Simulaciones Climáticas Pronóstico del Tiempo

Presentación del tema: "Simulaciones Climáticas Pronóstico del Tiempo"— Transcripción de la presentación:

1 Simulaciones Climáticas Pronóstico del Tiempo
Modelos Numéricos Simulaciones Climáticas Pronóstico del Tiempo René D. Garreaud Departement of Geophysics Universidad de Chile

2 Presentación No. 5 Modelos numéricos en general
Pronóstico del tiempo / predicción climática Modelos numéricos de la atmósfera Evaluación de pronóstico del tiempo Comentarios sobre futuro de Servs. Meteor.

3 Pronóstico del Tiempo y Predicción Climática
Herramienta Extrapolación observaciones Modelos de mesoescala y microescala Pronóstico Numérico del Tiempo + MOS Modelos climáticos estadísticos 50005000 100.0 Variabilidad intraestacional e interanual de Precip. 10001000 10.0 Tormentas de Invierno Resolución Espacial [km] Cobertura espacial [km2] 100100 1.0 Tormentas de Verano 1010 0.1 0.1 0.5 1 3 7 30 300 Plazo de Previsión [días]

4 My first toy model x y z Random errors
A system of coupled, non-linear algebraic equations X(t) = A·X(t-1) ·Y(t) + B·Z(t-1) + x Y(t)= C·X(t-1)·Y (t-1) + B·Z (t)+ y Z(t)= D·Z(t-1)·Y (t) + E·X(t-1) + z x = y = z = 0 X, Y, Z: Time-dependent variables Pressure, winds, temperature, moisture,…. A, B, C, D: External parameters Orbital parameters, CO2 Concentration, SST (AGCM), Land cover x y z Random errors Set to zero  Deterministic model

5 My first toy model X(t) = A·X(t-1) ·Y(t) + B·Z(t-1) + x
Y(t)= C·X(t-1)·Y (t-1) + B·Z (t)+ y Z(t)= D·Z(t-1)·Y (t) + E·X(t-1) + z x = y = z = 0 To run the model, we need: Initial conditions: X0, Y0, Z0 The values of the External Parameters … they can vary on time A numerical algorithm to solve the equations A computer big enough

6 Weather forecast Climate Prediction
Mod Obs Weather forecast Model predicts daily values Climate Prediction Model does NOT predict daily values but still gives reasonable climate state (mean, variance, spectra, etc…)

7 the initial conditions
The Lorenz’s (butterfly) chaos effect X0 = X0 = A slight difference in the initial conditions Large differences later on Non-linear equations

8 Nevertheless, simulations after two-weeks are still “correct” in a climatic perspective and highly dependent upon external parameters  models can be used to see how the climate changes as external parameters vary. A=2 A=1 Two runs of the model, everything equal but parameter A Note the “Climate Change” related to change in A

9 Examples of External Parameters
that can be modified: 1. The relatively long memory of tropical SST can be used to obtain an idea of the SST field in the next few months (e.g., El Niño conditions). Using this predicted SST field to force an AGCM, allows us climate outlooks one season ahead. 2. Changes in solar forcing (due to changes in sun-earth geometry) are very well known for the past and future (For instance, NH seasonality was more intense in the Holocene than today). Modification of this parameter allow us paleo-climate reconstructions (still need to prescribe other parameters in a consistent way: Ice cover, SST, etc.…hard!) 3. Changes in greenhouse gases concentration in the next decades gases give us some future climate scenarios.

10 Atmospheric circulation is governed by fluid dynamics equation + ideal gas thermodynamics
Momentum eqn. Energy eqn. Mass eqn. Idea gas law Water substance eqns.

11 ¿¿¿Where is precipitation???
Water Vapor Warm cloud Cold clouds Cloud droplets Ice crystal Rain droplets Snow Graupel/Hail

12 Previous system is highly non-linear, with no simple analytic solution
?! .... We solve the system using numerical methods applied upon a three-dimensional grid

13 lat ~  lon ~ 1 - 3 z ~ 1 km t ~ minutes-hours
Global Models (GCM)  lat  lon  z lat ~  lon ~ 1 - 3 z ~ 1 km t ~ minutes-hours Top of atmosphere: km

14 Global Models (GCM) Type SST Sea Ice Land Ice Biosphere Land use AGCM
CGCM C P/C OGCM ESM Complexity 1980- 1990- 2005- A: Atmospheric Only; C: Coupled; O: Ocean; ESM: Earth-system models External parameters: GHG, O3, aerosols concentration; solar forcing

15 x ~  y ~ 1-50 km  z ~ 50-200 m  t ~ seconds
Regional Models (LAM, Mesoscale Models)  z  y  x Ly Lx Lz x ~  y ~ 1-50 km  z ~ m  t ~ seconds Lx ~ L y ~ km Lz ~ 15 km

16 Main problem: Garbage in – Garbage out
Regional Models (LAM, MM) Regional models gives us a lot more detail (including topographic effects) but they need to be “feeded” at their lateral boundaries by results from a GCM. Main problem: Garbage in – Garbage out

17 Once selected the domain and grid, the numerical integration uses finite differences in time and space Numerial method (stable & efficient) Sub-grid processes must be parameterized, that is specified in term of large-scale variables

18 Thus, a real atmospheric model has
Dynamical Core Cloud microphysics Boundary layer turbulence Radiative Transfer Surface proceses Convective clouds Param. otros procesos SG For instance, MM5 (LAM) has 220 programs, 50 directories and code lines F77...Ufff!

19 ¿Pronóstico Numérico del Tiempo ?
Conocer la distribución espacial y temporal de las variables que caracterizan la atmósfera

20 Con todo esto se realiza la simulacion numérica (t ~ 1-5 días)
Lat (y) . . . T w u p Elev (z) Condiciones iniciales ( t0 ) Lon (x) Modelo Numérico Condiciones de borde (LAM) . . . T w u p Elev (z) Pronósticos ( t0+ t )

21 . . . Modelos numéricos de pronóstico: ¿Maquinas versus humanos? T p u
Salidas numéricas . . . T p u w (Guidance) Mapas y otras formas graficas para el apoyo del pronóstico subjetivo realizado por un meteorólogo Post-procesamiento estadístico (MOS, Perfect Prog, redes neuronales, etc.) permiten pronóstico objetivo Pronóstico de variables meteorológicas (e.g., Tx, Precip.) para un lugar o región

22 Modelos numéricos de pronóstico ¿Maquinas versus humanos?
Baars and Mass (2005) obtuvieron las siguientes conclusiones:  En general, los pronósticos objetivos (MOS) han alcanzado y superado a los pronósticos subjetivos de temperaturas extremas y probabilidad de precipitación. Los mejores pronósticos objetivos emplean sistemas mas o menos sofisticados de MOS aplicados a las salidas de varios modelos numéricos (Consensus MOS, Weighted MOS, etc.) La calidad de los pronósticos objetivos decae en situaciones extremas (e.g., grandes cambios de temperatura), pues los MOS están calibrados para los valores medios. Los pronósticos subjetivos (guiados por salidas numéricas) continúan siendo mejores en el rango 0-24 horas, donde los meteorólogos pueden integrar en forma efectiva otras fuentes de información.

23 presentes en la simulación/pronóstico…aumento de res. Es caro
La resolución espacial determina que rasgos geomorfológicos y meteorológicos estarán presentes en la simulación/pronóstico…aumento de res. Es caro x = 0.1 km x = 5 km x = 45 km x = 15 km

24 Posibles fuentes de errores
1. Errores en las condiciones iniciales (o de borde). CI asimilan información, pero extrapolación dinámica es importante. Predictabilidad limitada a 5-7 días. 2. Errores en la parametrización de procesos sub-grilla 3. Errores derivados de falta de resolución espacial 4. Errores numéricos (mínimos) Resultados deben ser validados para estimar errores aleatorios y corregir errores sistemáticos

25 Validación de los pronósticos
y Area precip. observada Punto de interes Area precip. pronosticada x ¿Buen pronóstico? ¿Mal pronóstico? La perspectiva (local-espacial) lo define todo...

26 Variables continuas: R2, ecm, sesgo, etc....
La bondad del pronóstico es una medida objetiva de su capacidad de acertar estados futuros de la atmósfera: Variables continuas: R2, ecm, sesgo, etc.... ecm

27 En el caso de variables discretas (o variables continuas discretizadas) se emplean tablas de contingencia Cada celda la frecuencia de ocurrencia de un estado i dado un pronóstico de estado j ( f {i/j} ) o1 e2 o3 o4 .... oN p1 f11 f12 f13 p2 f21 f22 f23 p3 f33 p4 f44 ... pN fNN (Pronóstico perfecto: f {i/j} = 0 si i j)

28 Caso más simple y mas frecuente N=2
Observación Lluvia No-Lluvia Pron. Lluvia A=25 B=5 30 Pron. C=10 D=60 70 35 65 100 Climatología del pronóstico Climatología observada Hit-rate: (25+60)/ % False-alarm rate: / % Missing rate: / % Muchos otros mas...Bias, TS, POD,...

29 Sin embargo los índices anteriores
NO dicen mucho del pronósticos por si solos... La bondad del pronóstico se establece al comparar sus índices con los obtenidos con otras formas de estimar las condiciones futuras: Otros sistemas de pronósticos Persistencia Azar Climatología

30 Particular cuidado en pronóstico de eventos muy infrecuentes.
Nuestro pronóstico. HR=0.91 Pronóstico fijo. HR=0.95 N=100 Observación Lluvia No-Lluvia Pron. Lluvia 4 Pron. 5 91 96 95 100 N=100 Observación Lluvia No-Lluvia Pron. Lluvia Pron. 5 95 100

31 La expansión de la comunidad de meteorología operativa
Condiciones Iniciales y de Borde generadas por modelos globales (e.g. AVN) en tiempo real vía Internet Códigos numéricos portables y eficientes (MM5, RAMS, WRF, etc…) Modelos numéricos de pronóstico del tiempo de área limitada corriendo en forma operacional en múltiples instituciones: Servicios Met. Nacionales Universidades Centros regionales Empresas privadas Consultoras en meteorología Internet provee además un medio de difundir los resultados de estos modelos. Cluster y Super PC a precios accesibles

32 La expansión de la comunidad de meteorología operativa
La creciente superposición entre los diversos actores de la comunidad meteorológica operativa no solo ocurre en el campo de la predicción numérica del tiempo, sino también en la colección y diseminación de observaciones meteorológicas. Escenarios posibles frente a esta superposición:  Generar una saludable colaboración, promoviendo por ejemplo sistemas de pronósticos basados en “Ensambles” y coordinando esfuerzos de investigación aplicada que no pueden ser ejectudados en forma individual  Indiferencia y/o tensión entre los actores (publico/privado, tradicionales/emergentes). Superposición pasa a ser considerada invasión.

33 ¿Qué quieren los usuarios?
(especialmente los que pagan) Atmósfera – Meteorología - Clima Modelos de Pronóstico Meteorológico (MPM) (T, p, q, V, ,R, H, LE,...) Modelos intermedios con grado de complejidad variable Variables Ambientales Indices de ventilación, Probabilidad de heladas, potencial de incendio, caudales, etc... Sectores Productivos (Agricultura-Forestal, Pesca, Energía, Agua, Minería, Transporte) y Sistemas de Protección Civil

34 Modelos intermedios Post-procesamiento de resultados del MPN (e.g., horas de frío, índice de ventilación) y un escalamiento espacial hacia abajo (1010 km  11 km) Combinación MPN con información meteor. precedente (e.g., lluvias en el último mes para calculo de humedad del suelo) y/o información ambiental concurrente o precedente (e.g., índice actual de vegetación para determinar potencial de incendio). Enlace MPN con modelos adicionales (e.g., modelo de nieves, modelo de olas, modelos de evapotranspiración, etc.)

35 Conclusiones I Es fundamental conservar y analizar el desempeño de los pronósticos en forma estadística. La bondad de un modelo es una medida relativa. El beneficio asociado a los pronósticos (y su valorización) depende de su desempeño, pero también de las acciones que se ejecutan a partir de ellos. La creciente disponibilidad de recursos para ejecutar modelos numéricos del tiempo contribuye a ampliar la comunidad operativa, con las oportunidades y desafíos que ello conlleva. Pronósticos objetivos (e.g., MOS) parecen destinados a superar a los pronósticos subjetivos en previsiones sobre un día.

36 Conclusiones II En consecuencia, las instituciones involucradas en meteorología operativa deberían re-orientar sus esfuerzos a: Desarrollo de sistemas objetivos basados en múltiples modelos numéricos (e.g., Ensemble MOS) Análisis y pronóstico subjetivo de corto plazo (0-24 horas), en especial en presencia de condiciones lejos de la climatología Desarrollo interdisciplinario de modelos “ambientales” intermedios que, basados en los resultados de los modelos numéricos del tiempo, permitan la predicción de variables especificas y de directo interes para sectores productivos