Numerisk väderprognos är det sätt på vilket väderprognoser görs. Detta görs med hjälp av datormodeller av atmosfären. Sådana modeller beskriver de aktuella väderförhållandena och hur de förändras över tiden med hjälp av ekvationer. Med hjälp av de aktuella väderförhållandena kan ekvationerna lösas eller approximeras för att säga hur vädret kommer att vara i den närmaste framtiden. De relevanta fysiska parametrarna, t.ex. tryck, temperatur, vindriktning och vindhastighet, antas vara funktioner i tiden. Dessa modelleras med ett system av partiella differentialekvationer. Detta är ett dynamiskt system som löses numeriskt. De flesta av dessa ekvationer genomförs med hjälp av FORTRAN. Ekvationerna är approximerade. Eftersom antalet beräkningar är enormt många brukar superdatorer göra dem, för att bli klara innan det är för sent.

Hur en numerisk prognos skapas

Processen börjar med en aktuell bild av atmosfären — observationer från markstationer, väderballonger, vädradarsystem, satelliter och andra instrument. Dessa observationer används i en process som kallas dataassimilation för att skapa ett så korrekt som möjligt startläge (initialtillstånd) för modellen. Utifrån detta initialtillstånd körs modellen framåt i tiden genom att de matematiska ekvationerna integreras numeriskt.

Vad modellerna innehåller

  • Diskretisering: Atmosfären delas upp i ett tredimensionellt rutnät (horisontellt och vertikalt). Modellens upplösning avgör hur detaljerad prognosen blir — högre upplösning fångar mindre skala men kräver mycket mer beräkningskraft.
  • Fysikaliska parametriseringar: Många processer (t.ex. molnbildning, nederbörd, konvektion, gränsskiktsturbulens) sker i skala mindre än en gridcell och kan inte beräknas direkt. De representeras därför med parametriseringar, det vill säga förenklade, empiriska eller teoretiska modeller.
  • Vertikala nivåer: Modeller har flera vertikala lager som fångar temperatur, fuktighet och vind på olika höjder.
  • Numeriska metoder: Olika tekniker (t.ex. finita differensmetoder, spektrala metoder) används för att approximera de partiella differentialekvationerna och integrera dem i tiden.

Osäkerhet och ensembleprognoser

På grund av mätfel i observationer, approximationsfel i numeriken och förenklingar i parametriseringarna finns alltid osäkerhet i prognoser. Atmosfären är dessutom ett kaotiskt system (s.k. "fjärilseffekten"), vilket gör att små fel växer över tiden. För att kvantifiera osäkerheten körs ofta en mängd parallella beräkningar med något olika startvillkor eller modellinställningar — en s.k. ensemble. Ensembleprognoser ger sannolikheter för olika utfall och är särskilt viktiga för att bedöma risker och extrema händelser.

Bearbetning av modellutdata och presentation

Rå modellutdata behöver ofta efterbearbetas (post-processing) för att bli användbar för beslutsfattande. Det kan handla om statistisk nedskalning, korrigering av systematiska fel (bias-korrigering) eller framställning av tolkningsvänliga produkter som karta över nederbörd, vindkartor och varningar.

Superdatorernas roll

Beräkningarna är mycket krävande: hög upplösning och stora ensembles kräver enorm processorkraft och minne. Därför används superdatorer och effektiva, optimerade programvaror — traditionellt skrivna i FORTRAN — för att få resultat i tid. Realtidskrav är viktiga: prognoser måste vara klara snabbt för att kunna användas i t.ex. räddningstjänst, flygtrafik och energibranschen.

Begränsningar och framtidsutsikter

  • Prediktionshorisont: För synoptiska vädermönster är meningsfull förutsägbarhet ofta upp till cirka 7–14 dagar, men detaljerade lokala händelser som kraftig åska kan vara förutsägbara endast några timmar i förväg.
  • Datatillgång: Fler och bättre observationer (t.ex. fler satelliter, radarsystem) förbättrar initialtillståndet och därmed prognoserna.
  • Modellutveckling: Förbättrade fysikaliska parametriseringar, högre upplösning och snabbare datorer gör prognoserna stadigt bättre. Maskininlärning används mer för post-processing och vissa parametriseringar.

Sammanfattning

Numerisk väderprognos kombinerar observationer, matematik och stora datorresurser för att förutsäga atmosfärens utveckling. Även om metoden är mycket kraftfull finns alltid osäkerheter — därför kompletteras deterministiska prognoser med ensembles och statistiska metoder för att ge användbar information för beslutsfattare och allmänheten.