The Role of Deep Mesoscale Eddies in Ensemble Forecast Performance

Dit onderzoek toont aan dat het assimileren van diepzeeobservaties in ensemblevoorspellingen van de Golf van Mexico essentieel is om de initieel diepe oceaancondities beter te beperken en zo de nauwkeurigheid van oppervlakte- en suboppervlaktevoorspellingen te verbeteren.

De kern

De Diepe Oerkracht: Waarom de Diepzee de Weervoorspelling voor de Golf van Mexico Beïnvloedt

Stel je de Golf van Mexico voor als een gigantisch, warm zwembad. In dit zwembad stroomt een enorme, warme rivier: de Loop Current. Deze rivier komt uit de Caraïben, stroomt door de Golf en verlaat het gebied via Florida. Soms doet deze rivier een grote lus, en soms knapt er een stukje af. Dit afgesneden stukje is een enorme draaikolk van warm water, een Loop Current Eddy (LCE).

Deze draaikolken zijn belangrijk. Ze beïnvloeden hoe stormen (zoals orkanen) zich gedragen, waar vissen zwemmen en hoe veilig olieschepen kunnen varen. Wetenschappers proberen te voorspellen wanneer en waar deze draaikolken ontstaan. Maar hier zit een probleem: ze kijken vooral naar het water aan de oppervlakte.

Het Probleem: De Verborgen IJsberg

Dit artikel van Cooke en zijn collega's zegt eigenlijk: "Jullie kijken alleen naar het wateroppervlak, maar vergeten wat er 1000 meter diep gebeurt."

Stel je voor dat je een bootje bestuurt op een meer. Je kijkt alleen naar de golven op het water. Maar onder het wateroppervlak zitten enorme, onzichtbare stromingen die je bootje kunnen duwen of trekken. Als je die niet ziet, kun je je koers niet goed voorspellen.

In de Golf van Mexico gebeurt precies dit. Er zijn enorme draaikolken diep onder water (dieper dan 1000 meter). Deze diepe draaikolken interageren met de oppervlaktewateren. Ze kunnen de oppervlaktewarmte omhoog duwen of de stroming veranderen. Als je voorspellingmodel deze diepe "onderwaterkrachten" niet goed kent, gaat je voorspelling voor het oppervlak fout.

Het Experiment: Een Race van 32 Bootjes

De onderzoekers gebruikten een geavanceerd computermodel om 32 verschillende scenario's (een "ensemble") te draaien. Het was alsof ze 32 verschillende kapiteins hadden die elk een andere route probeerden te voorspellen voor dezelfde 92 dagen.

Ze keken naar twee specifieke periodes waarin een grote draaikolk (genaamd "Thor") afsplitste, weer terugkwam en toen definitief afsplitste. Dit was een lastige periode om te voorspellen.

De onderzoekers deelden de 32 kapiteins in twee groepen:

1. De Winnaars: Diegenen wier voorspellingen het meest overeenkwamen met de werkelijkheid (gemeten door satellieten).
2. De Verliezers: Diegenen wier voorspellingen het minst goed waren.

De Ontdekking: De Diepe Sleutel

Wat vonden ze?
De winnaars hadden een cruciaal voordeel: hun model had een betere inschatting van de diepe stromingen op het moment dat ze begonnen. Zelfs als ze geen directe metingen van de diepzee gebruikten (want die worden vaak niet in de computer ingevoerd), leek het model van de winnaars toevallig de juiste diepe structuur te hebben.

• De Winnaars: Zagen een sterke, diepe draaikolk op de juiste plek. Dit hielp hen om precies te voorspellen waar de oppervlaktedraaikolk (Thor) zou afsplitsen.
• De Verliezers: Zagen die diepe draaikolken niet goed of op de verkeerde plek. Hierdoor dachten ze dat de oppervlaktedraaikolk ergens anders zou afsplitsen, of dat hij langer zou blijven hangen dan hij deed.

De Analogie: De Dans van de Diepzee

Je kunt het zien als een danspartij.

• De oppervlaktewateren zijn de dansers die je ziet.
• De diepzee is de muziek en de vloer onder hen.

Als de vloer (de diepzee) niet stabiel is of als de muziek (de diepstroming) verandert, veranderen de dansers (het oppervlak) hun beweging. Als je alleen naar de dansers kijkt, zie je niet waarom ze ineens een andere stap zetten. Je moet ook naar de vloer kijken om de dans te begrijpen.

Wat betekent dit voor de toekomst?

De boodschap van dit onderzoek is helder: Om de oceaan goed te voorspellen, moeten we ook de diepzee meten.

Op dit moment meten we vooral de temperatuur en het zoutgehalte in de bovenste 1000 meter. Maar om de Loop Current en de grote draaikolken echt goed te begrijpen, moeten we ook kijken naar wat er diep onder water gebeurt. Als we metingen van de diepzee (zoals druk en stroming op de zeebodem) toevoegen aan onze computermodellen, kunnen we veel betere voorspellingen doen.

Dit is niet alleen leuk voor wetenschappers; het is cruciaal voor:

• Veiligheid: Beter weten waar orkanen naartoe gaan.
• Industrie: Veiligere routes voor olietanks en boorplatforms.
• Visserij: Beter begrijpen waar de vissen zijn.

Conclusie

Kortom: Je kunt de oceaan niet alleen van bovenaf begrijpen. Net zoals je een ijsberg niet volledig ziet als je alleen naar de top kijkt, zie je de echte kracht van de Golf van Mexico niet als je alleen naar het oppervlak kijkt. De diepzee is de onzichtbare regisseur die de show stuurt, en als we die regisseur beter leren kennen, worden onze voorspellingen veel scherper.

Technische samenvatting

Titel: De rol van diepe mesoscale wervels in de prestaties van ensemblevoorspellingen

Auteurs: Justin P. Cooke et al.
Publicatie: Ingediend voor publicatie (AMS LATEX template).

---

1. Probleemstelling

Huidige oceanografische voorspellingssystemen in de Golf van Mexico (GoM) vertrouwen voornamelijk op data-assimilatie technieken die de modelbasis toestand aanpassen op basis van metingen van temperatuur en zoutgehalte. Deze informatie beïnvloedt echter voornamelijk de bovenste oceaanlaag (< 1000 m diepte) en heeft een minimaal effect op de diepe oceaan.

Ondanks deze beperking is de ontwikkeling van de circulatie in de volledige waterkolom cruciaal afhankelijk van de dynamische interacties tussen de bovenste en diepe velden. De Loop Current (LC) en de daaruit voortvloeiende Loop Current Eddies (LCE's) zijn essentieel voor het klimaat, de visserij en de offshore-energiesector. Echter, bestaande modellen onderschatten vaak de kinetische energie van diepe wervels (Deep Eddy Kinetic Energy) en het is niet volledig duidelijk hoe diepe mesoscale wervels (> 1000 m) de afscheiding (shedding) van LCE's beïnvloeden. Het ontbreekt aan inzicht in hoe onzekerheden in het initiële diepe veld de nauwkeurigheid van oppervlaktevoorspellingen (zoals Sea Surface Height - SSH) beïnvloeden.

2. Methodologie

De studie analyseert twee 92-dagen lange ensemblevoorspellingen (EF) die de complexe afscheiding, herbevestiging en uiteindelijke afscheiding van de "Loop Current Eddy Thor" bestrijken (van 28 oktober 2019 tot 6 april 2020).

• Model: Een 32-leden ensemblevoorspellingssysteem van het Naval Research Laboratory (NRL) in de Golf van Mexico. Het systeem combineert het Navy Coastal Ocean Model (NCOM) met het Navy Coupled Ocean Data Assimilation (NCODA) systeem (3DVar).
• Data-assimilatie: Het model assimileert oppervlaktedata (satelliet-SSH en SST) en suboppervlakteprofielen (temperatuur en zoutgehalte) via MODAS. Belangrijk: Er worden geen diepe observaties (onder 1000 m) geassimileerd.
• Observaties ter validatie:
  • Een array van Current Pressure Inverted Echo Sounders (CPIES) die diepe druk en stromingen meet (diepe observaties).
  • Satelliet-SSH data van het CMEMS (Copernicus Marine Service).
• Analysestrategie:
  1. Ranking: De auteurs ontwikkelden een methode om de "beste" en "slechtste" ensembleleden te identificeren op basis van de Root Mean Square Error (RMSE) van de voorspelde SSH ten opzichte van de verifiërende analyse en satellietdata.
  2. Diepe Veld Representatie: Diepe circulatie werd gekarakteriseerd via de referentiehoogte ($\eta_{ref}$), berekend door de sterische component van de totale zeehoogte af te trekken. Dit fungeert als een streamfunctie voor de diepe, bijna dieptegelijke modus.
  3. Vergelijking: De diepe velden van de beste en slechtste leden werden vergeleken met elkaar en met de CPIES-observaties om te bepalen welke initieel condities leidden tot betere oppervlaktevoorspellingen.

3. Belangrijkste Bijdragen

• Koppeling Diep-Boven: Het artikel demonstreert dat initieel condities in het diepe veld (>1000 m), zelfs zonder directe assimilatie van diepe data, een significante invloed hebben op de nauwkeurigheid van oppervlaktevoorspellingen (SSH) over een periode van 5 tot 6 weken.
• Nieuwe Ranking-methode: Er is een robuuste methode ontwikkeld om ensembleleden te selecteren op basis van SSH-prestaties, die consistent blijkt te zijn ongeacht of de validatie gebeurt via verifiërende analyse of satellietdata.
• Rol van Diepe Wervels: Het onderzoek identificeert specifiek dat de aanwezigheid, positie en intensiteit van diepe cyclonen en anticyclonen (met name nabij de Mississippi Fan en het Deep Southeast Channel) cruciaal zijn voor het correct voorspellen van de dynamiek van de Loop Current.

4. Resultaten

• Correlatie Onzekerheid: Er is een sterke correlatie gevonden tussen de initiële onzekerheid in het diepe $\eta_{ref}$-veld en de latere onzekerheid in de SSH. Ensembleleden met een dieper veld dat beter overeenkwam met de observaties (hoewel niet geassimileerd), leverden na 5-6 weken aanzienlijk betere SSH-voorspellingen op.
• Verschil Beste vs. Slechtste Leden:
  • EF20191028: De beste leden toonden sterke, goed gepositioneerde diepe cyclonen en anticyclonen die overeenkwamen met de CPIES-observaties. Dit leidde tot een correcte voorspelling van de afscheiding van LCE Thor. De slechtste leden misten deze structuren of hadden ze verkeerd gepositioneerd, wat resulteerde in fouten in de oriëntatie van de LCE.
  • EF20200106: Tijdens de herbevestiging en finale afscheiding van Thor, ontwikkelden de beste leden een sterkere cyclone nabij de Mississippi Fan eerder in de voorspelling. De slechtste leden ontwikkelden een onjuiste diepe anticyclone in het Deep Southeast Channel, wat leidde tot een verkeerde voorspelling van de Loop Current-extensie.
• Onverwachte Overeenkomst: Hoewel het model geen diepe data assimileerde, vertoonden de beste ensembleleden een opmerkelijke overeenkomst met de diepe CPIES-observaties. Dit suggereert dat de initieel condities (afgeleid van oppervlakte-data en statistische relaties) toevallig of via dynamische koppeling soms de juiste diepe structuur benaderden, wat de voorspelling verbeterde.
• Onzekerheid: Wanneer het initieel diepe veld sterk afweek van de realiteit, nam de spreiding (spread) van het ensemble toe, wat de voorspelbaarheid verlaagde.

5. Betekenis en Conclusie

De studie concludeert dat diepe mesoscale wervels een fundamentele rol spelen in de Loop Current-dynamiek en dat hun correcte representatie in initieel condities essentieel is voor accurate voorspellingen van de oppervlaktecirculatie.

• Implicaties voor Voorspelling: Huidige systemen die alleen oppervlakte- en sub-oppervlakte-data (tot 1000 m) assimileren, missen cruciale informatie over de diepe circulatie. Dit leidt tot onnodige onzekerheid in langere termijnvoorspellingen.
• Aanbeveling: Er is een dringende noodzaak om diepe observaties (zoals die van CPIES, bodemdruk en nabij-bodemstromingen) op te nemen in data-assimilatie schema's. Dit zou de initieel condities van het diepe veld beter constraineren, de spreiding van het ensemble verminderen en de nauwkeurigheid van zowel oppervlakte- als sub-oppervlaktevoorspellingen verbeteren.
• Toekomstig Onderzoek: De auteurs pleiten voor Observing System Experiments (OSE) en Simulation Experiments (OSSE) om de specifieke impact van het assimileren van diepe data op de voorspellingskwaliteit van LCE-afscheidingen kwantitatief te beoordelen.

Kortom, dit onderzoek onderstreept dat een volledig begrip en voorspelling van de Loop Current niet mogelijk is zonder een adequate representatie van de diepe oceaan dynamiek.