Havainnoista kaikki alkaa

Havaintoja on kuitenkin vielä nykyäänkin niin harvassa, että pelkästään niiden avulla muodostettu ennusteen alkutila ei ole riittävän tarkka. Tämän lisäksi havainnoissa itsessään on virheitä johtuen erilaisista mittausmenetelmistä ja -välineistä. Lisäksi monet pintahavainnot edustavat usein vain mittalaitteen läheisyydessä vallitsevia olosuhteita, kun taas malli tarvitsee ja ennustaa suuremman alueen olosuhteita mittauspisteen ympäristössä (ns. hilaruutu).

Havainnot tulisi kuitenkin hyödyntää mahdollisimman hyvin niissä esiintyvien puutteiden rajoissa. Avuksi tässä tulee itse säämalli: se sisältää – oman tarkkuutensa rajoissa – tarkan kuvauksen ilmakehän tilasta.

Peräkkäisten sääennusteiden ketjutus data-assimilaatiolla tapahtuu muodostamalla ennusteen alkutila aiemmasta ennusteesta saatavasta ennakkokentästä ja uusimmista havainnoista.

Alkutila muodostetaan mallissa siten, että otetaan pohjaksi aiemmin laskettu ennuste kyseiselle ajanhetkelle ja korjataan sitä havainnoilla. Mallin ennuste ikään kuin palautetaan takaisin lähelle havaintojen pohjalta arvioitua lähtötilannetta. Prosessissa otetaan huomioon sekä mallissa että havainnoissa esiintyvät epätarkkuudet ja –varmuudet.

Matemaattinen menetelmä, jolla tämä useissa malleissa nykyään tehdään, on variaatiolaskenta. Itse prosessia nimitetään data-assimilaatioksi. Se on hyvin monimutkainen ja käyttötarkoituksesta riippuen varsin hidas. Lyhyitä ennusteita laskettaessa se saattaa kuluttaa enemmän tietokoneresursseja kuin itse ennustelaskenta.

Operatiivinen eli jatkuva laskennallinen säänennustustoiminta muodostuu näin peräkkäisistä ennusteista, joissa edellinen ennuste on myös pohjana seuraavalle. Yksi ennustelaskennan haasteista onkin pitää tämä ketju katkeamattomana. Jos ketju pääsee katkeamaan, joudutaan alkutilaa muodostettaessa turvautumaan vanhempaan ennusteeseen tai pahimmassa tapauksessa ilmakehän keskimääräistä tilaa kuvaaviin klimatologisiin eli ajallista käyttäytymistä keskimäärin kuvaaviin havaintoihin.