Hispanopedia Wiki
Articulo de referencia

Predicción numérica del tiempo

Los modelos meteorológicos utilizan sistemas de ecuaciones diferenciales basados ​​en las leyes de la física , que en detalle describen el movimiento de fluidos , la termodinámi...

Hispanopedia WikiContenido en espanolLectura gratuita
Se muestra una cuadrícula para un modelo numérico de predicción meteorológica. La cuadrícula divide la superficie terrestre según meridianos y paralelos, y simula el espesor de la atmósfera apilando celdas de la cuadrícula alejándolas del centro de la Tierra. Un recuadro muestra los diferentes procesos físicos analizados en cada celda de la cuadrícula, como la advección, la precipitación, la radiación solar y el enfriamiento radiativo terrestre.
Los modelos meteorológicos utilizan sistemas de ecuaciones diferenciales basados ​​en las leyes de la física , que en detalle describen el movimiento de fluidos , la termodinámica , la transferencia radiativa y la química , y emplean un sistema de coordenadas que divide el planeta en una cuadrícula tridimensional. Dentro de cada celda de la cuadrícula se calculan los vientos , la transferencia de calor , la radiación solar , la humedad relativa , los cambios de fase del agua y la hidrología superficial , y las interacciones con las celdas vecinas se utilizan para calcular las propiedades atmosféricas futuras.

La predicción numérica del tiempo ( PNT ) utiliza modelos matemáticos de la atmósfera y los océanos para predecir el clima basándose en las condiciones meteorológicas actuales. Aunque se intentó por primera vez en la década de 1920, no fue hasta la llegada de la simulación por computadora en la década de 1950 que las predicciones numéricas del tiempo produjeron resultados realistas. En diferentes países del mundo se ejecutan diversos modelos de pronóstico globales y regionales, que utilizan como datos de entrada las observaciones meteorológicas actuales transmitidas por radiosondas , satélites meteorológicos y otros sistemas de observación.

Los modelos matemáticos basados ​​en los mismos principios físicos pueden utilizarse para generar pronósticos meteorológicos a corto plazo o predicciones climáticas a largo plazo; estas últimas se aplican ampliamente para comprender y proyectar el cambio climático . Las mejoras realizadas en los modelos regionales han permitido avances significativos en los pronósticos de la trayectoria de los ciclones tropicales y la calidad del aire ; sin embargo, los modelos atmosféricos no son eficaces para gestionar procesos que ocurren en un área relativamente restringida, como los incendios forestales .

La manipulación de los vastos conjuntos de datos y la realización de los complejos cálculos necesarios para la predicción numérica del tiempo moderna requieren algunas de las supercomputadoras más potentes del mundo. Aun con el aumento de la potencia de las supercomputadoras, la capacidad de predicción de los modelos numéricos del tiempo se extiende a tan solo seis días. Entre los factores que afectan la precisión de las predicciones numéricas se incluyen la densidad y la calidad de las observaciones utilizadas como entrada para las predicciones, así como las deficiencias de los propios modelos numéricos. Se han desarrollado técnicas de posprocesamiento, como las estadísticas de salida del modelo (MOS), para mejorar el manejo de los errores en las predicciones numéricas.

Un problema más fundamental reside en la naturaleza caótica de las ecuaciones diferenciales parciales que describen la atmósfera. Es imposible resolver estas ecuaciones con exactitud, y los pequeños errores aumentan con el tiempo (duplicándose aproximadamente cada cinco días). Actualmente, se entiende que este comportamiento caótico limita la precisión de los pronósticos a unos 14 días, incluso con datos de entrada precisos y un modelo impecable. Además, las ecuaciones diferenciales parciales utilizadas en el modelo deben complementarse con parametrizaciones para la radiación solar , los procesos de humedad (nubes y precipitación ), el intercambio de calor , el suelo, la vegetación, el agua superficial y los efectos del terreno. Para cuantificar la gran incertidumbre inherente a las predicciones numéricas, desde la década de 1990 se han utilizado pronósticos de conjunto para evaluar la confianza en el pronóstico y obtener resultados útiles a más largo plazo de lo que sería posible de otro modo. Este enfoque analiza múltiples pronósticos creados con un modelo de pronóstico individual o con varios modelos.

Historia

El panel de control principal de ENIAC en la Escuela de Ingeniería Eléctrica Moore, operado por Betty Jennings y Frances Bilas.

La historia de la predicción numérica del tiempo comenzó en la década de 1920 gracias a los esfuerzos de Lewis Fry Richardson , quien utilizó procedimientos desarrollados originalmente por Vilhelm Bjerknes [ 1 ] para producir manualmente un pronóstico de seis horas para el estado de la atmósfera sobre dos puntos en Europa central, tardando al menos seis semanas en hacerlo. [ 2 ] [ 1 ] [ 3 ] No fue hasta la llegada de la computadora y las simulaciones por computadora que el tiempo de cálculo se redujo a menos del período de pronóstico en sí. El ENIAC se utilizó para crear los primeros pronósticos meteorológicos por computadora en 1950, basados ​​en una aproximación altamente simplificada de las ecuaciones que rigen la atmósfera. [ 4 ] [ 5 ] En 1954, el grupo de Carl-Gustav Rossby en el Instituto Meteorológico e Hidrológico Sueco utilizó el mismo modelo para producir el primer pronóstico operativo (es decir, un pronóstico rutinario para uso práctico). [ 6 ] La predicción numérica operativa del tiempo en los Estados Unidos comenzó en 1955 bajo la Unidad Conjunta de Predicción Numérica del Tiempo (JNWPU), un proyecto conjunto de la Fuerza Aérea , la Armada y la Oficina Meteorológica de los Estados Unidos . [ 7 ] En 1956, Norman Phillips desarrolló un modelo matemático que podía representar de manera realista los patrones mensuales y estacionales en la troposfera; este se convirtió en el primer modelo climático exitoso . [ 8 ] [ 9 ] Tras el trabajo de Phillips, varios grupos comenzaron a trabajar para crear modelos de circulación general . [ 10 ] El primer modelo climático de circulación general que combinaba procesos oceánicos y atmosféricos se desarrolló a finales de la década de 1960 en el Laboratorio de Dinámica de Fluidos Geofísicos de la NOAA . [ 11 ]

A medida que las computadoras se han vuelto más potentes, el tamaño de los conjuntos de datos iniciales ha aumentado y se han desarrollado modelos atmosféricos más nuevos para aprovechar la potencia de cálculo adicional disponible. Estos modelos más nuevos incluyen más procesos físicos en las simplificaciones de las ecuaciones de movimiento en simulaciones numéricas de la atmósfera. [ 6 ] En 1966, Alemania Occidental y Estados Unidos comenzaron a producir pronósticos operativos basados ​​en modelos de ecuaciones primitivas , seguidos por el Reino Unido en 1972 y Australia en 1977. [ 1 ] [ 12 ] El desarrollo de modelos de área limitada (regionales) facilitó los avances en el pronóstico de las trayectorias de los ciclones tropicales , así como la calidad del aire en las décadas de 1970 y 1980. [ 13 ] [ 14 ] A principios de la década de 1980, los modelos comenzaron a incluir las interacciones del suelo y la vegetación con la atmósfera, lo que condujo a pronósticos más realistas. [ 15 ]

La salida de los modelos de pronóstico basados ​​en la dinámica atmosférica no puede resolver algunos detalles del clima cerca de la superficie terrestre. Por ello, en las décadas de 1970 y 1980 se desarrolló una relación estadística entre la salida de un modelo numérico de pronóstico meteorológico y las condiciones resultantes en tierra, conocida como estadísticas de salida del modelo (MOS). [ 16 ] [ 17 ] A partir de la década de 1990, los pronósticos de conjunto de modelos se han utilizado para ayudar a definir la incertidumbre del pronóstico y para extender el período en el que el pronóstico numérico del clima es viable más allá de lo que sería posible de otro modo. [ 18 ] [ 19 ] [ 20 ]

Recopilación e inicialización de datos

Un avión de reconocimiento meteorológico WP-3D Orion en vuelo.
Los aviones de reconocimiento meteorológico, como este WP-3D Orion , proporcionan datos que luego se utilizan en las predicciones meteorológicas numéricas.

La atmósfera es un fluido . Por lo tanto, la idea de la predicción numérica del tiempo es muestrear el estado del fluido en un momento dado y usar las ecuaciones de la dinámica de fluidos y la termodinámica para estimar el estado del fluido en algún momento futuro. El proceso de ingresar datos de observación en el modelo para generar condiciones iniciales se llama inicialización . En tierra, los mapas de terreno disponibles con resoluciones de hasta 1 kilómetro (0,6 millas) a nivel mundial se utilizan para ayudar a modelar las circulaciones atmosféricas dentro de regiones de topografía accidentada, con el fin de representar mejor características como vientos descendentes, ondas orográficas y la nubosidad relacionada que afecta la radiación solar incidente. [ 21 ] Una fuente principal de entrada son las observaciones de dispositivos (llamados radiosondas ) en globos meteorológicos que ascienden a través de la troposfera y hasta bien entrada la estratosfera que miden varios parámetros atmosféricos y los transmiten a un receptor fijo. [ 22 ] Otra entrada principal son los datos de los satélites meteorológicos . La Organización Meteorológica Mundial actúa para estandarizar la instrumentación, las prácticas de observación y la sincronización de estas observaciones en todo el mundo. Las estaciones informan datos cada hora en los informes METAR [ 23 ] o cada seis horas en los informes SYNOP [ 24 ] . Estas observaciones tienen intervalos irregulares, por lo que se procesan mediante métodos de asimilación de datos y análisis objetivo, que realizan un control de calidad y obtienen valores en ubicaciones utilizables por los algoritmos matemáticos del modelo [ 25 ] . Los datos se utilizan posteriormente en el modelo como punto de partida para un pronóstico [ 26 ] . 

Las aeronaves comerciales proporcionan informes de pilotos a lo largo de las rutas de viaje [ 27 ] y los informes de barcos a lo largo de las rutas marítimas. [ 28 ] Las aeronaves comerciales también envían informes automáticos a través del sistema AMDAR ( Aircraft Meteorological Data Relay ) de la OMM, utilizando radio VHF a estaciones terrestres o satélites. Los proyectos de investigación utilizan aeronaves de reconocimiento para volar dentro y alrededor de sistemas meteorológicos de interés, como ciclones tropicales . [ 29 ] [ 30 ] Las aeronaves de reconocimiento también vuelan sobre los océanos abiertos durante la estación fría hacia sistemas que causan una incertidumbre significativa en la guía de pronóstico, o que se espera que tengan un alto impacto de tres a siete días en el futuro sobre el continente aguas abajo. [ 31 ] El hielo marino comenzó a inicializarse en los modelos de pronóstico en 1971. [ 32 ] Los esfuerzos para incluir la temperatura de la superficie del mar en la inicialización del modelo comenzaron en 1972 debido a su papel en la modulación del clima en latitudes más altas del Pacífico. [ 33 ]

Cálculo

Un mapa pronóstico del continente norteamericano proporciona alturas geopotenciales, temperaturas y velocidades del viento a intervalos regulares. Los valores se toman a la altitud correspondiente a la superficie de presión de 850 milibares.
Un gráfico pronóstico de la previsión a 96 horas de la altura geopotencial y la temperatura a 850 mbar del Sistema de Pronóstico Global.

Un modelo atmosférico es un programa informático que produce información meteorológica para momentos futuros en ubicaciones y altitudes determinadas. Dentro de cualquier modelo moderno hay un conjunto de ecuaciones, conocidas como ecuaciones primitivas , que se utilizan para predecir el estado futuro de la atmósfera. [ 34 ] Estas ecuaciones, junto con la ley de los gases ideales , se utilizan para evolucionar los campos escalares de densidad , presión y temperatura potencial , así como el campo vectorial de velocidad del aire (viento) de la atmósfera a lo largo del tiempo. Algunos modelos de alta resolución de ecuaciones primitivas también incluyen ecuaciones de transporte adicionales para contaminantes y otros aerosoles . [ 35 ] Las ecuaciones utilizadas son ecuaciones diferenciales parciales no lineales que son imposibles de resolver exactamente mediante métodos analíticos, [ 36 ] con la excepción de algunos casos idealizados. [ 37 ] Por lo tanto, los métodos numéricos obtienen soluciones aproximadas. Los diferentes modelos utilizan diferentes métodos de solución: algunos modelos globales y casi todos los modelos regionales utilizan métodos de diferencias finitas para las tres dimensiones espaciales, mientras que otros modelos globales y algunos modelos regionales utilizan métodos espectrales para las dimensiones horizontales y métodos de diferencias finitas en la vertical. [ 36 ]

Estas ecuaciones se inicializan a partir de los datos de análisis y se determinan las tasas de cambio. Estas tasas de cambio predicen el estado de la atmósfera en un corto período de tiempo en el futuro; el incremento de tiempo para esta predicción se llama paso de tiempo . Este estado atmosférico futuro se utiliza luego como punto de partida para otra aplicación de las ecuaciones predictivas para encontrar nuevas tasas de cambio, y estas nuevas tasas de cambio predicen la atmósfera en un paso de tiempo aún más lejano en el futuro. Este paso de tiempo se repite hasta que la solución alcanza el tiempo de pronóstico deseado. La longitud del paso de tiempo elegido dentro del modelo está relacionada con la distancia entre los puntos en la malla computacional, y se elige para mantener la estabilidad numérica . [ 38 ] Los pasos de tiempo para los modelos globales son del orden de decenas de minutos, [ 39 ] mientras que los pasos de tiempo para los modelos regionales están entre uno y cuatro minutos. [ 40 ] Los modelos globales se ejecutan en diferentes momentos en el futuro. El Modelo Unificado de la Oficina Meteorológica del Reino Unido se ejecuta con seis días de anticipación, [ 41 ] mientras que el Sistema Integrado de Pronóstico del Centro Europeo de Pronósticos Meteorológicos a Medio Plazo y el Modelo Multiescala Ambiental Global de Environment Canada se ejecutan hasta diez días de anticipación, [ 42 ] y el modelo del Sistema de Pronóstico Global ejecutado por el Centro de Modelado Ambiental se ejecuta dieciséis días de anticipación. [ 43 ] La salida visual producida por una solución de modelo se conoce como gráfico de pronóstico o prog . [ 44 ]

Parametrización

Campo de nubes cúmulos , que se parametrizan ya que son demasiado pequeñas para incluirlas explícitamente en la predicción numérica del tiempo.

Algunos procesos meteorológicos son demasiado pequeños o complejos para ser incluidos explícitamente en los modelos numéricos de predicción del tiempo. La parametrización es un procedimiento para representar estos procesos relacionándolos con variables en las escalas que el modelo resuelve. Por ejemplo, las celdas de la cuadrícula en los modelos meteorológicos y climáticos tienen lados que varían entre 5 kilómetros (3 mi) y 300 kilómetros (200 mi) de longitud. Una nube cúmulo típica tiene una escala de menos de 1 kilómetro (0,6 mi) y requeriría una cuadrícula aún más fina para ser representada físicamente por las ecuaciones del movimiento de fluidos. Por lo tanto, los procesos que representan dichas nubes se parametrizan mediante procesos de diversa sofisticación. En los primeros modelos, si una columna de aire dentro de una celda de la cuadrícula del modelo era condicionalmente inestable (esencialmente, la parte inferior era más cálida y húmeda que la superior) y el contenido de vapor de agua en cualquier punto dentro de la columna se saturaba, entonces se produciría una inversión (el aire cálido y húmedo comenzaría a ascender) y el aire en esa columna vertical se mezclaría. Los esquemas más sofisticados reconocen que solo algunas porciones de la caja podrían experimentar convección y que ocurren procesos de arrastre y otros. Los modelos meteorológicos que tienen cajas de cuadrícula con tamaños entre 5 y 25 kilómetros (3 y 16 millas) pueden representar explícitamente las nubes convectivas, aunque necesitan parametrizar la microfísica de las nubes que ocurre a menor escala. [ 45 ] La formación de nubes a gran escala ( tipo estratos ) tiene una base más física; se forman cuando la humedad relativa alcanza un valor preestablecido. La fracción de nubes puede relacionarse con este valor crítico de humedad relativa. [ 46 ]    

La cantidad de radiación solar que llega al suelo, así como la formación de gotas de nubes, ocurren a escala molecular, por lo que deben parametrizarse antes de poder incluirse en el modelo. El arrastre atmosférico producido por las montañas también debe parametrizarse, ya que las limitaciones en la resolución de los contornos de elevación producen subestimaciones significativas del arrastre. [ 47 ] Este método de parametrización también se realiza para el flujo superficial de energía entre el océano y la atmósfera, con el fin de determinar temperaturas realistas de la superficie del mar y el tipo de hielo marino que se encuentra cerca de la superficie del océano. [ 48 ] Se tiene en cuenta el ángulo solar, así como el impacto de múltiples capas de nubes. [ 49 ] El tipo de suelo, el tipo de vegetación y la humedad del suelo determinan cuánta radiación se destina al calentamiento y cuánta humedad se absorbe en la atmósfera adyacente, por lo que es importante parametrizar su contribución a estos procesos. [ 50 ] Dentro de los modelos de calidad del aire, las parametrizaciones tienen en cuenta las emisiones atmosféricas de múltiples fuentes relativamente pequeñas (por ejemplo, carreteras, campos, fábricas) dentro de celdas de cuadrícula específicas. [ 51 ]

Dominios

Se muestra una representación en coordenadas sigma. Las líneas con valores sigma iguales siguen el relieve en la parte inferior y se suavizan gradualmente hacia la parte superior de la atmósfera.
Se muestra una sección transversal de la atmósfera sobre el terreno con una representación en coordenadas sigma . Los modelos de mesoescala dividen la atmósfera verticalmente utilizando representaciones similares a la que se muestra aquí.

El dominio horizontal de un modelo puede ser global , abarcando toda la Tierra, o regional , abarcando solo una parte de ella. Los modelos regionales (también conocidos como modelos de área limitada o LAM) permiten el uso de una malla más fina que los modelos globales, ya que los recursos computacionales disponibles se concentran en un área específica en lugar de distribuirse por todo el globo. Esto permite que los modelos regionales resuelvan explícitamente fenómenos meteorológicos a menor escala que no pueden representarse en la malla más gruesa de un modelo global. Los modelos regionales utilizan un modelo global para especificar las condiciones en el borde de su dominio ( condiciones de contorno ) con el fin de permitir que los sistemas externos al dominio del modelo regional se muevan hacia su área. La incertidumbre y los errores dentro de los modelos regionales se introducen por el modelo global utilizado para las condiciones de contorno del borde del modelo regional, así como por errores atribuibles al propio modelo regional. [ 52 ]

Un gráfico que muestra el tamaño del dominio del modelo en función del tamaño de la cuadrícula del modelo, con varios tipos diferentes de modelos numéricos dispuestos en diagonal.
Comparación de diferentes tipos de modelos atmosféricos según el dominio espacial y el tamaño de la cuadrícula del modelo.

La coordenada vertical se maneja de varias maneras. El modelo de Lewis Fry Richardson de 1922 utilizó la altura geométrica (z{\displaystyle z}) como coordenada vertical. Modelos posteriores sustituyeron la geométricaz{\displaystyle z}Se coordina con un sistema de coordenadas de presión, en el que las alturas geopotenciales de las superficies de presión constante se convierten en variables dependientes , lo que simplifica enormemente las ecuaciones primitivas. [ 53 ] Esta correlación entre sistemas de coordenadas se puede establecer ya que la presión disminuye con la altura a través de la atmósfera terrestre . [ 54 ] El primer modelo utilizado para pronósticos operativos, el modelo barotrópico de una sola capa, utilizaba una única coordenada de presión al nivel de 500 milibares (aproximadamente 5500 m (18 000 pies) ), [ 4 ] y, por lo tanto, era esencialmente bidimensional. Los modelos de alta resolución —también llamados modelos de mesoescala— , como el modelo de Investigación y Pronóstico del Tiempo, tienden a utilizar coordenadas de presión normalizadas denominadas coordenadas sigma . [ 55 ] Este sistema de coordenadas recibe su nombre de la variable independiente .  σ{\displaystyle \sigma }Se utiliza para escalar las presiones atmosféricas con respecto a la presión en la superficie y, en algunos casos, también con la presión en la parte superior del dominio. [ 56 ]

Estadísticas de salida del modelo

Debido a que los modelos de pronóstico basados ​​en las ecuaciones de la dinámica atmosférica no determinan con precisión las condiciones meteorológicas, se han desarrollado métodos estadísticos para intentar corregir los pronósticos. Estos modelos estadísticos se crearon a partir de los campos tridimensionales generados por modelos numéricos meteorológicos, observaciones de superficie y las condiciones climatológicas de ubicaciones específicas. Estos modelos estadísticos se conocen colectivamente como estadísticas de salida del modelo (MOS, por sus siglas en inglés) [ 57 ] y fueron desarrollados por el Servicio Meteorológico Nacional para su conjunto de modelos de pronóstico meteorológico a finales de la década de 1960 [ 16 ] [ 58 ] .

Las estadísticas de salida del modelo difieren de la técnica de programación perfecta , que asume que la salida de la guía de predicción meteorológica numérica es perfecta. [ 59 ] MOS puede corregir efectos locales que el modelo no puede resolver debido a una resolución de cuadrícula insuficiente, así como sesgos del modelo. Dado que MOS se ejecuta después de su respectivo modelo global o regional, su producción se conoce como posprocesamiento. Los parámetros de pronóstico dentro de MOS incluyen temperaturas máximas y mínimas, porcentaje de probabilidad de lluvia dentro de un período de varias horas, cantidad de precipitación esperada, probabilidad de que la precipitación sea de naturaleza congelada, probabilidad de tormentas eléctricas, nubosidad y vientos superficiales. [ 60 ]

conjuntos

Se muestran dos imágenes. La imagen superior presenta tres posibles trayectorias que podría haber seguido el huracán Rita. Las curvas de nivel sobre la costa de Texas corresponden a la presión atmosférica a nivel del mar prevista para el paso de la tormenta. La imagen inferior muestra un conjunto de pronósticos de trayectoria generados por diferentes modelos meteorológicos para el mismo huracán.
Arriba : Simulación del modelo de investigación y pronóstico meteorológico (WRF) de la trayectoria del huracán Rita (2005). Abajo : Dispersión del pronóstico del conjunto multimodelo del NHC.

En 1963, Edward Lorenz descubrió la naturaleza caótica de las ecuaciones de dinámica de fluidos involucradas en la predicción meteorológica. [ 61 ] Errores extremadamente pequeños en la temperatura, los vientos u otras entradas iniciales proporcionadas a los modelos numéricos se amplificarán y duplicarán cada cinco días, [ 61 ] lo que hace imposible que las predicciones a largo plazo —aquellas realizadas con más de dos semanas de anticipación— predigan el estado de la atmósfera con algún grado de habilidad de predicción . Además, las redes de observación existentes tienen una cobertura deficiente en algunas regiones (por ejemplo, sobre grandes masas de agua como el Océano Pacífico), lo que introduce incertidumbre en el verdadero estado inicial de la atmósfera. Si bien existe un conjunto de ecuaciones, conocidas como ecuaciones de Liouville , para determinar la incertidumbre inicial en la inicialización del modelo, las ecuaciones son demasiado complejas para ejecutarse en tiempo real, incluso con el uso de supercomputadoras. [ 62 ] Estas incertidumbres limitan la precisión del modelo de predicción a unos cinco o seis días en el futuro. [ 63 ] [ 64 ]

En 1969, Edward Epstein reconoció que la atmósfera no podía describirse completamente con una sola predicción debido a la incertidumbre inherente, y propuso utilizar un conjunto de simulaciones estocásticas de Monte Carlo para generar medias y varianzas del estado de la atmósfera. [ 65 ] Si bien este primer ejemplo de conjunto demostró su eficacia, en 1974 Cecil Leith demostró que solo producían predicciones adecuadas cuando la distribución de probabilidad del conjunto era una muestra representativa de la distribución de probabilidad en la atmósfera. [ 66 ]

Desde la década de 1990, los pronósticos de conjunto se han utilizado operativamente (como pronósticos de rutina) para tener en cuenta la naturaleza estocástica de los procesos meteorológicos , es decir, para resolver su incertidumbre inherente. Este método implica analizar múltiples pronósticos creados con un modelo de pronóstico individual utilizando diferentes parametrizaciones físicas o variando las condiciones iniciales. [ 62 ] A partir de 1992 con los pronósticos de conjunto preparados por el Centro Europeo de Pronósticos Meteorológicos a Medio Plazo (ECMWF) y los Centros Nacionales de Predicción Ambiental , los pronósticos de conjunto de modelos se han utilizado para ayudar a definir la incertidumbre del pronóstico y para extender la ventana en la que el pronóstico meteorológico numérico es viable más allá del futuro que sería posible de otra manera. [ 18 ] [ 19 ] [ 20 ] El modelo ECMWF, el Sistema de Predicción de Conjunto, [ 19 ] utiliza vectores singulares para simular la densidad de probabilidad inicial , mientras que el conjunto NCEP, el Sistema Global de Pronóstico de Conjunto, utiliza una técnica conocida como cría de vectores . [ 18 ] [ 20 ] La Oficina Meteorológica del Reino Unido realiza pronósticos de conjunto globales y regionales donde las perturbaciones a las condiciones iniciales son utilizadas por 24 miembros del conjunto en el Sistema de Predicción de Conjunto Global y Regional de la Oficina Meteorológica (MOGREPS) para producir 24 pronósticos diferentes. [ 67 ]

En un enfoque basado en un único modelo, el pronóstico de conjunto se evalúa generalmente en términos de un promedio de los pronósticos individuales con respecto a una variable de pronóstico, así como el grado de acuerdo entre varios pronósticos dentro del sistema de conjunto, representado por su dispersión general. La dispersión del conjunto se diagnostica mediante herramientas como los diagramas de espagueti , que muestran la dispersión de una cantidad en gráficos de pronóstico para pasos de tiempo específicos en el futuro. Otra herramienta donde se utiliza la dispersión del conjunto es un meteograma , que muestra la dispersión en el pronóstico de una cantidad para una ubicación específica. Es común que la dispersión del conjunto sea demasiado pequeña para incluir el clima que realmente ocurre, lo que puede llevar a los pronosticadores a diagnosticar erróneamente la incertidumbre del modelo; [ 68 ] este problema se vuelve particularmente grave para los pronósticos del clima con unos diez días de anticipación. [ 69 ] Cuando la dispersión del conjunto es pequeña y las soluciones de pronóstico son consistentes dentro de múltiples ejecuciones del modelo, los pronosticadores perciben más confianza en la media del conjunto y en el pronóstico en general. [ 68 ] A pesar de esta percepción, la relación entre la dispersión y la habilidad suele ser débil o inexistente, ya que las correlaciones entre la dispersión y el error normalmente son inferiores a 0,6, y solo en circunstancias especiales oscilan entre 0,6 y 0,7. [ 70 ] La relación entre la dispersión del conjunto y la habilidad de pronóstico varía sustancialmente dependiendo de factores como el modelo de pronóstico y la región para la que se realiza el pronóstico. [ 70 ]

De la misma manera que se pueden usar múltiples pronósticos de un solo modelo para formar un conjunto, también se pueden combinar varios modelos para producir un pronóstico de conjunto. Este enfoque se denomina pronóstico de conjunto multimodelo y se ha demostrado que mejora los pronósticos en comparación con un enfoque basado en un solo modelo. [ 71 ] Los modelos dentro de un conjunto multimodelo se pueden ajustar para corregir sus diversos sesgos, lo que se conoce como pronóstico de superconjunto . Este tipo de pronóstico reduce significativamente los errores en la salida del modelo. [ 72 ]

Aplicaciones

Modelización de la calidad del aire

La predicción de la calidad del aire intenta predecir cuándo las concentraciones de contaminantes alcanzarán niveles peligrosos para la salud pública. La concentración de contaminantes en la atmósfera está determinada por su transporte , o velocidad media de movimiento a través de la atmósfera, su difusión , transformación química y deposición en el suelo . [ 73 ] Además de la información sobre la fuente de contaminantes y el terreno, estos modelos requieren datos sobre el estado del flujo de fluidos en la atmósfera para determinar su transporte y difusión. [ 74 ] Las condiciones meteorológicas, como las inversiones térmicas, pueden impedir que el aire superficial ascienda, atrapando contaminantes cerca de la superficie, [ 75 ] lo que hace que las predicciones precisas de tales eventos sean cruciales para la modelización de la calidad del aire. Los modelos de calidad del aire urbano requieren una malla computacional muy fina, lo que exige el uso de modelos meteorológicos de mesoescala de alta resolución; a pesar de esto, la calidad de la guía meteorológica numérica es la principal incertidumbre en las predicciones de la calidad del aire. [ 74 ]

Modelización climática

Un modelo de circulación general (GCM) es un modelo matemático que se puede utilizar en simulaciones por computadora de la circulación global de una atmósfera o un océano planetario. Un modelo de circulación general atmosférica (AGCM) es esencialmente lo mismo que un modelo global de predicción numérica del tiempo, y algunos (como el utilizado en el Modelo Unificado del Reino Unido) se pueden configurar tanto para pronósticos meteorológicos a corto plazo como para predicciones climáticas a largo plazo. Junto con los componentes de hielo marino y superficie terrestre, los AGCM y los GCM oceánicos (OGCM) son componentes clave de los modelos climáticos globales y se aplican ampliamente para comprender el clima y proyectar el cambio climático . Para aspectos del cambio climático, se puede introducir una variedad de escenarios de emisiones químicas de origen humano en los modelos climáticos para ver cómo un efecto invernadero mejorado modificaría el clima de la Tierra. [ 76 ] Las versiones diseñadas para aplicaciones climáticas con escalas de tiempo de décadas a siglos fueron creadas originalmente en 1969 por Syukuro Manabe y Kirk Bryan en el Laboratorio de Dinámica de Fluidos Geofísicos en Princeton, Nueva Jersey . [ 77 ] Cuando se ejecutan durante varias décadas, las limitaciones computacionales implican que los modelos deben utilizar una malla gruesa que deja sin resolver las interacciones a menor escala. [ 78 ]

Modelado de la superficie oceánica

Pronóstico de viento y oleaje para el Atlántico Norte. Se identifican dos zonas de oleaje fuerte: una al oeste del extremo sur de Groenlandia y la otra en el Mar del Norte. Se pronostica mar en calma para el Golfo de México. Las flechas de viento indican la intensidad y dirección previstas del viento a intervalos regulares sobre el Atlántico Norte.
NOAA Wavewatch III: Pronóstico de viento y oleaje a 120 horas para el Atlántico Norte.

La transferencia de energía entre el viento que sopla sobre la superficie del océano y la capa superior del océano es un elemento importante en la dinámica de las olas. [ 79 ] La ecuación de transporte espectral de olas se utiliza para describir el cambio en el espectro de olas sobre una topografía cambiante. Simula la generación de olas, el movimiento de las olas (propagación dentro de un fluido), la disminución de la profundidad de las olas , la refracción , la transferencia de energía entre olas y la disipación de las olas. [ 80 ] Dado que los vientos superficiales son el principal mecanismo de forzamiento en la ecuación de transporte espectral de olas, los modelos de olas oceánicas utilizan información producida por modelos numéricos de predicción meteorológica como entradas para determinar cuánta energía se transfiere de la atmósfera a la capa en la superficie del océano. Junto con la disipación de energía a través de las crestas blancas y la resonancia entre olas, los vientos superficiales de los modelos numéricos meteorológicos permiten predicciones más precisas del estado de la superficie del mar. [ 81 ]

Pronóstico de ciclones tropicales

La predicción de ciclones tropicales también se basa en datos proporcionados por modelos numéricos meteorológicos. Existen tres clases principales de modelos de predicción de ciclones tropicales : Los modelos estadísticos se basan en un análisis del comportamiento de las tormentas mediante la climatología y correlacionan la posición y la fecha de la tormenta para producir una predicción que no se basa en la física de la atmósfera en ese momento. Los modelos dinámicos son modelos numéricos que resuelven las ecuaciones que rigen el flujo de fluidos en la atmósfera; se basan en los mismos principios que otros modelos numéricos de predicción meteorológica de área limitada, pero pueden incluir técnicas computacionales especiales, como dominios espaciales refinados que se mueven junto con el ciclón. Los modelos que utilizan elementos de ambos enfoques se denominan modelos estadístico-dinámicos. [ 82 ]

En 1978, comenzó a operar el primer modelo de seguimiento de huracanes basado en la dinámica atmosférica : el modelo de malla fina móvil (MFM). [ 13 ] En el campo de la predicción de la trayectoria de ciclones tropicales , a pesar de la mejora constante de la guía de modelos dinámicos que se produjo con el aumento de la capacidad computacional, no fue hasta la década de 1980 cuando la predicción numérica del tiempo mostró habilidad , y hasta la década de 1990 cuando superó consistentemente a los modelos estadísticos o dinámicos simples. [ 83 ] Las predicciones de la intensidad de un ciclón tropical basadas en la predicción numérica del tiempo siguen siendo un desafío, ya que los métodos estadísticos siguen mostrando mayor habilidad que la guía dinámica. [ 84 ]

pronósticos meteorológicos

Debido a que el clima varía en todo el mundo, la elaboración de pronósticos con una semana o más de anticipación generalmente implica ejecutar un modelo de predicción numérica para todo el planeta. Las agencias utilizan diversos programas informáticos para ello, entre los que se incluyen:

Los modelos globales pueden utilizarse para proporcionar condiciones límite a modelos de mayor resolución que ofrecen pronósticos más precisos para un área de interés, como el país al que presta servicio una agencia gubernamental o un área donde se planean acciones militares o esfuerzos de rescate.

  • Los usuarios del Modelo Unificado vuelven a ejecutar el mismo sistema (de ahí su nombre) para un país o zona de crisis específicos con una resolución horizontal mayor, alimentándolo con el resultado de la ejecución global del Modelo Unificado. A este se le da un nombre diferente, como el modelo UKV o el Modelo de Área Limitada de Nueva Zelanda. [ 88 ]
  • El Servicio Meteorológico Nacional de EE. UU. ejecuta el Modelo de Investigación y Pronóstico del Tiempo con diferentes parámetros para crear:
  • La Agencia Meteorológica de Japón gestiona: [ 86 ]
    • Modelo a mesoescala (MSM) cada 3 horas, con proyecciones de 39 y 78 horas.
    • Sistema de predicción de conjunto a mesoescala cada 6 horas, con una previsión de 39 horas (que proporciona una estimación de la incertidumbre).
    • Modelo de pronóstico local cada hora, con una previsión de 10 a 18 horas.
  • La Administración Meteorológica de China gestiona el Modelo Regional de Pronóstico Numérico (CMA-MESO) [ 87 ].
  • CPTEC gestiona el Sistema Brasileño de Modelización Atmosférica Regional (BRAMS) y el Modelo Regional ETA (ETA) para Sudamérica.

La salida de los modelos de mayor resolución puede modificarse aún más mediante las estadísticas de salida del modelo para tener en cuenta fenómenos locales peculiares que los modelos generales no manejan bien, como las ondas orográficas .

Modelado de incendios forestales

Un modelo sencillo de propagación de incendios forestales

A escala molecular, existen dos procesos de reacción principales que compiten entre sí en la degradación de la celulosa , o combustibles de madera, en incendios forestales . Cuando hay poca humedad en una fibra de celulosa, se produce la volatilización del combustible; este proceso genera productos gaseosos intermedios que, en última instancia, son la fuente de combustión . Cuando hay humedad presente, o cuando se disipa suficiente calor de la fibra, se produce la carbonización . La cinética química de ambas reacciones indica que existe un punto en el que el nivel de humedad es lo suficientemente bajo, o las tasas de calentamiento lo suficientemente altas, para que los procesos de combustión se vuelvan autosuficientes. En consecuencia, los cambios en la velocidad, dirección, humedad, temperatura o gradiente térmico del viento en diferentes niveles de la atmósfera pueden tener un impacto significativo en el comportamiento y el crecimiento de un incendio forestal. Dado que el incendio forestal actúa como fuente de calor para el flujo atmosférico, puede modificar los patrones de advección locales , introduciendo un ciclo de retroalimentación entre el fuego y la atmósfera. [ 91 ]

Un modelo bidimensional simplificado para la propagación de incendios forestales que utilizaba la convección para representar los efectos del viento y el terreno, así como la transferencia de calor radiativa como método dominante de transporte de calor, dio lugar a sistemas de reacción-difusión de ecuaciones diferenciales parciales . [ 92 ] [ 93 ] Modelos más complejos combinan modelos meteorológicos numéricos o modelos de dinámica de fluidos computacional con un componente de incendios forestales que permiten estimar los efectos de retroalimentación entre el fuego y la atmósfera. [ 91 ] La complejidad adicional en esta última clase de modelos se traduce en un aumento correspondiente en sus requisitos de potencia computacional. De hecho, un tratamiento tridimensional completo de la combustión mediante simulación numérica directa a escalas relevantes para el modelado atmosférico no es actualmente práctico debido al excesivo coste computacional que requeriría dicha simulación. Los modelos meteorológicos numéricos tienen una capacidad de pronóstico limitada a resoluciones espaciales inferiores a 1 kilómetro (0,6 mi) , lo que obliga a los modelos complejos de incendios forestales a parametrizar el fuego para calcular cómo se modificarán los vientos localmente por el incendio forestal y a utilizar esos vientos modificados para determinar la velocidad a la que se propagará el fuego localmente. [ 94 ] [ 95 ] [ 96 ] 

Véase también

Referencias

  1. 1 2 3 Lynch , Peter (marzo de 2008). "Los orígenes de la predicción meteorológica por computadora y la modelización climática" (PDF) . Journal of Computational Physics . 227 (7): 3431– 44. Bibcode : 2008JCoPh.227.3431L . doi : 10.1016/j.jcp.2007.02.034 . Archivado del original (PDF) el 8 de julio de 2010. Recuperado el 23 de diciembre de 2010 .
  2. ↑ Simmons, AJ; Hollingsworth, A. (2002). "Algunos aspectos de la mejora en la habilidad de la predicción numérica del tiempo" . Quarterly Journal of the Royal Meteorological Society . 128 (580): 647– 677. Bibcode : 2002QJRMS.128..647S . doi : 10.1256/003590002321042135 . S2CID 121625425 . 
  3. ↑ Lynch, Peter (2006). «Predicción meteorológica mediante procesos numéricos». El surgimiento de la predicción meteorológica numérica . Cambridge University Press . págs. 1-27 . ISBN  978-0-521-85729-1.
  4. ^ Charney , julio ; Fjørtoft, Ragnar ; von Neumann, John (noviembre de 1950). "Integración numérica de la ecuación de vorticidad barotrópica" . Tellus . 2 (4): 237. Bibcode : 1950 Tell....2..237C . doi : 10.3402/tellusa.v2i4.8607 .
  5. ↑ Cox, John D. (2002). Observadores de tormentas . John Wiley & Sons, Inc. pág . 208. ISBN  978-0-471-38108-2.
  6. 1 2 Harper, Kristine ; Uccellini, Louis W.; Kalnay, Eugenia; Carey, Kenneth; Morone, Lauren (mayo de 2007). "2007: 50.º aniversario de la predicción numérica operativa del tiempo" . Boletín de la Sociedad Meteorológica Americana . 88 (5): 639–650 . Bibcode : 2007BAMS...88..639H . doi : 10.1175/BAMS-88-5-639 .
  7. ↑ Instituto Americano de Física (25 de marzo de 2008). "Modelado de la circulación general atmosférica" . Archivado del original el 25 de marzo de 2008. Consultado el 13 de enero de 2008 .
  8. ↑ Phillips, Norman A. (abril de 1956). "La circulación general de la atmósfera: un experimento numérico". Quarterly Journal of the Royal Meteorological Society . 82 (352): 123– 154. Bibcode : 1956QJRMS..82..123P . doi : 10.1002/qj.49708235202 .
  9. ↑ Cox, John D. (2002). Observadores de tormentas . John Wiley & Sons, Inc. pág . 210. ISBN  978-0-471-38108-2.
  10. ↑ Lynch, Peter (2006). «Las integraciones de ENIAC». El surgimiento de la predicción numérica del tiempo . Cambridge University Press . págs. 206-208 . ISBN  978-0-521-85729-1.
  11. ↑ Administración Nacional Oceánica y Atmosférica (22 de mayo de 2008). "El primer modelo climático" . Consultado el 8 de enero de 2011 .
  12. ↑ Leslie, LM; Dietachmeyer, GS (diciembre de 1992). "Predicción numérica del tiempo en tiempo real para áreas limitadas en Australia: una perspectiva histórica" ​​(PDF) . Revista Meteorológica Australiana . 41 (SP): 61–77 . Recuperado el 3 de enero de 2011 .
  13. 1 2 Shuman, Frederick G. (septiembre de 1989). "Historia de la predicción numérica del tiempo en el Centro Meteorológico Nacional" . Weather and Forecasting . 4 (3): 286– 296. Bibcode : 1989WtFor...4..286S . doi : 10.1175/1520-0434(1989)004 < 0286:HONWPA > 2.0.CO ; 2 .
  14. ↑ Steyn, DG (1991). Modelización de la contaminación atmosférica y su aplicación VIII, Volumen 8. Birkhäuser. págs. 241–242 . ISBN  978-0-306-43828-8.
  15. ↑ Xue, Yongkang; Fennessey, Michael J. (1996-03-20). "Impacto de las propiedades de la vegetación en la predicción del clima de verano en EE. UU." (PDF) . Journal of Geophysical Research . 101 (D3): 7419. Bibcode : 1996JGR...101.7419X . CiteSeerX 10.1.1.453.551 . doi : 10.1029/95JD02169 . Archivado del original (PDF) el 10 de julio de 2010. Recuperado el 6 de enero de 2011 . 
  16. 1 2 Hughes, Harry (1976). Guía de pronóstico de estadísticas de salida del modelo (PDF) . Centro de Aplicaciones Técnicas Ambientales de la Fuerza Aérea de los Estados Unidos. págs. 1–16 . Archivado (PDF) del original el 17 de junio de 2019. 
  17. ↑ Best, DL; Pryor, SP (1983). Sistemas de estadísticas de salida de modelos del Servicio Meteorológico Aéreo . Centro Meteorológico Global de la Fuerza Aérea. págs. 1–90 . 
  18. 1 2 3 Toth, Zoltan; Kalnay, Eugenia (diciembre de 1997). "Pronóstico de conjunto en NCEP y el método de reproducción". Monthly Weather Review . 125 (12): 3297– 3319. Bibcode : 1997MWRv..125.3297T . CiteSeerX 10.1.1.324.3941 . doi : 10.1175/1520-0493(1997)125 < 3297:EFANAT > 2.0.CO ; 2 . S2CID 14668576 .  
  19. 1 2 3 "El Sistema de Predicción de Conjuntos (EPS)" . ECMWF . Archivado del original el 30-10-2010 . Recuperado el 05-01-2011 .
  20. 1 2 3 Molteni, F.; Buizza, R.; Palmer, TN ; Petroliagis, T. (enero de 1996). "El sistema de predicción por conjuntos del ECMWF: metodología y validación". Quarterly Journal of the Royal Meteorological Society . 122 (529): 73– 119. Bibcode : 1996QJRMS.122...73M . doi : 10.1002/qj.49712252905 .
  21. ↑ Stensrud, David J. (2007). Esquemas de parametrización: claves para comprender los modelos numéricos de predicción meteorológica . Cambridge University Press. pág. 56. ISBN  978-0-521-86540-1.
  22. ↑ Gaffen, Dian J. (2007-06-07). "Observaciones de radiosonda y su uso en investigaciones relacionadas con SPARC" . Archivado del original el 2007-06-07.
  23. ↑ Centro Nacional de Datos Climáticos (2008-08-20). "Clave para las observaciones meteorológicas de superficie METAR" . Administración Nacional Oceánica y Atmosférica . Archivado del original el 1 de noviembre de 2002. Consultado el 11 de febrero de 2011 .
  24. ↑ "Formato de datos SYNOP (FM-12): Observaciones sinópticas de superficie" . UNISYS . 25 de mayo de 2008. Archivado del original el 30 de diciembre de 2007.
  25. ↑ Krishnamurti, TN (enero de 1995). "Predicción numérica del tiempo". Annual Review of Fluid Mechanics . 27 (1): 195– 225. Bibcode : 1995AnRFM..27..195K . doi : 10.1146/annurev.fl.27.010195.001211 . S2CID 122230747 . 
  26. ↑ "El sistema de asimilación de datos variacional WRF (WRF-Var)" . University Corporation for Atmospheric Research . 14 de agosto de 2007. Archivado del original el 14 de agosto de 2007.
  27. ↑ Ballish, Bradley A.; V. Krishna Kumar (noviembre de 2008). "Diferencias sistemáticas en las temperaturas de aeronaves y radiosondas" (PDF) . Boletín de la Sociedad Meteorológica Americana . 89 (11): 1689–1708 . Bibcode : 2008BAMS...89.1689B . doi : 10.1175/2008BAMS2332.1 . Recuperado el 16 de febrero de 2011 .
  28. ↑ Centro Nacional de Boyas de Datos (28 de enero de 2009). "El programa de Buques de Observación Voluntaria (VOS) de la OMM" . Administración Nacional Oceánica y Atmosférica . Consultado el 15 de febrero de 2011 .
  29. ↑ Ala 403 (2011). "Los cazadores de huracanes" . Escuadrón de reconocimiento meteorológico 53. Archivado del original el 30 de mayo de 2012. Recuperado el 30 de marzo de 2006 .{{cite web}}: CS1 maint: nombres numéricos: lista de autores ( enlace )
  30. ↑ Lee, Christopher (8 de octubre de 2007). "Drones y sensores podrían abrir el camino hacia el ojo del huracán" . The Washington Post . Consultado el 22 de febrero de 2008 .
  31. ↑ Administración Nacional Oceánica y Atmosférica (12 de noviembre de 2010). "La NOAA envía un avión de investigación de alta tecnología para mejorar los pronósticos de tormentas invernales" . Consultado el 22 de diciembre de 2010 .
  32. ↑ Stensrud, David J. (2007). Esquemas de parametrización: claves para comprender los modelos numéricos de predicción meteorológica . Cambridge University Press . pág. 137. ISBN  978-0-521-86540-1.
  33. ↑ Houghton, John Theodore (1985). El clima global . Archivo de Cambridge University Press. págs. 49–50 . ISBN  978-0-521-31256-1.
  34. ↑ Pielke, Roger A. (2002). Modelado meteorológico a mesoescala . Academic Press . págs. 48-49 . ISBN  978-0-12-554766-6.
  35. ↑ Pielke, Roger A. (2002). Modelado meteorológico a mesoescala . Academic Press . págs. 18-19 . ISBN  978-0-12-554766-6.
  36. 1 2 Strikwerda, John C. (2004). Esquemas de diferencias finitas y ecuaciones diferenciales parciales . SIAM. págs. 165–170 . ISBN  978-0-89871-567-5.
  37. ↑ Pielke, Roger A. (2002). Modelado meteorológico a mesoescala . Academic Press . pág . 65. ISBN  978-0-12-554766-6.
  38. ↑ Pielke, Roger A. (2002). Modelado meteorológico a mesoescala . Academic Press . págs. 285–287 . ISBN  978-0-12-554766-6.
  39. ^ Sunderam, VS; van Albada, G. Dick; Pedro, MA; Sloot, JJ Dongarra (2005). Ciencias Computacionales - ICCS 2005: Quinta Conferencia Internacional, Atlanta, GA, EE. UU., 22 al 25 de mayo de 2005, Actas, Parte 1 . Saltador. pag. 132.ISBN​  978-3-540-26032-5.
  40. ↑ Zwieflhofer, Walter; Kreitz, Norbert; Centro Europeo de Previsiones Meteorológicas a Medio Plazo (2001). Avances en teracomputación: actas del noveno taller del ECMWF sobre el uso de la computación de alto rendimiento en meteorología . World Scientific. pág. 276. ISBN  978-981-02-4761-4.{{cite book}}: CS1 maint: varios nombres: lista de autores ( enlace )
  41. ↑ Chan, Johnny CL y Jeffrey D. Kepert (2010). Perspectivas globales sobre los ciclones tropicales: de la ciencia a la mitigación . World Scientific. págs. 295–296 . ISBN  978-981-4293-47-1. Consultado el 24 de febrero de 2011 .
  42. ↑ Holton, James R. (2004). Introducción a la meteorología dinámica, Volumen 1. Academic Press. pág. 480. ISBN  978-0-12-354015-7. Consultado el 24 de febrero de 2011 .
  43. ↑ Brown, Molly E. (2008). Sistemas de alerta temprana de hambruna y datos de teledetección . Springer. pág. 121. Bibcode : 2008fews.book.....B . ISBN  978-3-540-75367-4. Consultado el 24 de febrero de 2011 .
  44. ↑ Ahrens, C. Donald (2008). Fundamentos de meteorología: una invitación a la atmósfera . Cengage Learning. pág. 244. ISBN  978-0-495-11558-8.
  45. ↑ Narita, Masami y Shiro Ohmori (2007-08-06). "3.7 Mejora de los pronósticos de precipitación mediante el modelo mesoescala no hidrostático operacional con la parametrización convectiva de Kain-Fritsch y la microfísica de nubes" (PDF) . 12.ª Conferencia sobre Procesos Mesoescala . Recuperado el 15 de febrero de 2011 .
  46. ↑ Frierson, Dargan (14 de septiembre de 2000). "El esquema de parametrización de la nube de diagnóstico" (PDF) . Universidad de Washington . págs. 4–5 . Archivado del original (PDF) el 1 de abril de 2011. Recuperado el 15 de febrero de 2011 . 
  47. ↑ Stensrud, David J. (2007). Esquemas de parametrización: claves para comprender los modelos numéricos de predicción meteorológica . Cambridge University Press. pág. 6. ISBN  978-0-521-86540-1.
  48. ↑ McGuffie, K. y A. Henderson-Sellers (2005). Introducción a la modelización climática . John Wiley and Sons. pág. 188. ISBN  978-0-470-85751-9.
  49. ↑ Melʹnikova, Irina N. y Alexander V. Vasilyev (2005). Radiación solar de onda corta en la atmósfera terrestre: cálculo, observación, interpretación . Springer. págs. 226–228 . ISBN  978-3-540-21452-6.
  50. ↑ Stensrud, David J. (2007). Esquemas de parametrización: claves para comprender los modelos numéricos de predicción meteorológica . Cambridge University Press. pp. 12–14 . ISBN  978-0-521-86540-1.
  51. ↑ Baklanov, Alexander, Sue Grimmond, Alexander Mahura (2009). Modelos meteorológicos y de calidad del aire para áreas urbanas . Springer. págs. 11–12 . ISBN  978-3-642-00297-7. Consultado el 24 de febrero de 2011 .{{cite book}}: CS1 maint: varios nombres: lista de autores ( enlace )
  52. ↑ Warner, Thomas Tomkins (2010). Predicción numérica del tiempo y el clima . Cambridge University Press . pág. 259. ISBN  978-0-521-51389-0.
  53. ↑ Lynch, Peter (2006). «Las ecuaciones fundamentales». El surgimiento de la predicción numérica del tiempo . Cambridge University Press . págs. 45-46 . ISBN  978-0-521-85729-1.
  54. ↑ Ahrens, C. Donald (2008). Fundamentos de meteorología: una invitación a la atmósfera . Cengage Learning. pág. 10. ISBN  978-0-495-11558-8.
  55. ↑ Janjic, Zavisa; Gall, Robert; Pyle, Matthew E. (febrero de 2010). "Documentación científica para el solucionador NMM" (PDF) . Centro Nacional de Investigación Atmosférica . págs. 12–13 . Archivado del original (PDF) el 23 de agosto de 2011. Recuperado el 3 de enero de 2011 . 
  56. ↑ Pielke, Roger A. (2002). Modelado meteorológico a mesoescala . Academic Press . págs. 131-132 . ISBN  978-0-12-554766-6.
  57. ↑ Baum, Marsha L. (2007). Cuando la naturaleza ataca: desastres meteorológicos y la ley . Greenwood Publishing Group. pág. 189. ISBN  978-0-275-22129-4.
  58. ↑ Glahn, Harry R.; Lowry, Dale A. (diciembre de 1972). "El uso de estadísticas de salida de modelos (MOS) en pronósticos meteorológicos objetivos" . Journal of Applied Meteorology . 11 (8): 1203– 1211. Bibcode : 1972JApMe..11.1203G . doi : 10.1175/1520-0450(1972)011 < 1203:TUOMOS > 2.0.CO ; 2 .
  59. ↑ Gultepe, Ismail (2007). Niebla y nubes de la capa límite: visibilidad de la niebla y pronóstico . Springer. pág. 1144. ISBN  978-3-7643-8418-0. Consultado el 11 de febrero de 2011 .
  60. ↑ Barry, Roger Graham; Chorley, Richard J. (2003). Atmósfera, tiempo y clima . Psychology Press. pág. 172. ISBN  978-0-415-27171-4. Consultado el 11 de febrero de 2011 .
  61. 1 2 Cox, John D. (2002). Observadores de tormentas . John Wiley & Sons, Inc. págs. 222–224 . ISBN  978-0-471-38108-2.
  62. 1 2 Manousos, Peter (2006-07-19). "Sistemas de predicción de conjuntos" . Centro de predicción hidrometeorológica . Recuperado el 2010-12-31 .
  63. ↑ Weickmann, Klaus; Jeff Whitaker; Andres Roubicek; Catherine Smith (1 de diciembre de 2001). "El uso de pronósticos de conjunto para producir pronósticos meteorológicos mejorados a medio plazo (3-15 días)" . Centro de Diagnóstico Climático . Archivado del original el 28 de mayo de 2010. Recuperado el 16 de febrero de 2007 . 
  64. ↑ Chakraborty, Arindam (octubre de 2010). "La habilidad de los pronósticos de rango medio del ECMWF durante el año de convección tropical de 2008" . Monthly Weather Review . 138 (10): 3787–3805 . Bibcode : 2010MWRv..138.3787C . doi : 10.1175/2010MWR3217.1 .
  65. ^ Epstein, ES (diciembre de 1969). "Predicción dinámica estocástica". Tellus A. 21 (6): 739– 759. Bibcode : 1969Tell...21..739E . doi : 10.1111/j.2153-3490.1969.tb00483.x .
  66. ↑ Leith, CE (junio de 1974). "Habilidad teórica de los pronósticos de Monte Carlo" . Monthly Weather Review . 102 (6): 409– 418. Bibcode : 1974MWRv..102..409L . doi : 10.1175/1520-0493(1974)102 < 0409:TSOMCF > 2.0.CO ; 2 .
  67. ↑ "MOGREPS" . Met Office . Archivado del original el 22-10-2012 . Consultado el 01-11-2012 .
  68. 1 2 Warner, Thomas Tomkins (2010). Predicción numérica del tiempo y el clima . Cambridge University Press . págs. 266–275 . ISBN  978-0-521-51389-0.
  69. ↑ Palmer, TN ; Shutts, GJ; Hagedorn, R.; Doblas-Reyes, FJ; Jung, T.; Leutbecher, M. (mayo de 2005). "Representación de la incertidumbre del modelo en la predicción meteorológica y climática". Annual Review of Earth and Planetary Sciences . 33 : 163–193 . Bibcode : 2005AREPS..33..163P . doi : 10.1146/annurev.earth.33.092203.122552 .
  70. 1 2 Grimit, Eric P.; Mass, Clifford F. (octubre de 2004). "Redefiniendo la relación entre la propagación del conjunto y la habilidad desde una perspectiva probabilística" (PDF) . Universidad de Washington . Archivado del original (PDF) el 26 de septiembre de 2011. Recuperado el 2 de enero de 2010 .
  71. ↑ Zhou, Binbin; Du, Jun (febrero de 2010). "Predicción de niebla a partir de un sistema de predicción de conjunto de mesoescala multimodelo" (PDF) . Weather and Forecasting . 25 (1): 303. Bibcode : 2010WtFor..25..303Z . doi : 10.1175/2009WAF2222289.1 . S2CID 4947206. Consultado el 2 de enero de 2011 . 
  72. ↑ Cane, D.; Milelli, M. (2010-02-12). "Técnica de superconjunto multimodelo para pronósticos cuantitativos de precipitación en la región de Piamonte" (PDF) . Natural Hazards and Earth System Sciences . 10 (2): 265. Bibcode : 2010NHESS..10..265C . doi : 10.5194/nhess-10-265-2010 . Recuperado el 2011-01-02 .
  73. ↑ Daly, Aaron y Paolo Zannetti (2007). Contaminación del aire ambiente (PDF) . La Escuela Árabe de Ciencia y Tecnología y el Instituto EnviroComp. pág. 16. Recuperado el 24 de febrero de 2011 . 
  74. 1 2 Baklanov, Alexander; Rasmussen, Alix; Fay, Barbara; Berge, Erik; Finardi, Sandro (septiembre de 2002). "Potencial y limitaciones de los modelos numéricos de predicción meteorológica para proporcionar datos meteorológicos para la predicción de la contaminación del aire urbano". Water, Air, & Soil Pollution: Focus . 2 (5): 43– 60. doi : 10.1023/A:1021394126149 . S2CID 94747027 . 
  75. ↑ Marshall, John; Plumb, R. Alan (2008). Dinámica de la atmósfera, el océano y el clima: un texto introductorio . Ámsterdam: Elsevier Academic Press. pp. 44–46 . ISBN  978-0-12-558691-7.
  76. ↑ Oficina Australiana de Estadística (2005). Anuario, Australia, número 87. pág. 40. Consultado el 18 de febrero de 2011 . 
  77. ↑ Celebración del 200 aniversario de la Administración Nacional Oceánica y Atmosférica (22 de mayo de 2008). "El primer modelo climático" . Administración Nacional Oceánica y Atmosférica . Consultado el 20 de abril de 2010 .{{cite web}}: CS1 maint: nombres numéricos: lista de autores ( enlace )
  78. ↑ Bridgman, Howard A., John E. Oliver, Michael H. Glantz (2006). El sistema climático global: patrones, procesos y teleconexiones . Cambridge University Press. págs. 284–289 . ISBN  978-0-521-82642-6. Consultado el 18 de febrero de 2011 .{{cite book}}: CS1 maint: varios nombres: lista de autores ( enlace )
  79. ↑ Chalikov, DV (agosto de 1978). "La simulación numérica de la interacción viento-ola". Journal of Fluid Mechanics . 87 (3): 561– 82. Bibcode : 1978JFM....87..561C . doi : 10.1017/S0022112078001767 . S2CID 122742282 . 
  80. ↑ Lin, Pengzhi (2008). Modelado numérico de olas de agua . Psychology Press. pág. 270. ISBN  978-0-415-41578-1.
  81. ↑ Bender, Leslie C. (enero de 1996). "Modificación de la física y los números en un modelo de olas oceánicas de tercera generación" . Journal of Atmospheric and Oceanic Technology . 13 (3): 726– 750. Bibcode : 1996JAtOT..13..726B . doi : 10.1175/1520-0426(1996)013 < 0726:MOTPAN > 2.0.CO ; 2 .
  82. ↑ Centro Nacional de Huracanes (julio de 2009). "Resumen técnico de los modelos de trayectoria e intensidad del Centro Nacional de Huracanes" (PDF) . Administración Nacional Oceánica y Atmosférica . Consultado el 19 de febrero de 2011 .
  83. ↑ Franklin, James (2010-04-20). "Verificación de pronósticos del Centro Nacional de Huracanes" . Centro Nacional de Huracanes . Consultado el 2 de enero de 2011 .
  84. ↑ Rappaport, Edward N.; Franklin, James L.; Avila, Lixion A.; Baig, Stephen R.; Beven II, John L.; Blake, Eric S.; Burr, Christopher A.; Jiing, Jiann-Gwo; Juckins, Christopher A.; Knabb, Richard D.; Landsea, Christopher W.; Mainelli, Michelle; Mayfield, Max; McAdie, Colin J.; Pasch, Richard J.; Sisko, Christopher; Stewart, Stacy R.; Tribble, Ahsha N. (abril de 2009). "Avances y desafíos en el Centro Nacional de Huracanes". Weather and Forecasting . 24 (2): 395– 419. Bibcode : 2009WtFor..24..395R . CiteSeerX 10.1.1.207.4667 . doi : 10.1175/2008WAF2222128.1 . S2CID 14845745 .  
  85. ↑ Sistema global del modelo unificado NCMRWF (NCUM-G)
  86. 1 2 Actividades de predicción numérica del tiempo
  87. 1 2 Predicción numérica del tiempo
  88. ↑ Un pronóstico de 36 horas de NZCSM tarda 130 minutos en completarse utilizando 810 procesadores distribuidos en 13 nodos de FitzRoy.
  89. ↑ Actualización rápida (RAP)
  90. ↑ Actualización rápida de alta resolución (HRRR)
  91. 1 2 Sullivan, Andrew L. (junio de 2009). "Modelado de propagación de incendios superficiales en zonas silvestres, 1990-2007. 1: Modelos físicos y cuasi-físicos". International Journal of Wildland Fire . 18 (4): 349. arXiv : 0706.3074 . doi : 10.1071/WF06143 . S2CID 16173400 . 
  92. ↑ Asensio, MI y L. Ferragut (2002). "Sobre un modelo de incendios forestales con radiación". International Journal for Numerical Methods in Engineering . 54 (1): 137– 157. Bibcode : 2002IJNME..54..137A . doi : 10.1002/nme.420 . S2CID 122302719 . 
  93. ↑ Mandel, Jan, Lynn S. Bennethum , Jonathan D. Beezley, Janice L. Coen , Craig C. Douglas, Minjeong Kim y Anthony Vodacek (2008). "Un modelo de incendios forestales con asimilación de datos". Matemáticas y computadoras en simulación . 79 (3): 584– 606. arXiv : 0709.0086 . Bibcode : 2007arXiv0709.0086M . doi : 10.1016/j.matcom.2008.03.015 . S2CID 839881 . {{cite journal}}: CS1 maint: varios nombres: lista de autores ( enlace )
  94. ↑ Clark, TL, MA Jenkins, J. Coen y David Packham (1996). "Un modelo acoplado atmósfera-fuego: número de Froude convectivo y digitación dinámica" . International Journal of Wildland Fire . 6 (4): 177– 190. doi : 10.1071/WF9960177 .{{cite journal}}: CS1 maint: varios nombres: lista de autores ( enlace )
  95. ↑ Clark, Terry L., Marry Ann Jenkins, Janice Coen y David Packham (1996). "Un modelo acoplado atmosférico-incendio: retroalimentación convectiva sobre la dinámica de la línea de fuego" . Journal of Applied Meteorology . 35 (6): 875– 901. Bibcode : 1996JApMe..35..875C . doi : 10.1175/1520-0450(1996)035 < 0875:ACAMCF > 2.0.CO ; 2 .{{cite journal}}: CS1 maint: varios nombres: lista de autores ( enlace )
  96. ↑ Rothermel, Richard C. (enero de 1972). "Un modelo matemático para predecir la propagación del fuego en incendios forestales" (PDF) . Servicio Forestal de los Estados Unidos . Archivado del original (PDF) el 24 de marzo de 2022. Recuperado el 28 de febrero de 2011 .

Lecturas adicionales

  • Beniston, Martin (1998). De la turbulencia al clima: investigaciones numéricas de la atmósfera con una jerarquía de modelos . Berlín: Springer. ISBN 978-3-540-63495-9.
  • Blum, Andrew (2019). La máquina del tiempo: Un viaje al interior del pronóstico . Nueva York: HarperCollins. ISBN 978-0-062-36861-4.
  • Kalnay, Eugenia (2003). Modelado atmosférico, asimilación de datos y predictibilidad . Nueva York: Cambridge University Press. ISBN 978-0-521-79629-3.
  • Roulstone, Ian y Norbury, John (2013). Invisible en la tormenta: el papel de las matemáticas en la comprensión del clima . Princeton University Press. ISBN 978-0691152721.
  • Thompson, Philip (1961). Análisis y predicción numérica del tiempo . Nueva York: The Macmillan Company.
  • Departamento de Comercio de los Estados Unidos; Administración Nacional Oceánica y Atmosférica; Servicio Meteorológico Nacional, eds. (1979). Manual del Servicio Meteorológico Nacional n.° 1: Productos facsímiles . Washington, D.C.: Departamento de Comercio.De la turbulencia a la sCl
  • Actualización de la supercomputadora de la NOAA
  • Laboratorio de Recursos Atmosféricos
  • Centro de Meteorología Numérica y Oceanografía de la Flota
  • Centro Europeo de Previsiones Meteorológicas a Medio Plazo
  • Oficina Meteorológica del Reino Unido

Lecturas relacionadas
6 articulos
{\displaystyle {\begin{aligned}{\frac {dy}{dx}}&=f(x)\\[4pt]{\frac {dy}{dx}}&=f(x,y)\\[4pt]x_{1}{\frac {\partial y}{\partial x_{1}}}&+x_{2}{\frac {\partial y}{\partial x_{2}}}=y\end{aligned}}}Ecuación diferencialEn matemáticas , una ecuación diferencial es una ecuación que relaciona una o más funciones desconocidas y sus derivadas . [1] En las aplicaciones,...FísicaFísicaLa física es la ciencia natural de la materia , que implica el estudio de la materia, sus constituyentes fundamentales , su movimiento y comportami...Dinámica de fluidosDinámica de fluidosAnimación generada por computadora de un fluido en un tubo que fluye por un cilindro, que muestra el desprendimiento de una serie de vórtices en el...TermodinámicaTermodinámicaLa termodinámica es una rama de la física que estudia el calor , el trabajo y la temperatura , y su relación con la energía , la entropía y las pro...{\displaystyle I_{\nu }}Transferencia radiativaLa transferencia radiativa (también llamada transporte de radiación ) es el fenómeno físico de transferencia de energía en forma de radiación elect...QuímicaQuímicaLa química es el estudio científico de las propiedades y el comportamiento de la materia . [1] Es una ciencia física dentro de las ciencias natural...