета. География. 
Геология. 2020;2:3–13.
https://doi.org/10.33581/2521-6740-2020-2-3-13

F o r c i ta ti o n:
Zaiko PA, Krasouski AN, Barodka SK. Improvement of meso-
scale numerical weather prediction WRF-ARW in the Republic 
of Belarus by assimilation of radar wind and reflectivity data. 
Journal of the Belarusian State University. Geography and Geology. 2020;2:3–13. Russian.
https://doi.org/10.33581/2521-6740-2020-2-3-13

Авторы:
Полина Олеговна Зайко – инженер-программист отдела 
численного моделирования прогнозов.
Александр Николаевич Красовский – кандидат физико-математических 
наук; научный сотрудник.
Сергей Константинович Бородко – научный сотрудник.

Autho r s:
Palina A. Zaiko, software engineer at the numerical weather 
prediction department. 
polly_lo@tut.by
Aliaksandr N. Krasouski, PhD (physics); researcher.
krasovsky@bsu.by
Siarhei K. Barodka, researcher. 
barodka@bsu.by

УДК 551.509.313

СОВЕРШЕНСТВОВАНИЕ МЕЗОМАСШТАБНОГО ЧИСЛЕННОГО 

ПРОГНОЗИРОВАНИЯ ПОГОДЫ WRF-ARW В РЕСПУБЛИКЕ БЕЛАРУСЬ 

ПУТЕМ АССИМИЛЯЦИИ РАДИОЛОКАЦИОННЫХ ДАННЫХ  

О ВЕТРЕ И ОТРАЖАЕМОСТИ

П. О. ЗАЙКО 1), А. Н. КРАСОВСКИЙ 2), С. К. БОРОДКО 2) 

1)Республиканский центр по гидрометеорологии, контролю радиоактивного загрязнения и мониторингу 

окружающей среды, пр. Независимости, 110, 220114, г. Минск, Беларусь

2)Национальный научно­исследовательский центр мониторинга озоносферы БГУ, ул. Курчатова, 7, 220045,  

г. Минск, Беларусь

Анализируются прогнозы опасных явлений погоды, выполненные с помощью численной мезомасштабной 

модели WRF с адаптированной системой ассимиляции данных радиолокационной отражаемости и радиальной 
скорости c сети белорусских доплеровских метеорологических локаторов Белгидромета (2019). Описываются 
способы контроля качества радиоэха на основе характеристик двойной поляризации локаторов и метод трех-
мерной вариационной ассимиляции (3D-VAR), применяемый в целях уточнения исходного поля модели WRF. 
Приводятся результаты анализа ряда смоделированных случаев осадков и сильного ветра для различных типов 
циркуляции на территории Беларуси с ассимиляцией радиолокационных данных и без нее. Выполнена статистическая 
и объектно ориентированная оценка этих прогнозов. Результаты комплексного анализа спрогнозированных 
случаев с ассимиляцией радарной информации демонстрируют уменьшение ошибки прогноза приземного ветра 
на высоте 10 м от поверхности земли на 1,34 м/с на ранних часах прогноза (+ 6 ч), а также улучшение прогноза 

местоположения, ориентации областей выпадения осадков и облачных структур, сокращение количества ложных 
тревог. Представлено предварительное заключение о возможности использования результатов прогнозов в системах 
наукастинга (сверхкраткосрочный прогноз).

Ключевые слова: краткосрочный прогноз погоды; WRF-ARW; ассимиляция данных; доплеровский метеоро-

логический локатор; двойная поляризация; оценка; наукастинг.

IMPROVEMENT OF MESOSCALE NUMERICAL WEATHER PREDICTION 

WRF-ARW IN THE REPUBLIC OF BELARUS BY ASSIMILATION  

OF RADAR WIND AND REFLECTIVITY DATA

P. A. ZAIKO a, A. N. KRASOUSKI b, S. K. BARODKAb

aRepublican Center of Hydrometeorology, Control of Radioactive Contamination and Environmental  

Monitoring of the Republic of Belarus, 110 Niezaliežnasci Avenue, Minsk 220114, Belarus

b National Research Center for Ozonosphere Monitoring, Belarusian State University,  

7 Kurčatava Street, Minsk 220045, Belarus

Corresponding author: P. A. Zaiko (polly_lo@tut.by)

The forecasts of severe weather events obtained with the WRF numerical mesoscale model with the adapted system 

for assimilation of reflectivity and radial velocity data from the network of Belarusian Doppler weather radars used in 
Belhydromet in 2019 are analysed. A description of the system for the echo quality control based on the radar dual-pola-
risation characteristics and the method for three-dimensional variational assimilation (3D-VAR) used to assimilate data in 
the WRF model are described. The results of case studies on the simulation of precipitation and strong wind for various 
circulation types in Belarus with and without radar data assimilation are given. The statistical and object-oriented verifi-
cation of these forecasts is provided. The results of the comprehensive assessment reveal a decrease in the forecast error 
for 10-m wind speed for the early forecast hours (+6 h) by 1.34 m/s, as well as a more accurate forecast of the location, 
orientation of the cloud systems and precipitation zones, and a decrease in the number of false alarms in the version with 
assimilation. A preliminary conclusion on the possibility of using the forecast results in nowcasting systems is also made.

Keywords: short-range weather forecast; WRF-ARW; data assimilation; Doppler weather radar; dual-polarisation; 

verification; nowcasting.

Введение

Системы мезомасштабного численного прогноза погоды (ЧПП) позволяют моделировать с достаточ-

но высокой точностью опасные явления конвективного масштаба (ливни, грозы, шквалистое усиление 
ветра и т. д.), наносящие значительный экономический ущерб сельскому, лесному хозяйству и транспорту 
Беларуси1. Однако подобный прогноз требует детализации из-за малых временных (от нескольких 
минут) и пространственных (от сотен метров) масштабов конвективных явлений.

Для повышения точности прогнозов опасных явлений погоды в системах численного моделирования 

применяется ассимиляция данных с высоким временным и пространственным разрешением, способных 
зафиксировать конвективные явления на территории страны.  К таким данным относятся наблюдения 
доплеровского метеорологического локатора (ДМРЛ).

Сеть радиолокационных метеорологических наблюдений Беларуси представлена станцией МРЛ-5 

(Брест) и пятью доплеровскими метеорологическими локаторами двойной поляризации (Минск, Гомель, 
Витебск, Гродно, Брест), наблюдения на которых производятся с высокой дискретностью по времени (
10 мин) и пространству (0,5–1,0 км) в радиусе 250 км на большей части Беларуси. Они дают 
уникальную информацию о распределении поля радиального ветра, отражаемости гидрометеоров, интенсивности 
осадков, микрофизической структуре облаков и зонах обледенения на территории страны. 
Эту информацию можно ассимилировать в моделях ЧПП [2].

Процесс ассимиляции метеорологических данных направлен на построение более точного начально-

го состояния атмосферы за счет включения новых, ранее не используемых наблюдений с последую щим 
учетом ошибок этих наблюдений и ошибок прогноза модели. В результате согласования всех метео-

1 Седьмое национальное сообщение Республики Беларусь в соответствии с обязательствами по Рамочной конвенции ООН 

об изменении климата [Электронный ресурс]. URL: https://unfccc.int/sites/default/files/resource/92104765_Belarus-NC7-1-AI_
BLR_NC7.pdf (дата обращения: 15.03.2020).

Журнал Белорусского государственного университета. География. Геология. 2020;2:3–13
Journal of the Belarusian State University. Geography and Geology. 2020;2:3–13

География
Geography

рологических полей формируются новые начальные и граничные условия, которые используются для 
последующего прогноза [3].

Республика Беларусь не является членом крупных метеорологических консорциумов и центров 

(Météo-France (Франция), Met Office (Великобритания) и др.), способных моделировать опасные явления 
погоды с учетом усвоенных радиолокационных метеорологических наблюдений на ее территории. 
В связи с этим создание систем ассимиляции данных белорусских метеорологических локаторов 
и последующего регионального прогнозирования опасных явлений погоды для территории Беларуси 
представляет собой государственную задачу.

В Белгидромете для прогноза опасных явлений погоды был разработан компонент системы усвоения 

данных наземных (не входящих в международный обмен) аэрологических и радиолокационных наблюдений 
для адаптированной мезомасштабной численной модели WRF (Weather Research and Forecasting) 
на базе метода трехмерного вариационного усвоения 3D-VAR.

Цель статьи – представление результатов использования прогнозов количества осадков и ветра в ме-

зомасштабной модели WRF на территории Беларуси, полученных с помощью адаптированной системы 
ассимиляции горизонтальной отражаемости и радиальной скорости с сети белорусских ДМЛР.

Для этой цели решен ряд задач: создана база данных прогнозов модели WRF для территории Белару-

си; разработаны автоматизированные программные комплексы для обработки и контроля наблюдений 
ДМРЛ Минска, Гомеля, Витебска (выполнены тестирование и выбор оптимального метода фильтрации 
данных, проведена настройка пороговых значений, запрограммированы обработка и конвертация 
радио локационных полей на языке программирования Python для последующей ассимиляции), а также 
для ассимиляции радарных данных (расчет ковариационной матрицы ошибок прогноза модели на основе 
созданной базы прогнозов, необходимой для ассимиляции методом 3D-VAR, настройка конфигурации 
системы ассимиляции).

Дается краткий обзор применения полученных прогнозов для систем наукастинга на территории 

Беларуси.

Материалы и методы исследования

Развитие сети метеорологических локаторов на территории Беларуси началось в середине 1970-х гг. 

с установки метеорологического локатора в аэропорту Гомеля (МРЛ-2, 1975) (рис. 1). За это время радиолокационная 
метеорология прошла развитие от первых некогерентных локаторов до современных 
доплеровских метеорологических локаторов двойной поляризации, фиксирующих мезоциклоны, зоны 
турбулентности и сдвиг ветра [1].

Сейчас на территории страны расположены шесть метеорологических радиолокационных систем:
• ДМРЛ Минска (ДМРЛ двойной поляризации с длиной волны 5,3 см на базе ДМРЛ «Метеор-500С» 

(Gematronic, Германия)); 

• ДМРЛ Гомеля (ДМРЛ двойной поляризации с длиной волны 5,5 см на базе ДМРЛ «Метеор-635C»);

Рис. 1. Карта расположения ДМРЛ (а) и области моделирования в эксперименте 

 с шагом сетки 9 км (D01), 3 км (D02), 1 км (D03) (б)

Fig. 1. Map of Doppler weather radars location (a) and modeling domains in experiment 

 with grid size 9 km (D01), 3 km (D02), 1 km (D03) (b)

• ДМРЛ Витебска (ДМРЛ двойной поляризации с длиной волны 5,3 см и высокой эквивалентной 

мощностью излучения (900 кВт) на базе системы ДМРЛ-С (ОАО «НПО “Лианозовский электромеханический 
завод”», Россия));

• ДМРЛ Гродно;
• ДМРЛ Бреста;
• МРЛ-5 (Брест).
Наблюдения на всех доплеровских радиолокационных системах производятся в двух импульсных 

режимах (отражаемость (радиус 250 км), скорость (радиус 150 км)) на 34 уровнях каждые 10 мин. 
В 2020 г. введены в эксплуатацию ДМРЛ Бреста и ДМРЛ Гродно (см. рис. 1).

Наиболее перспективными направлениями применения наблюдений белорусских ДМРЛ являются 

ассимиляция в модели ЧПП, наукастинг, использование поляризационных характеристик для анализа 
и предупреждения об опасных явлениях погоды (микрошквалы, ливни, турбулентность и др.) для нужд 
авиации.

Система контроля качества и подготовки данных ДМРЛ для ассимиляции

В 2014 г. в Белгидромете была разработана адаптированная система мезомасштабного численно-

го прогнозирования на основе модели WRF для территории Беларуси с улучшенным представлением 
геоданных (рельеф) и выбором оптимальных схем параметризации. Модель WRF является совместной 
разработкой Национального центра атмосферных исследований (National Center for Atmospheric 
Research, NCAR) и Национального управления океанических и атмосферных явлений (National Oceanic 
and Atmospheric Administration, NOAA). 

На первом этапе в соответствии с данной системой был подготовлен базовый компонент ассимиля-

ции метеорологических наблюдений (наземные и аэрологические) для модели WRF [1–3]. На втором 
этапе велась разработка системы контроля и подготовки белорусских радиолокационных данных и адаптированного 
компонента системы ассимиляции наблюдений для модели на основе метода 3D-VAR.

Белорусские ДМРЛ являются многопараметрическими (поляризационными), что позволяет прово-

дить более точный анализ помех от неметеорологических объектов и определять микрофизическую 
структуру метеообъекта (фазовое состояние, форма гидрометеоров), различать снег, ливень, град, 
а также дождь слабой, средней и сильной интенсивности.

В ходе наблюдений ДМРЛ формируется набор основных выходных параметров, используемых на 

этапе контроля и непосредственно для ассимиляции: радиолокационная отражаемость горизонтальной 
поляризации (DBZH); радиальная скорость (VRAD); ширина доплеровского спектра радиальных скоростей (
WRAD); коэффициент кросс-корреляции (RHOHV); дифференциальная отражаемость (ZDR); 
дифференциальная фаза (PHIDP); удельный фазовый сдвиг (KDP).

В качестве основных методов удаления помех в радиолокационных данных применялись фильтр 

Габелла [4] и метод идентификации помех на основе нечеткой логики для поляризационных характеристик (
fuzzy echo classification) [5]. Более детально методы рассматриваются в [6]. Стоит отметить, что 
создание системы контроля позволило отфильтровать помехи и подготовить радиолокационные данные, 
необходимые при последующей ассимиляции в модель WRF. Авторами проведен ряд экспериментов по 
оценке эффективности фильтрации не метеорологического эха с ДМРЛ Минска, Гомеля, Витебска выбранными 
методами и подбору критериев фильтрации. Результаты показали, что применяе мый фильтр 
на основе нечеткой логики покрывает стандартные критерии фильтрации, используемые при анализе 
эха ДМРЛ (коэффициент кросс-корреляции менее 0,7–0,8 (не метеорологический), дифференциа льная 
отражаемость более 4–5 и др.).

Затем был разработан программный комплекс для автоматизированной конечной подготовки радио-

локационных данных, включающий преобразование в координаты системы моделирования WRF, пересчет 
компонентов скорости ветра и горизонтальной отражаемости на реальные высоты и представление 
данных в формате, требуемом системой усвоения данных.

Ассимиляции радиолокационных данных в модель WRF-ARW

В основе адаптированной системы усвоения данных ДМРЛ в Белгидромете лежит трехмерный ва-

риационный метод (3D-VAR), в котором несогласованность между прогнозом и наблюдениями представляется 
в виде функционала [3; 7]. Нахождение минимумов данного функционала от искомого вектора 
состояния системы X позволяет решить задачу

J X
X
X
B
X
X
X
H X
R
X
H X

T
T
( ) =
( −
)
( −
)+
−
( )
(
)
−
( )
(
)
−
−
1
2
1
2

1
1
f
f
OBS
OBS
,

Журнал Белорусского государственного университета. География. Геология. 2020;2:3–13
Journal of the Belarusian State University. Geography and Geology. 2020;2:3–13

География
Geography

где X есть вектор, представляющий искомое поле – состояние атмосферы на сетке в момент анализа;  
X f – поле прогноза по гидродинамической модели атмосферы; B – матрица ковариаций ошибок прогноза; 
X OBS – вектор наблюдений; R – матрица ковариаций ошибок наблюдений; H – оператор наблюдений, 
связывающий наблюдения с истинным состоянием атмосферы. Для минимизации данного функционала 
применяется метод сопряженных градиентов, который включает оценку изменения контрольных 
переменных (температура, удельная влажность, давление на уровне земли, завихренность и дивергенция). 
Количество итераций составило от 15 до 20 для различных случаев.

Отражательная способность, наблюдаемая на локаторе, может быть ассимилирована в численную 

модель WRF несколькими способами. Первый способ предполагает ассимиляцию горизонтальной отражаемости 
напрямую через оператор отражательной способности. Второй способ позволяет ассимилировать 
данные через параметры содержания дождевой воды в облаках, оцениваемые по отражательной 
способности. Он также включает оценку содержания снега, крупы и других видов влаги в облаке. 
В настоящем исследовании использовался второй подход для учета влияния наблюдаемого влагозапаса 
даже при отсутствии дождевой воды на начальном часу расчета [4].  

Ассимиляция данных о радиальном ветре производится путем пересчета радиальной скорости с ло-

катора в компоненты скорости ветра модели: радиальный ветер vr можно определить, используя компоненты 
ветра (u, v, w), вертикальную скорость движения гидрометеоров (связанную с дождевыми 
каплями) vt и расстояние от радара до точки. Вертикальная скорость vt рассчитывается из массового 
содержания дождевых капель qr с коррекцией высоты [3]:

v
v
v
r
u x
x
r
y
y
r
w
z
z
r
t
=
−
+
−
+
( −
)
−
0
0
0
,

vt
s
r
p
p
q
=




(
)
5 40

0 4
0 125
,
,

,
,

где u, v, w – компоненты скорости в декартовых координатах, м/с; x, y, z – местоположение радара;  
x

0, y0, z0 – положение наблюдения; r – расстояние между радаром и наблюдением; ps – приземное давление; 
qr – массовое содержание дождевой воды, г/кг; p – давление на станции (радаре).

Вычислительный эксперимент

Для оценки возможности использования разработанной системы ассимиляции данных ДМРЛ, про-

гноза опасных явлений погоды (осадки, ветер) проводился ряд численных экспериментов (10 слу чаев), 
включающих различные синоптические ситуации на территории Беларуси в 2017–2020 гг. Случаи 
были разделены на три группы соответственно ведущим типам циркуляции, обусловливающим погоду 
на территории Беларуси: западные и ныряющие циклоны и их фронтальные разделы; южные циклоны; 
антициклоны (табл. 1) [8]. Для всех смоделированных случаев отмечались неблагоприятные (НЯ) 
и опасные (ОЯ) явления погоды.

Та бл и ц а  1 

Описание промоделированных синоптических ситуаций

Ta b l e  1 

Description of modeling synoptic conditions

Типы циркуляции
Количество 

случаев

Виды неблагоприятных  

явлений погоды

Виды опасных  
явлений погоды
Месяц

Западные 

и ныряющие 

циклоны

3

Жара (+34°), сильный 

дождь (15 мм за 12 ч), сильный 
ливень, сильный ветер 

(22 м/c), шквал

Очень сильный дождь 

(57 мм за 12 ч)

Февраль, 
март, июль

Южные 
циклоны
5

Грозы, град, сильный 

дождь, снег, гололедица,
шквалы (15–24 м/с), жара 

(+35°)

Продолжительный 

очень сильный дождь 

(50–130 мм)

Январь 

(2 случая),

август  

(3 случая)

Антициклоны
2
Туман, заморозки
Отсутствовали
Май, 

сентябрь

В целях моделирования синоптических условий использовалась система мезомасштабного прогно-

зирования для территории Беларуси на основе негидростатической модели WRF-ARW версии 4.0 [6; 9].

Прогноз рассчитывался с заблаговременностью +24 ч для трех областей размером 300 × 300 узлов 

с шагом сетки 9; 3 и 1 км на 40-Eta уровнях. Внешняя область (9 км) покрывала территорию Европы. 
В качестве начальных и боковых граничных условий использовались прогнозы модели GFS (Global 
Forecast System). Данные ДМРЛ Минска, ДМРЛ Гомеля и ДМРЛ Витебска (2019) ассимилировались 
методом 3D-VAR в срок, близкий к исходному сроку прогноза (00; 06; 12; 18 ч UTC), во временном 
окне ±1 ч. Для учета ошибок прогноза модели WRF была построена ковариационная матрица фоновых 
ошибок прогноза модели за 10 дней для каждого случая на основе метода NMC (National Meteorological 
Center) [6; 7]. 

Для контроля параллельно выполнялось моделирование выбранных случаев с ассимиляцией радио-

локационных данных и без нее. Для области моделирования с наибольшим шагом сетки (9 км) учет 
конвективных процессов проводился через схему параметризации Каина – Фритша, для более крупных 
областей (3 и 1 км) – напрямую [6; 9].

Оценка использования прогнозов модели WRF с ассимиляцией радиолокационных 

данных для прогноза осадков и ветра

Для определения влияния ассимилированных радиолокационных данных на результаты прогноза 

в промоделированных случаях проводились статистическая и объектно ориентированная оценки прогнозов 
с ассимиляцией и без нее.

На этапе статистической оценки рассчитывались средние (ME) и абсолютные (MAE) ошибки, средне-

квадратическая ошибка (RMSE) и коэффициент корреляции Пирсона R на каждые 3 ч для температуры, 
давления, скорости ветра и на 12 ч для осадков в соответствии с рекомендациями (табл. 2) [10]. В качестве 
контрольных использовались наблюдения 49 наземных метеорологических станций Беларуси 
и карты опасных явлений погоды по данным метеорологических радиолокационных систем.

Статистическая оценка результатов всех случаев моделирования говорит об определенном положи-

тельном влиянии ассимиляции радиолокационных наблюдений в начальные часы прогноза на успешность 
воспроизведения скорости приземного ветра (высота 10 м) и распределения поля осадков (см. табл. 2).

Та бл и ц а  2

Оценка прогноза скорости приземного ветра (м/с) на высоте 10 м по всем случаям (+3, +6 ч)

Ta b l e  2

Verification of the wind speed forecasts (m/s) at 10 m for all cases (+3, +6 h)

Заблаговременность, 
ч

ME
MAE
RMSE
R

без ассими-

ляции

с ассими-

ляцией

без ассими-

ляции

с ассими-

ляцией

без ассими-

ляции

с ассими-

ляцией

без ассими-

ляции

с ассими-

ляцией

+3
0,98
0,84
1,73
1,44
2,25
2,14
0,84
0,86

+6
1,74
1,41
1,97
1,89
4,18
3,26
0,67
0,71

Ошибка скорости ветра в летний период оказалась меньшей, чем в переходные и зимний периоды. 

В качестве примера летнего и зимнего периодов представлен ход скорости приземного ветра (высота 
10 м) на станции Верхнедвинска (24.08.2017) и станции Мозыря (26.01.2019). На всем интервале прогноза 
до 24 ч в летний период ошибка прогноза скорости ветра с ассимиляцией радиолокационных 
данных была значительно ниже, чем в варианте без ассимиляции (рис. 2). Для зимнего случая в первых 
часах ошибка без ассимиляции оказалась меньше, но к ночным срокам обе ошибки сравнялись (рис. 3).

Результаты прогноза количества осадков оценивались двумя способами: с помощью расчета пока-

зателей по таблице сопряженности и объектно ориентированным методом MODE (Method for Object-
Based Diagnostic Evaluation) [11].

В результате статистической оценки прогнозов метеорологических полей общая оправдываемость 

прогноза осадков (PC) увеличилась на 1 % для первых 12 ч прогноза для летних периодов. Показатель 
прогноза наличия явления (POD) с ассимиляцией данных ДМРЛ был выше на 1 %. Улучшился показатель 
прогноза отсутствия явления (PODN) на 3 %, и сократился показатель ложных тревог (FAR) 
на 1,5 %. Значение критерия Пирса – Обухова (HK) говорит о достаточно высокой способности модели 
к выявлению случаев с наличием и отсутствием осадков: для варианта без ассимиляции – 0,57, 
с ассимиляцией – 0,61 (табл. 3). Наибольшее положительное влияние ассимиляции радарных данных  

Журнал Белорусского государственного университета. География. Геология. 2020;2:3–13
Journal of the Belarusian State University. Geography and Geology. 2020;2:3–13

География
Geography

на прогноз осадков также наблюдалось в летний период, что может быть связано с активными термодинамическими 
процессами в тропосфере [12]. Для прогнозов в зимний и переходный периоды процент 
ложных тревог оказался выше.

Та бл и ц а  3

Статистическая оценка прогноза  

явления осадков для лета (+3, + 6 ч)

Ta b l e  3

Statistic verification of precipitation  
phenomena for summer (+3, + 6 h)

Показатели ошибки, %
Без ассимиляции
С ассимиляцией

PC
78
79

POD
85
86

PODN
74
77

FAR
29
27

HK
0,57
0,61

Примером прогноза осадков с ассимиляцией и без нее данных радиолокаторов в летний период 

может стать случай 02.08.2017 г., когда наблюдалось прохождение активных фронтальных разделов 
циклона через территорию Беларуси, сопровождавшееся грозами различной интенсивности и шквалистым 
усилением ветра (рис. 4). Вариант с ассимиляцией (AS) более точно спрогнозировал выпадение 
осадков по северной части страны. Вариант без ассимиляции (NA) спрогнозировал центры выпадения 
осадков на значительном удалении – более 150 км от наблюдаемых. Это дает основание говорить 
о менее точном прогнозе местоположения для моделирования без ассимиляции. На рис. 5 представлен 

Рис. 2. Прогноз скорости приземного ветра на высоте 10 м, м/c: OBS – наблюдения на станции 

Верхнедвинска; WRF D01 – без ассимиляции; WRFDA D01 – с ассимиляцией. 24.08.2017 г.
Fig. 2. Wind speed forecast on the height 10 m, m/s: OBS – Verhnedvinsk station observations;  

WRF D01 – without assimilation; WRFDA D01 – with assimilation. 24.08.2017

Рис. 3. Прогноз скорости приземного ветра на высоте 10 м, м/c: OBS – наблюдения  

на станции Мозыря; WRF D01 – без ассимиляции; WRFDA D01 – с ассимиляцией. 26.01.2019 г.

Fig. 3. Wind speed forecast on the height 10 m, m/s: OBS – Mozyr station observations;  

WRF D01 – without assimilation; WRFDA D01 – with assimilation. 26.01.2019

график распределения прогноза количества выпавших осадков за 12 ч (с ассимиляцией (PRECIP AS) – 
15 мм за 12 ч, без ассимиляции (PRECIP NA) – 0 мм за 12 ч).

Вариант без ассимиляции радиолокационных данных спрогнозировал области выпадения осадков 

на значительном удалении (более 150 км) от наблюдаемых на станции Верхнедвинска.

Наибольший интерес представляют результаты именно MODE-оценки, применяемой для анализа 

прогнозов высоколокализованных явлений (сильные осадки, сильный ветер, обледенения, турбулентность 
и др.) [11]. Именно метод MODE позволяет выполнить не только количественную оценку (оправдался – 
100 %, не оправдался – 0 %), но и качественную (насколько близко было пространственное 
распределение поля осадков к реальному) [13]. Основным источником наблюдений проверки для выделенных 
объектов являются радиолокационные данные.

В 70 % случаев моделирования на территории Беларуси отмечались сильные осадки. Ассимиля-

ция данных позволила спрогнозировать локализацию областей выпадения осадков значительно ближе  
к реальной и снизить количество ложных тревог, а также скорректировать пространственное распределение 
и ориентацию облачных систем, продуцирующих осадки. При этом оба варианта (с ассимиляцией 
и без нее) в 57 % промоделированных случаев дали превышение количества выпавших осадков 
над наблюдаемыми. Положительный эффект имел место только на первые 6–12 ч прогноза с ассимиляцией, 
это объясняется необходимостью учета новых данных для уточнения сформировавшейся погодной 
ситуации в более поздние часы, особенно в летний период. Стоит отметить, что большинство 
используе мых в мировой практике систем ассимиляции работают в циклическом режиме, с притоком 
новых метеорологических данных между основными сроками прогноза моделей (00; 06; 12; 18 ч UTC).

Рис. 4. Карта распределения осадков (в миллиметрах за 12 ч): а – с ассимиляцией данных (AS); 

б – без ассимиляции (NA). 02.08.2017 г.

Fig. 4. Map of precipitation distribution (in millimeters per 12 h): a – with data assimilation (AS);  

b – without assimilation (NA). 02.08.2017

Рис. 5. Распределение количества осадков (PRECIP) с ассимиляцией (AS)  

и наблюдения на станции (OBS) Верхнедвинска. 02.08.2017 г. 

Fig. 5. Precipitation distribution (PRECIP) with assimilation (AS) and observa-

tions at the station (OBS) Verkhnedvinsk. 02.08.2017 

Журнал Белорусского государственного университета. География. Геология. 2020;2:3–13
Journal of the Belarusian State University. Geography and Geology. 2020;2:3–13