Dlaczego modele pogodowe „przestrzeliwują” temperaturę w centrach miast i w kotlinach

Po co w ogóle wiedzieć, że model się myli?

Osoba, która regularnie sprawdza pogodę, z czasem zauważa powtarzalny schemat: prognoza dla miasta lub miejscowości „mniej więcej” się zgadza, ale w szczegółach bywa rozczarowująca. W centrum dużego miasta termometr pokazuje więcej, niż obiecywała aplikacja. W górskiej kotlinie poranne mrozy są mocniejsze, niż wynikałoby z map. Zrozumienie przyczyn takich różnic pozwala samodzielnie dopasować prognozę do własnej ulicy czy doliny, a tym samym lepiej planować dzień.

W praktyce chodzi o dwie umiejętności: po pierwsze – wiedzieć, kiedy model temperaturę rażąco zaniża lub zawyża, po drugie – umieć skorygować prognozę o kilka stopni, uwzględniając lokalny mikroklimat miejski lub specyfikę kotliny.

Skąd biorą się liczby na mapach pogodowych – krótkie przypomnienie podstaw

Modele numeryczne a „prognoza z telefonu”

Prognoza, którą wyświetla telefon, w ogromnej większości przypadków nie jest ręcznym dziełem synoptyka, lecz wynikiem modelu numerycznego. Model to program komputerowy rozwiązujący równania fizyki atmosfery na siatce punktów rozłożonych nad powierzchnią Ziemi. Prognoza „z aplikacji” to zazwyczaj surowe lub lekko przetworzone dane z takiego modelu, dopasowane do lokalizacji użytkownika.

Klasyczna prognoza synoptyka powstaje inaczej. Synoptyk patrzy na wyjścia kilku modeli, dane obserwacyjne, wiedzę o lokalnym mikroklimacie i na tej podstawie koryguje to, co sugeruje model. Dla większości miejsc i terminów takich ręcznych korekt się jednak nie wykonuje – brakuje na to czasu i zasobów. Dlatego użytkownik dostaje czystą prognozę modelową lub ewentualnie statystycznie skorygowaną, ale nadal nieidealnie dopasowaną do konkretnej dzielnicy czy doliny.

Jak model dzieli atmosferę na kratki

Aby w ogóle móc coś policzyć, model numeryczny musi uprościć rzeczywistość. Całą atmosferę i powierzchnię Ziemi dzieli się na siatkę trójwymiarowych komórek. W poziomie są to kwadraty (np. 2 km x 2 km albo 7 km x 7 km), w pionie – kilkadziesiąt warstw od powierzchni aż do stratosfery.

W każdym węźle siatki model przechowuje i przelicza takie wielkości jak:

• temperatura powietrza na różnych wysokościach,
• wilgotność,
• ciśnienie,
• prędkość i kierunek wiatru,
• zawartość chmur i opadu.

Model nie „zna” więc konkretnej ulicy czy skrzyżowania, tylko komórkę siatki, w której ta ulica się znajduje. Na tej podstawie wylicza uśrednioną wartość temperatury dla całej komórki, a nie dla jednego punktu przy ziemi.

Punkt siatki modelu a Twoja lokalizacja

Gdy aplikacja pyta o prognozę dla wskazanych współrzędnych (np. GPS telefonu), system znajduje najbliższy punkt siatki modelu albo interpoluje (uśrednia) wartości z czterech sąsiednich punktów. To oznacza, że:

• temperatura, którą widzisz, jest w praktyce uśrednieniem dla obszaru kilku kilometrów,
• lokalne różnice – jak wyspa ciepła w ścisłym centrum miasta czy zimna niecka w dolinie – zostają spłaszczone.

Dane wejściowe dla modelu pochodzą z różnych źródeł: klasyczne stacje meteorologiczne, boje morskie, samoloty, sondowania aerologiczne, satelity i radary. Wszystko to jest łączone w procesie zwanym analizą numeryczną, aby na start obliczeń uzyskać możliwie spójny obraz stanu atmosfery. Temperatura, którą model prognozuje, jest więc już na starcie kompromisem między obserwacjami a dopasowaną fizyką, a nie precyzyjnym odtworzeniem każdego podwórka.

Temperatura modelowa jako wartość uśredniona

Wynik modelu dla danej komórki to nie jest pomiar z termometru przy ziemi w jednym miejscu, tylko średnia wartość reprezentatywna dla całej kratki. Co do zasady oznacza to:

• brak uchwycenia skrajności – najwyższej i najniższej temperatury w obrębie komórki,
• zacieranie różnic między terenami zabudowanymi a zielonymi i wodą,
• uśrednienie efektów wąskich dolin, niewielkich wzniesień, parków czy osiedli.

Jeżeli Twoja lokalizacja leży w miejscu ekstremalnym w skali tej komórki – w ścisłym centrum zatłoczonego miasta albo na samym dnie chłodnej kotliny – model z definicji będzie miał tendencję do „przestrzeliwania” temperatury w stosunku do tego, co pokazuje lokalny termometr.

Rozdzielczość modeli – dlaczego kratka 2–7 km nie „widzi” twojej ulicy

Globalne i regionalne rozdzielczości a rzeczywistość

Modele numeryczne różnią się gęstością siatki. Modele globalne, obejmujące całą Ziemię, pracują zwykle na rozdzielczościach od kilkunastu do kilkudziesięciu kilometrów. Modele regionalne, uruchamiane dla Europy Środkowej lub tylko Polski, potrafią zejść nawet do około 1 km. Dla zastosowań w prognozie publicznej często wykorzystuje się siatkę w przedziale 2–7 km.

Przy rozdzielczości 7 km jedna komórka obejmuje znaczną część miasta powiatowego wraz z okolicznymi przedmieściami i terenami rolniczymi. Przy 2 km jest lepiej, ale nadal w jednej kratce zmieszczą się spokojnie:

• kilka osiedli mieszkaniowych,
• fragment lasu lub parku,
• lokalny staw lub mała rzeka,
• odcinek drogi ekspresowej,
• część centrum miasta.

Dla modelu cała ta mieszanka jest jednym „pikselem powierzchni” z uśrednionymi właściwościami.

„Wygładzony” świat w kratce 2 km x 2 km

Jeżeli wewnątrz komórki 2 km x 2 km leży zarówno betonowe centrum, jak i zielone przedmieście, wynikowa temperatura będzie najczęściej pośrednia. Model nie odtworzy, że w centrum jest wyraźnie cieplej, a na skraju lasu chłodniej, bo nie operuje w ogóle pojęciem „ulica X” czy „park Y”.

W praktyce oznacza to kilka typowych efektów:

• Niedoszacowanie maksimum w centrum miasta – model częściowo „chłodzi” centrum, mieszając je z chłodniejszymi obszarami w tej samej komórce.
• Zawyżanie temperatury w chłodniejszych zakątkach – tam, gdzie lokalne warunki sprzyjają niższej temperaturze (np. osiedle przy lesie, zagłębienie terenu), wynik modelowy jest cieplejszy niż pomiar.
• Spłaszczanie kontrastów nocnych – w bezwietrzne, pogodne noce model rzadko pokaże tak duże różnice między centrum miasta a obrzeżami, jakie odnotowują stacje i prywatne termometry.

Dlaczego wąska dolina „znika” w modelu

Kotliny i doliny mają zwykle szerokość od kilkuset metrów do kilku kilometrów. Jeżeli dolina ma szerokość mniejszą lub zbliżoną do rozmiaru kratki modelu, w siatce pojawia się jako wygładzony, szerszy obszar o średnim nachyleniu. Strome zbocza i wyraźne dno są rozmyte.

Konsekwencje takiego wygładzenia są istotne:

• model „nie widzi” ostrej krawędzi zbocza, po którym nocą spływa chłodne powietrze,
• dno kotliny nie jest w modelu tak głęboko położone względem otoczenia, jak w rzeczywistości,
• ruchy powietrza w dolinie (spływ, zastoje) są tylko przybliżone lub reprezentowane w uproszczony sposób.

Jeżeli Twoja miejscowość leży na środku takiej doliny lub kotliny, prognoza modelowa ma tendencję do przestrzeliwania nocnych minimów w górę – pokazuje wartości wyższe niż realne, zmierzone przy gruncie.

Temperatura i wiatr jako wartości uśrednione

Temperatura i wiatr w wyjściu modelowym są wartościami reprezentatywnymi dla kratki. W obrębie 2 x 2 km realne warunki mogą być bardzo zróżnicowane, zwłaszcza w obszarach górskich i w złożonej zabudowie miejskiej. Użytkownik widzi jedną liczbę, ale w praktyce można ją traktować jako:

• punkt odniesienia dla „typowego miejsca” w tej kratce,
• wartość, od której lokalne ekstremalne miejsca (centrum, dno doliny) mogą się odchylać nawet o kilka stopni.

Dla świadomego odbiorcy prognozy kluczowa jest umiejętność oceny, czy dana lokalizacja jest raczej cieplejsza czy chłodniejsza niż typowa dla okolicy. Od tego zależy, czy wynik modelu trzeba w głowie podnieść, czy obniżyć.

Miejska wyspa ciepła – jak miasta podbijają temperaturę, a model się gubi

Mechanizmy miejskiej wyspy ciepła

Miejska wyspa ciepła to zjawisko polegające na tym, że obszar miejski, zwłaszcza gęsto zabudowane centrum, jest cieplejszy niż otaczające go tereny podmiejskie i wiejskie. Mechanizmy są dość dobrze poznane:

• Materiały budowlane – beton, cegła, asfalt mają wysoką pojemność cieplną, nagrzewają się w dzień i długo oddają ciepło w nocy.
• Mniejsza ilość zieleni – roślinność zużywa część energii na parowanie wody, co chłodzi otoczenie. W mieście ten mechanizm jest słabszy.
• Ograniczona wymiana powietrza – ciasne ulice i wysokie budynki utrudniają przewietrzanie, zwłaszcza przy słabym wietrze.
• Ciepło antropogeniczne – ogrzewanie, klimatyzacja, transport, przemysł – to wszystko dodatkowo podnosi temperaturę.

Efekt bywa szczególnie wyraźny nocą przy bezchmurnej pogodzie i słabym wietrze. Podczas gdy podmiejskie tereny szybko się wychładzają, centrum miasta pozostaje wyraźnie cieplejsze – nawet o kilka stopni.

Stacje meteorologiczne a centrum miasta

Oficjalne stacje meteorologiczne rzadko stoją w ścisłym centrum. Przepisy i standardy pomiarów wymagają, aby otoczenie było w miarę jednolite, przewiewne i reprezentatywne dla większego obszaru. Stacja umieszczona na betonowym placu między wysokimi kamienicami nie spełnia tych kryteriów.

W praktyce stacje lokalizuje się zwykle:

• na lotniskach,
• na przedmieściach,
• w ogródkach meteorologicznych otoczonych zielenią,
• w miejscach o stosunkowo niskiej zabudowie.

Oznacza to, że oficjalna temperatura dla miasta często odnosi się do miejsca chłodniejszego niż ścisłe centrum. Jeżeli model jest kalibrowany lub weryfikowany głównie w oparciu o takie stacje, będzie lepiej trafiał prognozę dla ich otoczenia niż dla samego serca miasta.

Typowe sytuacje, gdy centrum miasta „ucieka” modelowi

Miejską wyspę ciepła widać szczególnie dobrze w kilku sytuacjach:

• Letnie, słoneczne popołudnia przy słabym wietrze – beton i asfalt nagrzewają się szybciej niż trawa i las, więc w ścisłym centrum bywa wyraźnie goręcej niż na obrzeżach czy w parkach.
• Bezchmurne noce – poza miastem temperatura przy gruncie spada mocno, a w centrum dużo wolniej, bo budynki oddają ciepło zgromadzone w ciągu dnia.
• Okresy smogu i wyżowej pogody – często towarzyszy im stagnacja powietrza i brak przewietrzania, co dodatkowo wzmacnia wyspę ciepła.

Model o rozdzielczości kilku kilometrów „widzi” miasto jako jeden lub kilka pikseli o uśrednionych właściwościach miejskich. Rzeczywiste, bardzo silne kontrasty między centrum, osiedlami o niższej zabudowie a zielonymi klinami napowietrzającymi są rozmywane.

Jak modele próbują uwzględniać miasta

Nowoczesne modele numeryczne mają specjalne parametryzacje miejskie. Oznacza to, że część komórek siatki oznacza się jako „miejskie” i przypisuje im inne właściwości powierzchni (m.in. większą pojemność cieplną, inne albedo, mniej parowania, większe szorstkości). W bardziej zaawansowanych konfiguracjach bywają wykorzystywane modele miejskie, które próbują uwzględnić układ ulic (tzw. „urban canopy models”).

W praktyce jednak:

• klasyfikacja „miasto / nie miasto” bywa uproszczona – cała komórka jest miejska, albo nie,
• zróżnicowanie wewnątrz miasta (park vs śródmieście) jest słabo reprezentowane,

Gdzie model najczęściej się myli w mieście

Jeżeli spojrzeć na mapę prognozy i na rzeczywiste odczyty z gęstej sieci czujników miejskich, można wydzielić kilka stref, w których rozbieżności pojawiają się regularnie. Ich zrozumienie ułatwia późniejsze „korygowanie w głowie” prognozy.

• Śródmieście z gęstą, wysoką zabudową – szczególnie latem wieczorem i nocą rzeczywista temperatura jest wyższa niż wynik modelu. Różnica rośnie przy bezwietrznej pogodzie.
• Duże parki i kliny zieleni – w upalne popołudnia bywają wyraźnie chłodniejsze, niż sugeruje to model. Dla siatki 2–7 km park jest jedynie procentem powierzchni kratki.
• Obszary nad wodą – brzegi dużych rzek i zbiorników w mieście są modelowane jako „średnia” między wodą a zabudową, przez co amplituda dobowych wahań temperatury bywa w prognozie inna niż w pomiarach.
• Nowe, szybko rozbudowujące się dzielnice – baza danych o pokryciu terenu jest tam często opóźniona w stosunku do rzeczywistości. Model może traktować gęsto zabudowane osiedle jako „pół pola, pół łąki”.

Typowy przykład to letni wieczór w centrum większego miasta. Aplikacja pokazuje 24°C, tymczasem czujnik na balkonie w śródmieściu wskazuje około 27°C, a w parku po drugiej stronie miasta termometr spada poniżej 22°C. Z punktu widzenia modelu wszystkie te miejsca mieszczą się w jednym lub dwóch pikselach.

Dlaczego „temperatura odczuwalna” w mieście jeszcze bardziej odbiega

Prognozy podają często obok temperatury także tzw. temperaturę odczuwalną (uwzględniającą wiatr, wilgotność, czasem promieniowanie słoneczne). W przestrzeni miejskiej rozjazd między tą wartością a rzeczywistym odczuciem jest zwykle jeszcze większy niż w otwartym terenie.

Powody są dość proste:

• Wiatr jest w modelu silniej uśredniony niż w rzeczywistości – między budynkami mogą występować „kaniony wiatrowe” obok niemal zupełnie zastoinowych podwórek.
• Promieniowanie słoneczne i cieplne między ścianami jest bardzo niejednorodne – model nie wie, że konkretna ulica jest wystawiona na długotrwałe nasłonecznienie lub że wieczorem nagrzane fasady mocno dogrzewają przechodniów.
• Wyspy ciepła nocą powodują, że organizm nie ma szans na „regenerację” – modelowa temperatura odczuwalna może sugerować ulgę, której w śródmieściu po prostu nie ma.

W praktyce oznacza to, że w gęstej zabudowie centrum letnia „temperatura odczuwalna” bywa zaniżona o kilka stopni względem tego, co subiektywnie oceniają mieszkańcy. Z kolei w zacienionych parkach prognoza potrafi być przesadnie alarmująca.

Kotliny i doliny – naturalne pułapki zimnego powietrza

Jak powstaje zastoisko chłodu w terenie falistym

W nocy przy pogodnym niebie i słabym wietrze powietrze przy gruncie szybko się wychładza. Na stokach zaczyna spływać w dół, gromadząc się w obniżeniach terenu: dolinach, nieckach, kotlinach śródgórskich. Tworzy się zastoisko chłodu, w którym temperatura przy samej ziemi potrafi być kilka stopni niższa niż na okolicznych wzniesieniach.

W takich warunkach obserwuje się zwykle:

• szybki spadek temperatury tuż po zachodzie słońca na dnie doliny,
• utrzymywanie się chłodu aż do wschodu słońca lub pierwszego poważniejszego podmuchu wiatru,
• częste tworzenie się mgieł i zamgleń, szczególnie nad wilgotnym podłożem.

Osoba mieszkająca „na górce” i osoba w dnie doliny, oddalone od siebie o kilkaset metrów, mogą rano widzieć zupełnie inną scenę: jedna – przejrzyste powietrze i kilka stopni na plusie, druga – gęstą mgłę i szron na trawie.

Dlaczego model ma problem z nocnym ochłodzeniem w kotlinach

W modelu numerycznym te procesy są reprezentowane w uproszczeniu. Dochodzi kilka nakładających się efektów:

• Wygładzone ukształtowanie terenu – dno kotliny w danych wejściowych jest zwykle wyżej niż w rzeczywistości, a zbocza łagodniejsze. Spływ chłodnego powietrza jest zatem słabiej zaznaczony.
• Ograniczona możliwość odwzorowania mikroprzeciągów – lokalne ruchy powietrza, które decydują o tym, czy zimne powietrze „wypłynie” z doliny, czy zostanie uwięzione, są w dużej mierze pomijane lub uśredniane.
• Parametryzacja turbulencji – modele zazwyczaj zakładają określony poziom mieszania powietrza w dolnej warstwie atmosfery. W warunkach bardzo silnej stabilności (bezchmurna noc, brak wiatru) rzeczywiste mieszanie może być słabsze, niż „przyjmują” równania.

Rezultat jest taki, że dno kotliny w prognozie wydaje się lepiej „przewietrzone” i cieplejsze niż w realnych pomiarach przy gruncie. W codziennym odbiorze prognozy objawia się to tym, że aplikacja nie zapowiada przymrozku, a rano szyby samochodów są oszronione.

Różnice między dnem doliny a stokiem w siatce modelu

W obszarach górskich jedna komórka siatki potrafi obejmować jednocześnie część stoku, fragment grzbietu i fragment dna doliny. Model liczy więc jedną „średnią” temperaturę powietrza dla tej mieszanki, a następnie – na podstawie parametrów powierzchni – modyfikuje ją przy samej ziemi.

W uproszczeniu można przyjąć, że:

• gdy mieszkasz wysoko na stoku, a większość kratki zajmuje dno doliny, model często przeszacuje nocny chłód u Ciebie,
• gdy mieszkasz w dnie doliny, a dominującą część kratki stanowi teren wyżej położony, model ma tendencję do zawyżania temperatury minimalnej.

W praktyce bywa to widoczne chociażby zimą: na prognozowej mapie minimalna temperatura dla gminy pokazuje lekki mróz, tymczasem w wyżej położonych przysiółkach jest na plusie, a na dnie doliny – kilkustopniowy przymrozek i gęsta mgła.

Specyficzne problemy kotlin śródgórskich

Kotliny śródgórskie (np. duże niecki otoczone ze wszystkich stron wyraźnymi grzbietami) mają własną specyfikę. Z jednej strony są wystarczająco szerokie, aby model przynajmniej częściowo je „zobaczył”, z drugiej – wewnętrzne różnice warunków mogą być bardzo duże.

W takich regionach pojawiają się dodatkowo:

• lokalne bryzy dzienne i nocne między dnem kotliny a stokami, które modele o rozdzielczości kilku kilometrów często jedynie zarysowują,
• złożone pola wiatru, gdzie w różnych częściach kotliny kierunek i prędkość wiatru znacząco się różnią,
• długotrwałe zaleganie chłodnych mas powietrza przy słabym przewietrzaniu, zwłaszcza podczas wyżowej pogody.

W takich miejscach obserwuje się szczególnie duże odchylenia między nocną prognozą modelu a realną temperaturą przy gruncie, zwłaszcza jesienią i zimą, gdy radiacyjne wychładzanie jest silne, a słońce nisko nad horyzontem.

Jak modele opisują powierzchnię Ziemi – roślinność, zabudowa, woda, śnieg

„Typy powierzchni” w modelu numerycznym

Każda komórka siatki w modelu ma przypisane informacje o tym, co leży na powierzchni: czy jest to las, pole, woda, miasto, lód, skały lub mieszanka tych elementów. Dane pochodzą zwykle z satelitów i baz geograficznych, aktualizowanych co kilka lat. Na tej podstawie model wyznacza m.in.:

• albedo (zdolność do odbijania promieniowania słonecznego),
• pojemność cieplną i przewodnictwo gruntu i pokrycia,
• szorstkość aerodynamiczną (jak bardzo powierzchnia „hamuje” wiatr),
• maksymalną zdolność do parowania i transpiracji.

Na poziomie pojedynczego piksela jest to więc dość uproszczony opis. Komórka może być np. w 60% polem uprawnym, w 30% lasem i w 10% zabudową. Model liczy wtedy „uśrednione” własności wynikające z tej mieszanki.

Roślinność i wilgotność gleby a temperatura

Roślinność odgrywa kluczową rolę w kształtowaniu temperatury przy ziemi. Teren zalesiony czy intensywnie zadrzewiony osiedle zachowuje się cieplnie inaczej niż goły asfalt lub suche pole. Model bierze to pod uwagę, ale w sposób uśredniony dla całej kratki.

Kluczowe procesy to:

• parowanie i transpiracja – rośliny „zużywają” część energii na odparowanie wody, co schładza otoczenie,
• zacienienie gruntu – las lub zadrzewienie ogranicza dopływ promieniowania słonecznego do powierzchni, spowalniając jej nagrzewanie,
• retencja wody w glebie – wilgotniejszy grunt wymaga więcej energii, aby się nagrzać, dlatego tereny podmokłe lub silnie nawadniane pola nagrzewają się wolniej.

Jeżeli jednak w kratce modelu las zajmuje tylko niewielki fragment, a resztę stanowi suche pole lub zabudowa, jego chłodzący wpływ jest „rozsmarowany” po całej komórce. W rzeczywistości różnice między skrajem lasu a odsłoniętym pagórkiem oddalonym o kilkaset metrów mogą być latem naprawdę duże.

Zabudowa – więcej niż tylko „miasto” i „wieś”

W wielu konfiguracjach modele rozróżniają jedynie kilka podstawowych klas zabudowy: np. „zabudowa zwarta”, „zabudowa rozproszona”, „tereny przemysłowe”. W praktyce szczegóły są jednak znacznie bogatsze: od niskich domów jednorodzinnych z ogrodami, przez bloki z dużą ilością zieleni między budynkami, po gęste śródmieścia z minimalną ilością drzew.

W konsekwencji:

• osiedle jednorodzinne położone w kratce oznaczonej jako „zabudowa zwarta miejska” może być w rzeczywistości chłodniejsze niż wynikałoby z parametrów modelu,
• zagęszczone śródmieście w komórce opisanej zbyt ogólnie jako „zabudowa niska” będzie cieplejsze niż prognoza dla tej kratki.

Do tego dochodzi często opóźnienie aktualizacji danych. Duże centrum handlowe, nowe osiedle bloków czy węzeł drogowy mogą przez kilka lat być w bazie modelu wciąż oznaczone jako pole lub nieużytek. Model będzie wówczas zaniżał temperaturę w ich bezpośrednim otoczeniu, szczególnie latem.

Woda i jej wpływ na pobliską temperaturę

Duże zbiorniki wodne i szerokie rzeki mają znaczący wpływ na temperaturę powietrza w swoim sąsiedztwie. Woda nagrzewa się wolniej niż ląd i wolniej się wychładza, dlatego w jej otoczeniu amplituda dobowa temperatur bywa mniejsza.

Model zwykle dobrze rozpoznaje większe akweny, ale problemy pojawiają się w kilku sytuacjach:

• wąskie rzeki i kanały w miastach są zbyt małe, aby istotnie zmienić parametry kratki,
• sztuczne zbiorniki i stawy o złożonym kształcie bywają uśredniane lub łączone z lądem w jedną kategorię,
• teren zalewowy, który okresowo jest pod wodą, może być w modelu opisany jedynie jako „wilgotny grunt”.

Skutkiem jest sytuacja, w której mieszkaniec osiedla nad dużym jeziorem latem doświadcza wyraźnie chłodniejszych wieczorów niż sugeruje prognoza modelowa, podczas gdy kilka kilometrów dalej, już poza bezpośrednim wpływem wody, wynik prognozy lepiej odpowiada rzeczywistości.

Śnieg w modelu – skąd biorą się błędy temperatury zimą

Pokrywa śnieżna bardzo silnie wpływa na bilans energetyczny powierzchni. Jasny, świeży śnieg odbija większość promieniowania słonecznego (ma wysokie albedo) i dodatkowo izoluje grunt, przez co zachowanie temperatury przy ziemi znacząco różni się od sytuacji bez śniegu.

Modele prognozujące temperaturę muszą wiedzieć, gdzie śnieg leży, jaka jest jego grubość i jak się zmienia w czasie. Informacje te pochodzą z kilku źródeł: z modeli opadu, obserwacji naziemnych i satelitarnych oraz parametrów fizycznych śniegu. W tym procesie pojawia się kilka typowych pułapek:

• mozaika pokrycia śniegiem jest w siatce uśredniana – jeśli połowa kratki jest jeszcze biała, a druga połowa już bez śniegu, model operuje wartością pośrednią,

• lokalne opady śniegu o niewielkim zasięgu mogą zostać w ogóle „wygładzone” w uśrednianiu komórki, choć w rzeczywistości biały puch zalega np. w dolinie, a na sąsiednim, wyżej położonym stoku go nie ma,
• wolne „znikanie” śniegu w modelu – gdy w terenie pokrywa stopiła się już na większości obszaru, model nadal widzi jej fragmenty i zawyża albedo, przez co może zaniżać temperaturę maksymalną,
• błędna grubość pokrywy – gdy model przeszacował wcześniejsze opady śniegu, będzie następnie utrzymywał zbyt „grubą” warstwę, co wpływa na tempo topnienia i na bilans cieplny przy gruncie.

Dla odbiorcy prognozy ma to wyraźne skutki. Zimą w centrum miasta, gdzie śnieg szybko znika z asfaltu i dachów, aplikacja może przez kilka dni zaniżać temperatury dzienne, bo model wciąż „widzi” śnieg w kratce obejmującej także chłodniejsze, słabiej zabudowane obrzeża.

Miasto jako specyficzny „typ powierzchni” – uproszczenia i ich skutki

Rozbudowane modele mają moduły opisujące tzw. miejski klimat lokalny (urban canopy). W uproszczeniu zakładają pewien „typowy” profil ulic, wysokości budynków, udziału zieleni i materiałów, a następnie na tej podstawie modyfikują wymianę ciepła i wilgoci nad obszarami zabudowanymi.

W rzeczywistości ten „typowy” profil często odbiega od konkretnej dzielnicy. Śródmieście z wąskimi ulicami i wysoką zabudową zachowuje się inaczej niż niska zabudowa z dużą ilością drzew i ogródków, nawet jeśli w modelu obie strefy leżą w tej samej kategorii. W praktyce oznacza to m.in., że:

• w gęstej zabudowie ścisłego centrum noce bywają cieplejsze, niż wynikałoby to z wartości uśrednionych dla całej kratki,
• w dzielnicach z dużą ilością zieleni i luźną zabudową temperatura dzienna może być nieco niższa od prognozy, szczególnie podczas upałów, gdy parowanie z roślin jest silne.

Miasta, które w ostatnich dekadach intensywnie się rozbudowały, stanowią dodatkowe źródło błędów. Jeżeli baza danych o pokryciu terenu nie została dostatecznie często zaktualizowana, duże osiedla mieszkaniowe lub biurowe mogą być nadal oznaczone jako tereny otwarte. Model potraktuje je zatem jak pola lub łąki, co zwykle prowadzi do zaniżenia prognozowanej temperatury w dzień i przeszacowania nocnego wychładzania.

Mikromozaika miejskiej powierzchni a uśrednianie w modelu

W obszarach miejskich pojedyncza kratka o rozdzielczości kilku kilometrów obejmuje cały zestaw kontrastujących ze sobą „światów”: ciemny asfalt, parki, zwarte kwartały kamienic, osiedla domów jednorodzinnych, kompleksy hal magazynowych, pasy kolejowe czy szerokie arterie drogowe. Z punktu widzenia modelu jest to jedna „średnia” mieszanka własności fizycznych.

W praktyce taki zabieg ma dwie konsekwencje. Po pierwsze, lokalne „plamy” bardzo wysokiej temperatury (np. gęsto zabudowane śródmieście) zostają rozmyte w wyniku uśredniania z chłodniejszymi, zielonymi enklawami w tej samej kratce. Po drugie, chłodniejsze wyspy – parki, skwery, duże ogrody działkowe – są w modelu znacznie mniej wyraźne niż w odczuciu mieszkańców. Dlatego prognoza dla „Twojego miasta” może utrzymywać stosunkowo łagodne wartości, podczas gdy spacer ulicą w słoneczne popołudnie sugeruje wręcz przeciwnie.

Sezonowość parametrów powierzchni – jak „żyć” z danymi sprzed miesięcy

Opis powierzchni w modelu ma co do zasady charakter sezonowy, ale zmiany nie nadążają idealnie za rzeczywistością. W uproszczeniu można wyróżnić dwa poziomy zmienności:

• wolne zmiany strukturalne – urbanizacja, wylesianie, powstawanie zbiorników wodnych; są aktualizowane rzadko, zwykle w cyklu kilkuletnim,
• szybkie zmiany sezonowe – rozwój roślinności, wysychanie gleby, topnienie śniegu; odtwarzane częściej, ale nadal w sposób przybliżony.

Skutkiem tej „inercji” danych bywa niedopasowanie parametrów powierzchni do konkretnego dnia. Wiosną, gdy roślinność w rzeczywistości już się zazieleniła, model może nadal częściowo opierać się na zimowych wartościach pochłaniania promieniowania czy potencjału parowania. W efekcie prognoza dla zielonego przedmieścia będzie nieco zawyżać temperaturę maksymalną w słoneczny dzień. Analogicznie późnym latem, na silnie wysuszonych glebach, model może zakładać jeszcze zbyt dużą zdolność do parowania, co prowadzi do lekkiego zaniżenia temperatury popołudniowej.

Dlaczego odczuwalna temperatura w mieście odbiega od prognozy

Rola zabudowy i materiałów w „przestrzeliwaniu” temperatury

Prognozowana temperatura powietrza dotyczy zwykle wysokości około 2 metrów nad gruntem na otwartej, przewietrzanej przestrzeni. W centrum miasta takie warunki są rzadkością. Ściany budynków, asfalt, ciemne dachy i brak cienia tworzą środowisko, w którym bilans cieplny człowieka jest inny niż na stacji meteorologicznej.

W praktyce oznacza to, że:

• podczas upałów rzeczywista temperatura „odczuwalna” w zabudowie śródmiejskiej będzie wyższa niż wskazywana przez prognozę modelową, nawet jeśli sama temperatura powietrza na wysokości 2 m jest podobna,
• z kolei w zacienionych, zielonych uliczkach lub parkach, szczególnie przy obecności wilgoci, odczuwalne warunki mogą być wyraźnie łagodniejsze niż sugeruje liczba w aplikacji.

Modele numeryczne co do zasady nie rozróżniają tych mikro-odmian przestrzeni na poziomie kilkudziesięciu metrów. Kratka, w której znajduje się ścisłe centrum z kamienicami, obejmuje też dachy centrów handlowych, pas zieleni przy rzece czy ogródki działkowe. Użytkownik stojący w pełnym słońcu na rozgrzanym placu ma więc wrażenie, że prognoza zaniża temperaturę, choć model w uśrednieniu tego obszaru jest bliski prawdy.

Przewietrzanie ulic a błędy prognoz nocnych

Nocą w miastach duże znaczenie ma sposób, w jaki powietrze przemieszcza się między budynkami. Szerokie aleje mogą działać jak kanały wentylacyjne, którymi napływa chłodniejsze powietrze, podczas gdy zwarte kwartały z wąskimi uliczkami sprzyjają jego zaleganiu. Model w siatce kilku kilometrów ma jedynie ogólne informacje o „szorstkości” terenu i średniej gęstości zabudowy, nie zaś o konkretnym układzie ulic.

W konsekwencji:

• na dobrze przewietrzanych osiedlach nocna temperatura przy gruncie może spadać bardziej, niż wynika to z prognozy „dla miasta” – wiatr realnie skuteczniej wymienia ciepło niż w uśrednionym opisie kratki,
• w „zamkniętych” podwórkach i podwórzach-studniach model często nie doszacowuje nocnego zatrzymania ciepła, przez co tamtejsze minimum będzie wyższe niż prognozowana wartość.

Na poziomie codziennego doświadczenia wpływa to chociażby na decyzje o wietrzeniu mieszkań. Gdy aplikacja pokazuje umiarkowaną nocną temperaturę, w rzeczywistości w przewiewnym rejonie miasta może zrobić się chłodniej, niż sugeruje prognoza, podczas gdy w zabudowie zwartej gorące powietrze będzie utrzymywać się do rana.

Efekty uboczne miejskiej wyspy ciepła w kotlinach i dolinach

W miastach położonych w kotlinach lub w dnach szerokich dolin nakładają się na siebie dwa mechanizmy: miejska wyspa ciepła i skłonność terenu do gromadzenia chłodnego powietrza. W modelu, który operuje na kratce obejmującej zarówno samo miasto, jak i jego chłodniejsze, rolnicze otoczenie, obraz jest jeszcze bardziej uśredniony.

Typowy schemat wygląda następująco: w bezchmurną noc chłodne powietrze spływa ze stoków do dna kotliny, ale nad samym centrum miasta ogrzane budynki i nawierzchnie spowalniają wychładzanie. Model widzi jedną „średnią” temperaturę dla całego obszaru, przez co:

• na wiejskich przedmieściach prognoza często nie pokazuje przymrozku, podczas gdy w przygruntowej warstwie powietrza temperatura faktycznie spada poniżej zera,
• w śródmieściu, szczególnie przy słabym wietrze, nocna temperatura bywa wyższa niż wartość prognozowana dla całej kratki, bo model częściowo „dzieli” ciepło miasta z chłodniejszym otoczeniem.

W takich lokalizacjach różnice między odległymi o kilka kilometrów punktami potrafią przekraczać kilka stopni, mimo że wszystkie leżą formalnie „w tym samym mieście”. Uśredniona prognoza modelowa siłą rzeczy nie jest w stanie oddać tej mozaiki.

Jak użytkownik może interpretować prognozy dla miast i kotlin

Łączenie prognozy modelowej z lokalną wiedzą

Korzystając z prognoz dla centrum miasta lub rejonu położonego w kotlinie, pomocne bywa zestawienie wskazań modelu z własnymi obserwacjami. W praktyce można przyjąć kilka prostych reguł korekty „w głowie”:

• w zwartej zabudowie śródmiejskiej temperatura minimalna nocą będzie zwykle wyższa niż prognoza „dla miasta” – szczególnie w okresach bezchmurnych i bezwietrznych,
• w terenach otwartych, zwłaszcza na obrzeżach kotliny lub w dnie doliny przygruntowe minimum bywa niższe od wskazań aplikacji, co ma znaczenie np. dla przymrozków,
• nad dużym jeziorem lub rzeką w ciepłej porze roku wieczory i noce są łagodniejsze, a amplituda dobowa mniejsza niż średnia prognozowa dla gminy,
• w silnie zabetonowanych fragmentach miasta temperatura w pełnym słońcu odczuwalnie przewyższa prognozowaną wartość, nawet jeśli termometr w dobrze wentylowanym miejscu pokazuje wynik bliższy modelowi.

Takie proste „poprawki mentalne” pozwalają lepiej wykorzystać prognozę, bez oczekiwania, że model dosłownie trafi w temperaturę przy konkretnym budynku czy na dnie konkretnej niecki terenowej. W wielu sytuacjach kilka sezonów własnych obserwacji w jednym miejscu daje wyczucie, w którą stronę i o ile typowo „przestrzeliwuje” prognoza numeryczna.

Znaczenie gęstych pomiarów i inicjatyw obywatelskich

Jednym ze sposobów uzupełniania obrazu z modeli jest zagęszczanie sieci pomiarowej. Coraz częściej pojawiają się prywatne stacje meteorologiczne, czujniki montowane przez samorządy czy projekty nauki obywatelskiej. W połączeniu z modelami numerycznymi tworzy to cenną informację o tym, jak rozkłada się temperatura w obrębie jednej kratki siatki.

Odczyty ze stacji umieszczonych w centrum miasta, na jego zielonych obrzeżach i w dnie pobliskiej doliny pokazują, jak szeroki jest rozrzut wartości wokół prognozy modelowej. W kolejnych latach te dane, odpowiednio przetworzone, mogą być wykorzystywane do ulepszania parametrów powierzchni w modelach oraz do tworzenia lokalnych „korekt” dla wybranych dzielnic czy typów terenu.

Najważniejsze punkty

• Prognoza w aplikacji to co do zasady surowy wynik modelu numerycznego, a nie ręczna prognoza synoptyka, więc nie uwzględnia w pełni lokalnych niuansów konkretnej dzielnicy, ulicy czy doliny.
• Model dzieli atmosferę na trójwymiarową siatkę komórek (np. 2–7 km w poziomie), a podawana temperatura jest uśrednieniem dla całej kratki, a nie wiernym odtworzeniem warunków przy Twoim termometrze.
• W centrach miast modele zwykle zaniżają temperaturę, bo ciepłe „serce” miasta jest uśredniane z chłodniejszymi, bardziej zielonymi lub mniej zabudowanymi fragmentami tej samej komórki.
• W kotlinach i chłodnych zagłębieniach terenowych modele mają tendencję do zawyżania temperatury, gdyż nie wychwytują w pełni efektu gromadzenia się zimnego powietrza na dnie doliny.
• Przy rozdzielczości rzędu kilku kilometrów model „wygładza” skrajności – nie widzi pojedynczych ulic, parków czy osiedli, przez co zaciera kontrast między betonową zabudową, lasem a wodą.
• Większość prognoz publicznych nie jest indywidualnie korygowana przez synoptyka, dlatego użytkownik, znając lokalny mikroklimat, może świadomie „dodać” lub „odjąć” kilka stopni od wartości z aplikacji.
• Świadomość, kiedy i dlaczego model się myli (np. ciepła noc w centrum miasta, silny mróz w kotlinie), pozwala bardziej precyzyjnie planować codzienne działania niż poleganie wyłącznie na surowej prognozie.