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