EVALUACIÓN DE LA TEMPERATURA SIMULADA POR EL MODELO WRF EN REGIONES AGRÍCOLAS DE MÉXICO A. Corrales 1, H. Flores 2, M. P. Narváez 1 O. Ruíz 1 y L. A. González 1 1 INIFAP-C.E. Pabellón. Laboratorio Nacional de Modelaje y Sensores Remotos, Pabellón de Arteaga, Ags., México. 2 INIFAP-C.E. Valle del Guadiana, Durango, Dgo., México. e-mail: corrales.arturo@inifap.gob.mx INTRODUCCIÓN México es afectado por varios tipos de fenómenos hidrometeorológicos que pueden provocar la pérdida de vidas humanas o daños materiales importantes. El territorio mexicano está expuesto principalmente a precipitaciones e inundaciones, granizadas, nevadas, heladas, tormentas eléctricas y tornados (Prieto et al., 2010). El uso de modelos de predicción numérica del tiempo constituye una herramienta tecnológica complementaria a la interpretación de observaciones convencionales que puede añadir un gran valor al proceso de pronóstico. La mayor resolución espacial y temporal de los datos del modelo permite a un meteorólogo observar con mayor detalle la evolución de un fenómeno meteorológico y puede proporcionar un marco más detallado en el cual las observaciones reales pueden ser interpretadas (Litta et al., 2012). Actualmente, instituciones de Estados Unidos y Europa han implementado el sistema WRF (Weather Research and Forecasting) principalmente para la protección contra desastres naturales; en México, la CONAGUA y la Universidad de Guadalajara hacen uso de este sistema (Ramírez y Cuevas, 2012). A partir de Enero de 2012 el INIFAP ha implementado el modelo WRF con el propósito de atender a la demanda de pronóstico meteorológico en regiones agrícolas del país. Durante el mes de diciembre del mismo año se puso de forma operativa en fase experimental y en proceso de validación. El objetivo del estudio fue evaluar la temperatura mínima en 24 h pronosticada mediante el modelo WRF y compararla con los datos registrados en la Red Nacional de Estaciones Automatizadas (RNEAA) que administra el INIFAP., MATERIALES Y MÉTODOS Modelo numérico. El sistema de modelado WRF es resultado de un esfuerzo de múltiples agencias para proporcionar un sistema de nueva generación de modelo de pronóstico de mesoescala que tiene como objetivo el avance tanto de la comprensión y predicción del tiempo meteorológico así como acelerar la transferencia de los avances de la investigación hacia la parte operativa. El modelo está siendo desarrollado en conjunto por: National Centers for Environmental Prediction (NOAA/NCEP), NOAA Earth Systems Research Laboratory Global Systems Division 685
(NOAA/ESRL/GSD), National Center for Atmospheric Research (NCAR), Mesoscale Microscale Meteorology Division (MMM), Department of Defense s Air Force Weather Agency (AFWA) y la Federal Aviation Administration (FAA) junto con la participación de científicos universitarios y de colaboradores internacionales (Janjic et al., 2010). El modelo WRF cuenta con dos núcleos dinámicos: 1) Advanced Research WRF (ARW) y, 2) Non Hydrostatic Mesoscale Model (NMM). El NMM fue desarrollado por la NOAA/NCEP. Es un modelo de mesoescala completamente compresible, no hidrostático con una opción hidrostática (Janjic, 2003). El ARW fue desarrollado principalmente por el NCAR. Es un subconjunto del sistema de modelado WRF qué, además del núcleo; abarca esquemas para la física, opciones numéricas y dinámicas, rutinas de inicialización y un paquete de asimilación de datos (WRF- Var). Algunos paquetes para la física son ampliamente compartidos con el WRF-NMM (Skamarock et al., 2008). En el presente trabajo se empleó el software WRF Environmental Modeling System (EMS), el cual fue desarrollado por el NWS Science Operations Officer (SOO) Science and Training Resource Center (STRC). Un beneficio de utilizar el WRF EMS es que incorpora ambos núcleos dinámicos en un único modelo de pronóstico (Rozumalski, 2006). El software consiste en programas pre-compilados que son fáciles de instalar y ejecutar. El WRF EMS contiene todas las opciones para la física disponibles para los núcleos ARW y NMM (Watson, 2007). Configuración del modelo. El modelo se integró diariamente de Octubre 2012 a Mayo 2013 por periodos de simulación de 120 horas. Se configuró un único dominio con paso de malla horizontal de 13 km y una estructura vertical de 35 niveles desigualmente espaciados. Las condiciones iniciales y de frontera fueron las 6000 UTC del Global Forecast System (GFS) a.5 x.5 de resolución. No se consideró periodo de spin-up (Tabla 1). Con base al pronóstico diario se construyeron 5 series de tiempo utilizando las 24, 48, 72, 96 y 120 h de simulación para el periodo Octubre 2012-Mayo 2013 (Tabla 2). 686
Tabla 1. Configuración del modelo Longitud de la simulación Frecuencia de actualización de las condiciones de frontera Dinámica Esquema de cumulus Esquema de microfísica Esquema de capa límite planetaria Esquema de suelo Esquema de capa superficial Radiación de onda larga Radiación de onda corta 120 horas 03 horas No hidrostático Betts-Miller-Janjic Milbrandt-Yau Mellor-Yamada-Janjic Noah 4-Layer LSM Monin-Obukhov (Janjic) RRTM Dudhia Scheme Tabla 2: Esquema de tiempo del pronóstico Octubre 2012 1 2 3 4 5 6 7 8 9 Pronóstico d1 24 d2 48 d3 72 d4 96 d5 120 d1 24 d2 48 d3 72 d4 96 d5 120 d1 24 d2 48 d3 72 d4 96 d5 120 d1 24 d2 48 d3 72 d4 96 d5 120 d1 24 d2 48 d3 72 d4 96 d5 120 Puntos de evaluación del WRF. Se interpoló la malla del WRF a la ubicación de las estaciones agrometeorológicas, se utilizó el método de interpolación IDW mediante el software Surfer v12. Solo se consideraron estaciones que contaron con al menos el 80% de datos por día. El número de estaciones resultantes después de aplicar estos criterios fue de 240. La Figura 1 muestra la ubicación de los sitios donde se contrastó el WRF. Análisis estadístico. Con el fin de analizar la precipitación simulada, se realizó el análisis estadístico mediante la estimación del Correlation coefficient (CC), Root mean square error (RMSE), Mean absolute error (MAE) y Sesgo (BIAS). 687
1) 2) 3) 4) Donde es el dato simulado, el dato registrado por la estación agroclimatológica, y son los promedios de y respectivamente y el número de datos. Figura 1. Estaciones agrometeorológicas ( ) resultantes después de aplicar los criterios de selección. RESULTADOS Y DISCUSIÓN Análisis de la temperatura mínima simulada. La Tabla 3 muestra el promedio de los parámetros estadísticos de los 240 puntos evaluados. Se observa una correlación positiva alta en el rango de 0.73 a 0.80. Se observó un bias cálido en el rango de 1.78 a 2.48 C, debido posiblemente a la parametrización de capa límite (Zhang et al., 2009). 688
Las 24 y 48 h de simulación mostraron un mayor coeficiente de correlación, EMA, BIAS y RCCME respecto a los 72, 96 y 120 h. Tabla 3. Estadísticos promedio de los puntos evaluados en el periodo Octubre 2012 a Mayo 2013. Variable analizada Temperatura mínima Tiempo de simulación (h) EMA ( C) BIAS ( C) RCCME ( C) CC 24 3.13 2.48 3.69 0.80 48 2.99 2.14 3.58 0.78 72 2.92 1.94 3.51 0.77 96 2.94 1.87 3.53 0.76 120 2.98 1.78 3.6 0.73 La Figura 2 muestra la distribución espacial del BIAS, el cual nos permite identificar las regiones donde el WRF presentó un valor alto para este estadístico. La Figura 3 muestra la distribución espacial del CC, lo cual nos brinda información útil acerca de la habilidad del modelo para mostrar la tendencia o relación con dicha variable; y nos permite identificar zonas de relevancia agrícola donde se pueda utilizar de manera confiable en la toma de decisiones del sector agrícola. Figura 2. Distribución espacial del BIAS de la temperatura mínima para las a) 24, b) 48, c) 72, d) 96 y e) 120 h de simulación. Octubre 2012-Mayo 2013. 689
Figura 3. Distribución espacial del CC de la temperatura mínima para las a) 24, b) 48, c) 72, d) 96 y e) 120 h de simulación. Octubre 2012-Mayo 2013. CONCLUSIONES La disponibilidad de un pronóstico de temperatura mínima a mediano plazo (5 días) brinda una orientación útil en la toma de decisiones en la agricultura, principalmente en áreas donde pueden existir pérdidas por heladas. El modelo WRF núcleo dinámico ARW mostró una buena correspondencia entre las observaciones y las simulaciones con valores del CC en el rango de 0.73 a 0.80 y se observó un bias cálido debido posiblemente a la parametrización de capa límite. Como trabajo futuro se propone considerar otros estadísticos de validación mediante tablas de contingencia, además, estos resultados preliminares permitirán la posibilidad de aplicar una corrección al bias del modelo principalmente en las zonas donde se observó un mayor sesgo. Para mejorar su desempeño es necesario realizar más estudios con distintas parametrizaciones de la capa límite. BIBLIOGRAFIA Janjic, Z. I. 2003. A nonhydrostatic model based on a new approach. Meteorology and Atmospheric Physics, vol. 82, no. 1-4, pp. 271-285. Janjic, Z., R. Gall, and M. E. Pyle. 2010. Scientific Documentation for the NMM Solver. NCAR Technical Note, NCAR/TN- 477+STR, 54 pp. Litta, A. J., U. C. Mohanty and Sumam Mary Ididcula. 2012. The diagnosis of severe thunderstorms with 690
high-resolution WRF model. Journal of Earth System Science, vol. 121, No. 2, April 2012, pp. 297 316. Prieto, R., Ma. A. Avendaño, L. G. Matías y H. Eslava. 2010. Tormentas severas. 1a. edición, México, Centro Nacional de Prevención de Desastres, 56p. ISBN: 978-607-7558-08-8. Ramírez Gámez, C.A. y J.C. Cuevas Tello. 2012. Sistema automático para la predicción de desastres meteorológicos en las ciudades. Ide@s CONCYTEG, 7 (86), pp. 1021-1048. Rozumalski, R., 2006. WRF Environmental Modeling System User s Guide. NOAA/NWS SOO Science and Training Resource Coordinator Forecast Decision Training Branch, 89 pp. [Available from COMET/UCAR, P.O. Box 3000, Boulder, CO, 80307-3000]. Skamarock, W. C., J. B. Klemp, J. Dudhia, D. O. Gill, D. M. Barker, M. G. Duda, Xiang-Yu Huang, W. Wang, Jordan G. Powers. 2008. A Description of the Advanced Research WRF Version 3. NCAR Technical Note, NCAR/TN 475+STR, 125 pp. Watson, L. R. 2007. Weather Research and Forecasting Model Sensitivity Comparisons for Warm Season Convective Initiation. NASA Contractor Report, NASA/CR-2007 214734, 43 pp. Zhang, Y., V. Dulière, P. W. Mote, and Eric P. Salathé Jr., 2009: Evaluation of wrf and hadrm mesoscale climate simulations over the u.s. pacific northwest*. J. Climate, 22, 5511 5526. doi: http://dx.doi.org/10.1175/2009jcli2875.1 691