Modelos NuméricosSimulaciones ClimáticasPronóstico del Tiempo
René D. Garreaud
Departement of GeophysicsUniversidad de Chilewww.dgf.uchile.cl/rene
Presentación No. 5
• Modelos numéricos en general• Pronóstico del tiempo / predicción climática• Modelos numéricos de la atmósfera• Evaluación de pronóstico del tiempo• Comentarios sobre futuro de Servs. Meteor.
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
X(t) = A·X(t-1) ·Y(t) + B·Z(t-1) + x
Y(t)= C·X(t-1)·Y (t-1) + B·Z (t)+ y
Z(t)= D·Z(t-1)·Y (t) + E·X(t-1) + z
x = y = z = 0
A, B, C, D: External parametersOrbital parameters, CO2 Concentration, SST (AGCM), Land cover
X, Y, Z: Time-dependent variablesPressure, winds, temperature, moisture,….
My first toy modelA system of coupled, non-linear algebraic equations
x y z Random errors
Set to zero Deterministic model
X(t) = A·X(t-1) ·Y(t) + B·Z(t-1) + x
Y(t)= C·X(t-1)·Y (t-1) + B·Z (t)+ y
Z(t)= D·Z(t-1)·Y (t) + E·X(t-1) + z
x = y = z = 0
To run the model, we need:
• Initial conditions: X0, Y0, Z0
• The values of the External Parameters … they can vary on time
• A numerical algorithm to solve the equations
• A computer big enough
My first toy model
Weather forecastModel predicts daily values
Climate PredictionModel does NOT predict daily valuesbut still gives reasonable climate state
(mean, variance, spectra, etc…)
ObsMod
X0 = -0.502
X0 = -0.501
A slight difference inthe initial conditions
Large differenceslater onNon-linear
equations
The Lorenz’s (butterfly) chaos effect
A=2
A=1
Two runs of the model, everything equal but parameter ANote the “Climate Change” related to change in A
Nevertheless, simulations after two-weeks are still “correct” in a climatic perspective and highly dependent upon external parameters models can
be used to see how the climate changes as external parameters vary.
Examples of External Parametersthat can be modified:
1. The relatively long memory of tropical SST can be used to obtain an idea of the SST field in the next few months (e.g., El Niño conditions). Using this predicted SST field to force an AGCM, allows us climate outlooks one season ahead.
2. Changes in solar forcing (due to changes in sun-earth geometry) are very well known for the past and future (For instance, NH seasonality was more intense in the Holocene than today). Modification of this parameter allow us paleo-climate reconstructions (still need to prescribe other parameters in a consistent way: Ice cover, SST, etc.…hard!)
3. Changes in greenhouse gases concentration in the next decades gases give us some future climate scenarios.
gFpVkfdtVd
R
1ˆ
SfcConvRADPQQQSTV
t
)(
0
pV
pRT
pgz
)(
Momentum eqn.
Energy eqn.
Mass eqn.
Idea gas law
Atmospheric circulation is governed by fluid dynamics equation + ideal gas thermodynamics
ECdt
dqv
rr SEC
dt
dq
Water substance eqns.
Water Vapor
Ice crystalCloud droplets
SnowRain droplets
Graupel/Hail
rcv EEC
dt
dq
cccc KAEC
dt
dq
rsrrccr FPPFEKA
dt
dq
¿¿¿Where is precipitation???W
arm
clo
ud
Cold clouds
Previous system is highly non-linear,with no simple analytic solution
?!.... We solve the system using numerical methods
applied upon a three-dimensional grid
lat
lon
z
lat ~ lon ~ 1 - 3 z ~ 1 km t ~ minutes-hoursTop of atmosphere: 15-50 km
Global Models (GCM)
Global Models (GCM)
Type SST Sea Ice
Land Ice
Biosphere Land use
AGCM P P P P P
CGCM C C P/C P/C P
OGCM C C P P P
ESM C C C C C
External parameters: GHG, O3, aerosols concentration; solar forcing
Com
plex
ity
1980-
1990-
2005-
A: Atmospheric Only; C: Coupled; O: Ocean; ESM: Earth-system models
Regional Models (LAM, Mesoscale Models)
x ~ y ~ 1-50 km z ~ 50-200 m t ~ secondsLx ~ L y ~ 100-5000 km Lz ~ 15 km
z
y
x
Ly
Lx
Lz
Regional Models (LAM, MM)
Regional models gives us a lot more detail (including topographic effects) but they need to be “feeded” at their lateral boundaries by results from a GCM.
Main problem: Garbage in – Garbage out
diabQ
x
Tu
t
T
diab
it
iti
t
it
it Q
x
TTu
t
TT
11
111
Once selected the domain and grid, the numerical integration uses finite differences in time and space
Numerial method(stable & efficient)
Sub-grid processes must be parameterized, that is specified in term of large-scale variables
DynamicalCore
Cloudmicrophysics
Boundary layerturbulence
RadiativeTransfer
Surfaceproceses
Convectiveclouds
Param. otrosprocesos SG
Thus, a real atmospheric model has
For instance, MM5 (LAM) has 220 programs, 50 directories and 55.000 code lines F77...Ufff!
¿Pronóstico Numérico del Tiempo ?
Conocer la distribución espacial y temporalde las variables que caracterizan la atmósfera
Condiciones iniciales ( t0 )
Pronósticos
( t0+ t )
Lon (x)
Lat (
y)
. . . T wup
El e
v ( z
)
Con todo esto se realiza la simulacion numérica (t ~ 1-5 días)
Condiciones de borde (LAM)
. . . T wup
El e
v ( z
)
Modelo
Numérico
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?
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?
x = 5 km
x = 15 km x = 45 km
La resolución espacial determina que rasgos geomorfológicos y meteorológicos estarán
presentes en la simulación/pronóstico…aumento de res. Es caro
x = 0.1 km
Posibles fuentes de errores
1. Errores en las condiciones iniciales (o de borde).CI asimilan información, pero extrapolación dinámica es importante. Predictabilidad limitada a 5-7 días.
2. Errores en la parametrización de procesos sub-grilla
3. Errores derivados de falta de resolución espacial
4. Errores numéricos (mínimos)
Resultados deben ser validados para estimar errores aleatorios y corregir errores sistemáticos
Area precip. pronosticada
Area precip. observada
Validación de los pronósticos
¿Buen pronóstico? ¿Mal pronóstico?La perspectiva (local-espacial) lo define todo...
x
y
Punto de interes
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.
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
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
Top Related