UNIVERSIDAD VERACRUZANA

UNIVERSIDAD VERACRUZANA
Facultad de Instrumentación Electrónica
“DESCRIPCIÓN DEL MODELO ACOPLADO THE CLIMATE
FORECAST SYSTEM VERSION 2 (CFSv2) PARA LA PREDICCIÓN
ESTACIONAL DEL CLIMA EN MÉXICO”
Monografía
Que para evaluar la experiencia educativa Experiencia Recepcional
(MEIF), del Programa Educativo Licenciatura en Ciencias Atmosféricas
PRESENTA:
MARTÍN DE JESÚS GUILLÉN CADENA
DIRECTORES:
DR. JUAN MATÍAS MÉNDEZ PÉREZ
M. EN C. JORGE LUIS VAZQUEZ AGUIRRE
Xalapa-Enríquez, Ver.
JUNIO, 2015
AGRADECIMIENTOS
El presente trabajo de investigación, va dedicado a todas las personas que
han influido en mí de manera positiva o negativa a lo largo de mi formación
profesional, ya que a lo largo de este camino, me he encontrado con gente
que desde siempre me alentó a seguir adelante y con gente que por el
contrario, decía que no lo lograría y que me aconsejaba desistir.
Siendo éstos últimos los que generaron un impulso mayor para salir
adelante y demostrar que hay muchas formas de salir adelante y de triunfar;
agradezco infinitamente esas palabras de desaliento, ya que sin ellas no
habría cabido en mí ese sentimiento de orgullo que me llevo a alcanzar mis
metas y sueños.
De manera puntual quiero agradecer a mi madre y a mis hermanos, ya que
sin su apoyo incondicional, día con día, no hubiera tenido las fuerzas para
salir adelante y superar los tropiezos que se aparecieron en mi vida a lo
largo del desarrollo de este trabajo; a mi madre, especialmente por
enseñarme el camino de Dios y de la formación profesional, a mi hermano
por siempre ayudarme a encontrar una solución a los problemas y a mi
hermana por siempre darme su confianza y apoyo incondicional.
A toda mi familia y en especial, a mis tíos, los cuales siempre me ofrecieron
su hombro para escucharme y apoyarme, a mis primos por ayudarme en mi
formación de vida y a dos personas muy especiales en la facultad las cuales
siempre orientaron, enseñaron y empujaron para llegar hasta donde estoy,
porque aun cuando yo dude de mí mismo ellas lograron sacar esa mejor
parte de mí.
A los profesores, compañeros y amigos que siempre creyeron en mí y que
estuvieron ahí para darme su apoyo tanto en el ámbito profesional como
personal.
A todos y cada uno gracias porque sin su apoyo no habría podido lograrlo.
“El secreto de mi éxito fue rodearme de personas mejores que yo”
Andrew Carnegie
ii
SIGLAS Y ABREVIACIONES
CCA
Centro de Ciencias de la Atmósfera
CFSv2
Sistema de Pronóstico Climático Versión 2
CGSMN
Coordinación General del Servicio Meteorológico Nacional
CICESE
Centro de Investigación Científica y Educación Superior de
Ensenada
CMIP
Proyecto de Intercomparación de Modelos Acoplados
CONAGUA
Comisión Nacional del Agua
CPC
Centro de Predicción del Clima
CPT
Herramienta de Predictibilidad del Clima
GFDL
Laboratorio de Geofísica y Dinámica de Fluidos
GFS
Sistema de Pronóstico Global
IMTA
Instituto Mexicano de Tecnología del Agua
NAEFS
Sistema de Pronostico por Ensambles de Norteamérica
NMME
Ensamble Multi-Modelo de Norteamérica
NOAA
Agencia Norteamericana para el Océano y Atmósfera.
OMJ
Oscilación de Madden-Julian
OMM
Organización Meteorológica Mundial
TSM
Temperatura Superficial del Mar
UNAM
Universidad Nacional Autónoma de México
NCAR
Centro Nacional de Investigación Atmosférica
GRADS
Sistema de Análisis y Despliegue de Mallas.
IRI
Instituto Internacional de Investigación para el Clima y la
Sociedad
iii
ÍNDICE
CAPÍTULO 1. INTRODUCCIÓN ........................................................................................ 1
CAPÍTULO 2. VISIÓN GENERAL DEL DESARROLLO DE LA MODELACIÓN DEL
TIEMPO Y CLIMA ............................................................................................................. 6
2.1 LOS MODELOS NUMERICOS............................................................................................ 9
2.2 PREDICCIÓN NUMÉRICA ................................................................................................. 13
2.3 CONFIABILIDAD DE LOS MODELOS DEL TIEMPO Y EL CLIMA ............................ 14
2.4 EVALUACION DE LOS MODELOS.................................................................................. 15
2.5 LOS MODELOS CLIMÁTICOS.......................................................................................... 16
2.6 ALGUNAS INSTITUCIONES QUE UTILIZAN MODELOS DEL CLIMA EN
NORTEAMÉRICA....................................................................................................................... 19
2.6.1 El Centro de Modelación Ambiental (EMC) .............................................................. 20
2.6.2 El Servicio Meteorológico Nacional de México ........................................................ 20
CAPÍTULO 3. EL MODELO CFSV2 ................................................................................ 22
3.1 CARACTERÍSTICAS DEL CFSV2 .................................................................................... 23
3.2 SOBRE LAS PREDICCIONES RETROSPECTIVAS 9-MESES .................................. 26
3.3 PREDICCIÓN SUBESTACIONAL .................................................................................... 28
3.4 PREDICCIÓN ESTACIONAL Y HASTA A 9 MESES .................................................... 30
3.5 PREDICCIÓN ESTACIONAL EN CONTEXTO CON OTROS MODELOS................. 33
3.6 EVOLUCIÓN DEL ERROR SISTEMÁTICO .................................................................... 34
3.7 VERIFICACIÓN DEL CFSV2 ............................................................................................. 37
CAPÍTULO 4. DESARROLLO DE PRODUCTOS OPERACIONALES DEL CFSV2 PARA
MÉXICO .......................................................................................................................... 40
CAPÍTULO 5. CONCLUSIONES Y RECOMENDACIONES ........................................... 49
ANEXOS ......................................................................................................................... 52
MODELOS QUE CONFORMAN EL NMME........................................................................... 52
GUÍA PRÁCTICA DE ACCESO, PROCESAMIENTO Y DESPLIEGUE DEL
“REFORECAST” EN EL CFSv2 ............................................................................................... 53
REFERENCIAS ............................................................................................................... 57
ENLACES .................................................................................................................................... 62
iv
LISTA DE TABLAS Y FIGURAS
TABLAS
Tabla 1. Descripción y principales características de los modelos globales alrededor del
mundo. ............................................................................................................................................. 11
Tabla 2. Descripción y principales características de los modelos regionales alrededor del
mundo. ............................................................................................................................................. 12
Tabla 3. Características generales del modelo CFSv2 (Saha, et al., 2014)......................... 24
Tabla 4. Correlación de la anomalía para pasos de medio mes con predicción estacional
de SST, T2m y prate. ..................................................................................................................... 34
Tabla 5. Herramientas necesarias para la manipulación de datos. ....................................... 40
Tabla 6. Lista de archivos necesarios para ploteo de mapas. ................................................ 42
Tabla 7. Modelos que conforman el NMME. ............................................................................. 52
FIGURAS
Figura 1. Centros mundiales de producción de pronósticos a largo plazo designados por
la OMM. .............................................................................................................................................. 3
Figura 2. Sistema de ecuaciones de la dinámica atmosférica y oceánica que se
resuelven en un modelo climático acoplado. ............................................................................. 17
Figura 3. Ilustración de la malla rectangular atmosférica de un modelo climático y de los
intercambios entre celdillas (adaptada de McGuffie and Henderson-Sellers, 2005)........... 18
Figura 4. Esquema de pronóstico a nueve meses, estacional y 45 días. ........................... 26
Figura 5. Esquema de la configuración operacional del CFSv2. ........................................... 27
Figura 6. Correlación de anomalía bi-variada (BAC, por sus siglas en inglés). Porcentaje
de habilidad de pronóstico para pronosticar la OMJ, la línea negra muestra la separación
del porcentaje de habilidad por debajo de 60 % (a) CFSV1 y (b) CFSV2. .......................... 29
Figura 7. Mapa de habilidad para pronosticar la TSM mediante CFSv2 (izquierda) y
CFSv1 (derecha). ........................................................................................................................... 30
Figura 8. Desviación estándar para la TSM para los meses de diciembre, enero y febrero
(3 meses) y marzo, abril, mayo, junio, julio y agosto (6 meses) comparando el CFSv2 vs
CFSv1. ............................................................................................................................................. 31
Figura 9. Del lado izquierdo salidas del CFSv1 y del lado derecho del CFSv2; en el eje
vertical está el tiempo (en meses) de pronóstico y en el horizontal el mes. ......................... 32
Figura 10. Error sistemático medio para temperatura a 2m (T2m),razón de precipitación y
temperatura superficial del mar (SST) con CFSv1 (izquierda) y CFSv2 (derecha). ............ 35
Figura 11. Evolución del error sistemático 1982/98 (izquierda) y 1999/2009 (derecha)
donde se puede observar una ligera diferencia en la SST en la región del Niño 3.4. ........ 36
Figura 12. Diagrama de fiabilidad para la predicción, del lado derecho está el CFSv1 y del
lado izquierdo el CFSv2. La línea roja indica la probabilidad de que caiga sobre el tercil de
la climatología observada de la temperatura superficial del océano para El Niño. ............. 38
Figura 13. La habilidad de Brier (BSS, línea continua), fiabilidad (discontinua con puntos)
y resolución (discontinua) en función del tiempo de paso en meses, para la predicción
Niño3.4 SST. El diagrama de la izquierda es para el CFSv1 y el de la derecha CFSv2. ... 39
v
Figura 14. Anomalía geopotencial a 500 mb generada con el pronóstico del día 13 de
agosto del 2014 para el mes de septiembre. ............................................................................. 43
Figura 15. Humedad del suelo a 10 cm generada con el pronóstico del día 13 de agosto
del 2014 para el mes de septiembre. .......................................................................................... 44
Figura 16. Radiación de onda larga y viento en superficie generara con el pronóstico del
día 13 de agosto del 2014 para el mes de septiembre. ........................................................... 44
Figura 17. Precipitación en mm elaborada con el pronóstico del día 13 de agosto del 2014
para el mes septiembre. ............................................................................................................... 45
Figura 18. Temperatura superficial del mar generada con el pronóstico del 13 de agosto
del 2014 para el mes de septiembre. .......................................................................................... 45
Figura 19. Temperatura (colores) con altura geopotencial (contornos) en superficie
generada con el pronóstico del 13 de agosto del 2014 para el mes de septiembre. .......... 46
Figura 20. Anomalía de precipitación en mm generada en base del pronóstico del 13 de
agosto del 2014 para el mes de septiembre. ............................................................................. 48
Figura 21. Anomalía de precipitación en porcentaje de lo normal generado en base al
pronóstico del 13 de agosto del 2014 para el mes de septiembre. ........................................ 48
Figura 22. Árbol que muestra el contenido del disco anexo. .................................................. 57
vi
CAPÍTULO 1. INTRODUCCIÓN
El avance en el conocimiento de la dinámica de los sistemas naturales es uno de
los principales retos con que se enfrenta la ciencia actual. No solo porque se trata
de sistemas complejos como es el caso de los ecosistemas terrestres, la evolución
de las especies, procesos turbulentos, intercambio de energía, procesos
hidrostáticos, etc. La comunidad científica ha intentado la modelación de diversos
procesos en diversas escalas espaciales y temporales desde la circulación general
de la atmósfera hasta los flujos turbulentos. En la escala global, quizá uno de los
sistemas mejores entendidos es el sistema climático, lo cual ha permitido la
modelación de los procesos de su dinámica interna. Así que la modelación del
clima ha cobrado gran relevancia en las últimas décadas no solo por permitir el
estudio de las variaciones del clima presente sino también por las evidencias de
que algunas actividades humanas están modificando la evolución natural del clima
y podrían llegar a provocar significativas alteraciones en el futuro cercano (IPCC,
2014).
De manera que la mejor herramienta de que se dispone para su estudio son los
modelos climáticos, capaces de reproducir matemáticamente de una forma
adecuada los principales procesos que ocurren en los cinco componentes del
sistema climático: Atmósfera, océano, criosfera, geosfera y biosfera.
Consisten en enormes programas informáticos, que se ejecutan en las súper
computadoras más potentes, con los que se resuelve numéricamente un conjunto
de ecuaciones que expresan las leyes y principios de la Física que gobiernan el
sistema climático.
Por su alto costo computacional, este esfuerzo se realiza periódicamente solo en
algunos centros a nivel mundial, como es el caso de los centros mundiales de
1
producción de pronóstico de largo plazo que han sido designados por la
Organización Meteorológica Mundial (OMM) (Figura 1):
Enviroment Canada (Canadá), National Oceanical and Amospheric Administration
(NOAA, EUA), Centro de Previsão de Tempo e Estudos Climáticos (CPTEC,
Brasil), MetOffice (Reino Unido), European Centre for Medium-range Weather
Forecast (ECMWF, Europa), MeteoFrance (Francia), Hydrometeorological Centre
of Russia (Rusia), Beijing Climate Center (China), Korea Meteorological
Administration (Corea), Tokyo Climate Centre (Japon), Bureau of Meteorology
(Australia). Sin embargo, los diferentes modelos, aproximaciones y metodologías
usados llevan a diferentes resultados y generalmente no es posible saber cuál de
los pronósticos es el correcto, por lo cual se evalúan estos en forma estadística
para su mejor utilización.
En México solo algunas instituciones han incursionado en el uso de modelos
climáticos de escala global (Magaña y Quintanar, 1997) tales como, el Centro de
Ciencia de la Atmósfera de la UNAM (CCA/UNAM) y el Servicio Meteorológico
Nacional (SMN) de la Comisión Nacional del Agua (CONAGUA) a través del
presente trabajo, que tiene por objeto facilitar el uso de un modelo climático
(CFSv2) para el dominio de México y la región.
2
Figura 1. Centros mundiales de producción de pronósticos a largo plazo designados por
la OMM1.
Por lo tanto los objetivos de esta monografía son:
1) Proveer al lector información general sobre los modelos climáticos.
2) Brindar documentación exhaustiva sobre las características y uso del modelo
numérico totalmente acoplado llamado “Climate Forecasting System version 2
(CFSv2)”.
Para su cumplimiento el contenido de la monografía se ha estructurado de la
siguiente manera:
En el capítulo 2
se presenta una breve visión histórica del desarrollo de la
modelación atmosférica, seguida del detalle sobre la parte física de los modelos
(qué son, y cuáles son sus características). Para luego presentar algunos temas
relacionados con el pronóstico meteorológico- climático y sus incertidumbres, y
posteriormente mostrar el uso de los modelos climáticos en México y su aplicación
por parte del SMN para el desarrollo de pronósticos en las escalas estacional y
1
[http://www.wmo.int/pages/prog/wcp/wcasp/gpc/gpc.php]
3
subestacional. Finalmente en este capítulo se pondrán en contexto los modelos
numéricos que están en forma operativa en el Ensamble Multi-Modelo de Norte
América (NMME, por sus siglas en ingles) para así poder llegar a comprender de
manera completa cómo funciona el CFSv2 y el lugar que ocupa entre los demás
modelos.
En el Capítulo 3 se muestra la información referente al modelo CFSv2, en el cual
se da un análisis a fondo de las características, las mejoras y la forma en la que se
hizo la evaluación de fiabilidad y confiabilidad del modelo.
En el Capítulo 4 trata de guiar al lector en cómo se realiza el procesamiento de las
salidas del modelo de forma operacional, en este se brindan algunos consejos y
manuales que tratan de hacer más fácil el procesamiento de la información.
En la guía práctica se muestra cómo procesar los datos del “reforecast” para
producir mapas climáticos que ayuden a analizar la habilidad del modelo para
pronosticar temperatura, precipitación y temperatura superficial del océano para
México. Este “reforecast” fue realizado por el Centro de Predicción de Clima (CPC;
por sus siglas en inglés) y los datos mensuales de 29 años (cubriendo el periodo
1982-2011) fueron proporcionados en un curso que se impartió en el SMN en
diciembre de 2013.
Actualmente, en México, para generar el pronóstico estacional, el SMN toma en
cuenta tres sistemas: Años análogos, el “Climate Predictability Tool” (CPT, por sus
siglas en inglés) y el National MultiModel-Ensemble (NMME).
El CFSv2, es uno de los nueve modelos que forma parte de del NMME. Hasta
ahora en México no existe documentación sobre ninguno de los sistemas que
conforman el NMME, De ahí surge la necesidad de documentar este sistema.
4
La finalidad de esta monografía es documentar de manera profunda este sistema
de pronóstico, el uso de sus salidas numéricas y su implementación en el
esquema de pronóstico estacional en el SMN.
Esta monografía presenta una evaluación y análisis de los pronósticos
retrospectivos de anomalías de la temperatura superficial del mar (TSM) de
modelos climáticos globales que conforman el Ensamble Nacional Multi-modelos
(NMME, por su siglas en ingles) (Kirtman et al., 2014).
5
CAPÍTULO 2. VISIÓN GENERAL DEL DESARROLLO DE LA
MODELACIÓN DEL TIEMPO Y CLIMA
En 1903, el noruego Bjerknes propuso tratar la evolución de la atmósfera según
las leyes de la termodinámica y de la mecánica de fluidos, y defendió que la
predicción del tiempo fundamentalmente es un problema determinista de valores
iniciales en el sentido matemático del término:
“Si, como piensa todo hombre que razona científicamente, los fenómenos
atmosféricos se desarrollan a partir de los que le preceden siguiendo unas
leyes físicas precisas, se puede afirmar que las condiciones necesarias y
suficientes para una solución racional de la predicción en meteorología son:
1.- Conocer con una precisión suficiente el estado de la atmósfera en un
instante dado.
2.- Conocer con una precisión suficiente las leyes según las cuales se
desarrolla un estado de la atmósfera a partir del estado precedente”
(Bjerknes, 1904).
El problema de Bjerknes atrajo la atención y el aplauso de meteorólogos pero,
como él mismo lo reconocía, ponerlo en práctica era muy difícil, ya que requería
resolver un sistema de ecuaciones en derivadas parciales no lineales para las que
no se dispone de soluciones analíticas (Lezaun, 2003).
La primera persona que llevó a cabo el problema de Bjerknes fue el matemático
inglés Lewis Fry Richardson. En 1910, Richardson idea un método aritmético
(diferencias finitas) 2 para resolver de forma aproximada las ecuaciones en
derivadas parciales, y se fijó en las ecuaciones de la previsión del tiempo
2
Hunt, 1998
6
propuestas por Bjerknes para aplicar su método numérico en un problema práctico
importante.
Pero a partir de los datos iniciales, requirió de seis semanas para realizar las miles
de operaciones aritméticas para producir una predicción a seis horas para una
pequeña región, obteniendo un resultado muy alejado de un aumento en la
presión de 145 hectopascales mientras que la atmósfera en realidad se mantuvo
casi estática (Lezaun, 2003).
Las ecuaciones que Richardson utilizó eran innecesariamente completas; puesto
que desafortunadamente describen toda clase de ruidos, ondas acústicas, y hasta
la respiración de las plantas. Más tarde, sus trabajos se publicarían en 1922 en un
libro que se haría muy célebre, titulado “Weather Prediction by Numerical
Process”.
En 1928 los matemáticos alemanes Richard Courant, Kurt Friedrichs y Hans Lewy
estudian de forma sistemática la manera de resolver las ecuaciones en derivadas
parciales por diferencias finitas, y precisan las condiciones que se deben respetar
en la discretización (condiciones de estabilidad). Diez años después en 1939
Rossby dedujo una ecuación cuya solución da la velocidad de propagación de
ciertas ondas de gran longitud (denominadas hoy en día ondas de Rossby),
presentes en las corrientes del oeste que circundan la Tierra en niveles superiores
de la atmósfera en latitudes medias.
En 1940 Rossby propuso efectuar varias aproximaciones en las ecuaciones
utilizadas por Richardson y obtuvo la ecuación de balance de la componente
vertical de la vorticidad, que permite traducir el comportamiento de una atmósfera
promedio.
La primera computadora electrónica, denominada ENIAC (Electronic Numerical
Integrator Analyser and Computer), se construyó en 1946 en la Universidad de
7
Pennsylvania gracias al determinante impulso del matemático estadounidense de
origen húngaro John von Neumann (1903-1957).
Un objetivo importante para von Neumann consistía en demostrar, con un
problema científico particular, el potencial revolucionario de la computadora.
Aunque no era meteorólogo, von Neumann reconoció el problema de la predicción
meteorológica como ideal para sus necesidades.
Para esta experiencia se consideró el modelo barotrópico propuesto por Rossby.
Los cálculos numéricos los realizaron en ENIAC instalada en Aberdeen Maryland,
USA.
Hay que resaltar que necesitaron 33 días para programar y ejecutar tres
predicciones para un plazo de 24 horas. Los resultados obtenidos para la previsión
del movimiento medio de la troposfera fueron muy alentadores y esta experiencia
histórica marca el punto de partida de la predicción numérica moderna.
A principios de 1961 Edward Lorenz se dedicó a simular mediante una
computadora el comportamiento de la atmósfera sobre largos períodos de tiempo,
y en 1963 publicó su famoso artículo “Deterministic non periodic flows” en el cual
introdujo el primer sistema dinámico caótico, que se denominó sistema de Lorenz.
Lorenz mostró que hay un límite de dos semanas para predecir el tiempo, aun
teniendo modelos y observaciones perfectas (Lezaun, 2003).
Cuando Lorenz mostró que debido al caos no se puede pronosticar el tiempo más
de dos semanas, los pronósticos en el hemisferio norte tenían validez por menos
de dos días y en el hemisferio sur menos de un día. En ese momento la teoría del
caos solo tenía interés académico.
8
2.1 LOS MODELOS NUMERICOS
Para poner en contexto al lector se da una breve descripción de la diferencia entre
tiempo y clima y para ello se cita una definición de la “National Aeronautics and
Space Administration” (NASA)3:
“La diferencia entre tiempo y clima, es la diferencia entre la escala de tiempo
cronológico. Tiempo (temperie) son las condiciones atmosféricas que prevalecen
en un periodo corto de tiempo, horas-días. Clima es como la atmósfera se
comporta sobre un periodo largo de tiempo, meses-años.”
De igual forma se elaboran dos tipos de pronósticos:

Pronóstico del tiempo, el cual trata de reflejar las condiciones atmosféricas
para un periodo de pocos días.

Pronóstico del clima o climático, el cual trata de mostrar las condiciones
que prevalecerán en la atmósfera en un periodo de meses.
En climatología el uso de modelos es imprescindible para hacer pronósticos
climáticos y para intentar prever las consecuencias de los posibles cambios
climáticos a medio y largo plazo.4
Los pronósticos meteorológicos o climáticos predicen las condiciones atmosféricas
en el futuro y su objetivo principal es proporcionar información útil sobre el estado
del tiempo-clima (qué se puede esperar para las próximas horas, días o meses),
para contribuir a una adecuada prevención y toma de decisiones5.
3
[https://www.nasa.gov/mission_pages/noaa-n/climate/climate_weather.html] revisado el 28-042015.
4
Modelos climáticos Tecnun, adaptado de The Economist (Noviembre 5, 1994 pp93-94).
Recuperado
el
9
octubre
de
2014,
de
[www.tecnun.es/asignaturas/Ecologia/Hipertexto/.../356ModCl.htm]
5
Los eventos meteorológicos impactan las actividades realizadas por el público en general y
también de los distintos sectores socioeconómicos. Conocer el estado futuro del clima sirve para
9
Para realizar los pronósticos, la comunidad hace uso de la predicción numérica,
que mediante complejos programas de cómputo, y procesamiento de datos en
supercomputadoras resuelve un conjunto de ecuaciones que resultan en
predicciones de las variables meteorológicas, tales como temperatura, presión
atmosférica, viento, humedad y precipitación (Lezaun, 2003).
Como norma general, cuanto más preciso sea el método más cálculos habrá que
hacer y, por tanto, más tiempo requiere para la ejecución de un modelo. La
factibilidad de obtener resultados precisos depende de qué tan acertadas hayan
sido las hipótesis y qué tan adecuadamente se hayan utilizado las herramientas
científicas y de cálculo.
Cabe mencionar, que el objetivo de los modelos es obtener una estimación o
aproximación del comportamiento de variables atmosféricas a corto o largo plazo.
La simulación climatológica de los modelos no puede ofrecer resultados fiables
más allá de pocos días, semanas o meses6, esto debido a que la atmósfera es tan
compleja que ni aun usando los más potentes ordenadores actualmente se puede
reproducir con precisión.
En la Tabla 1 y 2 se enlistan algunos de los modelos globales y regionales que se
encuentran en funcionamiento en diferentes partes del mundo:
planificar
qué
hacer
y
cuándo
hacerlo.
[http://es.vaisala.com/sp/meteorology/applications/weatherforecasting/Pages/default.aspx]
6
Modelos y escenarios más importantes. Recuperado el 3 de octubre de 2014, de
[http://elclima.esparatodos.es/modelos/index.htm]
10
Tabla 1. Descripción y principales características de los modelos globales alrededor del
mundo.
Modelos climáticos globales
Modelo
HADCM3
Descripción
Modelo desarrollado en el Centro Hadley en Reino Unido. Es un modelo acoplado
creado por Gordon y Pope (2000). Tiene una resolución de 19 niveles verticales y
una malla de 96 x 73 celdas (alrededor de 2.5 x 3.5 grados), y para el océano
cuenta
con
20
niveles
verticales
y
14
bandas
espectrales
(http://www.metoffice.gov.uk/research/modelling-systems/unified-model/climatemodels/hadcm3 ).
GFDL-R30
Modelo global completamente acoplado desarrollado por el Geophysical Fluid
Dynamics Laboratory. Contiene representaciones de la dinámica de la Tierra, el
hielo marino e icebergs. Una de las diferencias de este modelo 7es que,
incorpora biogeoquímica interactiva incluyendo el ciclo del carbono la resolución
es de 2.25 latitud x 3.75 longitud. La malla tiene 96 x 80 celdas (grid points).
Considera
la
atmósfera
dividida
en
14
niveles
verticales
(http://www.gfdl.noaa.gov/model-development ).
ECHAM4
Modelo global desarrollado en Hamburgo, Alemania en los años 90's, es un
modelo acoplado de transformación espectral que considera una atmósfera
dividida en 19 capas y con una resolución de 128x64 celdas (2.8°)
(http://www.mpimet.mpg.de/en/science/models/echam.html ).
GFS
El modelo (Global Forecast System) depende del National Centers for
Environmental Prediction (NCEP), tiene una resolución de .5 grados (50 km)
(http://www.nco.ncep.noaa.gov/pmb/products/gfs/).
CGCm2
Modelo global desarrollado por el Canadian Center for Climate Modelling and
Analysis, modelo espectral con truncamiento triangular en la onda número 32,
con una resolución de 3.7ºx3.7º y 10 niveles verticales. La componente oceánica
tiene una resolución 1.8ºx1.8º y 29 niveles verticales.
http://www.ec.gc.ca/ccmac-cccma/default.asp?lang=En
11
Tabla 2. Descripción y principales características de los modelos regionales alrededor del
mundo.
Modelos regionales
Modelo
WRF
Descripción
Weather Research and Forecasting, modelo de mesoescala desarrollado
por National Center for Atmospheric Research (NCAR), la National
Oceanic and Atmospheric Administration (NOAA), los National Centers for
Environmental Prediction (NCEP) y el Forecast Systems Laboratory (FSL),
la Air Force Weather Agency (AFWA), la Naval Research Laboratory.
Debido a que es un modelo de mesoescala, las condiciones iniciales son
tomadas de un modelo global llamado GFS (Global Forecasting System).
El WRF cubre gran parte del globo con resoluciones de 9 y 12 km se
actualiza 4 veces al día y da previsiones de 78 horas en intervalos de una
hora (http://www.wrf-model.org/index.php ).
NAM
Modelo mesoescala que depende del NCEP, tiene una resolución de 12 km y 3
km.
Sus
productos
se
actualizan
cuatro
veces
al
día,
cuenta
con
parametrizaciones mejoradas, y al ser un modelo regional, debería poder
pronosticar
mejor
a
corto
plazo
(http://www.nco.ncep.noaa.gov/pmb/products/nam/ ).
RPM
Modelo de meso escala de precisión rápida con una resolución de 4 km.
Está basado en el modelo avanzado de investigación del tiempo del WRF
(WRF-ARW). El RPM genera predicciones con una anticipación de 24
horas con actualizaciones cada 3 horas en los Estados Unidos y cada 6
horas fuera de los Estados Unidos (http://mag.ncep.noaa.gov/ )
REGCM4
Modelo climático regional desarrollado principalmente en el Centro Nacional de
Investigación Atmosférica (NCAR, por sus siglas en ingles), a su última versión
fue
desarrollada
por
el
“Earth
System
Physics
(ESP)”
2010.http://www.ictp.it/research/esp/models/regcm4.aspx
12
en
2.2 PREDICCIÓN NUMÉRICA
Las ecuaciones básicas de un modelo numérico son aquellas que rigen el
movimiento del aire (horizontal y vertical), conservación de la masa y la energía,
las transformaciones termodinámicas, los procesos de formación y desarrollo de
las nubes, etc.
Los métodos numéricos más comunes usados para resolver el sistema de
ecuaciones diferenciales en derivadas parciales (modelo numérico) son:
diferencias finitas, métodos espectrales y elementos finitos. Una descripción
detallada de estos métodos puede encontrarse en Burden (2002) o Mercier (1989).
A continuación se enuncia en forma muy breve el concepto de estos métodos:

Diferencias finitas: La solución de las derivadas parciales utilizando el
método de diferencias finitas consiste en un acercamiento de las derivadas
parciales por expresiones algebraicas. Como resultado, la ecuación
diferencial parcial que describe el problema es reemplazada por un número
finito de ecuaciones algebraicas y que lleva a un gran número de
operaciones aritméticas.

Métodos espectrales: Es el nombre dado a un enfoque numérico a la
solución de ecuaciones diferenciales parciales. En este enfoque la solución
a la ecuación se aproxima por una serie truncada de funciones especiales
que son las funciones propias de algún operador diferencial ejemplo
mediante la transformada de Fourier.

Elementos finitos: El método de elementos finitos es un método de
aproximación de problemas continuos, éste divide un elemento continuo en
un número finito de partes, cuyo comportamiento se denomina por un
número finito de parámetros asociados a puntos característicos llamados
nodos. Propone una solución del sistema siguiendo las reglas de problemas
13
discretos y este se forma por el ensamble de los elementos. Las incógnitas
del problema pasan de ser funciones matemáticas a valores en funciones
de nodos, el valor de cada elemento queda definido por las funciones de
interpolación o funciones de forma.
Una descripción completa de las ecuaciones que gobiernan la atmósfera,
parametrizaciones y de los tipos de modelos pueden encontrarse en las obras de:
Holton (2004), McGuffie y Henderson-Sellers (2005), Kalnay (2003), Byers (1974),
Castro (2007) y Wang (2013)
2.3 CONFIABILIDAD DE LOS MODELOS DEL TIEMPO Y EL CLIMA
Las ecuaciones matemáticas de un modelo numérico pueden ser resueltas en una
región limitada o en el globo entero, para el primer caso se llama modelo regional,
mientras que para el segundo se le llama modelo global.
Actualmente, mediante el uso de los modelos numéricos se tiene capacidad para
predecir la evolución de la atmósfera con un buen grado de acierto hasta un plazo
de 72 horas, más allá de esto la habilidad de pronóstico se reduce.
Sin embargo a través de un modelo global se puede tener pronósticos confiables
hasta con una o dos semana de anticipación aunque la capacidad de pronóstico
aún no sea la óptima (Candille, 2009).
La confiabilidad es mayor para periodos de tiempo menor que 5 días, y en
regiones de latitudes medias, tales como Estados Unidos, Argentina, Sur de Brasil,
Europa, Rusia, etc. La habilidad (skill, en inglés) de un modelo global para hacer
buenas predicciones del tiempo depende de varios factores, por ejemplo: las
condiciones iniciales; condiciones de superficie; tipos de parametrizaciones de los
procesos de superficie, radiación y la convección; la resolución del modelo; el tipo
de método numérico usado.
14
Debido a que los modelos globales incluyen un gran número de procesos físicos
que tratan de simular la dinámica atmosférica únicamente se pueden correr en
súper computadoras.
Un modelo numérico regional es útil para el pronóstico del tiempo ya que nos
permite generar pronósticos a corto plazo con un grado alto de fiabilidad, una de
sus ventajas es que no necesariamente requieren de un supercomputador.
La confiabilidad de un modelo numérico depende también de la cantidad y calidad
de datos que son proporcionados al modelo como condición inicial (Saha, et al.,
2014). Esto implica que para pronosticar un periodo de tiempo existe la necesidad
de tener la mayor cantidad de estaciones meteorológicas que brinden datos de
superficie y altura.
2.4 EVALUACION DE LOS MODELOS
Todos los modelos son simplificaciones más o menos ajustadas a la extrema
complejidad del sistema climático. Esto se debe a que aún no se conocen bien
algunos aspectos del sistema y también a las limitaciones computacionales. Por
tanto, los Modelos Climáticos Globales Acoplados (MCGC, por sus siglas en
inglés) que se utilizan para cuantificar la respuesta futura del clima a
perturbaciones inducidas por actividades humanas han de ser previamente
verificados. El examen de la capacidad de un modelo para reproducir los
principales procesos en el sistema climático, se realiza mediante una comparación
sistemática entre los resultados de simulaciones con condiciones de clima actual
(1960-90) y datos climatológicos observados (Jolliffe y Stephenson, 2011).
Aunque ésta es la principal prueba de validación de los modelos, también se
aplican otras técnicas, como el análisis de la sensibilidad en la respuesta del
modelo cuando se alteran determinadas suposiciones claves, o la simulación de
15
condiciones paleoclimáticas, por ejemplo el inicio o final de la última era glacial. En
estas últimas pruebas se suelen usar versiones más simplificadas de los MCGC.
Este tipo de evaluaciones permite además comprobar la notable mejora
experimentada por los MCGC en los últimos años. Esto se atribuye a varias
causas, entre las que destacan un mejor conocimiento de las características de los
océanos y de los procesos de intercambio con la atmósfera, la consideración de
procesos que afectan a los aerosoles en la atmósfera y sobre todo el formidable
incremento en la potencia de computación, que ha permitido un sustancial
aumento de la resolución espacial de los modelos.
2.5 LOS MODELOS CLIMÁTICOS
La mejor herramienta de que se dispone para el estudio de este complejo sistema
son los modelos climáticos.
Hay diversos tipos de modelos, desde los más sencillos que permiten comprender
el efecto global de diversos forzamientos individuales, hasta los más complejos
que son capaces de reproducir aceptablemente los principales procesos que
tienen lugar en el sistema climático y que, a la postre, determinan el clima terrestre
(McGuffie y Henderson-Sellers, 2005).
Los modelos de este último tipo se basan en la resolución numérica del conjunto
de ecuaciones que expresan las leyes y principios físicos que rigen la dinámica
tridimensional de los procesos fundamentales que tienen lugar en cada
componente del sistema climático, así como los intercambios de energía y masa
entre ellos.
En la figura 2 se presenta, el conjunto de ecuaciones que rigen la dinámica de la
atmósfera y del océano, incluidas en los MCGC. Este complejo sistema no-lineal
16
de ecuaciones
diferenciales no tiene solución analítica, por lo que ha de
resolverse aplicando técnicas numéricas.
Figura 2. Sistema de ecuaciones de la dinámica atmosférica y oceánica que se
resuelven en un modelo climático acoplado7.
Eso requiere dividir el espacio ocupado por la atmósfera y el océano en mallas
tridimensionales. En cada una de ellas se asignan valores de las variables que
caracterizan su estado (temperatura, velocidad, densidad etc.) a partir de
observaciones directas o
indirectas en un determinado instante
inicial.
Comenzando con estos valores, se resuelven las ecuaciones para derivar la
evolución temporal de dichas variables de estado en cada nodo de la malla del
modelo.
Esto se hace calculando iterativamente los valores previstos de tales variables en
intervalos temporales discretos (paso de tiempo), es decir, avanzando en el tiempo
hasta llegar al final del periodo de simulación que se desee.
La duración de estos intervalos debe estar en concordancia con el tamaño de la
resolución de la malla: cuanto menor sea su tamaño, más corto debe ser el paso
7
Imagen extraída de Castro (2007).
17
de tiempo y, por tanto, mayor número de iteraciones serían necesarias para
completar el periodo de simulación.
La resolución espacial de la parte atmosférica de los MCGC actuales varía entre
2º y 5º de latitud-longitud en la horizontal, y en la vertical de 10 a 30 capas entre la
superficie y el tope superior de la atmósfera, cada una con espesor variable. Esto
implica unos pasos temporales de entre 30 y 60 minutos.
En la figura 3 se ilustra la disposición de los nodos en la malla atmosférica de un
modelo climático.
Figura 3. Ilustración de la malla rectangular atmosférica de un modelo climático y de los
intercambios entre celdillas (adaptada de McGuffie and Henderson-Sellers, 2005)8.
Los modelos globales tratan de resolver condiciones iniciales debido a que la
modelación de la atmósfera es un problema de valores iniciales, se necesita el
estado inicial de las variables dependientes. Este proceso se llama inicialización
8
Imagen extraída de Castro (2007).
18
del modelo. Dependiendo de la precisión en la inicialización del modelo se tiene
consecuencias importantes en el pronóstico (Warner, 2011).
Los modelos regionales del clima resuelven un problema de condiciones a la
frontera en el modelo climático afectan en la forma en la que la energía es
absorbida o intercambiada en el SC y no están predichas por el modelo por lo que
deben ser especificadas. Algunas condiciones son naturales, y otras son
influenciadas por las actividades humanas.
Un modelo divide la atmósfera en capas, y cada capa en una cuadrícula,
generando así un retículo de celdas en tres dimensiones. A cada una de estas
celdas se introducen datos de temperatura, presión y ecuaciones que expresan
cómo podrían variar estos datos; según las condiciones generales y los datos de
las celdas vecinas. Las ecuaciones básicas de un modelo numérico del tiempo son
aquellas que rigen el movimiento del aire (horizontal y vertical), conservación de la
masa y la energía, las transformaciones termodinámicas, los procesos de
formación y desarrollo de las nubes, etc. (Kalnay, 2003).
2.6 ALGUNAS INSTITUCIONES QUE UTILIZAN MODELOS DEL CLIMA EN
NORTEAMÉRICA
El Centro Nacional de Predicción Ambiental (NCEP, por sus siglas en ingles), se
encuentra en College Park, Maryland, es uno de los nueve centros de servicio en
el marco de los centros nacionales para el clima y predicción del clima que forma
parte del Servicio Meteorológico Nacional (NWS, por sus siglas en inglés), y a su
vez de Agencia Estadounidense para la Atmosfera y el Océano (NOAA, por sus
siglas en inglés) del gobierno de Estados Unidos.
El NCEP funge como un centro para la predicción cuantitativa de la precipitación,
el pronóstico de mediano alcance y la interpretación de los modelos de predicción
numérica del tiempo. Ofrece asesorías sobre las variaciones atmosféricas
19
asociadas a los ciclones tropicales que se han entrado al continente y se debilitan
a depresión tropical o bajas remanentes, mismos que salen del ámbito de
responsabilidad del Centro Nacional de Huracanes en el caso de un fallo de
comunicaciones completo.
La misión del NCEP es proporcionar previsiones, la orientación, y el análisis de
productos y servicios para apoyar a las actividades diarias de previsión públicas
del Servicio Meteorológico Nacional de estados unidos y sus clientes, y prestar
apoyo a la medida de otras agencias del gobierno en situaciones de emergencia
especiales.
2.6.1 El Centro de Modelación Ambiental (EMC)
El Centro de Modelacion Ambiental (EMC), es responsable de las mejoras, las
transiciones y mantenimiento de más de 20 sistemas de predicción numéricos que
comprenden suite de producción operativa de NCEP.
El NCEP es un recurso nacional crítico en la predicción meteorológica y
climatológica nacional y mundial. Este centro es el punto de partida de casi todas
las previsiones del tiempo y el clima en los Estados Unidos.
2.6.2 El Servicio Meteorológico Nacional de México
En México, el Servicio Meteorológico Nacional (SMN) es el organismo encargado
de proporcionar información sobre el estado del tiempo tanto local y nacional.
Una de sus principales funciones es proveer pronósticos estacionales del clima
avisos, concentrar, revisar, depurar y ordenar la información, generando el Banco
Nacional de Datos Climatológicos.
20
Para llevar a cabo este objetivo, el SMN cuenta con una red de observatorios
meteorológicos,
estaciones
meteorológicas
automáticas,
estaciones
de
radiosondeo y radares meteorológicos distribuidos a lo largo del territorio nacional.
Para el pronóstico climático estacional, el SMN integra mediante la discusión de
especialistas del área de climatología y meteorología, las predicciones de modelos
estadisticos, mediante el uso de métodos estadísticos y modelos numéricos del
clima, incluyendo: “años análogos”, los resultados del sistema “Climate
Predictability Tool (CPT)”, “modelos numéricos del clima” de diversos Centros
Internacionales y ensambles multimodelo.
El método de años análogos identifica patrones oceánicos y atmosféricos de años
en el pasado los cuales tienen similitud con las condiciones actuales. El CPT
aplica la regresión por componentes principales para identificar los patrones más
representativos en el océano y correlacionarlos con la precipitación en México.
Finalmente, los modelos dinámicos considerados por los especialistas del SMN
corresponden a la simulación numérica de la atmósfera y el océano (CFSv2,
NASA-GMAO, NCAR, etc.) (Garrido, 2014; comunicación personal).
De manera que el SMN es hasta ahora solamente un usuario de las salidas de los
modelos climáticos que corren operacionalmente los grandes Centros de
Predicción del Clima, dado que no cuenta con capacidad técnica ni humana para
el uso de modelos climáticos. Es importante puntualizar que el hecho de ser
‘usuario’ de las salidas de un modelo climático, no se limita al análisis visual de los
resultados del modelo, sino que puede implicar también el post-procesamiento de
las salidas del modelo climático, la corrección de errores sistemáticos y la
optimización del aprovechamiento de los resultados, tal y como se muestra en
este trabajo para el caso del modelo CFSv2 en el dominio geográfico de la
República Mexicana.
21
CAPÍTULO 3. EL MODELO CFSV2
La segunda versión del Sistema de Pronóstico Climático de NCEP (CFSv2) fue
puesto en funcionamiento en el NCEP en marzo de 2011. Esta versión cuenta con
mejoras en casi todos los aspectos de los componentes de asimilación de datos y
modelo de previsión del sistema. Un nuevo análisis acoplado se hizo durante un
período de 32 años (1979-2010), que proporcionó las condiciones iniciales para
llevar a cabo un amplio “reforecast” de más de 29 años (1982-2010). Esto se hizo
para obtener calibraciones consistentes y estables, así como las estimaciones de
habilidad para las predicciones estacionales subestacionales y operativas en
NCEP con CFSv2. La implementación operativa del sistema completo asegura
una continuidad de los registros climáticos y proporciona un valioso conjunto de
datos actualizados para estudiar muchos aspectos de la previsibilidad en las
escalas estacionales y subestacionales. La evaluación de los “reforecasts”
muestra que el CFSv2 aumenta la longitud de los pronósticos de la oscilación de
la Oscilación de Madden-Julian de 6 a 17 días (mejora drásticamente las
previsiones subestacionales), casi duplica la habilidad de los pronósticos
estacionales de las temperaturas de 2 m por encima del de Estados Unidos, y
mejora significativamente las previsiones globales de temperatura superficial del
mar (TSM) respecto a su predecesor. El CFSv2 crea muchos más productos para
la predicción subestacionales y estacional con un amplio conjunto de pronósticos
retrospectivos para los usuarios para calibrar sus productos de predicción. Estas
previsiones operacionales en tiempo real, serán utilizados por la comunidad
científica en sus procesos de toma de decisiones en áreas tales como la gestión
del agua para los ríos y la agricultura, el transporte, el uso de energía por los
servicios públicos, el viento y otras energías sostenibles, y la predicción estacional
de la temporada de huracanes (Saha, et al., 2014).
22
3.1 CARACTERÍSTICAS DEL CFSV2
Para el océano el CFSv2 utiliza una versión actualizada del MOM OCEAN MODEL
4.0d (MOM4p0d). Soporta la descomposición de dos dominios para una mayor
eficiencia en entornos paralelos. Su dominio cuasi global (75S a 65N), pasa a
ser completamente global con un incremento en la resolución de 1°x1° (1/3° a 10°
de la línea ecuatorial), a 1/2° x 1/2° (1/4° a 10° de la línea ecuatorial), y conserva
la malla de 40 niveles en la vertical. Para el hielo marino el CFsV2 tiene tres capas
interactivas (dos capas de hielo marino y una capa de nieve), cinco categorías de
espesor del hielo marino en representación de diferentes tipos de hielo marino y
un esquema de tiempo-escalonado completamente implícito, que permite
intervalos de tiempo más largos. Para la superficie terrestre contiene cuatro capas
de suelo (10, 30, 60, 100 cm). Se incluye la física de suelos congelados, se agrega
el tratamiento de hielo glacial, dos estados de la capa de nieve, flujos superficiales
ponderados por fracción de la capa de nieve, una mejora en el ciclo estacional de
la vegetación, y una mejora de la conducción térmica en el suelo de la nieve y un
mejor tratamiento de evaporación sobre el suelo y la capa de nieve. En la tabla 3
se enlistan las características generales del modelo:
23
Tabla 3. Características generales del modelo CFSv2 (Saha, et al., 2014).
CFSv2 “reforecast” (1982-2011)
Coordenadas verticales.
Sigma/presión
Resolución espectral.
T126
Resolución horizontal.
~100 km
Capas verticales.
64
Nivel más alto de presión.
0.27 hPa
Capas sobre 100 hPa.
~24
Capas por debajo de 850 ~13
hPa.
Espesor de la capa más ~20 m.
baja.
El CFSv2 cuenta también con un truncamiento espectral triangular de 126 ondas
(T126) en la horizontal (equivalente a una resolución de malla de 100 km), y
diferencias finitas en la vertical con 64 capas híbridas de sigma-presión. Las
diferencias encontradas están en las parametrizaciones físicas del modelo
atmosférico, y algunos parámetros de ajuste en el modelo de superficie de la tierra
que a continuación se enumeran:
1. Se utiliza la temperatura virtual como variable de pronóstico en lugar de la
entalpia, con la finalidad de unificar con modelos como el GFS.
2. Se desactivaron dos modificaciones de nubosidad para mejorar la
predicción de los estratos marinos (Saha, et al., 2014). Esto se realizó
porque al analizar estos cambios, se observó que resultaba un aumento en
las nubes marinas bajas, lo que, a su vez, causaba un aumento en la
temperatura superficial de los océanos ecuatoriales en largas integraciones.
24
3. En 1998 se añadió una nueva parametrización del arrastre de ondas de
gravedad inducida por la convección de cúmulus basado en el enfoque de
Chun y Baik; debido a que la ocurrencia de convección profunda de
cúmulus está directamente asociada a la generación de la propagación
vertical de las ondas de gravedad.
4. Para este sistema se toma en cuenta el eje horizontal con velocidad cero,
debido a que este esquema se aproxima a los efectos de las ondas de
flujos generados por la convección profunda.
5. Se utiliza un modelo de transferencia radiativa rápida (RRTM, por su siglas
en inglés) adaptado de AER Inc. (Iacono et al. 2000; Clough et al 2005).
Utiliza un esquema de interacción avanzada en la nube en donde el RRTM
se ocupa para hacer frente a la variabilidad no resuelta en las capas de la
nube.
6. En el cálculo del espesor de la nube la razón de mezcla de saturación se
calcula por la relación de la razón de mezcla de condensación y la fracción
de la nube cuando del promedio de la malla es mayor a cero.
7. La razón de
incluye un ciclo de climatología estacional superpuesta a la
estimación observada en el momento inicial.
8. El modelo de superficie de tierra “Noah” utilizado en el CFSv2, se emplea
en el sistema acoplado tierra-océano-atmósfera para proporcionar la
predicción de los flujos superficiales (Ek, et al., 2003).
En el periodo 1979-2011 (32 años), el Climate Prediction Center (CPC), realizó un
nuevo análisis acoplado con la finalidad de crear las condiciones iniciales para
formar el “reforecast” (pronósticos retrospectivos) de 29 años (1982-2011), y
obtener calibraciones consistentes e incrementar las habilidades del pronóstico
estacional y sub-estacional.
25
3.2 SOBRE LAS PREDICCIONES RETROSPECTIVAS 9-MESES
Estos pronósticos de 9 meses tienen condiciones iniciales de 0, 6, 12 y 18Z en
ciclos de 5 días, a partir del 1 de enero de las 0Z de cada año, durante un periodo
de 29 años (1982-2011). Hay 292 pronósticos para todos los años por un total de
8,468 previsiones. El resultado es un acoplado de 24 miembros para cada mes,
con excepción de noviembre que contiene 28 miembros del pronóstico. Estas
predicciones retrospectivas se liberan, el segundo jueves de cada mes,
apegándose a los protocolos de funcionamiento donde se hacen varias
teleconferencias con los socios antes de hacer el lanzamiento, en la figura 4 se
muestra a manera de ejemplo un esquema en el cual se especifica cómo se
realizan los pronósticos retrospectivos del modelo CFSv2
Figura 4. Esquema de pronóstico a nueve meses, estacional y 45 días9.
El CFSv2 también cuenta con una configuración operacional, es decir, corridas en
tiempo real que obtienen datos de condición inicial del Sistema de Asimilación de
Datos Climáticos versión 2 (CDASv2, por sus siglas en inglés) (continuación del
“reforecast”). El cuidado que se tuvo para lograr que las horas de corte de entrada
de datos coincidieran para que se pudiera hacer una asimilación de los datos, le
da ventaja al CFSv2 ya que su antecesor tenía un retraso de alrededor de 5 días
días, en la figura 5 se muestra a manera de ejemplo un esquema operativo en el
9
Imagen extraída de [http://cfs.ncep.noaa.gov/cfsv2.info/], PPT Operational CFSv2_Info, lamina
12.
26
cual se especifica cómo se realizan los pronósticos del modelo CFSv2 (Saha, et
al., 2014).
Figura 5. Esquema de la configuración operacional del CFSv210.
Dentro de los pronósticos retrospectivos también se encuentran las corridas
estacionales y las de 45 días. Estas predicciones tienen condiciones iniciales en 0,
6, 12 y 18Z, todos los días por un periodo de doce años (enero 1999-diciembre
2010) por lo tanto hay 1,460 previsiones anuales para un total de 17,520
pronósticos. De las cuatro corridas que se generan a partir de 0Z se corre para
una temporada completa, mientras que las 6, 12 y 18Z se corren para 45 días.
10
Imagen extraída de [http://cfs.ncep.noaa.gov/cfsv2.info/], PPT Operational CFSv2_Info, lamina
13.
27
3.3 PREDICCIÓN SUBESTACIONAL
Varios aspectos de la influencia de la Oscilación de Madden-Julian (OMJ) se han
notado en áreas de México y América Central. Análisis de la evolución de la OMJ
en verano y la radiación de onda larga saliente (OLR, por sus siglas en inglés) han
mostrado vigorosas anomalías de la OLR incidiendo en el lado Oeste de la región
(Knutson y Weickman, 1987; Magaña y Yanai, 1991; Maloney y Esbensen, 2003).
El examen de estimación de mallas de precipitación confirman una influencia a lo
largo de las costas del Pacífico del sur de México y América Central (Higgins and
Shi, 2001), con una débil influencia a lo largo de las costas del Golfo de México y
una respuesta retardada sobre el noroeste de México (Lorenz y Hartmann, 2006).
Una influencia de la OMJ en la divergencia de niveles altos sobre México y vientos
de niveles bajos sobre México y América Central (Cavazos et al., 2002) también
han sido mostrados. La OMJ también afecta la intensidad de los huracanes y su
distribución en las cuencas de océanos adyacentes (Molinari y Vollaro, 2000;
Maloney y Hartmann, 2001), lo cual probablemente tiene una importante influencia
en la lluvia continental.
Saha et al., (2014) demuestran que la habilidad para pronosticar la OMJ mediante
el modelo CFSv2, aumenta hasta por 3 semanas, comparado con el modelo
CFSv1 en el que sólo se tenía habilidad para la primera semana; ambas versiones
detectan la actividad más importante de la oscilación durante el mes de junio
(Figura 6).
28
Figura 6. Correlación de anomalía bi-variada (BAC, por sus siglas en inglés). Porcentaje
de habilidad de pronóstico para pronosticar la OMJ, la línea negra muestra la separación
del porcentaje de habilidad por debajo de 60 % (a) CFSV1 y (b) CFSV211.
11
extraída de Saha, et al., 2014.
29
3.4 PREDICCIÓN ESTACIONAL Y HASTA A 9 MESES
Para este análisis se muestra la correlación de los pronósticos de temperatura
superficial del mar (TSM) de 3 y 6 meses. Se utiliza un conjunto de 20 miembros
de cada corrida del mes para calcular la correlación.
Figura 7. Mapa de habilidad para pronosticar la TSM mediante CFSv2 (izquierda) y
CFSv1 (derecha)12.
En la figura 7 se puede observar como el CFSv2 tiene menor habilidad que en el
CFSv1 para pronosticar el hemisferio norte. A esto se asocia el cambio de la
climatología que usa el “Climate Forecasting System Reanalysis” (CFSR) como
condiciones iniciales, debido a que después de 1999, se hizo la asimilación con
las observaciones del satélite AMSU.
En la figura 8 se compara la amplitud de la variabilidad interanual entre lo
observado, y los pronósticos a 3 y 6 meses de la TSM. Esta variabilidad se calcula
12
Extraída de Saha, et al., 2014.
30
como la desviación estándar de las anomalías de los miembros individuales (en
lugar de hacerlo con la media de conjunto).
Figura 8. Desviación estándar para la TSM para los meses de diciembre, enero y febrero
(3 meses) y marzo, abril, mayo, junio, julio y agosto (6 meses) comparando el CFSv2 vs
CFSv113.
Se puede observar que la mayor variabilidad está en el Pacífico tropical
relacionada con El Niño Oscilación del Sur (ENSO, por sus siglas en inglés).
Como el CFSv1 y el CFSv2 están diseñados para generar una mayor variabilidad
que lo observado, se puede ver que la amplitud del pronóstico es mayor que la
observada en el Océano Índico tropical, el Pacífico oriental y el norte del Atlántico.
En comparación con el CFSv1, el CFSv2 produce una amplitud más razonable.
13
Extraída de Saha, et al., 2014.
31
Por ejemplo, el CFSv1 tiene una fuerte variabilidad en el Pacífico tropical, la cual
se reduce en el CFSv2, pero para el Atlántico norte se observa que el CFSv2 es
más comparable con lo observado.
En la figura 9 se muestra la habilidad de predicción en función del mes y el paso
de tiempo para la precipitación, y la temperatura a dos metros para las zonas extra
tropicales en el hemisferio norte. La forma en la que se mide es la correlación de
la anomalía evaluado en todos los años (1982-2010).
Figura 9. Del lado izquierdo salidas del CFSv1 y del lado derecho del CFSv2; en el eje
vertical está el tiempo (en meses) de pronóstico y en el horizontal el mes14.
14
Extraída de Saha, et al., 2014.
32
Para la temperatura a dos metros se observa que la habilidad de predicción ha
mejorado para todos los pasos y meses, aunque esta mejora es modesta.
Comparado con meses anteriores, la precipitación en el mes de noviembre
muestra un ligero aumento en la habilidad para el paso dos, pero los siguientes
meses la habilidad es nula, dejando un tema por resolver, ya que el CFSv2 no
muestra mejoras en la precipitación en tierra aunque cuenta con la habilidad de
predicción de la precipitación en el océano (en relación con el ENSO).
Para la región de “El Niño” 3.4 (170°W-120°W, 5°S-5°N), se puede observar que
ambos sistemas tienen un grado de habilidad aceptable. No obstante, para
pronosticar la TSM, no se nota una mejora en el CFSv2.
3.5 PREDICCIÓN ESTACIONAL EN CONTEXTO CON OTROS MODELOS
Los modelos que se utilizaron fueron los que conforman el llamado Ensamble
Nacional de Multimodelos (NMME, por sus siglas en inglés): CFSv1, CFSv2,
NASA GFDL y NCAR y dos modelos del Instituto Internacional de Investigación
para el Clima y la Sociedad (IRI, por sus siglas en inglés).
33
Tabla 4. 15Correlación de la anomalía para pasos de medio mes con predicción
estacional de SST, T2m y prate.
Para la TSM (SST, por sus siglas en inglés) y El Niño, el CFSv2 tiene un mejor
desempeño, aunque también lo hacen otros modelos. El NMME es el que tiene
mejor desempeño. Para la razón de precipitación (prate) se observa es muy bajo
desempeño para todos los modelos, sin embargo para la temperatura a 2 metros,
el CFSv2 es el mejor de ellos.
3.6 EVOLUCIÓN DEL ERROR SISTEMÁTICO
Aunque las salidas de los modelos climáticos corresponden a la solución de
conjuntos de ecuaciones, las variables específicas que resultan del modelo no son
perfectas, por lo que su correspondencia con las variables observadas realmente,
a menudo contiene errores, los cuales son de tipo sistemático, con excepción del
caso de eventos extremos individuales. De manera que en términos de
modelación del clima, el error sistemático se define como la diferencia entre la
climatología pronosticada y la observada durante un periodo de tiempo, en este
caso 1982-2009. Se dice que el error sistemático es como un “diagnóstico del
modelo” ya que describe uno de los efectos netos de errores de la modelación.
Mientras que el error sistemático tiene una incidencia en la verificación de las
15
Imagen Extraída de Saha et al., 2013
34
predicciones, en el análisis que se realizó en la sección 2.2.3, este error se eliminó
al crear el “hindcast” para aplicar las correcciones correspondientes.
Error Sistemático Medio Anual (1928-2009) para el paso 3
Figura 10. Error sistemático medio para temperatura a 2m (T2m),razón de precipitación y
temperatura superficial del mar (SST) con CFSv1 (izquierda) y CFSv2 (derecha)16.
16
Extraída de Saha, et al., 2014.
35
En la figura 10 se puede observar que para los tres parámetros el CFSv2 se tienen
los valores más bajos del error cuadrático medio (RMS, por sus siglas en inglés),
lo que indica que tiene un mejor desempeño. También se puede ver que el sesgo
frio en el este de los Estados Unidos es más fuerte mientras latitudes bajas estos
valores son muy parecidos entre ambos modelos. En general se puede apreciar
como el error sistemático ha cambiado en los tres mapas.
Otra evolución del error sistemático se muestra en la figura 11, en donde se
compara solo el CFSv2 en los años 1982/98 y 1999-2009.
CFSv2 Error Sistemático Medio Anual (1928-2009) para el paso 3
Figura 11. Evolución del error sistemático 1982/98 (izquierda) y 1999/2009 (derecha)
donde se puede observar una ligera diferencia en la SST en la región del Niño 3.417.
17
Extraída de Saha, et al., 2014.
36
Después 1998 el CFSv2 tiene un error sistemático insignificante, mientras que
previo a este periodo (1982-1998) se tiene un sesgo frío moderado. Esto debido a
que en los últimos años los modelos se inicializan con más datos. Por otra parte la
TSM, en la zona de El Niño 3.4, es uno de los indicadores más importante para el
ENSO. Por eso se podría llegar a creer que en los últimos años se tiene una
tendencia más cálida, que afectaría directamente a la razón de precipitación. En
los mapas de razón de precipitación y TSM se pueden ver grandes cambios en la
Zona de Convergencia Intertropical (ZCIT). El error sistemático de la temperatura
a 2 m parece no verse afectado por la TSM y la causa de ello podría ser por la
nueva ingesta de datos.
3.7 VERIFICACIÓN DEL CFSV2
La fiabilidad es una herramienta importante para evaluar las predicciones por
conjuntos que se producen en un punto de malla o sobre un área, y las gráficas de
confiabilidad ayudan a visualizar fácilmente la calidad de las predicciones
probabilísticas. Para construir la gráfica se toma en cuenta la probabilidad de
ocurrencia del pronóstico ( ) contra la frecuencia observada
,).
Para la verificación del CFSv2 se utilizó la definición de fiabilidad y el índice de
habilidad de Brier (BSS por sus siglas en inglés). El BSS está basado en el Brier
score (BS por sus siglas en inglés), que evalúa la precisión de las probabilidades
pronosticadas y está definido por la ecuación:
∑
Donde
es la probabilidad del pronóstico y
,
las observaciones, para n pares de
eventos de pronóstico. Siendo cero si el evento no ocurre y 1 si ocurre. Entonces
tendríamos que el BS va de 0 a 1 y entre más pequeño sea el valor, mejor será el
pronóstico. El BSS se define por la siguiente ecuación:
37
,
Donde BS= Brier score y BSref= Brier score reference, si el BSS es igual a uno, se
tendria un pronóstico perfecto y si es igual a cero o negativo, son poco hábiles con
respecto a la predicción de referencia. Para la evaluación del CFSv2 se realizó
una comparación exacta del CFSv1 vs CFsv2 durante el periodo de 1982 a 2009
para todos los meses de condición inicial.
Figura 12. Diagrama de fiabilidad para la predicción, del lado derecho está el CFSv1 y del
lado izquierdo el CFSv2. La línea roja indica la probabilidad de que caiga sobre el tercil de
la climatología observada de la temperatura superficial del océano para El Niño18.
En los diagramas se puede observar como el CFSv2 tiene una mejor fiabilidad que
el CFSv1, especialmente en el paso de tiempo de 8 meses, cabe mencionar que el
CFSv2 se tuvo que reducir a 15 miembros del ensamble para poder hacer una
18
Extraída de Saha, et al., 2014.
38
comparación entre los dos modelos y puntualizar que de usar los 24 miembros
que están disponibles esta fiabilidad se infiere que podría ser aún mejor. Los
llamados histogramas de rango de verificación, se utilizan en la relación que hay
entre las observaciones y cada miembro del ensamble del pronóstico. Esto da una
medida del sesgo que hay entre lo pronosticado por cada miembro. De la Figura
13 se observa que el CFSv2 es mejor que el CFSv1 para paso de tiempo más
largos.
Figura 13. La habilidad de Brier (BSS, línea continua), fiabilidad (discontinua con puntos)
y resolución (discontinua) en función del tiempo de paso en meses, para la predicción
Niño3.4 SST. El diagrama de la izquierda es para el CFSv1 y el de la derecha CFSv219.
19
Extraída de Saha, et al., 2014.
39
CAPÍTULO 4. DESARROLLO DE PRODUCTOS OPERACIONALES
DEL CFSV2 PARA MÉXICO
En esta sección se muestran los productos que se pueden obtener a partir de las
salidas del modelo CFSv2 para la República Mexicana, así como los productos
obtenidos y como podrían ser de ayuda para la predicción del clima en la región
de México.
El número de variables que se pueden obtener de las salidas del CFSv2 permite
hacer un análisis de climatología que sería de utilidad para realizar una predicción
estacional más robusta y con mayores elementos que las predicciones realizadas
sólo con métodos de análogos o estadístico-descriptivos.
Para el procesamiento y post procesamiento de las salidas del Modelo CFSv2 de
manera operacional, se debe tener un equipo de cómputo con sistema operativo
Linux y algunas herramientas para correr programas en lenguaje bash (mismos
que se proporcionan en el disco Anexo), una conexión a internet de alta velocidad
y algunas herramientas de acceso libre que se incluyen en esta descripción (GNU
Octave, wgrib, el Grid Analysis and Display System, GrADS, entre otras) tabla 5.
Tabla 5. Herramientas necesarias para la manipulación de datos.
Herramienta
Función
wgrib2
Software libre desarrollado en el CPC para edición, escritura, y
extracción de información de archivos en formato grib220.
Octave
Software utilizado para procesamiento datos climáticos. Este
software es una variante del software Matlab pero su ventaja es
que no requiere comprar la licencia. Se puede instalar en Linux.
GrADS
Software libre que permite visualizar datos en malla. Se puede
instalar en Linux.
20
[http://www.ftp.cpc.ncep.noaa.gov/wd51we/wgrib2/INSTALLING]
40
Los datos de pronóstico del modelo CFSv2 se obtienen del servidor del CPC:
http://nomads.ncep.noaa.gov/pub/data/nccf/com/cfs/prod/cfs. En este directorio
sólo se almacenan los últimos 6 días de pronóstico con dos diferentes escalas de
tiempo: mensuales con proyección a 9 meses (“monthly_grib_01/”) y las de paso
diario con proyección a 45 días (“6hrly_grib_01/”). Estas salidas se producen para
cuatro horarios diferentes (00, 06, 12, y 18Z).
Después de ingresar al día inicial del pronóstico se elige la hora inicial (18Z) y se
ingresa
a
las
salidas
del
flxf.01.2014091518.201409.avrg.grib.00Z.grb2
modelo.
Por
hace referencia
ejemplo,
a la salida del
primer miembro del modelo flx.01, posteriormente hace referencia a la fecha del
pronóstico, siguiendo el
formato año, mes, día y hora (AAAAMMDDHH), por
ejemplo: “flxf.01.AAAAMMDDHH”, después se encuentra la fecha en la que se
generó el pronóstico: “flxf.01.2014091518.AAAAMM” y por último, se encuentran
pequeñas descripciones del archivo “.avrg.grib.00Z.grb2” que hacen referencia al
promedio del pronóstico y el formato.
En este directorio están agrupados 5 tipos de archivos: ipvf, flxf, pgbf, ocnh y ocnf,
que contienen variables de los diferentes modelos que forman el acoplado del
CFSv2. El archivo ocnh corresponde a variables del modelo de océano como
salinidad, batimetría, temperatura, etc. El archivo flxf contiene variables como
temperatura a 2 metros, razón de precipitación, humedad del suelo, altura
geopotencial, etc. Dentro de los archivos pgbf y ipvf se encuentra variables como
vientos en diferentes niveles, altura del tope de la nube, anomalía del
geopotencial, temperatura en diferentes niveles, etc. Los datos de precipitación,
temperatura, geopotencial entre otras variables, se encuentra en los archivos que
inician
con
flxf.
A
manera
de
ejemplo
flxf.01.2014081318.201409.avrg.grib.grb2
se
seleccionan
los
archivos
y
pgbf.01.2014081318.201409.avrg.grib.grb2.
41
Después de haber descargado los datos, se organizan en una carpeta con un
nombre, por ejemplo: “Pronos_201409”. Dentro de la carpeta deberán estar
algunas herramientas que nos ayuden a plotear estos mapas y las características
que se necesitan para llegar al producto final (tabla 6):
Tabla 6. Lista de archivos necesarios para ploteo de mapas21.
Archivo
Allcolor.gs
Mapa_humedad_suelo10cm.gs
Basemap.gs
Mapa_olr.gs
Color.gs
Mapa_prec.gs
Estados
Mapa_sst.gs
Mapa_anom_geo.gs
lpoly_mres.asc
Mapa_geo_temperatura.gs Opoly_mres.asc
Palet_anom_geo.gs
Paletprec.gs
Paletradiacion.gs
Paletsoil.gs
Paletsst.gs
Palettemp.gs
Xcbar2.gs
El primer paso es convertir este archivo a un formato manipulable, se recomienda,
netcdf, esto mediante, el programa wgrib2. Desde una terminal dentro de la
carpeta donde se encuentre el archivo descargado se teclea la siguiente
instrucción:
“wgrib2
flxf.01.2014081318.201409.avrg.grib.grb2
–netcdf
flxf.01.2014081318.201409.avrg.nc”
21
De acuerdo a la documentación del Grid Analysis and Display System http://grads.iges.org
42
Una vez convertido el archivo se procede a modificar los archivos de entrada que
van a plotear los mapas con el script de GrADS mapa.gs. A manera de ejemplo se
selecciona el script mapa_OLR.gs, hay que modificar dos líneas, pues este script
utiliza dos archivos para plotear las variables de viento y radiación de onda larga,
las líneas que debemos cambiar son : ‘sdfopen flxf.01…’ y ’sdfopen pgbf.01…’ en
el cual van los archivos que se acaban de descargar.
Después de realizar los cambios del script mapa_OLR.gs., desde una terminal se
ejecuta la instrucción grads –lc “mapa_olr.gs”
Actualmente en el Servicio Meteorológico Nacional, dentro del Comité Técnico del
Departamento de Pronóstico Estacional se usan Algunas variables y parámetros
para realizar el pronóstico de los siguientes tres meses, por ejemplo: anomaliga de
la altura geopotencial (figura 14), la humedad del suelo (figura 15), radiación de
onda larga (figura 16), precipitación acumulada (figura 17), TSM (figura 18) y
temperatura a 2 metros (figura 19).
Figura 14. Anomalía geopotencial a 500 mb generada con el pronóstico del día 13 de
agosto del 2014 para el mes de septiembre.
43
Figura 15. Humedad del suelo a 10 cm generada con el pronóstico del día 13 de agosto
del 2014 para el mes de septiembre.
Figura 16. Radiación de onda larga y viento en superficie generara con el pronóstico del
día 13 de agosto del 2014 para el mes de septiembre.
44
Figura 17. Precipitación en mm elaborada con el pronóstico del día 13 de agosto del 2014
para el mes septiembre.
Figura 18. Temperatura superficial del mar generada con el pronóstico del 13 de agosto
del 2014 para el mes de septiembre.
45
Figura 19. Temperatura (colores) con altura geopotencial (contornos) en superficie
generada con el pronóstico del 13 de agosto del 2014 para el mes de septiembre.
En las siguientes páginas, se mostrará un ejemplo del post-procesamiento a las
salidas del modelo para generar mapas de anomalías de precipitación tanto en
milímetros como en porcentaje de lo normal. La precipitación pronosticada con el
CFSv2 se compara con la precipitación observada (1982-2009) en una malla
rectangular con resolución de 0.5° x 0.5° generada por el SMN 22 , mediante el
método de interpolación de splines multi-nivel del tipo B23.
Las salidas del modelo CFSv2 tienen una resolución de 1°, por lo que para su
comparación con los campos observados fue necesario recortar el dominio e
interpolar los datos a la misma resolución.
En el directorio Pronos_201409/Anomalías se colocan las salidas del modelo
CFSv2, por ejemplo flxf.01.2014081318.201409.avrg.nc. En este mismo directorio
colocar el archivo septiembre.dat (climatología de precipitación del mes de
septiembre)
ubicado
en
el
directorio
mallas_SMN.
Editar
el
script
22
Garrido-Díaz, C.R. (en prep.). Generación de campos de variables.
climáticas para la República Mexicana aplicando el método de splines multinivel
del tipo b.
23
Seungyong, et. al., 1997; Oyvind, 2001
46
extraemallacfsv2.m, modificando el nombre del archivo de entrada (file) y el
archivo de salida (filenc). Éste último corresponde al archivo de datos interpolados.
Para realizar la comparación es necesario editar el script compara.m y modificar
las líneas correspondientes a los archivos de entrada, generado con el script
extraemalla.m (file1) y la climatología de precipitación del mes de septiembre
(file2); el archivo de salida (filenc) contiene la comparación entre los archivos de
entrada.
Para ejecutar los scripts de Octave (archivo con extensión m) desde la terminal se
introudce el comando octave –q, lo que habilitará el ‘prompt’ de esta herramienta.
Desde el ‘prompt’ se ejecuta con la instrucción extraemalla y después
comparamalla.
El despliegue de diferencia de precipitación entre la climatología observada y el
modelo
CFSv2
se
elabora
mediante
los
scripts
de
GrADS:
mapa_anom_prec_sep.gs (en mm) y mapa _anompor_prec_sep.gs (en %). Se
deben editar estos scripts y modificar el nombre del archivo de entrada generado
en el paso anterior.
47
Figura 20. Anomalía de precipitación en mm generada en base del pronóstico del 13 de
agosto del 2014 para el mes de septiembre.
Figura 21. Anomalía de precipitación en porcentaje de lo normal generado en base al
pronóstico del 13 de agosto del 2014 para el mes de septiembre.
48
CAPÍTULO 5. CONCLUSIONES Y RECOMENDACIONES
1.- Por el hecho de estar basados en las ecuaciones físicas que gobiernan la
atmósfera, la predicción de las variaciones del sistema climático requiere hacer
uso de modelos numéricos para contar con pronósticos climáticos cada vez más
precisos.
-
Los modelos climáticos se basan en la resolución de ecuaciones
matemáticas que describen la física de los procesos fundamentales que
determinan el clima.
-
Los resultados de las simulaciones de clima (los pronósticos en varias
escalas temporales, por ejemplo en la estacional o subestacional), han
demostrado contar con capacidad para reproducir en forma realista los
valores climatológicos observados.
-
Si bien, los modelos climáticos más recientes ofrecen confianza sobre su
capacidad
para
inferir
el
clima
futuro,
éstos
tienen
inherentes
incertidumbres dependientes de la precisión en las representaciones
aproximadas de la realidad que utilizan (como en el caso de la orografía o
el uso del suelo).
-
Por lo tanto, una forma de reducir dichas incertidumbres es usando un
conjunto de predicciones con uno o varios modelos, de manera que el
conjunto de pronósticos integre una estimación probabilística del clima
esperado.
Uno de los modelos climáticos globales que se corre operacionalmente en el
Centro de Predicción del Clima de los Estados Unidos y cuyos resultados están
disponibles públicamente, es el Sistema de Predicción Climático Segunda Versión
(CFSv2, por sus siglas en inglés). Esta versión cuenta con mejoras a casi todos
49
los aspectos de los componentes de asimilación de datos y modelo de previsión
del sistema.
Por tratarse de un modelo cuyos resultados están disponibles para la comunidad
internacional, éste permite incursionar en el campo del uso de los resultados de
modelos climáticos a países que aún no cuentan con un modelo propio, como es
el caso de México, tema de este trabajo.
2.- Se realizó una revisión exhaustiva de la literatura especializada sobre el CFSv2
(Saha et al., 2014), además de los manuales técnicos y documentos disponibles
en el NCEP; de manera que en este trabajo se ha documentado el modelo CFSv2,
y los pasos técnicos necesarios para utilizar sus resultados, con el fin de ofrecer al
lector de este trabajo una ruta facilitadora para el uso de dicho modelo.
Se encontró que el modelo CFSv2, tiene un mayor desempeño que su antecesor
el CFsv1 en muchos aspectos; destacando que una de las mejoras más
importantes es quizá la de acoplar el modelo de hielo marino, que de acuerdo con
la literatura ha permitido mejorar el pronóstico de este modelo para las regiones
extra tropicales y aumentar por tanto el desempeño global del modelo.
Otro de los puntos en donde el CFSv2 muestra mejoría, es en el análisis de la
región de El Niño 3.4, donde demostró una mejor fiabilidad en la predicción de las
variaciones de la temperatura superficial del mar, especialmente en el paso de
tiempo de 8 meses; esta mejora habilita mejores predicciones del índice más
significativo para el monitoreo de este fenómeno, abriendo la posibilidad de contar
a su vez con un predictor del clima en la región nuestro país y sus alrededores.
En esta monografía se han documentado los principales aspectos, así como los
pasos para el uso del modelo CFSv2. Un trabajo similar, el cual puede y se
recomienda se realice en el futuro, es el generar este tipo de documentación para
cada uno de los modelos que conforman el Ensamble Multi-Modelo de
Norteamérica (“National Multi-Model Ensemble” , NMME), y también de los que
integran
Ensamble
Multi-Modelo
Internacional
(“International
Multi-Model
Ensemble”, IMME), para así completar la serie de documentos que faciliten la
50
incursión de la comunidad mexicana en el uso de modelos climáticos y así mejorar
las predicciones del clima disponibles hasta ahora. Es importante notar que si bien
el SMN toma en cuenta estos dos ensambles de modelos para la elaboración y de
su perspectiva climática mensual, por lo que evaluarlos y conocer a profundidad
su habilidad de pronóstico ayudaría sin duda a evaluar en forma objetiva, cuál de
ellos modela mejor las variables climáticas para el dominio geográfico del territorio
mexicano.
51
ANEXOS
MODELOS QUE CONFORMAN EL NMME
En la siguiente tabla los modelos que se muestran, son los que actualmente
conforman al NMEE, mismos que conforman la lista de modelos que podrían ser
documentados en trabajo futuro.
Tabla 7. Modelos que conforman el NMME24.
Modelo
CFSv1
Periodo
Numero de Paso de
Inicio de los miembros
“Hindcast”
ensambles
Tiempo
del ensamble
1981-2009
15
0.5-8.5
El día primero de cada
meses
mes a las 0z +/- 2 días,
el día 11 a las 0z +/- 2
días y el 21 a las 0z +/- 2
días.
CFSv2
GFDL-CM2.2
IRI-ECHAM4-
IRI-ECHAM4-
CCSM3.0
GEOS5
1982-2010
1982-2010
1982-2010
1982-2010
1982-2010
24 (28)
10
12
12
6
1981-2010
05.-9.5
4 miembros (0z, 6z, 12z,
meses
18z) cada 5 días.
0.5-11.5
Todos los días primero de
meses
cada mes a las 0z.
0.5-7.5
Todos los días primero de
meses
cada mes a las 0z.
0.5-7.5
Todos los días primero de
meses
cada mes a las 0z.
0.5-11.5
Todos los días primero de
meses
cada mes a las 0z.
05.-9.5
1 miembro cada 5 días
meses
CMC1-Can-
1981-2010
10
CM3
CMC2-CanCM4
24
1981-2010
10
0.5-11.5
Todos los días primero de
meses
cada mes a las 0z.
0.5-11.5
Todos los días primero de
meses
cada mes a las 0z.
[http://www.cpc.ncep.noaa.gov/products/NMME/Phase1models.png] consultado en 2014
52
GUÍA PRÁCTICA DE ACCESO, PROCESAMIENTO Y DESPLIEGUE
DEL “REFORECAST” EN EL CFSv2
Para el uso, modificación y procesamiento de los archivos descritos a lo largo de
esta monografía se requiere un manejo y entendimiento de lenguajes en
programación. Esto ayudará a comprender con mayor facilidad lo descrito en los
diferentes scripts que se encuentran en el disco anexo; tales como GrADs y Linux.
En una computadora, desde la página de la NOAA, se pueden descargar los
archivos. En ella, se encuentran varios archivos: climatologías; series de tiempo;
etc. El método para procesar los datos que aquí se propone, es trabajar por
“segmentos de ensamble”; sin embargo, el procesamiento para cualquiera de
estas salidas es el mismo, en ese caso sólo es necesario realizar algunas
modificaciones, en los diferentes scripts aquí propuestos. Algunas modificaciones
pueden ser los archivos de entrada, que refieren al número de miembros, la
variable a procesar, etc. Es por ello que se sugiere contar con conocimientos
sobres manejo y entendimiento de lenguajes de programación, junto con el uso de
sistema operativo GNU/Linux. No obstante, los pasos antes desarrollados, tratan
de llevar de la mano, al usuario, para que pueda manipular las dichas salidas, de
los modelos. Los scripts, procedimiento documentado y productos adquiridos, son
de gran apoyo al usuario; brindan ayuda como una herramienta que podría
utilizarse, y se obtiene mayor provecho en el análisis del pronóstico estacional y el
análisis sub-estacional. Estos productos servirían para entender cómo se
comporta el modelo en ciertas regiones de México, y así dar un punto de vista más
claro sobre la toma de decisiones.
A continuación, se mostrará paso a paso, cómo crear el ensamble para un mes de
la variable de precipitación. Los archivos que vamos a ocupar, son los 24
miembros del ensamble del modelo CFSv2, con condición inicial de enero.
Es necesario acomodar los datos en una carpeta llamada CFSv2p, y organizar los
datos por variables en carpetas, como se va indicando:
53
1. Se debe ingresar a la carpeta precipitación, y dentro de ella, se
encontrará la carpeta “01” que corresponde al mes de anero. Dentro de ella,
hay un programa con el nombre “creafolder.sh” y una carpeta llamada
archivos la cual contiene los 24 miembros de la proyección del mes de
enero, en un terminal de Linux situada en la carpeta se debe ejecutar el
comando “sh creafolder.sh” (Ver disco Anexo, programa que crea las
carpetas). Esto creará 24 carpetas del 01 al 24, y otras 10 carpetas, con el
nombre de cada mes, respectivamente. También, ordenará los miembros
del ensamble, en su respectiva carpeta.
2. El siguiente paso es mover los 24 miembros del ensamble que se
encuentran en la carpeta “archivos” a cada una de las carpetas que se
generaron. Los archivos que se deben mover, son los que llevan el nombre
“prate.010100.01.CFSv2.fcst.avrg.1x1.grb”. para identificar los archivos que
se deben mover se explica brevemente la sintaxis del archivo: la primera
parte nos dice el nombre de la variable. Luego del punto viene un “01” (que
indica el mes de la condición inicial). El segundo “01”, hace referencia al día
qué inicio la corrida del modelo, y el “00” corresponde a las 00z. Después
del punto viene otro “01”, número del miembro al que pertenece. De esta
forma, se puede identificar donde acomodar los miembros del ensamble.
3. Después se procede a desmembrar el archivo en meses, para ello, se
debe utilizar el script con el nombre “extraemes.sh” este script debe estar
ubicado en la carpeta donde se encuentra el primer miembro del ensamble
ejecutando el comando “sh extraemes.sh” en un terminal se crearán 10
archivos con el nombre del mes, y un número, dependiendo el miembro del
ensamble. En este caso, al ser el primer ensamble, será el número 1. Estos
archivos vienen en formato grib, y para poder desplegarlos en GrADS, se
necesita un archivo de control llamado CTL (Véase anexo, script número 3).
Ejecutando en la terminal: “sh creactl.sh” se crearan los archivos de control
para todos los archivos. Después, se debe realizar este proceso para los 24
miembros del ensamble.
54
5. Una vez finalizado el proceso para los 24 meses, se debe organizar los
archivos en las carpetas antes creadas, para poder calcular la media de los
29 años y el ensamble. Para ello también se creó un programa (Véase
disco
anexo,
script
número
4),
ejecutando
en
la
terminal
“acomodameses.sh” se acomodaran los meses.
6. Una vez teniendo acomodados los archivos en las carpetas por meses,
se calcula la media de los ensambles. En un terminal se debe ejecutar el
comando “grads -l” y cuando se active el “prompt” se ejecuta
“mediaenero.gs” (Véase disco anexo, script número 5). Se crearán 24
archivos binarios que tendrán la media de los 29 años. Este archivo binario,
también necesita un CTL para que grads pueda leerlo, y este archivo se
debe crear a mano en cualquier editor de textos. (Véase disco Anexo,
ejemplo de CTL para media.)
7. Hechos los 24
CTL para los 24 miembros de las medias de cada
ensamble; se debe acomodar en una carpeta que llamada “media”, y ahí se
deberán acomodar los archivos binarios con su CTL. Dentro de la carpeta
se calcula la media de los 24 miembros utilizando un script en grads (Véase
disco anexo, script número 6). Basta con teclear en una terminal
“ensamble.gs”, y se creará automáticamente un archivo binario, con el
nombre del mes.
8. Por último, se debe crear el archivo CTL, para este último binario. (Véase
el disco anexo, ejemplo CTL, para ensamble). Cabe mencionar, que todos
estos pasos fueron solo para crear el ensamble de un solo mes se debe
hacer el mismo procedimiento para todos los meses y así crear el ensamble
de la condición inicial del mes de enero.
Este proceso se debe realizar para los 12 meses de condición inicial, y
posteriormente, armar el ensamble general del CFSv2, para poder desplegar los
productos en grads. Este procedimiento de ensamble de los 12 meses, es muy
parecido al paso 7, donde se calcula la media, de los 24 miembros.
55
56
Figura 22. Árbol que muestra el contenido del disco anexo.
REFERENCIAS
1. Bjerknes Vilhelm F.K. 1904: Scientific Weather Prediction, a Newspaper
Article on Weather Forecasting. Consultado octubre 2014, obtenido de:
http://folk.uib.no/ngbnk/Bjerknes_150/short-paper-Bjerknes-1904-Rev.pdf
2. Burden R. and Faires J. Douglas, 2002: Análisis Numérico. Thomson
Learning, 839.
3. Byers R. H., 1974: General Meteorology. McGraw Hill College, 4 Ed. 416 p.
ISBN-10: 0070095000.
4. Candille G., 2009: The Multiensemble Approach: The NAEFS example.
Mon. Wea. Rev. 137 (5), 1655-1665.
5. Castro M., 2007: Los modelos Climáticos Globales. 04/04/2015, de ICAMUCLM,
Toledo
Sitio
web:
http://www.meteo.unican.es/courses/2007_cursoRegionalizacion_files/2_1_
Castro.pdf
6. Cavazos T, Comrie AC, Liverman, DM. 2002: Intraseasonal anomalies
associated with wet monsoons in southeast Arizona. J. Clim. 15: 2477–
2490.
7. Clough, S. A., M. W. Shephard, E. J. Mlawer, J. S. Delamere,M. J. Iacono,
K. Cady-Pereira, S. Boukabara, and P. D. Brown, 2005: Atmospheric
radiative transfer modeling: A summary of the AER codes. J. Quant.
Spectrosc. Radiat. Transfer, 91, 233–244.
8. DeWitt, D. G., 2005: Retrospective forecasts of interannual sea surface
temperature anomalies from 1982 to present using a directly coupled
atmosphere-ocean general circulation model. Mon. Wea. Rev., 133, 29722995.
9. Ek, M., K. E. Mitchell, Y. Lin, E. Rogers, P. Grunmann, V. Koren, G. Gayno,
and J. D. Tarpley, 2003: Implementation of Noah land-surface model
57
advances in the NCEP operational mesoscale Eta model. J. Geophys. Res.,
108, 8851, doi:10.1029/2002JD003296.
10. Garrido-Díaz, C.R. (en prep.). Generación de campos de variables
climáticas para la república Mexicana aplicando el método de splines multinivel del tipo b.
11. Gordon, C., C. Cooper, C. A. Senior, H. Banks, J. M. Gregory, T. C. Johns,
J. F. B. Mitchell, and R. A. Wood, (2000): The simulation of SST, sea ice
extents and ocean heat transports in a version of the Hadley Centre coupled
model without flux adjustments, Climate Dynamics, vol 16, p147-168.
12. Higgins W and W. Shi, 2001: Intercomparison of the principal modes of
interannual and intraseasonal variability of the North American monsoon
system. J. Climate, 14, 403-417.
13. Holton J. R. 2004: Introduction to Dynamic Meteorology, 4th Edition,
Academic Press, New York, 535.
14. Hunt J.C.R., 1998: Lewis Fry Richardson and his contributions to
Mathematics, Meteorology and Models of Conflict. Annu. Rev. Fluid Mech.,
vol 30, xiii-xxxvi.
15. Iacono, M. J., E. J. Mlawer, S. A. Clough, and J.-J. Morcrette, 2000: Impact
of an improved longwave radiation model, RRTM, on the energy budget and
thermodynamic properties of the NCAR Community Climate Model, CCM3.
J. Geophys. Res., 105, 14 873–14 890.
16. IPCC, 2014: Climate Change 2014: Synthesis Report. Contribution of
Working Groups I, II and III to the Fifth Assessment Report of the
Intergovernmental Panel on Climate Change [Core Writing Team, R.K.
Pachauri and L.A. Meyer (eds.)]. IPCC, Geneva, Switzerland, 151 pp.
17. Jolliff Ian T. and David B. Stephenson, 2011: Forecast Verification a
Practitioner's Guide in Atmospheric Science, 2nd Edition. United States of
America: WILEY, 292.
18. Kalnay
E.
(2003):
Atmospheric
modeling,
data
assimilation
and
predictability. Cambridge University Press, United States of America, 328.
58
19. Kirtman Ben P., D. Min, J. M. Infanti, J. L. Kinter, III, D. A. Paolino, Q.
Zhang, H. van den Dool, S. Saha, M. Pena Mendez, E. Becker, P. Peng, P.
Tripp, J. Huang, D. G. DeWitt, M. K. Tippett, A. G. Barnston, S. Li, A. Rosati,
S. D. Schubert, M. Rienecker, M. Suarez, Z. E. Li, J. Marshak, Y.-K. Lim, J.
Tribbia, K. Pegion, W. J. Merryfield, B. Denis, and Eric F. Wood, 2014: The
North American Multimodel Ensemble: Phase-1 Seasonal-to-Interannual
Prediction; Phase-2 toward Developing Intraseasonal Prediction. Bull. Amer.
Meteor. Soc., 95, 585–601.
20. Kirtman, B. P., and D. Min, 2009: Multi-model ensemble ENSO prediction
with CCSM and CFS. Mon. Wea. Rev., DOI: 10.1175/2009MWR2672.1
21. Knutson T.R. and K.M. Weickmann, 1987: 30-60 day atmospheric
oscillations: Composite life cycles of convection and circulation anomalies.
Mon. Wea. Rev. 115(7), 1407-1436.
22. Lezaun M., 2003: Predicciones del Tiempo y Matemáticas. SIGMA, Revista
de Matemáticas, nº 23, 145-166.
23. Lorenz D. J., and D. L. Hartmann, 2006: The effect of the MJO on the North
American Monsoon. J. Climate, 19, 333-343.
24. Lorenz E., 1993: The Essence of Chaos, University of Washington Press,
Seattle. (Traducción en español La esencia del caos, Editorial Debate,
Madrid, 2000), 240.
25. Magaña V, and A. Quintanar, 1997: On the use of a general circulation
model to study regional climate. 2nd. UNAM-CRAY Supercomputing
Conference on Earth Sciences. Mexico City. June 1997. Ed. Cambridge
University Press. 39-48
26. Magaña V, and Yanai M., 1991: Tropical-Midlatitude Interaction on the
Time Scale of 30 to 60 Days during the Northern Summer of 1979. J.
Climate, 4, 180–201.
27. Maloney E. D. and Hartmann D. L., 2001: The Madden–Julian Oscillation,
Barotropic Dynamics, and North Pacific Tropical Cyclone Formation. Part I:
Observations. J. Atmos. Sci., 58, 2545–2558.
59
28. Maloney, E. D., and S. K. Esbensen, 2003: The amplification of east Pacific
Madden-Julian oscillation convection and wind anomalies during JuneNovember. J. Climate, 16, 3482-3497.
29. McGuffie K. and Henderson A., 2005: A Climate Modelling Primer. Sydney:
sellers, 288.
30. Mercier B., 1989: An Introduction to the Numerical Analysis of Spectral
Methods. Alemania: Springer-Verlag, 154.
31. Molinari, J., and D. Vollaro, 2000: Planetary and synoptic-scale influences
on eastern Pacific tropical cyclogenesis. Mon. Wea. Rev., 128, 3296–3307.
32. Oyvind H., 2001: approximatio of a Scattered Data with Multilevel B-splines.
33. Pope, V. D., Gallani, M. L., Rowntree, P. R. & Stratton, R. A. (2000): The
impact of new physical parametrizations in the Hadley Centre climate model
- HadAM3. Climate Dynamics, vol 16, 123-146.
34. Richardson F. L., (1922): Weather Prediction by Numerical Process. United
States: Cambridge, The University Press, 262.
35. Saha S., M. Shrinivas, H.-L. Pan, X. Wu, J. Wang, S. Nadiga, P. Tripp, R.
Kistler, J. Woollen, D. Behringer, H. Liu, D. Stokes, R. Grumbine, G. Gayno,
J. Wang, Y. Hou, H.-Y. Chuang, H.-M. H. Juang, J. Sela, M. Iredell, R.
Treadon, D. Kleist, P. Van Delst, D. Keyser, J. Derber, M. Ek, J. Meng, H.
Wei, R. Yang, S. Lord, H. M. Van Den Dool, A. Kumar, W. Wang, C. Long,
M. Chelliah, Y. Xue, B. Huang, J.-K. Schemm, W. Ebisuzaki, R. Lin, P. Xie,
M. Chen, S. Zhou, W. Higgins, C.-Z. Zou, Q. Liu, Y. Chen, Y. Han, L.
Cucurull, R. W. Reynolds, G. Rutledge, M. Goldberg, agosto 2010: The
NCEP Climate Forecast System Reanalysis. Bull. Amer. Meteor. Soc., 91,
1015–1057.
36. Saha S., S. Moorthi, X. Wu, J. Wang, S. Nadiga, P. Tripp, D. Behringer, T.H. You, H.-Y. Chuang, M. Iredell, M. Ek, J. Meng, R. Yang, M. Peña, H. M.
Van Den Dool, Q. Zhang, W. Wang, M. Chen, E. Becker, 28 mayo 2013:
The NCEP Climate Forecast System Version 2. Journal of climate, 27, 1-25.
37. Saha S., S. Moorthi, X. Wu, J. Wang, S. Nadiga, P. Tripp, D. Behringer, T.H. Yu, H.-Y. Chuang, M. Iredell, M. Ek, J. Meng, R. Yang, M. Peña, H. M.
60
Van Den Dool, Q. Zhang, W. Wanqiu, M. Chen, and E. Becker, 2014: The
Ncep Climate Forecasting System version 2. J. Climate, 27, 2185-2208. doi:
http://dx.doi.org/10.1175/JCLI-D-12 hasta 00.823,1
38. Saha S., S. Nadiga, C. Thiaw, J. Wang, W. Wang, Q. Zhang, H. M. Van
Den Dool, H.-L. Pan, S. Moorthi, D. Behringer, D. Stokes, M. Peña, S. Lord,
G. White, W. Ebisuzaki, P. Peng, P. Xie, 2006: The NCEP Climate Forecast
System. J. Climate, 19, 1-35.
39. Seunyong L., G. Wolberg, Yong Shin Sung, septiembre 1997: Scattered
Data Interpolation with Multilevel B-Splines. IEEE transactions on
visualization and computer graphics, 3, 1-17.
40. Wang, P.K., 2013: Physics and Dynamics of Clouds and Precipitation.
Cambridge University Pres, 467.
41. Warner T. T., 2011: Numerical Weather and Climate Prediction. United
States of America: Cambridge University Press, 550.
61
ENLACES
1. http://www.nws.noaa.gov/ost/climate/STIP/Modeling/CFSv2_paper.pd
f
2. http://www.sema.org.es/documentos/preditiempo.pdf
3. http://www.cpc.ncep.noaa.gov/products/GODAS/pl/introduction_goda
s_web.pdf
4. http://journals.ametsoc.org/doi/abs/10.1175/JCLI-D-12-00823.1
5. http://www.raco.cat/index.php/Revibec/article/download/140726/1919
68
6. http://journals.ametsoc.org/doi/pdf/10.1175/JCLI3812.1
7. http://translate.google.com.mx/translate?hl=es419&sl=en&u=http://mag.ncep.noaa.gov/&prev=/search%3Fq%3Dmo
delo%2Bncep%26espv%3D2%26biw%3D800%26bih%3D429
8. http://www.atmos.umd.edu/~ekalnay/pubs/Bogota-PredecibilidadKalnay.pdf
9. http://futurocostaensenada.files.wordpress.com/2010/02/quesonlosm
odelos.pdf
10. http://200.58.146.28/nimbus/weather/pdf/cap13.pdf
11. http://www.conicet.gov.ar/new_scp/detalle.php?keywords=&id=29856
&congresos=yes&detalles=yes&congr_id=1394038
12. http://www.encuentrosmultidisciplinares.org/Revistan%BA23/Mikel%20Lezaun%20Iturralde.
pdf
13. http://www.matematicalia.net/index.php?option=com_content&task=bl
ogcategory&id=46&Itemid=317
14. http://elclima.esparatodos.es/ revisado el 01 de marzo del 2014
15. http://www.meted.ucar.edu/nwp/model_structure_es/navmenu.php?ta
b=1&page=1.3.0 revisado el 25 de febrero del 2014
16. http://www.revista.unam.mx/vol.4/num7/art24/art24.html
17. http://jogomez.webs.upv.es/material/errores.htm#_6.__
62
18. http://peer2.berkeley.edu/ngaeast_wg/wpcontent/uploads/2010/09/Lin-et-al..pdf revisado el 11/03/2014
19. http://journals.ametsoc.org/doi/abs/10.1175/15200493(2004)132%3C
1917%3AAARMMI%3E2.0.CO%3B2
20. Modelos climáticos. Libro electrónico CIENCIAS DE LA TIERRA Y
DEL MEDIO AMBIENTE (s.f.). Recuperado el domingo 12 octubre de
2002,
de
http://www.tecnun.es/asignaturas/Ecologia/Hipertexto/10CAtm1/356ModCl.
html
21. http://journals.ametsoc.org/doi/abs/10.1175/WAF-D-11-001331
22. http://journals.ametsoc.org/doi/pdf/10.1175/2009WAF2222231
23. http://www.meteo.unican.es/courses/2007_cursoRegionalizacion_file
s/2_1_Castro.pdf
63