SciELO - Scientific Electronic Library Online

 
vol.33 número1-2Estudio de secuencias secas en la Cuenca del Plata: Implicancias con las sequias índice de autoresíndice de materiabúsqueda de artículos
Home Pagelista alfabética de revistas  

Servicios Personalizados

Revista

Articulo

Indicadores

  • No hay articulos citadosCitado por SciELO

Links relacionados

  • No hay articulos similaresSimilares en SciELO

Compartir


Meteorologica

versión On-line ISSN 1850-468X

Meteorologica vol.33 no.1-2 Ciudad Autónoma de Buenos Aires ene./dic. 2008

 

NOTAS Y CORRESPONDENCIAS

El sistema de pronóstico experimental del Centro de Investigaciones del Mar y la Atmósfera

Celeste Saulo1,2 , Soledad Cardazzo1 , Juan Ruiz 1,2 , Claudia Campetella 1,2  y Alfredo Rolla 1 

1  Centro de Investigaciones del Mar y la Atmósfera (UBA/CONICET)
2  Departamento de Ciencias de la Atmósfera y los Océanos (FCEyN - UBA) Buenos Aires, Argentina saulo@cima.fcen.uba.ar

Manuscrito recibido el  15 de Enero de 2009; en su versión final el 4 de Mayo de 2009

RESUMEN

Este trabajo documenta  las características del Sistema de Pronóstico Experimental del CIMA. Para ello se describen no sólo las componentes de este sistema, sino también se presentan genéricamente cuáles son los productos que se proveen a través de Internet. Asimismo, se discuten diversas alternativas que tienden a que el usuario obtenga más información acerca de la confiabilidad y/o la certeza de los pronósticos. En particular se discuten dos de los productos recientemente incorporados, que son la verificación operativa de la calidad de los pronósticos y los pronósticos probabilísticos de precipitación. Esta divulgación se realiza con el objeto de informar a la comunidad de usuarios potenciales cuáles son las posibilidades que ofrece una herramienta como ésta y para reflexionar acerca de cuáles son las perspectivas para el desarrollo del pronóstico numérico en la Argentina.  

Experimental Forecast system at the Research Center For The Sea And The Atmosphere 

ABSTRACT

This work documents CIMA's Experimental Forecast System. With this purpose, the system's components and a general description of products available through the Internet are provided. Also, several alternatives designed so as to give information on reliability and uncertainty in model forecasts are presented. Most of the discussion concentrates on two recently added products namely the operational forecast verification and the precipitation probability forecasts.  This article is intended to bring up to date information of current capability regarding forecast products and also to think about the perspectives of numerical weather prediction in Argentina. 

1. INTRODUCCIÓN

Desde hace ya varios años existen diversas instituciones en todo el mundo que, si bien no están a cargo de la provisión de pronósticos operativos, corren modelos numéricos con diferentes finalidades. El Centro de Investigaciones del Mar y la Atmósfera (CIMA) fue el primero en Argentina en tener un pronóstico operativo experimental a partir del año 1997 1 , cuyos resultados se distribuyeron a través de Internet (Saulo y otros 2000).  Esta iniciativa motivó una diversidad de aplicaciones que redundaron en aportes a la docencia, a la formación de recursos humanos, a la investigación y a la colaboración inter-institucional tanto a nivel nacional como internacional. 
Una de las actividades inter-institucionales más interesantes que se desprendió de esta actividad, fue el apoyo a la campaña de medición intensiva SALLJEX (Vera y otros 2006) que culminó en un experimento numérico de intercomparación de modelos  sobre la región (Paegle y otros 2004). Este experimento mostró que era factible la coordinación de varias instituciones que dispusieran sus salidas en un único lugar, y fue el impulso inicial para la creación del Super Ensamble de Modelos (SMES) que actualmente es administrado por la Universidad de San Pablo (Silva Dias y otros 2006) y constituye una herramienta sumamente valiosa no sólo para la predicción sino también para el desarrollo y la investigación en pronóstico numérico a nivel regional. En la actualidad, desde el sitio web montado para el SMES (http://www.master.iag.usp.br/ind.php?inic=00&prod=grafphplot) se tiene acceso a las salidas de 58 modelos -entre los que participa el del CIMA-, que se diferencian entre sí por el tipo de modelo, las condiciones iniciales, de borde, la resolución, el dominio y/o las parametrizaciones. 
A lo largo del período transcurrido desde que se puso en marcha el sistema de pronóstico experimental del CIMA, el mismo ha sido objeto de varios cambios (Saulo y otros 2001; Saulo y Ferreira 2003), de los cuales el más importante fue el reemplazo del modelo LAHM/CIMA (Limited Area Hibu Model versión CIMA), por el WRF (Weather Research and Forecasting, Skamarock y otros 2005) a partir de agosto de 2005. Las razones que motivaron este cambio fueron múltiples, destacándose la libre distribución del WRF, su gran versatilidad, la gran cantidad de usuarios que verifican su funcionamiento en todo el globo y la continua actualización de versiones,
que incluyen los últimos desarrollos, tanto en el módulo dinámico como en el de parametrizaciones. Más allá de lo expuesto, también ha sido fundamental su utilización a nivel local, que permitió realizar los ajustes necesarios para su funcionamiento óptimo sobre la región. Si bien parte de estos ajustes se realizaron para mejorar la versión operativa (Ruiz y Saulo 2006; Ruiz y otros 2007) otros surgieron a partir de la aplicación del modelo a estudios de otra índole (Blázquez 2007; Ferreira 2008; Ruiz 2009), que han reforzado el valor de mantener un contacto permanente entre aplicaciones e investigaciones. 
En consonancia con lo antes expuesto, y como parte de la continua actualización de la que es objeto este sistema de pronóstico, se ha desarrollado recientemente un sistema de verificación que funciona en forma operativa, lo cual permite monitorear diariamente la calidad de los pronósticos. Otro nuevo producto consiste en un pronóstico probabilístico de precipitación. Ambos constituyen herramientas únicas en la Argentina y como tales, resulta de interés darlas a conocer en el ámbito de la comunidad meteorológica.
El objetivo de este trabajo es, consecuentemente, documentar las características técnicas del pronóstico experimental del CIMA, mostrar algunos de los productos con mayor potencial para las aplicaciones, su calidad y sus ventajas, y  discutir las perspectivas que se presentan para el desarrollo del modelado en alta resolución sobre la región.  

2.   EL SISTEMA DE PRONÓSTCO EXPERIMENTAL 

2.1   El modelo WRF  

El WRF es un modelo de mesoescala desarrollado a partir de un esfuerzo conjunto entre diferentes instituciones estadounidenses entre las que se cuentan el NCAR (National Centers for Atmospheric Research) y el NCEP (National Centers for Enviromental Prediction). Este modelo, está disponible libremente en Internet (http://www.mmm.ucar.edu/wrf/users/) y está preparado para funcionar sobre una amplia variedad de plataformas. La distribución del modelo incluye además paquetes que facilitan el pre-procesamiento de los datos, es decir la generación de condiciones iniciales y de borde a partir de diferentes fuentes de datos y el post-procesamiento de los resultados generados. Por otra parte existe un paquete de asimilación de datos que también puede ser descargado y utilizado libremente. La versión empleada para los pronósticos operativos experimentales del CIMA es la 2.2.0. 
Básicamente el modelo está estructurado en dos componentes: el núcleo dinámico, que está conformado por la resolución numérica de las ecuaciones, y el núcleo físico, constituido por las diversas parametrizaciones por las que se puede optar para resolver los procesos de escala menor a la representada por el modelo. Para la versión operativa, se emplea el núcleo dinámico ARW (Advanced Research WRF; Skamarock y otros 2005) y las parametrizaciones de los procesos sub-reticulares que se escogieron son las siguientes: 
·  Parametrización para la convección de Kain-Fritsch (Kain 2004).
·  Esquema de Ferrier para la microfísica (Ferrier y otros 2002). 
·  Tratamiento para la Capa límite de la Yon Sei  University -YSU-  (Hong y Pan 1996).
·  Esquema RRTM para la radiación de onda larga Mlawer y otros (1997) y el tratamiento descrito por Dudhia  (1989) para la radiación de onda corta.
·  Modelo de suelo NOAH, con 4 capas verticales, para el tratamiento de los procesos de superficie (Chen y Dudhia  2001).
La versión operativa se corre sobre dos dominios anidados en ambas direcciones: el primero, con resolución de aproximadamente 60 km (111x102 puntos), cubre prácticamente toda Sudamérica (ver Figura 1). El segundo, con una resolución de 20 km, abarca el l itoral y la pampa húmeda argentina (103x52 puntos). La proyección que se emplea es conforme Lambert, la resolución vertical es de  27 niveles en coordenadas sigma-p; el paso de tiempo es de 300 segundos para la retícula de baja resolución y de 100 segundos para la de alta resolución.


Figura 1: Dominio de integración del sistema de pronóstico WRF/CIMA. Sombreado: subcuencas dentro de la Cuenca del Plata sobre las cuales se calcula el pronóstico de precipitación media areal. Los círculos llenos indican la ubicación de las estaciones del GTS que se utilizan para verificar los pronósticos.

2.2.  Características técnicas del sistema operativo y datos que se emplean en la verificación   

Desde agosto de 2005, se corren 2 ciclos de pronóstico por día, uno inicializado con los datos de las 0000 UTC y otro con los de las 1200 UTC. En ambos casos se generan pronósticos con un plazo de 72 hs. Las condiciones iniciales y de contorno para el WRF se obtienen a partir del Global Forecast System  (GFS, Campana and Caplan  2006), cuyas salidas  se encuentran en el sitio web del NCEP  -ftpprd.ncep.noaa.gov-. Los archivos correspondientes al análisis (condición inicial) y a los pronósticos cada 6 horas necesarios para proveer las condiciones de borde, se hallan disponibles a partir de las 0500 UTC y las 1700 UTC respectivamente, y la transferencia de estos datos consume aproximadamente media hora. Si bien la resolución con que corre el GFS es aproximadamente de 35 km (resolución espectral T382 con una resolución vertical de 64 niveles), las salidas globales se encuentran disponibles con 0.5° ó 1° de resolución horizontal. Desde el 2 de febrero de 2008, el sistema de pronóstico del CIMA emplea las condiciones iniciales en la resolución más alta, en tanto que mantiene la menor resolución para las condiciones de borde, con el objeto de optimizar el proceso de transferencia. Una vez recibida la información, el tiempo de proceso del modelo para alcanzar un pronóstico de 72 hs con el dominio y la resolución descriptos en la sección 2.1, es aproximadamente 3 hs y media en una PC con un procesador Intel Pentium 4 3.00GHz y 512 Mb de memoria RAM.
La generación de los diversos productos que se exhiben en la página web se apoya fundamentalmente en el post-procesamiento de las salidas cada 3 horas. Toda la información que se produce en cada ciclo es almacenada para poder realizar estudios de verificación a posteriori. Sin embargo, como se señalara en la introducción, hay un conjunto de variables  que se verifican en forma operativa. Para ello, se almacenan los análisis del GFS empleados para la inicialización del modelo y también los datos del GTS (Global Telecomunication System) que se obtienen vía internet del Climate Prediction Center (CPC). Estos datos están disponibles recién 4 días después del último pronóstico generado localmente, por lo que se produce una limitación en el tratamiento de la validación. De todas maneras, esta no representa una restricción severa, dado que existen otras alternativas para la obtención en tiempo real de esta  información y, es probable que esto se modifique en un futuro próximo.
En el caso de la precipitación, los datos del GTS consisten en valores acumulados diarios (desde las 12 UTC de un día hasta las 12 UTC del día siguiente) en puntos de estaciones, que totalizan 344 datos diarios en el dominio de integración. Para el cálculo de los índices de acierto que se discuten en la sección siguiente, las salidas del modelo WRF deben interpolase a esos mismos puntos, para lo cual se ha optado por tomar el punto de retícula del WRF más cercano a la estación correspondiente. También se verifican los pronósticos de lluvia comparándolos con las estimaciones de precipitación CMORPH (Climate Prediction Center Morphing Technique, Joyce y otros 2004) que están disponibles un día después de cada pronóstico en http://www.cpc.ncep.noaa.gov/products/janowiak/cmorph_description.html. Para utilizar estos datos en la verificación, dado que su resolución es mayor que la de nuestro sistema de pronóstico (0.125° en la versión aquí empleada), se los interpola a los puntos de retículo del modelo WRF mediante una técnica de promedio por rectángulos de retículo. Esta técnica consiste en tomar el rectángulo correspondiente al área representada
por un punto del retículo del modelo, centrado en este mismo punto. Todas las estimaciones CMORPH que estén dentro de ese rectángulo, son promediadas y es este valor medio el que se compara con las salidas del modelo en dicho punto de retículo.    

2.3   Productos disponibles

La página cuenta con información básica que permite realizar análisis del estado de la atmósfera a distintos plazos. La misma se presenta en forma de campos centrados sobre la Argentina -que pueden animarse-, y el usuario puede elegir entre diferentes combinaciones de variables y niveles atmosféricos. Asimismo, se proveen vistas ampliadas sobre el Río de la Plata y en el Centro-Este de la Argentina. Otra forma de presentación empleada en la página  es la de meteogramas por puntos geográficos, donde se despliegan diversas ciudades, incluyendo varias de Paraguay, a pedido de la Universidad de Asunción. También se encuentran disponibles perfiles verticales pronosticados para algunas ciudades de Argentina, que incluyen el cálculo de los índices de inestabilidad más utilizados.
En la introducción, se mencionaron los productos que recientemente se han incluido en la página con la finalidad de aumentar el valor de la información que se provee a partir de un pronóstico numérico. Uno de ellos es el monitoreo continuo de la calidad de los pronósticos de distintas variables, cuyos resultados se muestran en las secciones siguientes.  

2.3.1  Verificación de los pronósticos de precipitación  

Para la verificación de los pronósticos cuantitativos de precipitación, se calcula el índice de acierto areal ETS (Equitable Threat Score, Schaefer 1990; Hamill  1999) que tiene en cuenta los aciertos, pero también incorpora información sobre las falsas alarmas, las sorpresas -es decir los casos en que el fenómeno no se pronosticó pero ocurrió- e identifica qué porcentaje de los aciertos podrían haberse dado por azar. La cantidad de aciertos que se dan por azar depende de la climatología de la región considerada y de la cantidad  de veces que el modelo pronostica la ocurrencia del evento. El índice ETS varía de  -1/3 a 1, siendo 1 el valor ideal. También se calcula el sesgo (nos referiremos al mismo como BIAS, por el uso generalizado que se hace del vocablo en inglés)  que es la relación entre la frecuencia pronosticada para un determinado umbral y la frecuencia observada de dicho umbral. Es decir, que varía entre más infinito a 0, siendo 1 el valor óptimo. Para el cálculo de ambos estadísticos se definieron los siguientes umbrales de precipitación: 1.01 mm, 2.54 mm, 6.35 mm, 12.7 mm, 25.4 mm, 38.1 mm y 50.8 mm. Estos índices son los más frecuentemente empleados por los centros operativos para evaluar la calidad de los pronósticos cuantitativos de precipitación (ver, por ejemplo Ebert  y otros 2007 y las referencias allí citadas).  
Cabe destacar que una de las condiciones para que estos índices representen correctamente la calidad del pronóstico cuantitativo de precipitación, es que se apliquen sobre regiones en que la precipitación tenga un comportamiento "homogéneo". Una descripción de los diferentes regimenes en términos de la frecuencia de ocurrencia de diferentes umbrales de precipitación sobre Argentina, se puede encontrar en Robledo (2007). Sobre una región como la del dominio de este sistema de pronóstico, la consideración de la inhomogeneidad, implicaría la subdivisión del área de verificación en muchas subregiones, según los regímenes de lluvia dominantes. Esto conduciría a una reducción significativa de la cantidad de datos que participan de la verificación y consecuentemente, a una pérdida de confiabilidad de los índices. Como solución de compromiso a esta limitación, se han definido dos regiones, una al norte y otra al sur de 20°S, lo que al menos garantiza una distinción básica entre la precipitación de tipo tropical de aquella asociada a sistemas baroclínicos. Complementariamente, en todos los casos se informa la cantidad de datos que participan de la verificación, para que el usuario pueda juzgar la robustez de cada índice  según el área y el umbral de precipitación. En general, son muy pocos los datos disponibles para evaluar los umbrales por encima de 25.4 mm. 
Si bien en la página se muestran ambos índices, para cada región y para los pronósticos a 24-48 y 72 hs, calculados sobre los últimos 60 días en que se cuenta con datos para la verificación, se
consideró de interés mostrar aquí el desempeño promedio que tuvo el WRF entre el 1 de enero de 2006 y el 31de diciembre de 2007. En la Figura  2, que muestra el BIAS, se nota  que el modelo presenta errores sistemáticos que se evidencian por una sobreestimación de la cantidad de puntos en que se pronosticaron lluvias mayores a 1 mm respecto de la cantidad de puntos en que esto realmente se observó. Este error es más marcado cuando se compara al modelo con las estimaciones CMORPH y presenta un ciclo anual, siendo mayor en los meses fríos. Esta sobreestimación también se observa en umbrales intermedios, y el problema es más evidente en la región sur. El error se atenúa cuando se compara al modelo con los datos del GTS, aunque persiste un comportamiento semejante. En los restantes umbrales, el modelo presenta un desempeño satisfactorio, excepto para la zona norte (comparada con CMORPH), en que hay una señal clara de subestimación de  altos umbrales particularmente en invierno. Cabe destacar que el valor alto del BIAS en los meses de marzo y abril para el mayor umbral resulta de la falta de datos para la verificación. Los errores discutidos aumentan con el plazo de pronóstico (no mostrado). De todas maneras, los valores del BIAS obtenidos aquí son comparables, por ejemplo, con los documentados por García Skabar (2008) quien empleó el modelo RAMS en verano.


Figura 2: Variación anual del BIAS areal de los pronósticos de precipitación de 24 hs, para los diferentes umbrales de precipitación considerados y sectorizados para la región situada al norte de 20°S (paneles de la izquierda) y al sur de 20°S (paneles de la derecha). Paneles superiores: BIAS areal con respecto a las estimaciones CMORPH. Paneles inferiores: BIAS con respecto a los datos de precipitación del GTS

La Figura 3 muestra el comportamiento del ETS. En términos generales, el valor máximo que adquiere este índice es de 0.2, que es relativamente bajo, aunque dentro de los rangos obtenidos en  estudios previos (García Skabar 2008). Hay importantes diferencias en el ETS al comparar regiones y también al tomar como referencia distintos conjuntos de datos. Por ejemplo, en relación al CMORPH, la región sur presenta una tasa de acierto sensiblemente mayor que la norte, particularmente en umbrales intermedios. En cuanto a la validación respecto al GTS, la respuesta en las dos regiones se asemeja más y no se observa un ciclo anual en la calidad del pronóstico de precipitación.


Figura 3: ídem figura 2 pero para el ETS

Si bien estos índices son empleados en todos los centros de pronóstico, es necesario ser cautelosos a la hora de extraer conclusiones. En primer lugar, resulta llamativa la  diferencia del comportamiento del índice cuando se emplean distintos conjuntos de datos. En segundo lugar, la inhomogeneidad en términos de distribución espacial de la información y de los regímenes de lluvia, son fuertes limitantes para la aplicación (y la confiabilidad) de los mismos.
Finalmente, los umbrales más altos de precipitación se dan con muy poca frecuencia, con lo cual el conjunto de datos es muy poco representativo.  La verificación objetiva de los pronósticos cuantitativos de precipitación constituye un problema complejo, objeto de continuas revisiones por parte de los expertos. La tendencia general es a mostrar diversidad de índices, que sean de utilidad para distintos usuarios.   
A continuación se muestra otra alternativa para validar el pronóstico de precipitación, en relación con otro tipo de objetivo: el uso de pronósticos de precipitación acumulada para la hidrología. La cantidad de lluvia caída sobre una cuenca es de interés, por ejemplo, para establecer si hay algún riesgo potencial de exceder los umbrales críticos para que se produzca una inundación en esa cuenca. Con el objeto de explorar esa aplicación, se realiza cotidianamente la integración de la lluvia que cae en 24 hs. sobre la Cuenca del Plata  y se muestra su evolución durante el último mes. La Figura 1 muestra el área de la Cuenca del Plata así como también las cuatro subcuencas sobre las que se realiza el mismo cálculo.
La verificación de la cantidad de agua caída sobre una cuenca tampoco es sencilla, y en el caso particular de la Cuenca del Plata, es aún más compleja por la falta de datos observacionales comparados con la cantidad de puntos donde el modelo predice precipitación. Con el objeto de monitorear este producto se realizan dos verificaciones diferentes: una, en la cual se compara la precipitación medida a partir de las estaciones del GTS q ue existen en la cuenca con la precipitación pronosticada por el modelo en el punto más cercano a esas estaciones. La otra, se realiza mediante el cálculo de precipitación pronosticada areal que incluye todos los puntos de retículo del modelo contenidos en la cuenca o subcuenca. Este valor, se compara con las estimaciones del CMORPH, a las que se las llevó a la misma resolución que el modelo como se explicó en la sección 2.2. En ambos casos, se muestra la evolución temporal durante el último mes en un gráfico donde se incluyen los pronósticos a distintos plazos, la precipitación observada en estaciones y la estimada a partir del CMORPH. La Tabla I incluye la cantidad de datos que participan diariamente de una y otra validación, y evidencia las grandes limitaciones que se tienen para trabajar con la variable precipitación sobre estas subcuencas.

Tabla I. Cantidad de datos GTS y CMORPH que participan en cada validación.

La Figura 4, muestra los pronósticos y las observaciones de la precipitación media areal entre los días 26 de octubre y 27 de noviembre de 2008. En esta figura, para  evitar los saltos abruptos propios de la variable, se ha aplicado un promedio pentádico móvil. Lo primero que se observa es que la cantidad de lluvia es menor que la observada si se toma como referencia el GTS: las diferencias entre los conjuntos de "datos observacionales" puede alcanzar un orden de magnitud. Asimismo, se puede identificar el impacto del empleo de una u otra estrategia  -es decir, la verificación con datos GTS y la verificación con estimaciones CMORPH- para informar cuál es el promedio areal . Cuando sólo se toman los puntos cercanos a las estaciones, el pronóstico de precipitación es una cantidad menor, en tanto que este número aumenta cuando se utiliza toda la información disponible en la cuenca. Fuera de lo expuesto, se nota que el modelo  acompaña razonablemente la evolución del campo de precipitación, sobreestimando la cantidad de lluvia respecto del GTS y subestimándola respecto del CMORPH, salvo en la segunda parte del período, en que hay días donde el modelo pronostica más cantidad de lluvia que la observada. Este comportamiento es consistente con el discutido en relación al BIAS, que indicaba una sobreestimación en los pronósticos para umbrales bajos e intermedios. En general, el pronóstico a 24 hs es más cercano al comportamiento observado en la mayor parte de los días.


Figura 4: Valores medios pentádicos móviles para la precipitación acumulada diaria promediada en el área de la Cuenca del Plata. Las líneas negras corresponden a los distintos pronósticos comparados con la estimación CMORPH (ver referencias para cada curva en la figura). Las líneas grises corresponden a los pronósticos y observaciones correspondientes a los puntos de estaciones que integran la cuenca.

2.3.2   Verificación de otras variables

  Con el fin de no duplicar la información disponible en Internet a partir del sitio del SMES, la verificación con respecto a datos observacionales de temperatura, temperatura de rocío y viento que se incluye en la página del WRF/CIMA, es una selección obtenida a partir de una gran  variedad de gráficas que pueden extraerse en forma interactiva de la página del SMES. El objeto de esta selección es de índole práctica, ya que simplifica el monitoreo del modelo WRF/CIMA sobre varias estaciones de Argentina.
Complementariamente a la verificación con datos de superficie, se realiza un control de la calidad de las simulaciones en relación con el análisis operativo del NCEP para un conjunto
diverso de variables y niveles, que se muestra para la quincena más reciente. La estructura espacial de los errores se monitorea a partir de la raíz del error cuadrático medio (RMSE) y del sesgo (BIAS), promediados sobre los últimos 15 días, en tanto que para seguir la evolución de los errores con el tiempo y su estructura vertical, se realizan promedios areales del RMSE sobre todo el dominio y también sobre la región centro-este. La Figura 5 incluye un ejemplo de este tipo de información para el período del 13 al 29 de noviembre de 2008. El hecho de mostrar la evolución para varios días presenta la ventaja de reconocer fechas en que la predicción resulta más difícil, tal como surge de los mayores errores que caracterizan a los pronósticos de altura geopotencial de 500 hPa entre el 13 y el 17 d e noviembre, que también se puede identificar por un mayor error de la humedad específica debajo de 700 hPa y de la componente meridional del viento en 850 hPa.


Figura 5: a) RMSE de los pronósticos a distintos plazos de altura geopotencial en 500 hPa (en m), promediados sobre la región centro-este, para cada uno de los días entre el 13 y el 29 de noviembre de 2008. b) ídem a) pero para el pronóstico a 24 hs de humedad específica (en g/kg) en todos los niveles.

3.   EL PRONÓSTICO PROBABILÍSTICO DE PRECIPITACIÓN  

La naturaleza caótica de la atmósfera limita la posibilidad de obtener pronósticos determinísticos con plazos mayores a 10-15 días. No obstante, dadas las continuas mejoras en los modelos y la introducción de los pronósticos por ensambles, se ha logrado aumentar sensiblemente el plazo límite debajo del cual una predicción resulta de utilidad. Entre otras aplicaciones, los pronósticos por ensambles permiten obtener información sobre la incertidumbre de los mismos que se puede expresar, por ejemplo, a partir de pronósticos probabilísticos para diferentes variables. En particular los pronósticos probabilísticos de lluvia son de mucho interés debido a la importancia de obtener información sobre la evolución futura de esta variable y el alto grado de incertidumbre asociado a la misma.
¿Sobre qué fundamentos se asienta el empleo creciente de esta herramienta?. En forma sintética se puede enumerar lo siguiente:  
¸  Los métodos objetivos para la obtención de pronósticos probabilísticos son una manera eficiente de incorporar la incertidumbre de la previsión dentro de la información que se le provee al usuario final.
¸  Una de las grandes ventajas de los pronósticos probabilísticos por  sobre los determinísticos es que pueden adecuarse a las necesidades de los distintos usuarios, más específicamente a los costos de protección y pérdidas asociadas con cada tipo de evento y cada actividad en particular. Por ejemplo, si la pérdida asociada a  un fenómeno es potencialmente importante para un usuario, entonces el mismo podrá tomar una acción preventiva aún cuando la probabilidad pronosticada es baja, mientras que un usuario para el cual el mismo fenómeno le ocasiona una pérdida menor, probablemente le convendrá tomar una acción preventiva cuando la probabilidad de ocurrencia del fenómeno es mayor (Zhu y otros 2002; Roebber y Bosart  1996).
¸  Para que se pueda sacar el máximo provecho de las propiedades antes mencionadas, es fundamental que los pronósticos probabilísticos sean confiables en el sentido estadístico, es decir que las probabilidades pronosticadas sean cercanas a las frecuencias observadas cada vez que un cierto valor de probabilidad es pronosticado. Por lo general, para que esto se verifique, es necesario realizar un proceso de calibración de los pronósticos. Para llevar adelante la calibración existen diversos algoritmos, como por ejemplo los descriptos por Hamill y Colucci (1998), Mc Lean y otros (2007) entre otros.
¸  La calibración depende de la región (tipo de régimen prevalente de la variable a calibrar) y para ser robusta requiere de una mínima cantidad de datos. En el caso de la precipitación, se necesitan al menos 1000 observaciones para generar estadísticas estables. Esto representa u nos 20 días si se toma como referencia la red de datos del GTS
que hay en Sudamérica. Este  período que se reduce sensiblemente si en lugar de datos observados se emplean estimaciones de satélite.
¸  Existen técnicas que permiten obtener pronósticos probabilísticos confiables a partir de pronósticos determinísticos, es decir, de una única corrida (Gallus  y Seagal 2004). Estos presentan una performance comparable con la obtenida a partir de pronósticos por conjuntos, sobre todo para plazos comprendidos entre   24 y 48 horas. Para plazos mayores, las ventajas del pronóstico por ensambles se incrementan gradualmente.
Con la finalidad de explorar las ventajas de este tipo de estrategia en la generación de pronósticos a corto plazo sobre nuestra región, se han realizado un conjunto de trabajos, entre los que pueden citarse: Ruiz  y otros 2006; 2008 y 2009.  Estos estudios constituyen la base para la implementación operativa del pronóstico probabilístico de precipitación que hoy se exhibe en la página del CIMA y cuyos  detalles se describen a continuación. 

3.1  Aspectos técnicos del pronóstico probabilístico de precipitación  

Este desarrollo se aplica a dos conjuntos de datos: los pronósticos de precipitación acumulada de 24 hs, disponibles a partir de la diversidad de modelos que constituyen el SMES y los correspondientes al ciclo de las 12 UTC, generados con el modelo WRF/CIMA. Los datos del SMES son obtenidos vía Internet y están disponibles recién a las 03 UTC del día siguiente al que se realiza el ciclo de pronóstico local. Estos pronósticos vienen dados en puntos de estaciones para toda Sudamérica, pero sólo se utilizan aquéllos que se encuentran dentro del dominio del WRF/CIMA. Esto reduce sensiblemente la cantidad de miembros disponibles, que es de aproximadamente 19. El lector podrá dirigirse a Ruiz y otros (2009) para encontrar todos los detalles técnicos de las calibraciones y de los diversos algoritmos empleados para computar estos pronósticos.  
Cabe destacar que las calibraciones se realizan dividiendo el dominio del modelo entre dos zonas (una  al norte y otra al sur de 20°S), con
el objeto de tener en cuenta las diferencias más importantes en el régimen de precipitación que existe dentro del área de cobertura del modelo. Si bien esto no es suficiente para representar la diversidad de comportamientos que exhibe esta variable, es la regionalización más factible considerando la escasez de datos de precipitación: cuanto más regímenes deseen identificarse, se dispondrá de menor cantidad de datos para entrenar la  calibración en un período fijo de tiempo.
Una vez compilada la información se generan los siguientes productos: 
·  Pronóstico probabilístico de precipitación para diferentes umbrales de lluvia, obtenido a partir de una única corrida con el modelo WRF calibrado con datos del GTS y con las estimaciones CMORPH  (siguiendo Gallus y Seagal 2004; adaptado según Ruiz y otros 2009).
·  Pronóstico probabilístico de precipitación para diferentes umbrales de lluvia, obtenido a partir del SMES calibrado con datos del GTS (de acuerdo con el algoritmo de Hamill y Colucci 1998; adaptado por Ruiz y otros 2009),  y no calibrado.  

3.2 Resultados  

A modo de ejemplo, la Figura 6 muestra la cantidad de precipitación que se produjo el día 29 de noviembre de 2008 según los datos del  GTS, y también según las estimaciones del CMORPH, junto con los pronósticos probabilísticos. Al igual que en las secciones anteriores, se nota la diferencia entre la información que se desprende del CMORPH y del GTS, donde no sólo la intensidad de la precipitación es menor, sino también el área afectada por lluvias es más pequeña. En la figura sólo se muestran los pronósticos calibrados con datos del GTS, tanto para el SMES como para el WRF/CIMA. Se observa que la región con probabilidad de ocurrencia de lluvia es más amplia que aquélla en donde efectivamente se dieron precipitaciones, lo cual resulta más marcado para el SMES, y es esperable debido a que la dispersión del ensamble es hipotéticamente mayor a lo que puede representarse con un solo modelo. A su vez, el SMES y el WRF/CIMA  -aunque este último en menor medida- dan una alta probabilidad de lluvias sobre el sur de la provincia de Buenos Aires, donde no se produjeron precipitaciones. Ambos pronósticos dan una probabilidad de ocurrencia mayor al 50% donde las observaciones indicaron precipitaciones importantes, y probabilidades bajas de ocurrencia de precipitación donde no llovió, lo cual muestra la utilidad de esta herramienta. 


Figura 6: Cantidad de precipitación acumulada entre las 12 UTC del 28 de noviembre y las 12 UTC del 29 de noviembre en mm: a) según las estimaciones CMORPH y b) según la red GTS.


Figura 6: Continuación. Probabilidad de ocurrencia de lluvia por encima de 0,25 mm: c) según el SMES y d) según el WRF/CIMA.

Existen un conjunto de índices que permiten evaluar la calidad de los pronósticos probabilísticos (ver Apéndice A, Ruiz 2009 -Tesis doctoral -). Entre los más utilizados están el Índice de Brier (BS, ecuación 1) o su versión como índice de acierto, que básicamente compara la calidad del pronóstico con la esperable a partir de la climatología, y se denomina Índice de Acierto de Brier (BSS, ecuación 2).

donde N es la cantidad de pares pronóstico- observación disponible, pi  es la probabilidad pronosticada y oi,  la observada. 
La Figura 7 muestra cómo resultó el BSS para las versiones calibradas con datos GTS del SMES y del WRF/CIMA y no calibrada del SMES, evaluados durante un período de 6 meses entre abril y septiembre de  2007, sobre la región sur. Se observa que la calibración aumenta considerablemente el índice de acierto (Figura 7a), que el mismo se degrada con la longitud del pronóstico en ambos sistemas de pronóstico, y que para el período en evaluación, resultó mejor  el SMES que el pronóstico probabilístico derivado del WRF/CIMA. La información provista por los pronósticos probabilísticos (hasta 48 hs de plazo), resulta mejor que la climatología para umbrales de precipitación menores de 30 mm.


Figura 7: BSS como función del umbral de precipitación para la región sur. a) para los pronósticos obtenidos con el SMES a 24 (líneas negras) y 48 hs (líneas grises): calibrados con datos GTS en líneas llenas y sin calibrar en líneas punteadas; b) para los pronósticos a 24-48 y 72 hs obtenidos con el WRF/CIMA (calibrados en todos los casos).

Si bien esta herramienta sólo se ha desarrollado para la precipitación, los estudios realizados indican que tiene un amplio margen de utilidad, sobre todo para decisiones que dependen de que una variable exceda un umbral dado o no, o que se encuentre en un determinado rango. Por ejemplo, en la gestión de una compañía de electricidad o de gas, sería valioso saber la probabilidad de que la temperatura máxima o mínima exceda un umbral específico, lo cual desencadenaría el proceso de toma de decisión en cuanto al acopio o no del recurso.   

4. SÍNTESIS Y PERSPECTIVAS  

Lo presentado muestra que hay un gran potencial para la generación de productos que se adapten a las necesidades de diversos usuarios. La experiencia que se logra al trasladar al terreno operativo los resultados de las investigaciones es muy valiosa y destaca la ventaja de establecer vínculos entre las instituciones que hacen investigación con aquéllas que hacen aplicaciones o brindan servicios. Como contrapartida, el conocimiento de las necesidades que tienen los usuarios, constituye una motivación para el desarrollo de investigaciones o la adaptación de tecnologías. Es importante destacar que si bien hoy es posible que prácticamente cualquier usuario capacitado instale un modelo de alta complejidad en una computadora personal, hay un largo camino por recorrer desde el momento en que se instala una aplicación hasta aquél en que los productos que se obtienen a partir de la misma son satisfactorios. Es responsabilidad de la comunidad científica trabajar para asegurar que los modelos numéricos produzcan resultados confiables y que su uso ofrezca un valor agregado respecto de otras herramientas disponibles. Esto último no es trivial y es uno de los principales desafíos que debe asumir la comunidad meteorológica en países como  Argentina (y la mayoría de los países latinoamericanos) en que no se desarrollan modelos,  pero se los emplea en diversas actividades.
En particular el modelo WRF/CIMA presenta algunos errores sistemáticos, que son comunes a varios modelos cuando se los  corre sobre Sudamérica (Blázquez 2007; Pessacg 2008; García Skabar 2008; entre otros). Para mejorarlos es necesario aumentar la cantidad de recursos humanos orientados al área de modelado numérico, ya que si bien hay una cantidad creciente de usuarios de modelos, no se observa que la misma esté acompañada de más investigaciones para la mejora efectiva de los modelos.
Resultados de estudios recientes (Ruiz 2009 y referencias allí citadas) indican que la estrategia del pronóstico por ensambles combinada con la asimilación de datos es clave para la mejora de la predicción en el corto y mediano plazo a escala regional. Ambas son posibles sólo en un marco de colaboración estrecha entre distintos centros regionales/nacionales, que permitan lograr una masa crítica, tanto en equipamiento como en recursos humanos.
En un contexto en el que los grandes centros operativos del mundo se orientan a la "predicción sin límites" (Shukla y otros 2008; Palmer y otros 2008), entendiendo que su responsabilidad es trabajar sobre modelos globales con los que puedan representarse correctamente todas las escalas temporales y espaciales, para así encarar el problema de la predicción del tiempo y el clima con esencialmente la misma herramienta; ¿cuál es el rol que le cabe al pronóstico numérico en Argentina?. Sin lugar a dudas, pasa por mejorar la representación de los fenómenos en escala local, ejecutando modelos con mayor resolución que la provista por los centros globales (hoy el NCEP corre su sistema de pronóstico de una semana con 35 km de resolución aproximadamente) y aprovechando las observaciones locales a partir de esquemas de asimilación de datos. Esta estrategia será fundamental para generar mejoras sustantivas en el marco de la p redicción a corto y mediano plazo. Toda la experiencia ganada a escala local podrá volcarse en el desarrollo de modelos globales, en la medida que nuestros investigadores mantengan lazos estrechos con los grandes centros operativos. Así, se podrá establecer un círculo virtuoso de intercambio, mucho más rico que el imperante bajo un modelo de "países proveedores" versus "países usuarios", que ha predominado en los últimos años.    

Agradecimientos:  Este trabajo ha sido posible gracias a los siguientes proyectos  GC06-085 de la NOAA/OGP/CPPA;  ANPCyT PICT 2004 25269, UBACyT X204 y CONICET PIP 5417. Los autores agradecen a Pedro Leite Silva Dias y el laboratorio MASTER de la Universidad de San Pablo por facilitar los pronósticos de precipitación del SMES. En particular a Demerval Soares Moreira por el asesoramiento técnico para el procesamiento de los productos del SMES.  

Notas:

1 El CIMA fue el primer centro en Argentina que tuvo un modelo regional en ecuaciones primitivas del tipo de los empleados por los grandes centros de pronóstico. El Servicio Meteorológico Nacional en aquéllos años, ejecutaba un modelo simplificado y no lo distribuía a través de Internet.

REFERENCIAS 

1. Blázquez,  J.,  2007.  Validación regional del modelo WRF bajo condiciones meteorológicas persistentes.  Tesis de Licenciatura del Departamento de Ciencias de la Atmósfera y los Océanos,  FCEyN, UBA.         [ Links ]

2. Campana,  K. y  P.  Caplan,  2006.  "Technical Procedures Bulletin" for the T382 Global Forecast System.  Kenneth Campana, EMC, Peter Caplan, EMC, editors http://www.emc.ncep.noaa.gov/gc_wmb/Documentation/TPBoct05/T382.TPB.FINAL.htm        [ Links ]

3. Chen,  F., y  J.  Dudhia, 2001. Coupling an advanced land-surface / hydrology model with the Penn State / NCAR MM5 modeling system. Part I: Model description and implementation. Monthly Weather Review, 129, 569-585.         [ Links ] 

4. Dudhia, J., 1989. Numerical study of convection observed during the winter monsoon experiment using a mesoscale two-dimensional model, J. Atmos. Sci., 46, 3077-3107.         [ Links ]

5. Ebert,  E.  E., J. E. Janowiak,  y C. Kidd, 2007. Comparison of Near-Real -Time Precipitation Estimates from Satellite Observations and Numerical Models. Bulletin of the American Meteorological Society, 88, 47-64.         [ Links ]

6. Gallus, W. A., y  M. Segal, 2004. Does Increased Predicted Warm-Season Rainfall Indicate Enhanced Likelihood of Rain Occurrence? Weather and Forecasting, 19, 1127-1135.         [ Links ]

7. García Skabar, Y., 2008. Análisis enriquecidos, evaluación de su impacto en el pronóstico y su aplicación para describir circulaciones de mesoescala en el centro y norte de Argentina. Tesis doctoral, Departamento de Ciencias de la Atmósfera y los Océanos, FCEyN, UBA.         [ Links ]

8. Hamill T., 1999. Hypothesis Tests for Evaluating Numerical Precipitation Forecasts. Weather and Forecasting, 14, 155-167.         [ Links ]

9. Hamill T. y S. J. Colucci,  1998. Evaluation of Eta-RSME Ensemble Probabilistic Precipitation Forecast. Monthly Weather Review.,  126, 711- 724.         [ Links ]

10. Hong S. y H. Pan, 1996: Nonlocal Boundary Layer Vertical Diffusion in a Medium-Range Forecast Model. Monthly Weather Review, 10, 2322-2339.         [ Links ]

11. Joyce, R. J., J. E. Janowiak, P. A. Arkin, y  P. Xie, 2004. CMORPH: A method that produces global precipitation estimates from passive microwave and infrared data at high spatial and temporal resolution. Journal of  Hydrometeorology, 5, 487- 503.         [ Links ]

12. Kain J. S., 2004. The Kain-Fritsch Convective Parameterization: An Update. Journal of Applied Meteorology. 43, 170-181.         [ Links ]

13. Ferreira, L., 2008. Causas y variabilidad de la depresión del Noroeste argentino e impactos sobre los patrones regionales de circulación.  Tesis doctoral, Departamento de  Ciencias de la Atmósfera y los Océanos, FCEyN, UBA.         [ Links ]

14. Ferrier, B. S., Y. Jin, Y. Lin, T. Black, E. Rogers, y G. DiMego, 2002. Implementation of a new grid-scale cloud and precipitation scheme in the NCEP Eta model. Preprints, 15th Conf. on Numerical Weather Prediction, San Antonio, TX, Amer. Meteor. Soc., 280-283.         [ Links ]

15. McLean, J., A. Raftery, T. Gneiting, y  C. Fraley, 2007. Probabilistic Quantitative Precipitation Forecasting Using Bayesian Model Averaging. Monthly Weather Review, 135, 3209-3220.         [ Links ]

16. Mlawer, E. J., S. J. Taubman, P. D. Brown, M. J. Iacono, y  S. A. Clough, 1997. Radiative transfer for inhomogeneous atmosphere: RRTM, a validated correlated-k model for the long wave. J. Geophys. Res., 102 (D14), 16663-16682.         [ Links ]

17. Palmer T.,  F. J. Doblas-Reyes, A. Weisheimer, y M. J. Rodwell, 2008. TOWARD SEAMLESS PREDICTION Calibration of Climate Change Projections Using Seasonal Forecasts, Bull. Am. Met Soc., 459-470.         [ Links ]

18. Paegle, J., T. Ambrizzi, E. Berbery, C. Campetella, R. Garreaud, D. Herdies, J. Marengo, C. Menéndez, M. Nicolini, R.  Porfirio da Rocha, J. Ruiz, C.  Saulo, M. Seluchi, P. L. Silva Dias, 2004. Modeling Studies Related to SALLJEX. Exchanges, Special Issue Featuring SALLJEX. Nro 29 (vol. 9, nro 1), 20-22.         [ Links ]

19. Pessacg, N., 2008. Experimentos de Sensibilidad Utilizando un Modelo Regional para la Simulación de la Precipitación en el Sur de Sudamérica.  Tesis de Licenciatura del Departamento de Ciencias de la Atmósfera y los Oceanos, FCEyN, UBA.  80 pp.         [ Links ]

20. Robledo  F. A., 2007. Régimen estacional de la lluvia diaria en el Sudeste de Sudamérica. Cuantificación del cambio en la segunda mitad del siglo 20.  Tesis de Licenciatura del Departamento de Ciencias de la Atmósfera y los Océanos FCEyN, UBA. 76 pp.         [ Links ]

21. Roebber P. J. y L. F. Bosart, 1996. The Complex Relationship between Forecast Skill and Forecast Value: A Real -World Analysis. Weather and Forecasting, 11, 544-559.         [ Links ]

22. Ruiz, J., 2009. Aplicación de los pronósticos por ensambles a la predicción del tiempo a corto plazo sobre Sudamérica.  Tesis doctoral, Departamento de  Ciencias de la Atmósfera y los Océanos, FCEyN, UBA.         [ Links ]

23. Ruiz, J., L. Ferreira y C. Saulo, 2007. WRF-ARW sensitivity to different planetary boundary layer parameterization over South America, 4 -11, 4 -12 Research  activities in atmospheric and oceanic modelling.  WGNE blue book, WMO Edición 2007, disponible en http://collaboration.cmc.ec.gc.ca/science/wgne/BlueBook/index.html          [ Links ]

24. Ruiz, J  y C. Saulo, 2006. Quantitative Precipitation Forecast Verification over Southeastern South America using CMORPH and CPC Data,5-47,  5-48. Research activities in atmospheric and oceanic modelling. (WGNE blue book, WMO Edición 2006, disponible en http://collaboration.cmc.ec.gc.ca/science/wgne/index.html -sección 5).         [ Links ]

25. Ruiz, J., S. Cardazzo y C. Saulo, 2008. Calibración y verificación de pronósticos probabilísticos de precipitación para Sudamérica. XV Congreso Brasilero de Meteorología. San Pablo, 25-29 de Agosto 2008 (en CD).         [ Links ]

26. Ruiz, J., C. Saulo y E. Kalnay, 2009. Comparison of methods to generate probabilistic quantitative precipitation forecasts over South America. Wea. and Forec, 24, 319-336.         [ Links ]

27. Skamarock, W. C., J. B. Klemp, J. Dudhia, D. O. Gill, D. M. Barker, W. Wang, y  J. G. Powers, 2005. A description of the Advanced Research WRF Version 2. NCAR Tech Notes-468+STR.         [ Links ]

28. Saulo, A. C., C. Campetella y M. Seluchi, 2000. Ensayo de  un pronóstico operativo sobre la República Argentina con el modelo regional LAHM/CIMA. Meteorologica, vol. 25, nros 1 y 2, 67-78.         [ Links ]

29. Saulo, A. C., M. Seluchi, C. Campetella y L. Ferreira, 2001. Error evaluation of NCEP and LAHM/CIMA regional daily forecasts  over southern South America. Weather and Forecasting, vol. 16, nro 6, 697-712.         [ Links ]

30. Saulo, A.C y L. Ferreira, 2003. Evaluation of quantitative precipitation forecasts over southern South America. Australian Meteorological Magazine, 52, 81-93.         [ Links ]

31. Schaefer, J. T.,  1990. The Critical Success Index as an Indicator of Warning Skill. Weather and Forecasting, 5, 570-575.         [ Links ]

32. Shukla, J.,  R. Hagedorn, B. Hoskins, J. Kinter, J. Marotzke, M. Miller, T. Palmer y J. Slingo, 2009. Revolution in Climate Prediction is Both Necessary and Possible, Bull. Am. Met. Soc.,90, 175-178.         [ Links ]

33. Silva Dias, P. L., D. Soares Moreira, y G. D. Neto, 2006.  The MASTER Model Ensemble System (MSMES).  Proceedings of 8 ICSHMO, Foz do Iguaçu, Brazil, April 24-28, INPE, p. 1751-1757.         [ Links ]

34. Vera, C., J. Baez; M. Douglas, C. B. Emmanuel, J. Marengo, J. Meitin, M. Nicolini, J. Nogues- Paegle,  J.  Paegle, O. Penalba, P. Salio, C. Saulo, M. A. Silva Dias,  P. Silva Dias, y E. Zipser, 2006. The South American Low-Level Jet Experiment (SALLJEX). Bull. Am. Met. Soc, Vol. 87,  No. 1, pp. 63-77.         [ Links ]

Creative Commons License Todo el contenido de esta revista, excepto dónde está identificado, está bajo una Licencia Creative Commons