Pronósticos por ensambles Laboratorio de Previsión del Tiempo – 2011

La atmósfera es un sistema físico de naturaleza caótica → la evolución de su estado futuro es muy sensible a las condiciones iniciales, las cuales conocemos de forma imperfecta. Lorenz en 2006 definió al caos determinístico como aquellas situaciones en las que “el presente determina el futuro, pero algo parecido al presente no determina algo parecido al futuro”. La naturaleza caótica del sistema atmosférico responde a la presencia de inestabilidades en el flujo atmosférico, que provocan que perturbaciones inicialmente muy pequeñas puedan crecer exponencialmente. De esta manera, dos estados de la atmósfera inicialmente muy próximos entre sí, pueden diferir notablemente uno de otro pasado cierto tiempo. Este hecho llevado a un pronóstico significa que cualquier error presente en un pronóstico numérico, por más pequeño que sea, conducirá indefectiblemente a grandes errores en dicho pronóstico en un instante futuro.

Por otro lado, cuanto más pequeños son los errores en un pronóstico, el crecimiento de los mismos es más rápido. Por lo tanto, el reducir los errores iniciales en un pronóstico sólo aumenta el plazo de validez del mismo unas pocas horas o incluso menos. En consecuencia, la atmósfera, como cualquier otro fluido dinámico con inestabilidades, tiene una predictibilidad limitada. Evolución temporal de la diferencia de energía entre distintos experimentos en los que se perturbó el campo inicial de temperatura en diferentes magnitudes (Zhang, Snyder y Rotunno, 2003).

Que la atmósfera sea predictible significa que dado un estado inicial, las posibles evoluciones futuras del sistema se mantengan dentro de un determinado rango. Lorenz inicialmente estimó el límite de predictibilidad de la atmósfera en 2 semanas. Sin embargo, la predictibilidad del sistema atmosférico no es siempre igual, sino que depende del estado del sistema, haciendo que en algunos casos el plazo de predictibilidad de la atmósfera sea mucho menor al estimado inicialmente por Lorenz. Por lo tanto, el error que podemos llegar a cometer cuando elaboremos un pronóstico dependerá en gran medida de la predictibilidad de la situación en la cual estemos pronosticando.

¿En cuál de las dos situaciones esperarían cometer un mayor error a la hora de pronosticar? Situación 1 Situación 2

¿Cuáles son las fuentes de error de los modelos? Errores en las condiciones iniciales. Errores asociados a las imperfecciones de los modelos. Errores asociados a las parametrizaciones de diferentes procesos físicos no resueltos explícitamente. Con el fin de cuantificar los efectos de las diferentes fuentes de error en los pronósticos, y así poder estimar la predictibilidad atmosférica, en los distintos centros mundiales de pronóstico surgió el concepto de Pronósticos Por Ensambles a comienzos de la década del 90.

Un Pronóstico Por Ensambles es un conjunto de pronósticos numéricos en los que se pueden utilizar: Condiciones iniciales ligeramente perturbadas utilizando el mismo modelo (típicos en los centros mundiales de pronóstico). Diferentes parametrizaciones utilizando el mismo modelo (ensamble físico) Diferentes modelos numéricos (Superensambles) ¿Qué deseamos de un buen Pronóstico Por Ensambles? Que nos permita estimar la función de densidad de probabilidad (PDF) de los estados o escenarios de pronóstico. Que represente el efecto de las diferentes fuentes de error del pronóstico. Que identifique las áreas de mayor y menor predictibilidad. Que permita a los usuarios determinar la probabilidad de distintos escenarios.

Ensambles generados a partir de un único modelo: Este es el tipo más sencillo. Con un solo modelo, se introducen perturbaciones al campo inicial y se hacen pronósticos en paralelo. Ejemplo 1: Pronóstico a 72 hs de T850, en base a un modelo global del CPTEC. Las situaciones más predecibles serán aquellas en las que la dispersión entre los miembros sea mínima.

Ejemplo 2: Probabilidad de que en las siguientes 12 a 36 hs Ejemplo 2: Probabilidad de que en las siguientes 12 a 36 hs. con respecto al análisis se registren precipitaciones por encima de 5 mm (modelo GFS).

Ejemplo 3: Probabilidad de que en las siguientes 12 a 36 hs Ejemplo 3: Probabilidad de que en las siguientes 12 a 36 hs. con respecto al análisis se registren precipitaciones por encima de 10 mm (modelo ECMWF).

Spaghetti de altura geopotencial en 500 hPa Ejemplo 4: Ensamble de la altura de 500 hPa junto a la climatología. Pronóstico a 24 hs. Spaghetti de altura geopotencial en 500 hPa Altura de 5820 m para cada miembro Altura de 5640 m para cada miembro Media de cada isohipsa para las corridas 00Z Media de cada isohipsa para las corridas 12Z Posiciones climatológicas de cada isohipsa

Ejemplo 4: Ensamble de la altura de 500 hPa junto a la climatología Ejemplo 4: Ensamble de la altura de 500 hPa junto a la climatología. Pronóstico a 240 hs (10 días). La dispersión entre los miembros aumenta a medida que se incrementa el plazo del pronóstico. Esto habla de la naturaleza no lineal y caótica de la atmósfera.

Anomalía de geopotencial de la media del ensamble Ejemplo 5: Ensamble de altura de 500 hPa. Pronóstico a 120 hs (5 días). La media del ensamble es el pronóstico con la mayor probabilidad de ser el de menor error de todo el conjunto dentro del ensamble Anomalía de geopotencial de la media del ensamble

Ejemplo 5: Ensamble de altura de 500 hPa. Pronóstico a 360 hs (15 días). A medida que transcurre el tiempo de pronóstico y la dispersión entre miembros aumenta, es común que las diferencias entre miembros se compensen y la media del ensamble tienda a mostrar valores más climatológicos en muchas regiones, salvo en aquellas de mayor acuerdo entre miembros.

Ejemplo 6: Ensamble de pronósticos de precipitación en el plazo de 6 a 7 días por el modelo GFS (42 miembros). En sombreado se muestra la media del ensamble y en contornos el desvío estándar.

Ejemplo 7: Pronóstico ensamble del modelo GFS de temperatura a 2 metros y precipitación acumulada cada 6 horas para la ciudad de Buenos Aires.

Precipitación acumulada cada 6 horas Ejemplo 8: Pronóstico ensamble del modelo ECMWF para la ciudad de Buenos Aires. Nubosidad en octavos Precipitación acumulada cada 6 horas Viento a 10 metros (m/s) Temperatura a 2 metros Boxplots de las diferentes variables. Se muestran la mediana y los percentiles 10, 25, 75 y 90, junto con el rango.

Ensambles generados a partir de varios modelos: En este caso se superponen las salidas de distintos modelos, sobre una misma región y para un mismo plazo de pronóstico. De este modo pueden detectarse errores sistemáticos en alguno de los miembros (de 10 modelos, 9 pronostican una temperatura entre 15 y 20ºC, mientras que uno pronostica valores en torno a 8ºC…) a la vez que pueden identificarse situaciones de alta y de baja predictibilidad. Este tipo de ensamble tienen la ventaja sobre los otros tipos de ensambles de que no está influenciado por los errores sistemáticos de los modelos, además de que representa la incertidumbre asociada a los errores de los modelos y en la condición inicial. La mayor desventaja que pueden tener estos ensambles se da cuando la calidad de los modelos que lo componen es muy diferente. En ese caso la media del ensamble no va a ser el mejor pronóstico del conjunto.

Ejemplo 1: Evolución de los pronósticos de temperatura en superficie en Aeroparque (líneas llenas de colores) y observaciones (puntos azules). También se muestran los valores del Error Cuadrático Medio y del Error Medio.

Ejemplo 2: Evolución de los pronósticos de temperatura en superficie en Bariloche. Notar errores sistemáticos.

Ejemplo 3: Evolución de los pronósticos de temperatura en superficie en Bariloche. Notar errores sistemáticos.