122 Aniversario Dirección Meteorológica de Chile Pronóstico del Tiempo en el 2006: Oportunidades y Desafíos René D. Garreaud Departamento de Geofísica Universidad de Chile Marzo 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)
Cobertura espacial [km 2 ] Pronóstico del Tiempo y Predicción Climática Herramienta Resolución Espacial [km] 100.0 10.0 1.0 0.1 Extrapolación observaciones Modelos de mesoescala y microescala Tormentas de Verano Pronóstico Numérico del Tiempo + MOS Tormentas de Invierno Modelos climáticos estadísticos Variabilidad intraestacional e interanual de Precip. 5000 5000 1000 1000 100 100 10 10 0.1 0.5 1 3 7 Plazo de Previsión [días] 30 300
Bondad y Utilidad del pronóstico no son lo mismo... Utilidad del pronóstico Malo e Inútil Bueno y Útil Bueno e Inútil Bondad del Pronóstico
La bondad del pronóstico es una medida objetiva de su capacidad de acertar estados futuros de la atmósfera: Variables continuas: R 2, ecm, sesgo, etc... ecm
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)
Caso más simple y mas frecuente N=2 N=100 Pron. Lluvia Pron. No-Lluvia Observación Lluvia No-Lluvia A=25 B=5 30 C=10 D=60 70 35 65 100 Climatología del pronóstico Climatología observada 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 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
Particular cuidado en pronóstico de eventos muy infrecuentes. Nuestro pronóstico. HR=0.91 Pronóstico fijo. HR=0.95 N=100 Observación Lluvia No-Lluvia N=100 Observación Lluvia No-Lluvia Pron. Lluvia 0 4 4 Pron. Lluvia 0 0 0 Pron. No-Lluvia 5 91 96 Pron. No-Lluvia 5 95 100 5 95 100 5 95 100
Valorización de los Pronósticos Meteorológicos Definiciones básicas Consideremos una actividad productiva que es afectada por la condición meteorológica. Esta condición se asocia con la ocurrencia de eventos {E 1, E 2,..., E n } 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(e k ) = P k. (Σ P k = 1) Sea Q h la frecuencia histórica de realizar un pronóstico del evento h. Sea θ k,h = probabilidad (pronóstico de evento h ocurra un evento k) 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) BPR = N h= 1 N Qh [θ, max{ L }] k= 1 k h j,k
Valorización de los Pronósticos Meteorológicos Pronóstico Perfecto Acciones Perfectas Beneficio ($) Pronóstico Imperfecto Acciones Perfectas Solo climatología Acción Perfecta Pronóstico Imperfecto Acciones Imperfectas Bondad del pronóstico 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
La expansión de la comunidad de meteorología operativa Cluster y Super PC a precios accesibles Modelos numéricos de pronóstico del tiempo de área limitada corriendo en forma operacional en múltiples instituciones: Códigos numéricos portables y eficientes (MM5, RAMS, WRF, etc ) Condiciones Iniciales y de Borde generadas por modelos globales (e.g. AVN) en tiempo real vía Internet Servicios Met. Nacionales Universidades Centros regionales Empresas privadas Consultoras en meteorología Internet provee además un medio de difundir los resultados de estos modelos.
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.
Modelos numéricos de pronóstico Maquinas versus humanos? Condiciones iniciales Condiciones de borde Elev (z) Lat (y) T Lon (x) p u... w Modelo Numérico Salidas numéricas para tiempo futuro Elev (z) T p u... w
Modelos numéricos de pronóstico: Maquinas versus humanos? 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
MOS: Model Output Statistics Predictores salidas del modelo, obs. recientes, climatología MOS-Desarrollo Predictores salidas del modelo, obs. recientes, climatología MOS-Aplicación Estadística Reg. Lineal Multiples Redes Neuronales Estadística Predictante (Tx, Tn, PP, etc.) Predictante (Tx, Tn, PP, etc.) Ventajas Desventajas Remueve sesgo del MPN Permite conocer error del pronóstico Emplea múltiples predictores Puede pronósticar variables no meteorológicas Requiere historía de observaciones y salidas del MPN Ecuaciones son dependientes del modelo Usualmente calibrado para condiciones medias
Modelos numéricos de pronóstico Maquinas versus humanos? 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. Peor NWS guiado Mejor 12h 24h 36h 48h
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.
Qué quieren los usuarios? (especialmente los que pagan) Atmósfera Meteorología - Clima Modelos de Pronóstico Meteorológico (MPM) (T, p, q, V, Φ,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
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.)
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.
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