122 AniversarioDirección Meteorológica de Chile

Pronóstico del Tiempo en el 2006: Oportunidades y Desafíos

René D. GarreaudDepartamento de Geofísica

Universidad de ChileMarzo 2006

Pronóstico del Tiempo en el 2006:Oportunidades y Desafíos

• Validación y Valorización del Pronóstico del Tiempo

• Expansión de la Comunidad Operativa

• Modelos numéricos de pronóstico ¿Maquinas versus humanos?

• ¿Que quieren los usuarios? (especialmente los que pagan)

Pronóstico del Tiempo y Predicción Climática

Plazo de Previsión [días]

0.5

Res

oluc

ión

Esp

acia

l [km

]

10.0

1.0

100.0

31 7

Co bert ur a espa cial [ km

2]

1010

Tormentasde Invierno

Tormentasde Verano

Variabilidad intraestacional e interanual

de Precip.

• Pronóstico Numérico del Tiempo + MOS

• Modelos climáticos estadísticos

Herramienta

• Extrapolación observaciones• Modelos de mesoescala y microescala

30 300

0.1

0.1

100100

50005000

10001000

Bondad del Pronóstico

Util

idad

del

pro

nóst

ico

Bueno y Útil

Bueno e InútilMalo e Inútil

Bondad y Utilidad del pronóstico no son lo mismo...

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

o1 e2 o3 o4 .... oN

p1 f11 f12 f13

p2 f21 f22 f23

p3 f33

p4 f44

... ...

pN fNN

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} )

(Pronóstico perfecto: f {i/j} = 0 si i j)

N=100Observación

Lluvia No-Lluvia

Pron. Lluvia

A=25 B=5 30

Pron.

No-LluviaC=10 D=60 70

35 65 100

Climatología observada

Climatologíadel pronóstico

Caso más simple y mas frecuente N=2

Hit-rate: (25+60)/100 85%False-alarm rate: 5/100 5%Missing rate: 10/100 10%

Muchos otros mas...Bias, TS, POD,...

Sin embargo los índices anterioresNO 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

N=100Observación

Lluvia No-Lluvia

Pron. Lluvia

0 4 4

Pron.

No-Lluvia5 91 96

5 95 100

N=100Observación

Lluvia No-Lluvia

Pron. Lluvia

0 0 0

Pron.

No-Lluvia5 95 100

5 95 100

Nuestro pronóstico. HR=0.91 Pronóstico fijo. HR=0.95

Particular cuidado en pronóstico de eventos muy infrecuentes.

Definiciones básicas

• Consideremos una actividad productiva que es afectada por la condición meteorológica.

• Esta condición se asocia con la ocurrencia de eventos {E1, E2, ..., En}

• La actividad productiva puede adoptar M acciones distintas. Sea L j,k el beneficio (o costo) de realizar la acción j dada la ocurrencia de un evento k.

• La probabilidad climatológica de un evento es: p(Ek) = Pk. ( Pk = 1)

• Sea Qh la frecuencia histórica de realizar un pronóstico del evento h.

• Sea k,h = probabilidad (pronóstico de evento h ocurra un evento k)

Valorización de los Pronósticos Meteorológicos

Con la información anterior es posible calcular los beneficios de largo plazo asociados a los distintos tipos de pronósticos (e.g., Murphy et al. 1999)

N

j,khk

N

h

L QBPR1k

,1

h }]max{[

Bondad del pronóstico

Ben

efic

io (

$)

Pronóstico PerfectoAcciones Perfectas

Pronóstico Imperfecto Acciones Perfectas

Solo climatologíaAcción Perfecta

Pronóstico Imperfecto Acciones Imperfectas

1. Techo de valorización se obtiene usando un “pronóstico perfecto” (BPP).

2. Info. climatológica permite selccionar acción que maximiza beneficio de largo plazo (BC).

3. Evaluación del beneficio esperado usando un modelo de pronóstico requiere conocer su estadística y la forma en que la actvidad se va a realizar (estrategia)

4. Uso inadecuado de un pronóstico podría llevar a BPR < BC

Valorización de los Pronósticos Meteorológicos

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

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.

La expansión de la comunidad de meteorología operativa

Condiciones iniciales

Salidas numéricas para tiempo futuro

Condiciones de borde Lon (x)

Lat (

y)

. . . T wup

El e

v (z

)

. . . T wup

El e

v ( z

)

Modelo Numérico

Modelos numéricos de pronóstico¿Maquinas versus humanos?

Salidas numéricas

. . . T wup

Post-procesamiento estadístico (MOS, Perfect Prog, redes neuronales, etc.) permiten pronóstico objetivo

(Guidance) Mapas y otras formas graficas para el apoyo del pronóstico subjetivo realizado por un meteorólogo

Pronóstico de variables meteorológicas(e.g., Tx, Precip.) para un lugar o región

Modelos numéricos de pronóstico: ¿Maquinas versus humanos?

Predictores•salidas del modelo, •obs. recientes, •climatología

Predictante(Tx, Tn, PP, etc.)

Estadística

Predictores•salidas del modelo, •obs. recientes, •climatología

Predictante(Tx, Tn, PP, etc.)

EstadísticaReg. Lineal MultiplesRedes Neuronales

MOS-Desarrollo MOS-Aplicación

Ventajas Desventajas

Remueve sesgo del MPN

Permite conocer error del pronóstico

Requiere “historía” de observaciones y salidas del MPN

Emplea múltiples predictores Ecuaciones son dependientes del modelo

Puede pronósticar variables “no meteorológicas”

Usualmente calibrado para condiciones medias

MOS: Model Output Statistics

¿Como se comparan entre si los pronósticos subjetivos(guiados por modelos numéricos) con MOS?

Caso ejemplo: pronósticos de temperaturas extremas en 17 estaciones en EE.UU. durante el período invernal. Para cada sistema se calculó su error absoluto medio (Baars and Mass, WAF 2005) en el tiempo y todas las estaciones.

Mejor

Peor

12h 24h 36h 48h

NWS guiado

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.

Modelos numéricos de pronóstico¿Maquinas versus humanos?

Sectores Productivos (Agricultura-Forestal, Pesca, Energía,

Agua, Minería, Transporte) y Sistemas de Protección Civil

Variables Ambientales

Indices de ventilación, Probabilidad de heladas, potencial de incendio, caudales, etc...

Modelos intermedios congrado de complejidad variable

Modelos de Pronóstico Meteorológico (MPM)(T, p, q, V, ,R, H, LE,...)

Atmósfera – Meteorología - Clima

¿Qué quieren los usuarios?(especialmente los que pagan)

• Post-procesamiento de resultados del MPN (e.g., horas de frío, índice de ventilación) y un escalamiento espacial hacia abajo (1010 km 11 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.)

Modelos intermedios

• 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.

Conclusiones I

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

Conclusiones II