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 baethgen@iri.columbia.edu (Adaptado de N. Ward, IRI) http://ccnmtl.columbia.edu/projects/climate/ Gestión de Riesgos Climáticos en el Sector Agropecuario (IRI-INMET). Brasilia, Diciembre 2007

Sistema Climático Global Esquema del Sistema Climático Global (Adaptado del IPCC, 1995).

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

Global Climate Models Modelos de Circulación General / Modelos Climáticos Globales (GCMs) Modelos acoplados de océano – atmósfera tienen potencial de ser mejorados considerablemente

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

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?

Pronósticos de las TSM Nino3 de un modelo acoplado océano-atmósfera

Pronósticos Nino3.4 de otro modelo acoplado océano-atmósfera

Pronósticos de El Niño de IRI

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

Example of GCM Prediction of East Africa Rainfall from SST

América del Sur: 6 Modelos en OND

América del Sur: 6 Modelos en FMA

Diferentes modelos tienen “Skill” diferentes en Diferentes estaciones Cuál (es) elegir? Solamente el de mayor “Skill”? Una Combinación? Qué Combinación?

Ranked Probability Skill Score (RPSS) for 2m Temperature Jan-Feb-Mar 1950-1995

Ranked Probability Skill Score (RPSS) for 2m Temperature Jan-Feb-Mar 1950-1995 Combining models reduces deficiencies of individual models

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”

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

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

Downscaling Dinámico Ejemplo del uso de un Modelo Climático Regional con la salida de un Modelo Climático Global. Vientos superficiales a un paso temporal

Downscaling Dinámico Patrones de Lluvia Dic-Feb – Ejemplo de El Niño MENOS La Niña Grilla del Modelo Pronóstico del Modelo 1997 Menos 1998 Observaciones

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

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

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

Climate Predictability Tool Herramienta muy efectiva para Downscaling y otros Análisis Estadísticos http://portal.iri.columbia.edu/ IRI Tools

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

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

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

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

NDVI (Nov 2007) NDVI (Pron. DJF 08) PRONOSTICO ESTACIONAL de LLUVIAS y TEMPERATURAS Balance Agua (Nov 2007) Balance Agua (Pron DJF 08)

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

“Forecasts in context” Other IRI Products “Forecasts in context”