Denne artikkelen vil dekke ulike aspekter ved værmodeller, inkludert:

La oss starte med et eksempel. I morgen klokken 14.00 kan den europeiske værmodellen ECMWF varsle en vind på 15 knop fra øst på Isle of Wight. Man kan lure på hvordan en slik vindvarsling beregnes i utgangspunktet, og mer generelt hvordan en numerisk værmodell fungerer. I tillegg kan en annen modell, som den amerikanske modellen GFS, varsle noe annet, noe som gjør dette forvirrende for alle.

Denne artikkelen vil dykke ned i hvordan værmodeller er utformet og hvordan de fungerer. Ved å forstå disse konseptene vil sjømannen bedre kunne tolke numeriske værmeldinger og sammenligne de ulike modellene, med mål om å ta bedre og tryggere beslutninger til sjøs.

Værmodeller produserer ofte forskjellige værmeldinger for samme sted, noe som kan være forvirrende for seilere. For eksempel, i morgen klokken 14.00, kan den europeiske værmodellen ( ECMWF ) varsle 15 knop vind fra øst ved Isle of Wight, mens den amerikanske modellen (GFS) varsler noe annet. Men hvordan genereres disse værmeldingene, og hvorfor er modellene noen ganger uenige?

Denne artikkelen utforsker hvordan numeriske værmodeller er utformet og hvordan de fungerer. Ved å forstå disse konseptene kan sjømenn bedre tolke værmeldinger, sammenligne ulike modeller og ta tryggere og mer informerte beslutninger til sjøs.

Værmodeller er et komplekst tema, så la oss starte med en enkel sammenligning. Numerisk værvarsling er som å « bake en kake ».

La oss nå gå gjennom disse fire trinnene i detalj:

For å kunne forutsi fremtidens vær, må du først vite hva slags vær det er nå.
Dette er utgangspunktet ditt, og værmodellen vil beregne endringen fra denne starttilstanden. I meteorologi kalles dette utgangspunktet startforholdene og kan oppsummeres som et øyeblikksbilde av atmosfæren nå .

Å kjenne atmosfærens tilstand betyr nå at vi må måle alle værparametrene, som vindhastighet, vindretning, trykk, temperatur og fuktighet. Dette må gjøres overalt, over hele verden, ikke bare på overflaten, men også i høyden. Mange instrumenter brukes til denne komplekse oppgaven, inkludert landbaserte stasjoner, bøyer, skip, fly, satellitter og mange flere, som vist på bildet nedenfor.

Bildet ovenfor er imponerende, men realiteten er at atmosfærens tilstand på et gitt tidspunkt ikke kan vites perfekt, enten på grunn av manglende data eller unøyaktigheter i værinstrumenter. Konklusjonen er at unøyaktigheten i startforholdene er en av grunnene til at numeriske værvarsler ikke kan være helt nøyaktige, og prognoser kan ikke være korrekte 100 % av tiden.

Så, for å oppsummere, ved å ikke ha perfekte startbetingelser, dvs. de perfekte ingrediensene , kan du ikke lage en perfekt prognose, dvs. en perfekt kake .

Å lage startforhold er også en kompleks prosess, og forskjellige værbyråer lager forskjellige startforhold for å representere den samme atmosfæren samtidig .
​
For eksempel, selv om de to værmodellene, GFS og ECMWF , bruker mange av de samme instrumentdataene til å lage startforhold, kommer de opp med forskjellige startforhold. Dette er en av grunnene til at GFS og ECMWF kan være forskjellige. Som en sidemerknad bruker PredictWind disse to forskjellige startbetingelsene til å generere to forskjellige proprietære modeller:

Til slutt genereres startbetingelsene daglig på bestemte tidspunkter ved bruk av UTC-tid. Vanligvis refereres de til som 0 UTC eller 12 UTC .

​ Startbetingelsene brukes deretter til å varsle været litt senere, referert til som modelltidstrinn , og dette kan oppsummeres i en enkelt ligning:

Denne ligningen starter ved tid lik 0, som nå er , dvs. 0 UTC. Værmeldingen, la oss si 1 minutt senere, er været for startbetingelsene pluss et ledd F(A), som representerer kombinasjonen av alle typer pådriv som kan oppstå multiplisert med tidstrinnet (f.eks. 1 minutt) for å være lik værendringen i løpet av dette ene minuttet. Deretter fortsetter vi i det neste minuttet og det neste minuttet til vi får en 10-dagers værmelding.

Det følgende avsnittet vil diskutere funksjonen F , som er den fysikkligningen som danner hjertet i en værmodell.

Atmosfæren er for stor og kompleks til å simulere alt på én gang, så forskere deler den inn i et 3D-rutenett. Tenk deg å dele atmosfæren i små terninger, som en gigantisk Rubiks kube. Hver kube representerer en liten del av atmosfæren, og modellen beregner hva som skjer inni hver enkelt.

Kuben har en definert lengde, og det er værmodellens oppløsning. Den kan gis i grader eller kilometer. For eksempel har ECMWF modellen en oppløsning på 0,1° eller 9 kilometer.

Værmodellen bruker matematiske ligninger for å forutsi hvordan hver kube vil endre seg over tid. Disse ligningene er basert på fysikkens lover, som Newtons bevegelseslover og termodynamikkens lover. Disse ligningene er presentert i bildet nedenfor.

Disse ligningene er skremmende, men de er viktige siden de brukes av alle værmodeller. Det er unødvendig å forstå disse ligningene i detalj, men en grunnleggende forståelse av noen begreper kan hjelpe leseren til ikke å betrakte en værmodell som en svart boks.

Vi har lagt ut to videoer og en artikkel nedenfor for den interesserte leseren, men du kan gjerne hoppe over til del 1c.

Datamaskinen kjører simuleringen for hvert rutenettpunkt og hvert tidssteg, og beregner dermed hvordan atmosfæren utvikler seg over tid overalt på kloden. Denne prosessen gjentas om og om igjen, og oppdaterer prognosen for neste tidssteg inntil den totale prognoselengden (f.eks. 10 dager for ECMWF ) er nådd. Modellutdataene forenkles vanligvis og distribueres hver time (selv om modellens tidssteg er mye kortere, rundt noen få minutter). Svært store datamaskiner er nødvendig for å kjøre disse modellene; se bildet nedenfor.

Det tar noen timer å beregne en 10-dagers værmelding, og dette er en av grunnene til at værmeldingen som bruker startforholdene klokken 0 GMT ikke er tilgjengelig klokken 0 GMT. Vanligvis kreves det noen timer, og GFS 0 GMT-værmeldingen er tilgjengelig klokken 4:40 GMT, og for ECMWF , som har en høyere oppløsning, er den senere klokken 7 GMT. Denne forsinkelsen skyldes også tiden det tar å generere startforholdsfiler, behandle utdataene og distribuere værmeldingen til PredictWind eller andre værselskaper.

PredictWind har utviklet et verktøy for enkelt å identifisere nåværende og neste modelloppdateringstidspunkt, slik at kunden vet hvor lenge de må vente på å få den nyeste prognosen.
​

Hvis du vil ha mer informasjon om modelloppdateringstider, kan du se Modelloppdateringstider (GMT)

Prognoseutdataene distribueres i et format kalt GRIB (Gridded Binary), som er organisert i form av:

Se en tabell nedenfor som oppsummerer dette for noen modeller :

PredictWind laster ned disse værmeldingene fra GFS og ECMWF to ganger daglig (0 UTC og 12 GMT). Modeller kjøres også ved 6 UTC og 18 UTC, men startbetingelsene som brukes på disse tidspunktene har lavere oppløsning og distribueres ikke av PredictWind.

I del én presenterte vi globale modeller som varsler været for hele verden. Disse modellene er utmerkede for å varsle store værmønstre, som for eksempel et stort lavtrykk som krysser Atlanterhavet og den tilhørende vinden.

På grunn av sin store skala kan imidlertid ikke slike modeller fange opp lokale værmønstre som en lokal sjøbris eller vindakselerasjonen mellom to åser. Regionale modeller har blitt utviklet for å løse dette. Disse regionale modellene zoomer inn på et spesifikt område, vanligvis et land, og varsler dette mindre området med en høyere oppløsning som lar dem fange opp lokale effekter.

Regionale / mesoskalamodeller (kortsiktige prognoser med høyere oppløsning)

PredictWind har utviklet to regionale modeller kalt PWG og PWE 1 km . Klikk her for å finne ut mer om disse modellene.
​
Disse modellene er ikke begrenset til et bestemt land, men fokuserer på kystlinjer som er populære for seiling over hele verden. Områder som dekkes inkluderer alle kystlinjer i USA, Europa, Australia, New Zealand og mye mer.
​
For detaljer, se PredictWinds verdensomspennende dekningskart etter prognosemodell .

Vindkartet nedenfor er for stedet: Newport, USA. Kartet bruker delt skjerm-funksjon (bryterknappen er uthevet i rødt) som lar deg plassere én modell ( GFS 25 km ) til venstre og en annen modell ( PWG 1 km ) til høyre.
​

PWG viser tydelig hvordan nordavinden samhandler med land- og vannkanalene, mens GFS ikke kan gi denne informasjonen på grunn av den lave oppløsningen.

Her er en flott video som gir deg mer informasjon om modelloppløsning:

Så langt har vi diskutert deterministiske værmodeller. Disse modellene tar ett sett med startbetingelser og gir én prognoseløsning. Denne metoden er den mest nøyaktige og fungerer godt på kort til mellomlang sikt, dvs. noen få dager. Prognosepresisjonen avtar imidlertid med tiden, så en annen type værmodell kalt «ensembler» kan brukes.

En ensemble-værmodell har en annen tilnærming. I stedet for én prognose kjører den mange litt forskjellige simuleringer (kalt ensemblemedlemmer), hver med små endringer i startforhold og fysikk (f.eks. ECMWF ENS). Dette bidrar til å avsløre omfanget av mulige værutfall, noe som gjør spådommer mer pålitelige, spesielt for langsiktige prognoser og ekstremvær.
​

Ensembler brukes til å spore orkaner som er svært vanskelige å forutsi. Hver gule linje nedenfor er et spor av orkanens sentrum for ett ensemblemedlem. Et slikt plott blir noen ganger referert til som et "spaghetti"-plott. Hvis de gule sporene er gruppert og tette, er det stor sjanse for at orkanen vil følge denne flekken. Hvis de gule sporene ikke er gruppert og divergerer, er det mye usikkerhet om orkanens bane.
​

PredictWind bruker Ensemble for værruting som er lengre enn 10 dager, noe som går utover den deterministiske ECMWF modellen.

Hvis værruten din varer lenger enn 10 dager, vil beregningen av værruten etter 10 dager bli gjort ved hjelp av ett medlem av Ensemble-værmeldingen. Dette er nyttig for eksempel for en Atlanterhavskryssing som vil vare lenger enn 10 dager. Ruten vil ta deg til endepunktet ditt i Karibia i stedet for å ende midt ute i havet.

For kortsiktige prognoser (opptil 36 timer) gir høyoppløselige modeller som PredictWinds PWG og PWE 1km, eller lokale modeller som AROME, HRRR og NAM, sammen med globale modeller som ECMWF og GFS, detaljert informasjon om vind og bølger. For planlegging på lengre sikt (opptil 7–10 dager) bidrar globale modeller, inkludert ECMWF , UKMO og PredictWinds egne modeller, til å identifisere utviklende trender og vurdere prognosetilliten.

Vi tilbyr flere modeller fordi det ikke finnes én modell som er konsekvent mest nøyaktig. Ytelsen kan variere avhengig av sted og forhold – noen ganger yter én modell bedre, mens en annen tar ledelsen. Hvis alle modellene viser lignende mønstre, kan du ha større tillit til prognosen. Hvis de er mye forskjellige, er det et tegn på at det er mer usikkerhet i situasjonen.

Det er alltid best å se på kartene med høyest mulig oppløsning – høyere oppløsning betyr vanligvis en mer nøyaktig værmelding. Å sammenligne værmeldingen med lokale observasjonsstasjoner og dine egne visuelle/instrumentdata kan også hjelpe. Hvis for eksempel PWG spår 25 knop fra sør med regn, og det er akkurat det du opplever, gjør den sannsynligvis en god jobb og bør stoles mer på kort sikt.

Du kan sjekke modellens nøyaktighetsvurderinger fra et nasjonalt værsenter her:
👉 Teknisk rapport om modellvalidering

Med bare 1–2 modeller kan det være vanskelig å vite hvilken man skal stole på, men med tilgang til opptil 9 modeller er det enklere å finne konsensus og ta mer informerte beslutninger.

For å bedre forstå hva hver modell representerer, sjekk ut denne hjelpeartikkelen:
👉 Terminologi for PredictWind-modellen

Mens du er på reise anbefaler vi at du oppdaterer værruten din minst to ganger om dagen. Du kan også overvåke liveobservasjoner i ditt område for å se hvilken modell som for øyeblikket følger best med på faktiske forhold.

Du bør sjekke værmeldingen minst to ganger om dagen. PredictWinds globale modeller oppdateres hver 12. time, og noen av de regionale modellene oppdateres oftere. For en fullstendig liste over oppdateringstider, sjekk ut denne artikkelen:
👉 Oppdateringstider for værmelding (GMT)

Ensemblemodeller, som ECMWF ENS, bidra til å vurdere usikkerhet og identifisere mulige værtrender for langsiktig planlegging utover 7–10 dager. Hvis sjøforholdene er en primær bekymring, tilbyr bølge- og havmodeller som WW3 (WaveWatch III) eller RTOFS detaljerte prognoser for bølgehøyder, havstrømmer og havoverflatetemperaturer.
​

Flere viktige værparametere bør overvåkes når man planlegger en sjøreise. Vindhastighet og -retning er avgjørende, og påvirker seilingseffektivitet, drivstofforbruk og fartøyets stabilitet. Bølgehøyde og -periode bestemmer hvor urolig sjøen vil være, mens havstrømmer og tidevann påvirker navigasjon og drivstoffeffektivitet. Stormer og uvær, inkludert sykloner og vindkast, kan utgjøre alvorlige risikoer, noe som gjør det viktig å spore utviklingen av dem. Sikt og tåke er også viktige faktorer, spesielt når man navigerer gjennom overbelastede eller smale vannveier.
.

Når man bruker prognosedata, er det best å sammenligne flere modeller for å identifisere trender og inkonsekvenser. Samlede prognoser bør brukes til å vurdere usikkerhet, spesielt for langdistansereiser. Siden sjøforhold kan endre seg raskt, er hyppige oppdateringer nødvendige for å sikre sikker navigasjon. Justering av ruter og tidspunkt basert på prognostisert vind, bølger og stormer bidrar til å optimalisere både sikkerhet og effektivitet.
​

Ved å bruke de riktige værmodellene og overvåke viktige parametere, kan sjømenn ta informerte beslutninger, minimere risikoer og sikre smidigere og mer effektive reiser.

Som vi har sett siden begynnelsen av denne artikkelen, bruker numerisk værvarsling et fast sett med regler, dvs. meteorologiens fysiske ligninger, for å beregne hvordan været endrer seg.
​

Nå for tiden tar kunstig intelligens (KI) verden med storm, og den påvirker mange domener, inkludert værvarsling. Kunstig intelligens, værvarsling, bruker en helt annen tilnærming enn numerisk værvarsling.
​
I en AI-modell finnes det ingen fysikkligninger eller noen meteorologiske regler. I stedet mates AI-modellen først med mye historisk værdata, noe som gjør at modellen kan lære å varsle været. Dette kan være litt forvirrende, så la oss ta en enkel analogi for å forstå det grunnleggende konseptet bak AI-værmodellen.

La oss ta eksemplet med en gammel fisker som forlater kaia hver dag klokken 05.00 for å dra ut på fisketur. Med all sin kunnskap om å dra ut på havet de siste 40 årene, hvis du møter ham på kaia en morgen og spør ham om det kommer til å bli vind i dag, kan han si: «10 knop fra nordøst innen klokken 10.00 når jeg er tilbake på kaia, regner jeg med». Uten å kjøre noen numerisk værmodell i hodet, sammenligner han i stedet intuitivt været nå med alle lignende dager han har opplevd tidligere. Enkelt sagt, hans erfaring gjør ham i stand til å lage en prognose basert utelukkende på historiske data han har opplevd.

AI-værvarsling er litt likt, men med noen merkbare forskjeller i skala. Historiske værdata består av billioner av datapunkter, og AI-modellen består av millioner av parametere. I tillegg bruker AI-modellen romlige mønstre i observerte data for å projisere fremtidige værforhold. La oss forklare dette mer detaljert nå.

ERA5 er et globalt reanalysedatasett produsert av European Centre for Medium-Range Weather Forecasts ( ECMWF ). Det gir timebaserte vær- og klimadata fra 1950 til i dag, og dekker hele planeten med en romlig oppløsning på omtrent 31 km. ERA5 kombinerer observasjoner fra satellitter, værstasjoner og bøyer med avanserte numeriske modeller for å rekonstruere tidligere værforhold nøyaktig. Det inkluderer viktige variabler som temperatur, vindhastighet, lufttrykk, nedbør og havoverflatetemperatur.

Det som er viktig å innse er hvor store ERA5-dataene er. Vi snakker om 20 millioner gigabyte . La oss nå se hvordan dette store datasettet kan brukes til å trene AI-værmodellen slik at den kan forutsi fremtiden.

Værdata er vanligvis representert i et værkart, som ikke er noe mindre enn et bilde. På grunn av dette er typen AI som brukes til værvarsling den samme som bildebehandling.

En Vision Transformer (ViT) fungerer ved å dele værkartet inn i små områder, som å klippe et bilde i puslespillbrikker. Hvert område konverteres til tall og behandles som et ord i en setning. En transformermodell ser deretter på alle områdene sammen, og bruker selvoppmerksomhet for å finne sammenhenger mellom fjerne områder – som å oppdage en storm som dannes på tvers av regioner. Dette hjelper AI-modeller med å forstå mønstre i værdata mer nøyaktig og raskere. ViT-er analyserer hele bildet samtidig, noe som gjør dem utmerkede for å varsle komplekse værsystemer.

Nedenfor ser du hvordan en Vision Transformer tar et bilde, deler det opp i ni tokens og bruker AI-metoder kalt oppmerksomhet for å finne noen mønstre i et bilde. På samme måte kan et værkart brukes til å finne mønstre som en kaldfront, en syklonisk konvergens for dype lavtrykkssystemer, osv.

Hovedkonseptet er at vi må trene modellen ved hjelp av historiske værdata. Først når modellen er trent, kan vi bruke den til å forutsi nye værdata for å forutsi morgendagens vær.

For å forklare treningsmekanismen, la oss ta ett enkelt værkart, som er lufttemperaturen 1. januar 2000, klokken 04.00, levert av ERA5-datasettet. Se bildet nedenfor – det representerer ikke de faktiske dataene, men er gitt som et visuelt hjelpemiddel.

Ved kun å bruke image4am, vil AI-modellen lage en god prognose hvis den kan generere lufttemperaturen 6 timer senere klokken 10. Siden ERA5-databasen også har 10.00-kartet i databasen sin, vil AI-modellen kunne sammenligne prognosen med bildet i databasen og potensielt lære av feilene sine for å forbedre og lære.

I begynnelsen av modelltreningen vil modellen få image4am, og den vil opprette sitt første imageForecast10am, og værmeldingen vil faktisk være veldig dårlig . Værmeldingsbildet kan være et ensartet kart over 20 °C over hele verden, eller kanskje et kart som det nedenfor, som er litt bedre, men ikke engang i nærheten av det virkelige kartet image10am som er lagret i ERA5-databasen.

Selv om den første værmeldingen som ble gjort for AI-modellen fra klokken 04.00 til 10.00 er forferdelig, kan modellen sammenligne ImageForecast10am med image10am lagret i ERA5. Modellen vil vite hvor værmeldingen var feil og med hvor mye, f.eks. en temperaturfeil på +2° over London. Når modellen kjenner til alle disse feilene overalt på kartet, vil den justere parametrene sine for å minimere temperaturfeilene.
​
Så vil det samme bildet, Image4am, bli gitt inn i modellen en annen gang, og prognosen vil være litt bedre, men fortsatt ganske dårlig totalt sett. Nye feil vil bli beregnet på nytt, og millionene av parametere vil bli litt justert igjen. Ved å gjenta dette flere ganger, vil modellen forbedre parameterne sine og bli bedre og bedre. Vi vil ende opp med en trent modell, klar til å brukes til å forutsi lufttemperatur ved hjelp av nye data, som i dag er et lufttemperaturkart, slik at en nøyaktig prognose kan genereres.

Her er noen ytterligere relevante punkter angående AI-værmodeller:

Avslutningsvis kan en AI-værmodell forestilles som et kontrollpanel med millioner av knotter som kan justeres under treningen, slik at den gjør en god jobb med å forutsi historiske datasett. Et slikt panel kan visualiseres på bildet nedenfor.

Nå som vi har presentert kjernekonseptene bak AI-værmodeller, la oss ta en titt på hvilke modeller som er tilgjengelige for øyeblikket tidlig i 2025.

Her er en sammenligningstabell over de mest populære AI-baserte værvarslingsmodellene, inkludert Fengwu, GraphCast, FourCastNet og Pangu-Weather.

Et spørsmål du kanskje lurer på er: Er AI-værmodeller bedre enn numeriske værmodeller?

Dette er et vanskelig spørsmål å svare på, så vi legger nedenfor svaret fra Chat-GPT, som sannsynligvis er skjevt mot AI-værmodeller. Så la leseren få bedømme!

AI-værmodeller forbedres raskt, men tradisjonelle numeriske værvarslingsmodeller (NWP) har fortsatt viktige fordeler på noen områder:

Avslutningsvis er PredictWind alltid på utkikk etter innovasjon og ny teknologi for å gi brukerne våre verdens beste værteknologi.

PW AI : PW AI er vår egen PredictWind AI-modell, trent ved hjelp av våre proprietære marine datasett. Den kombinerer styrkene til ECMWF , AIFS, Fengwu og GraphCast for å generere en enkelt, optimalisert prognose som dekker hele kloden. Den gir 1-times tidssteg for de første 3 dagene, noe som gir større presisjon i tidssteg enn andre AI-modeller. PWAi presterer svært bra i valideringsstudier over korte til mellomlange perioder i større områder.

For å lære mer, les videre! I den neste artikkelen, Marin meteorologi 2: Vind , utforsker vi hvordan vinden former alle avgjørelser på vannet, lærer hvordan vi mestrer dens krefter, dekoder værkart og utnytter dens kraft for trygg og trygg navigasjon.