Descargar la presentación
La descarga está en progreso. Por favor, espere
1
Clima Estacional a Escalas Regional y Local
Parte II: Métodos de Predicción Estacional, Downscaling y Ajustes de Pronósticos Regionales Walter E. Baethgen Latin America and the Caribbean Regional Program IRI: International Research Institute for Climate and Society The Earth Institute Columbia University (Adaptado de N. Ward, IRI) Gestión de Riesgos Climáticos en el Sector Agropecuario (IRI-INMET). Brasilia, Diciembre 2007
2
Sistema Climático Global
Esquema del Sistema Climático Global (Adaptado del IPCC, 1995).
3
Pronósticos Climáticos Estacionales: Métodos
1. Modelos de Atmósfera (GCMs) con TSM dadas (Ejercicio2) 2. GCMs Atmosféricos forzados con TSM predichas 3. Modelos de Alta Resolución (Anidados, Resolución Variable) 4. Transformaciones estadísticas de salidas de Modelos 5. Pronósticos estadísticos directamente de índices clave
4
Global Climate Models Modelos de Circulación General / Modelos Climáticos Globales (GCMs) Modelos acoplados de océano – atmósfera tienen potencial de ser mejorados considerablemente
5
Monitoreo de 500m de profundidad del Océano
Desde que se mide Temperaturas del Océano en profundidad se ha podido predecir El Niño 3 a 6 meses
6
Ejemplo: Pacífico sub-superficial a lo largo del Ecuador
Es ésta una situación que puede llevar a un El Niño? Cómo responder a esta pregunta?
7
Pronósticos de las TSM Nino3 de un modelo acoplado océano-atmósfera
8
Pronósticos Nino3.4 de otro modelo acoplado océano-atmósfera
9
Pronósticos de El Niño de IRI
10
Pronósticos Climáticos Estacionales: Métodos
1. Modelos de Atmósfera (GCMs) con TSM dadas (Ejercicio2) 2. GCMs Atmosféricos forzados con TSM predichas 3. Modelos de Alta Resolución (Anidados, Resolución Variable) 4. Transformaciones estadísticas de salidas de Modelos 5. Pronósticos estadísticos directamente de índices clave
11
Example of GCM Prediction of East Africa Rainfall from SST
12
América del Sur: 6 Modelos en OND
13
América del Sur: 6 Modelos en FMA
14
Diferentes modelos tienen “Skill” diferentes en Diferentes estaciones
Cuál (es) elegir? Solamente el de mayor “Skill”? Una Combinación? Qué Combinación?
15
Ranked Probability Skill Score (RPSS) for 2m Temperature Jan-Feb-Mar 1950-1995
16
Ranked Probability Skill Score (RPSS) for 2m Temperature Jan-Feb-Mar 1950-1995
Combining models reduces deficiencies of individual models
17
Diferentes modelos tienen “Skill” diferentes en Diferentes estaciones
Cuál (es) elegir? Solamente el de mayor “Skill”? Una Combinación? Qué Combinación? Varios Modelos es mejor que cualquier modelo individual (Comparar con modelos que predicen precios de granos: unos mejor para Asia, Am. Norte,etc.) “Ponderar” los Modelos en diferentes regiones y estaciones según su “Skill”
18
IRI DYNAMICAL CLIMATE FORECAST SYSTEM
2-tiered OCEAN ATMOSPHERE GLOBAL ATMOSPHERIC MODELS ECPC(Scripps) ECHAM4.5(MPI) CCM3.6(NCAR) NCEP(MRF9) NSIPP(NASA) COLA2 GFDL PERSISTED GLOBAL SST ANOMALY Persisted SST Ensembles 3 Mo. lead 10 24 POST PROCESSING MULTIMODEL ENSEMBLING 24 10 FORECAST SST TROP. PACIFIC (multi-models, dynamical and statistical) TROP. ATL, INDIAN (statistical) EXTRATROPICAL (damped persistence) 12 Forecast SST Ensembles 3/6 Mo. lead 24 24 30 12 30 30
20
Pronósticos Climáticos Estacionales: Métodos
1. Acoplados de Océano-Tierra-Atmósfera (GCMs) 2. GCMs Atmosféricos forzados con TSM predichas 3. Modelos de Alta Resolución (Anidados, Resolución Variable) 4. Transformaciones estadísticas de salidas de Modelos 5. Pronósticos estadísticos directamente de índices clave
22
Downscaling Dinámico Ejemplo del uso de un Modelo
Climático Regional con la salida de un Modelo Climático Global. Vientos superficiales a un paso temporal
23
Downscaling Dinámico Patrones de Lluvia Dic-Feb – Ejemplo de El Niño MENOS La Niña Grilla del Modelo Pronóstico del Modelo 1997 Menos 1998 Observaciones
24
Pronósticos Climáticos Estacionales: Métodos
1. Acoplados de Océano-Tierra-Atmósfera (GCMs) 2. GCMs Atmosféricos forzados con TSM predichas 3. Modelos de Alta Resolución (Anidados, Resolución Variable) 4. Transformaciones estadísticas de salidas de Modelos Downscaling estadístico de salidas de GCM es uno de estos métodos 5. Pronósticos estadísticos directamente de índices clave
25
Corrección de Sesgos de lluvias del GCM
Ejemplo más Elemental Excelente variación entre años, pero el modelo generalmente es muy seco Calcular el sesgo medio, y sumarlo a las predicciones del modelo cada año
26
Corrección de Sesgos de lluvias del GCM
Ejemplo más Elemental Excelente variación entre años, pero el modelo generalmente es muy seco Calcular el sesgo medio, y sumarlo a las predicciones del modelo cada año
27
Climate Predictability Tool
Herramienta muy efectiva para Downscaling y otros Análisis Estadísticos IRI Tools
28
Wind index predicts Sri Lanka Rainfall at 20km resolution
Skill is found to be related to the topography Elevation is contour lines Correlation skill (multiplied by 10) – darker orange/brown indicates more skill
29
Un paso más: De Clima a Agricultura
Combinar Información Climática en productos que sean más útiles para la agricultura Lluvia Capacidad Balance Temperaturas Alm. Agua de Agua + = GCM, RCM, Estadísticos Caracterización de Suelos Trabajos conjuntos IRI con INMET, CPTEC, FUNCEME
30
GCM index predicts East Africa Vegetation at 25km resolution
Forecast Skill (shading) Forecast and observed Over NE Kenya Now is seen more clearly as a tailoring methodology for risk management
31
ONDJF Forecast – produced in October (can be updated monthly)
Example: Forecasting streamflow using ECHAM 4.5 in the ONDJF wet season (statistical downscaling, persisted SST, 12 scenarios) ONDJF Forecast – produced in October (can be updated monthly) Angat reservoir, Philippines
32
NDVI (Nov 2007) NDVI (Pron. DJF 08) PRONOSTICO ESTACIONAL de LLUVIAS y TEMPERATURAS Balance Agua (Nov 2007) Balance Agua (Pron DJF 08)
33
IRI FUNCEME IRI Approach: (1) REGIONAL PARTNERSHIPS
CLIMATE DYNAMICAL DOWNSCALING PREDICTION SYSTEM FOR NORDESTE HISTORICAL DATA Extended Simulations Observations PERSISTED GLOBAL SST ANOMALIES ECHAM4.5 AGCM (T42) Persisted SSTA ensembles 1 Mo. lead 10 PREDICTED SST ANOMALIES Tropical Pacific Ocean (LDEO Dynamical Model) (NCEP Dynamical Model) (NCEP Statistical CA Model) Tropical Atlantic Ocean (CPTEC Stat. CCA Model) Tropical Indian Ocean (IRI Statistical CCA Model) Extratropical Oceans (Damped Persistence) Post Processing Predicted SSTA ensembles 1-4 Mo. lead 10 NCEP RSM97 (60km) AGCM INITIAL CONDITIONS UPDATED ENSEMBLES (10+) WITH OBSERVED SSTs IRI FUNCEME IRI Approach: (1) REGIONAL PARTNERSHIPS
34
“Forecasts in context”
Other IRI Products “Forecasts in context”
Presentaciones similares
© 2024 SlidePlayer.es Inc.
All rights reserved.