See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/256980652

Guía de Buenas prácticas en predicción Estacional-Latinoamérica

Book · November 2011

CITATIONS READS

0 926

3 authors, including:

Rodney Martinez Juan Jose Nieto

World Meteorological Organization Centro Internacional para la Investigación del Fenómeno de El Niño
71 PUBLICATIONS   550 CITATIONS    26 PUBLICATIONS   271 CITATIONS   

SEE PROFILE SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Impacts of climate change on biodiversity in the Tropical Andes: climate-related vulnerability and risk assessments and improved decision making processes for
conservation and land use planning in two Andean biodiversity hotspots View project

El Niño en Latinoamérica View project

All content following this page was uploaded by Rodney Martinez on 04 June 2014.

The user has requested enhancement of the downloaded file.

GUÍA DE BUENAS PRÁCTICAS PARA LA
PREDICCIÓN ESTACIONAL EN
LATINOAMÉRICA

2011
1
 GUÍA DE BUENAS PRÁCTICAS PARA LA PREDICCIÓN
ESTACIONAL EN LATINOAMÉRICA

Esta publicación re realizó gracias al apoyo de la Organización Meteorológica Mundial

(OMM), el Centro Internacional para la Investigación del Fenómeno de El Niño y la
valiosa contribución de expertos de diversos países y regiones.

Equipo editorial

Rodney Martínez (CIIFEN)

Alexandra Rivadeneira (CIIFEN)
Juan José Nieto (CIIFEN)

Con las contribuciones de:

Marco Paredes (SENAMHI-Perú)

Gloria León (IDEAM-Colombia)
María Jesús Casado (AEMET-España)
María de los Milagros Skansi (SMN-Argentina)
Luis Alvarado (IMN-Costa Rica)
Rupa Kumar Kolli (OMM)
Axel Timmermann (IPRC-USA)
Lisa Goddard (IRI-USA)
Matthew Collins (UKMO-Inglaterra)
Jean Pierre Cerón (MeteóFrance-Francia)

Diagramación, diseño gráfico

Impresión

ISBN-978-9978-9934-3-9

Se permite reproducir y comunicar esta publicación siempre y cuando se cite a la fuente

correcta y no se utilice para fines comerciales

Para citar la publicación:

Martínez R., Rivadeneira A., Nieto J. Guía de buenas prácticas para la predicción estacional en
Latinoamérica. CIIFEN, 2011 (1) 1-55pp. ISBN-978-9978-9934-3-9.

Noviembre 30, 2011

2
Contenido

1. INTRODUCCIÓN ..................................................................................................... 5

1.1. Los Fundamentos de la Predicción Estacional ........................................................ 5

1.2 Predictibilidad ……………………………………………………………….……………..6

1.3 Variabilidad Interanual ............................................................................................. 7

1.4 Índices atmosféricos .............................................................................................. 17

1.5 Índices oceánicos .................................................................................................. 18

1.6 Índices multivariados……………………………………………………………………..13

1.7 ENSO y Calentamiento global……………………………...…………………………….15

1.8 Variabilidad decadal……………………………………………………………………….17

2. MODELOS PARA PREDICCIÓN ESTACIONAL ................................. ……………17

2.1 Modelos estadísticos ............................................................................................. 18

2.2 Modelos dinámicos……………………………………………………………………….19

2.3 Consideraciones para la predicción estacional dinámica…………………………….20

2.4 Consideraciones para el pronóstico estacional estadístico…………………………..26

2.5 Criterios de decisión para el manejo de resultados del CPT………………………….26

2.6 Preguntas frecuentes sobre el CPT……………………………………………………...34

3. VERIFICACIÓN DE LOS PRONÓSTICOS ESTACIONALES ................................ ..40

3.1 Procedimientos de verificación de pronósticos estacionales probabilísticos ...... …40

3.2 Elaboración de Tabla de contingencias ................................................................. 42

4. LOS FOROS CLIMÁTICOS REGIONALES .......................................................... 45

4.1 El Foro Climático de Centroamérica………………………………………………….....45

4.2 El Foro Climático del Sudeste de Sudamérica…………………………………………47

4.3 El Foro Climático del Oeste de Sudamérica…………………………………………...49

5. CAPACIDADES EXISTENTES Y BUENAS PRÁCTICAS EN LA REGIÓN .......... 50

3
5.1. Sistemas de Pronóstico en los países ................................................................... 51

5.2 Buenas prácticas en el pronóstico estacional…………………………………………..53

5.3 Lecciones aprendidas en la aplicación y difusión del pronóstico estacional……..…54

5.4 Buenas prácticas en la relación con los usuarios……………………………………....54

REFERENCIAS…………………………………………………………………………………55

4
1. INTRODUCCIÓN

1.1. Los Fundamentos de la Predicción Estacional

La luz solar es absorbida principalmente en el océano tropical. La cantidad de luz solar

cambia con la estación, latitud, hora del día y la cobertura de nubes. La mayor parte del
calor absorbido por los océanos en los trópicos se libera en forma de vapor de agua que
calienta la atmósfera cuando el agua se condensa y llueve. En las zonas de
convergencia tropical las lluvias son mayores de las que caen en las latitudes medias y
cerca del frente polar. El calor liberado por la lluvia y la radiación infrarroja absorbida
proveniente del océano constituyen el motor principal de la circulación atmosférica.

Los océanos transportan cerca de la mitad del calor necesario para calentar las
latitudes altas, la atmósfera transporta la otra mitad. Por otro lado la capacidad de
retención de calor en el océano es muy alta y la velocidad de los procesos de
transferencia de calor a la atmósfera son más lentos. En contraste, la dinámica de la
atmósfera es mucho más rápida, al igual que los procesos físicos que se desarrollan en
ella. Debido a esta diferencia en la velocidad de los procesos entre el océano y la
atmósfera el océano se convierte en la memoria histórica de la atmósfera. En este
contexto, en la medida que tengamos una buena idea o entendimiento de cómo se ha
comportado el océano y cómo podría comportarse, podríamos aproximarnos en buena
forma a cómo se manifestaría la atmósfera en un tiempo determinado. Esto constituye
uno de los principios de la predicción estacional.

Existen diversos factores que pueden ser considerados como agentes forzantes del
clima y consecuentemente alterarlo. Si podemos anticipar estos factores de forzamiento,
entonces podremos anticipar en buena forma las fluctuaciones del sistema climático y
generar una predicción.

La respuesta del sistema climático a esta combinación de factores forzantes depende

de los diversos tiempos de respuesta de los diferentes componentes del sistema.

El sistema climático es complejo y altamente no lineal con procesos en diversas

escalas de tiempo que varían desde las horas, semanas, años, décadas, etc. Los
fenómenos meteorológicos no se pueden pronosticar más allá de 10-14 días, por el
carácter no lineal de la atmósfera, esto se conoce como el “efecto mariposa”.

El océano superficial en cambio tiene un tiempo de respuesta que se puede medir en

años, mientras que el océano profundo y los glaciares de montaña varían sobre
períodos cuyos lapsos son de cientos de años.

Las bases científicas de la predicción estacional se resumen a continuación:

• La evolución de la atmósfera es parcialmente influenciada por el desarrollo de

las condiciones de las forzantes externas (temperatura superficial del mar,
cobertura en la superficie continental entre otros).
• La evolución de las forzantes externas es usualmente lenta y predecible. Esto
provee una memoria lenta a la atmósfera; por lo tanto la evolución de la
atmósfera llega a ser parcialmente predecible.

5
 • Los sucesivos estados instantáneos de la atmósfera tienen una predictibilidad
limitada mientras los estados medios de la atmósfera tienen una predictibilidad
mayor.
• La circulación media en las regiones tropicales es fuertemente influenciada por la
convección a larga escala.

1.2. Predictibilidad

En el océano, existen regiones donde los patrones de las anomalías de temperatura

superficial del mar (TSM), con frecuencia persisten durante algunos meses o
estaciones, y algunos de estos patrones pueden inclusive persistir por más tiempo.
Esta condición determina el grado de predictibilidad de la atmósfera en una región
determinada.

La predictibilidad se define en términos prácticos como la capacidad potencial de poder

tener una predicción aceptable en base al principio antes explicado. Esto depende de la
región geográfica y determina si la predicción estacional es posible o no.

La predictibilidad tiene entre otras las siguientes características:

• Está relacionada con el principio de la incertidumbre en la física y a las

limitaciones matemáticas para resolverla.
• Nos desafía a romper los límites físicos para aproximarnos mas no alcanzar la
verdad última sobre el sistema climático a través de la ciencia y el avance
tecnológico.
• Está relacionada a la probabilidad de error en la estimación del resultado de una
variable.
• Es la cualidad que permite a los usuarios juzgar futuras interacciones u
ocurrencia de eventos sobre la base del conocimiento especial o la inferencia.

La predictibilidad depende de:

• La escala del fenómeno pronosticado: tormenta, onda del este, El Niño South
Oscillation (ENSO), etc.
• El plazo o tiempo del pronóstico (nowcasting, corto, mediano, estacional,
climático)
• La escala espacial:
- Local  10 -100 km
- Regional  100 -1000 km
- Sinóptica  1000 - 5000 km
- Supra-sinóptica > 5000 km

La predictibilidad puede verse desde distintas perspectivas :

• A través de las observaciones.

• A través de los modelos de predicción.
• La evolución de las condiciones externas de forzamiento :
- TSM
- ENSO
- Variabilidad decadal : Pacific Decadal oscillation (PDO).
• Evolución de las condiciones de la superficie continental

6
 - Influencia de las condiciones de la superficie continental (nieve,
albedo),
- Variabilidad intraestacional (humedad del suelo)
• Influencias mutuas
- Decadal/ENSO
- ENSO/Intraestacional
- Intraestacional/sinóptico

Fig. 1 Escalas espaciales y temporales de factores de predictibilidad

Si hay diferencias de la temperatura superficial del mar en una región determinada, hay
diferencias de la presión atmosférica. Esa diferencia de la presión atmosférica en la
superficie puede ser suficiente para producir importantes vientos desde las zonas de
alta presión a las de baja presión. Una significativa parte de la predictibilidad del clima
estacional está directamente relacionado con las anomalías de la temperatura
superficial del mar, muy especialmente en las cuencas oceánicas tropicales.

1.3. Variabilidad Interanual

La variabilidad interanual está asociada con la ocurrencia de los eventos El Niño o La
Niña, ampliamente conocidos en Latinoamérica y el mundo por sus impactos históricos
en sus diferentes fases cálida (El Niño) y fría (La Niña). El término científico
mundialmente reconocido es ENSO (El Niño Southern Oscillation).

La definición del ENSO ha evolucionado conforme avanza el progreso científico en la

comprensión de sus procesos físicos inherentes. A continuación se presenta un
resumen de las diferentes teorías relacionadas al ENSO y consecuentemente su
definición científica. Se las muestra en orden cronológico:

a) Oscilación del Sur/Walker (1924)

El descubrimiento de la Circulación de Walker se debe a Sir Gilbert Walker quien

definió el índice de oscilación del sur, entre dos puntos del océano Pacífico (Tahiti y
Darwin)
7
b) Oscilación del Sur y El Niño (ENSO) / Bjerknes (1957)

Basado en datos de observaciones de 1957, Bjerknes llegó más allá de la teoría de

Walker en su tesis sobre El Niño. Postuló que, siendo una pequeña lámina la que
separa la atmósfera de las profundidades del océano, la diferencia entre la
temperatura superficial del mar y la del aire produce el flujo de calor y el intercambio
de vapor de agua. Posteriormente, en 1966, Bjerknes propuso que los vientos
alisios de 1957 no solo causaron la aparición de aguas cálidas en la superficie del
Pacífico tropical, sino que a la vez generó el incremento de la temperatura
superficial del mar durante ese año. Este innovador argumento permitió entender
que este fenómeno no era de origen estrictamente atmosférico ni oceánico, sino era
producto de la interacción de ambos.

 Bjerknes introdujo el término: Circulación Walker = Oscilación del Sur

 El calentamiento en el Pacífico Oriental Ecuatorial debilita la circulación de
Walker en el Pacífico.
 La anomalía en la temperatura superficial del mar o El Niño, es causada por
cambios en la circulación de Walker.
 Bjerknes planteó la primera conexión entre el Fenómeno de El Niño y la
Oscilación del Sur en sus publicaciones de 1966 y 1969.

Figura 2. Las figuras representan las Anomalías de Temperatura Superficial del Mar
respecto a un año con presencia Niño y el promedio global para la cuenca del Pacífico.

c) La Onda Oceánica de Kelvin y la carga y descarga de masas de agua cálida/

Wyrtki (1975)

Wyrtki confirmó la visión de Bjerkness de que los efectos de El Niño no se

limitaban a lo largo de la costa oeste de Perú y Ecuador. Klaus Wyrtki de
la Universidad de Hawaii y sus colegas analizaron registros, cartas de mareas y los
patrones de viento en toda la cuenca del Pacífico.

En 1975 Wyrtki estableció que los fuertes vientos son esenciales para impulsar las
aguas cálidas de la superficie hacia el oeste a lo largo del Ecuador hasta que se
acumulan en las costas de Indonesia. Esta capa gruesa de agua cálida, incrementa
el nivel del mar en el Pacífico occidental hasta en 18 pulgadas, y
efectivamente deprime una capa de agua bajo la superficie llamada termoclina que
es una especie de interfaz entre las aguas superficiales cálidas y frías del océano.
En el Pacífico oriental, por el contrario, la capa caliente de la superficie es mucho
8
 más delgada y la termoclina está más cerca de la superficie, al igual que las aguas
frías que afloran de las profundidades del océano, llevando consigo los
nutrientes que apoyan la pesca abundante.

Wyrtki sugería que, los vientos alisios liberan ondas de agua cálida que
se desplazan de oeste a este a través del Océano Pacífico y profundizan
la termoclina en el Pacífico oriental ocasionando la supresión de la surgencia de
agua fría desde las profundidades del océano; como resultado, la
temperatura superficial del mar aumenta en el Pacífico oriental y disminuyen los
nutrientes necesarios para mantener ciertas pesquerías. Debido al retraso en la
respuesta del Pacífico Oriental a los cambios de viento, Wyrtki reconoció
la posibilidad de predecir estos eventos con anticipación.

d) Inestabilidad Acoplada/ Philander (1984)

Philander encontró que dependiendo de la naturaleza del

acoplamiento termodinámico en el Pacífico Ecuatorial, se genera un modo de
propagación hacia el este o hacia el oeste.

Philander et al. (1984) afirma que la anomalía de la Temperatura superficial del mar,
es proporcional al desplazamiento de la termoclina, el análisis local de
este modelo dio como resultado una inestabilidad cada vez mayor hacia el este,
similar con las características oceánicas de Kelvin.

Gill (1985) por su parte encontró que la tendencia temporal de la temperatura

superficial del mar es proporcional a la advección de temperatura media por las
corrientes oceánicas anómalas de la zona, y el calentamiento de la
atmósfera proporcional a la anomalía de la temperatura superficial del mar.

La solución de la inestabilidad local de esta situación resultó ser un modo de

acoplamiento océano/atmósfera creciente hacia el oeste.

Hirst (1986, 1988) combina las dos teorías y han buscado soluciones
de modo normal con la propagación.

En el límite Gill (1985), Philander y otros (1984), no sólo que reproducían

sus resultados, sino que también demostró que la solución exhibió una
extraordinaria sensibilidad a la parametrización de la temperatura superficial del mar

e) Oscilación ENSO / Cane and McCreary (1983)

Un modelo de acoplamiento para el ENSO:

Cane y Zebiak (1987) desarrollaron el primer modelo numérico utilizado para la

predicción del ENSO y que continúa hasta la actualidad. Su modelo ha sido
mejorado y es uno de los más exitosos modelos utilizados hasta el día de hoy.

El mecanismo de la naturaleza oscilatoria del ENSO fue propuesto originalmente por

Julian McCreary (1983), basado en la reflexión de los océanos subtropicales y la
surgencia a través de ondas de Rossby en el límite occidental.

McCreary (1993) exploró la dinámica de la superficie del mar, junto a los patrones
del viento que cambian actúan a manera de un interruptor discontinuo dependiendo
de la profundidad de la termoclina y demostró cómo las ondas de
9
 Rossby oceánicas podrían estar involucradas en la generación de las
oscilaciones de baja frecuencia asociados con el ENSO.

f) Recarga ENSO / Wyrtki (1985), Jin (1997)

Wyrtki, plantea que antes de un evento El Niño, existe un viento fuerte del este y
consecuentemente un incremento en el nivel del mar. Cuando el viento del este
colapsa, actúa como un “gatillo” que permite el posterior calentamiento en Pacífico
Oriental, con lo que se reconoce que el ENSO no es un calentamiento costero local.
Esto implica que el sistema requiere de un sistema para recargarse.

Fei-Fei Jin, (2005) presentó la teoría completa del ENSO, utilizando modelos
acoplados, la teoría del caos y consecuentemente la dinámica no lineal del ENSO.
Introdujo la teoría de la interacción entre el ENSO y los WWB (Westerlies Wind
Bursts) y le mecanismo de recarga del ENSO.

1.4. Índices Atmosféricos

Si bien es cierto, se ha avanzado mucho en la comprensión del ENSO, con los años y
ante la necesidad operacional de su predicción, la caracterización del ENSO se ha
circunscrito a ciertos índices que representan en buena forma su desarrollo global. Sin
embargo con el pasar de los años, los distintos países del mundo, han aprendido que
cada evento el Niño o La Niña es distinto y que los efectos locales del ENSO, no
siempre son consistentes con las predicciones globales.

Existen varios índices para representar al ENSO. Su uso no es prescriptivo, pero

depende del propósito final de la información.

El índice de oscilación del sur (SOI), es uno de los más antiguos índices atmosféricos
que se sigue usando hasta la actualidad. De acuerdo al Bureau de Meteorología de
Australia (BOM), el SOI se define por la siguiente expresión:

Donde:
Pdiff
= Presión media al nivel del Mar (Tahiti – Darwin)
Pdiff = Diferencia del gradiente de presión de largo plazo
SD(Pdiff) = Desviación estándar de la diferencia de presión

El Índice de Oscilación del Sur (SOI), es una medida de la diferencia en superficie de

presión de aire entre Tahití y Darwin. En términos generales, El Niño está asociado con
valores negativos del SOI y La Niña con valores positivos.

10
 Figura 3. Anomalías y desviación estándar calculadas
de acuerdo con el índice SOI.

El Índice de Oscilación del Sur de acuerdo al National Center of Environmental

Prediction (NCEP) se define como la diferencia entre la desviaciones estándar
(SD) de la Presión a nivel medio del mar entre Tahiti y Darwin.

SOI  SD  Tahiti  SD Darwin 

Algunas de las ventajas del SOI son:

• Fácil de comprender y calcular

• La longitud de los datos es grande (desde 1876 aproximadamente)
• Disponibilidad en tiempo real, habitualmente calculados y de fácil acceso
• Representan la respuesta de la atmósfera

Algunas de las desventajas del SOI son:

• Debido a que se encuentra basado en la presión entre dos puntos, puede

fácilmente ser afectado por disturbios en el clima local, influenciando con
ruido de alguna forma sobre las bases mensuales observadas.
• Con la finalidad de tener índices más representativos de fluctuaciones de
presión a gran escala, es común presentar promedios SOI para periodos
de 5 meses.

1.5. Índices oceánicos

A raíz de la puesta en marcha de programas observacionales del océano, como

por ejemplo TOGA-TAO (1985), el uso de índices oceánicos para caracterizar el
11
ENSO se ha generalizado. Los índices han mostrado sus bondades y se han ido
perfeccionando con el tiempo en la medida que los sistemas de observación
también han ido mejorando.

De los índices oceánicos, uno de los más populares es el ONI (Oceanic Niño
Index) utilizado por la National Oceanographic and Atmospheric Administration
(NOAA). El ONI, guarda estrecha relación con el área del Pacífico Ecuatorial
(Fig. 4) y el sistema observacional TAO/TRITON (Fig. 5)

Fig. 4 Regiones El Niño

Fig. 5 Tao/Triton Array (NOAA)

Los índices ONI corresponden a las áreas que se muestran en la Fig. 5

La región Niño 1+2 (0°-10°S, 80°W-90°W) es la región que se calienta más

rápido cuando un evento niño se encuentra en desarrollo, sin embargo está
sujeta a la influencia de la circulación en el borde oriental del Pacífico y factores
regionales que pueden introducir ruido en sus valores y no representar en buena
forma la evolución del ENSO a escala global.

La región Niño 3 (5°S-5°N, 150°W-90°W) es la región del Pacífico Tropical que

posee la variabilidad más pronunciada en temperatura superficial del mar

12
 durante la ocurrencia de El Niño y es la que muestra mayor consistencia con su
evolución.

La región Niño 3.4 (5°S-5°N, 170°W-120°W) posee el impacto más grande

observable del ENSO en la variabilidad atmosférica global.

La región Niño 4 (5°S-5°N, 160°E-150°W) es donde los cambios de la

temperatura superficial del mar alcanzan o sobrepasan 27,5º C que se
considera como el umbral de convección profunda para la producción de lluvias.

Por extensión, la variabilidad del clima global Niño 3.4 es generalmente la

principal indicadora de la evolución global del ENSO.

Figura 6 Evolución histórica del ONI en las regiones El Niño

1.6. Índices Multivariados

Tanto los índices atmosféricos u oceánicos han evidenciado eventuales

limitaciones para representar al ENSO y su evolución. Estas inconsistencias
motivaron al diseño de índices multivariados en los que se combina diversas

13
 variables tanto oceánicas como atmosféricas. El índice multivariado más usado
desde hace muchos años es el Multivariate ENSO Index (MEI) (Fig. 6)

Figura 6. Índice multivariado del ENSO.

El MEI es calculado con promedios bimensuales de seis variables medidas a lo largo

del Pacífico Tropical (Fig. 6). Las componentes principales de los seis campos son
utilizadas para calcular los índices. Las variables son:

• Presión a nivel del mar (P)

• Componente zonal del viento superficial (U)
• Componente meriodional de viento superficial (V)
• Temperatura superficial del mar (S)
• Temperatura superficial del aire (A)
• Fracción total de nubes en el cielo (C)

14
 Figura 7. Índices multivariados, donde el índice MEI es el primer
componente principal de los 6 cuadros.

Definición del ENSO

En abril de 2005, a través de la Organización Meteorológica Mundial, se realizó una

encuesta sobre las definiciones operacionales del ENSO a escala nacional. Debido a la
abrumadora diversidad de respuestas, no se pudo obtener consenso internacional
sobre la definición del ENSO. Sin embargo en países como Estados Unidos y a través
de la NOAA, desde hace varios años se mantiene en vigor una definición operacional
del ENSO:

El Niño: un fenómeno en el Océano Pacífico Ecuatorial caracterizado por una

desviación positiva de la temperatura superficial del mar respecto a la normal en la
región Niño 3.4 con valor mayor o igual en magnitud a 0.5ºC promediado en tres meses
consecutivos.

La Niña: un fenómeno en el Océano Pacífico Ecuatorial caracterizado por una

desviación negativa en la temperatura superficial del mar respecto a la normal en la
región Niño 3.4 con valor mayor o igual en magnitud a 0.5ºC promediado sobre tres
meses consecutivos.

1.7. ENSO y calentamiento global

Bajo el escenario de calentamiento global, el clima de la cuenca del Pacífico

probablemente conlleve cambios significativos. De acuerdo a Vecci et al, 2007 y en
base a datos observados en el último siglo, la circulación de Walker está debilitándose.
De acuerdo a esta tendencia, los vientos alisios tropicales se debilitarían y la
temperatura superficial del mar se incrementaría con mayor velocidad cerca del
Ecuador que en otras zonas. La termoclina ecuatorial que marca la transición entre la
mezcla superficial de vientos en el océano y las capas profundas se espera disminuya
en profundidad y el gradiente de temperatura a lo largo de la termoclina se espera se
pronuncie. Anualmente la variabilidad del ENSO es controlada por un delicado balance
de amplificación y amortiguación, uno o más procesos físicos son responsables por
características específicas del ENSO que probablemente sean modificadas por el
cambio climático. A pesar del considerable progreso en la compresión del impacto del
cambio climático en procesos que influyen en la variabilidad del ENSO, aún no es

15
posible afirmar que la actividad del ENSO sea amplificada o amortiguada o si la
frecuencia de los eventos cambiará1. (Figs.8 y 9)

Figura 8-9. Condiciones normales (izquierda) y condiciones El Niño (derecha) de circulación

océano-atmósfera en el Pacífico.

Figura 10 –11. Condiciones de circulación océano –atmósfera en el Pacífico. Izquierda

condiciones normales y derecha condiciones bajo escenario de cambio climático.

1
Mat Collins, et al. Article of Nature Geoscience published on line.

16
 Figura 12. Las condiciones de anomalías en Figura 13. Condiciones de circulación océano -
temperatura superficial del mar debido a cambio atmósfera en escenario de Fenómeno de El
climático, no son similares a condiciones ENSO,
los vientos alisios se debilitan, la TSM incrementa
Niño.
más en la zona ecuatorial, la termoclina se
amortigua, la estratificación incrementa y los
afloramientos se debilitan.

Posibles cambios en la variabilidad del ENSO: Procesos y Retroalimentación

Proceso /Realimentación Impactos en la

variabilidad del
ENSO

Principales afloramientos y advección Incrementa

Realimentación de Termoclina Incrementa

Temperatura Superficial del Mar (TSM) /Alimentación Incrementa

de fuerza de vientos (Ekman)

Alimentación de advección superficial zonal Sin cambio

Amortigüación atmosférica Decrece

Variabilidad atmosférica ?

Fuente: Collins et al, 2010

1.8. Variabilidad Decadal

La variabilidad decadal se encuentra representada por la Oscilación Decadal del

Pacífico (PDO) se refiere principalmente a la temperatura superficial del mar en el
Pacífico Norte y cuyo patrón característico, se muestra en las Fig. 14a y14b.

17
La estructura espacial de la PDO es similar a la del ENSO, sin embargo la diferencia
más grande es la mayor amplitud de la temperatura superficial del mar y el calor
almacenado en latitudes medias.

Estudios recientes muestran la influencia del PDO sobre las teleconexiones asociadas
al ENSO, dependiendo de su fase positiva o negativa.

Figura 14a. El mapa izquierdo muestra Figura 14b. El mapa (derecha) muestra
condiciones positivas PDO, el enfriamiento Condiciones Negativas PDO, el calentamiento
del promedio de TSM en el Pacífico Norte. del promedio de TSM en el Pacífico Norte.

2. Modelos Estadísticos y dinámicos para predicción estacional

Mientras en las latitudes medias, la sensibilidad de la atmósfera al forzante oceánico es

débil o inexistente. En los trópicos la atmósfera es muy sensible a las anomalías de la
temperatura superficial del mar incrementando significativamente la predictibilidad. La
interacción océano-atmósfera se manifiesta de diversas maneras, cada una de ellas
determina el grado de predictibilidad estacional.

La predicción estacional del clima generalmente se basa en los patrones de la anomalía

de la temperatura superficial esperada en una determinada región. Para hacer esta
predicción se pueden utilizar modelos estadísticos o dinámicos.

2.1 Modelos estadísticos

Los modelos estadísticos se basan en el análisis y procesamiento de los datos

históricos observados y las correlaciones estadísticas entre ellos. De esta manera de
diversas formas y metodologías, a partir de ciertas variables como por ejemplo la
temperatura del mar o la presión atmosférica (PREDICTORES), se puede estimar el
valor de variables atmosféricas como la precipitación y la temperatura
(PREDICTANDO).

Los modelos estadísticos se encuentran basados en determinar los “predictores” a partir

de patrones climáticos, por ejemplo: la temperatura superficial del mar en el océano
Pacifico para los eventos El Niño/La Niña.

18
Los Modelos estadísticos tienen diferentes grados de complejidad: análogos, métodos
de regresión, análisis de correlación canónica, redes neuronales entre otras.

Un patrón climático se define por sus características espaciales y temporales

El objetivo de los modelos es detectar patrones coherentes de comportamiento. Las

características dependerán en parte del número de puntos de observación, el número
de variables climáticas y los subsistemas climáticos presentes en la zona de análisis.
Las aproximaciones estadísticas permiten realizar análisis de campos promediados,
correlaciones de punto a punto, mientras que con técnicas avanzadas permite analizar
oscilaciones en fase y fuera de ella.

Entre los patrones climáticos destacados en la región de Latinoamérica se encuentran la

Oscilación Cuasibienal, El Niño Oscilación del Sur, la Oscilación del Atlántico Norte y los
modos anulares:

 La Oscilación Cuasibienal (QBO): patrón climático con período cercano a los dos
años con una influencia global más importante en niveles altos de la atmósfera
(en la estratósfera).

 El Niño/Oscilación del Sur (ENSO): patrón climático con período interanual

variable (3-7 años) con una influencia global más importante al nivel de
superficie.

 Oscilación del Atlántico Norte (NAO): patrón climático con mayor dominio sobre
el clima de Europa.

 Modos anulares: patrones climáticos con una influencia más localizada a

latitudes medias.

Para realizar pronósticos estacionales con modelos estadísticos, la información se basa

en observaciones y aplicación de metodologías estadísticas. Se fundamentan en
eventos “reales” y no incorporan errores debido al modelo numérico. Los modelos
estadísticos se consideran buenos cuando la variabilidad observada está dominada por
una única fuente de predictibilidad y se sustentan en la condición de estacionalidad del
clima.

2.2 Modelos dinámicos

La habilidad de las predicciones dinámicas depende de la escala de predicción y la

temporalidad.

Para periodos cortos las predicciones se basan en las condiciones iníciales y la

habilidad de la predicción se deteriora rápidamente con el tiempo, debido a la condición
caótica de la atmósfera.
19
Para periodos largos las predicciones dependen de los forzantes de las condiciones
iniciales y la habilidad mejora a largo plazo.

1-2 días bueno

3-7 días regular
2° semana malo, pero no cero
3° semana virtualmente cero
4° semana virtualmente cero

1 mes malo a regular

3-mes regular

Los modelos dinámicos pueden ser de dos tipos, cuyas características se muestran en
la Tabla 1.

SISTEMA DE UN PASO(1-TIER) SISTEMA DE DOS PASOS (2-TIER)

 Dos vías de interacción aire-  Más estable, confiable la SST para

Ventajas océano, como en el mundo la predicción, desviaciones con
real (se requiere donde los respecto a un sistema de un nivel.
flujos son tan importantes  Razonablemente eficaz para las
como la dinámica a gran regiones afectados más
escala de los océanos). directamente por el ENOS.
Desventajas  Sesgos amplificados  Defectuosa la física (1 vía),
(desviación). especialmente inaceptable en el
 Correcciones de flujo Atlántico tropical y Índico
 Uso intensivo de equipos de (monzón).
cómputo.
Tabla 1

2.3 Consideraciones para la predicción estacional

El sistema climático es complejo y altamente no lineal con procesos en escalas de

tiempo diferentes que varían desde horas, semanas e incluso años. Los fenómenos
meteorológicos no se pueden pronosticar más allá de 10-14 días, por el carácter no
lineal de la atmósfera; sin embargo existen una serie de factores que pueden ser
considerados como agentes forzantes que pueden cambiar el clima. Si estos factores de
forzamiento pueden ser notados con anticipación, en particular los de corto plazo, y si
se conocen sus consecuencias para los patrones del clima, entonces es posible contar
con una herramienta para anticipar las fluctuaciones en el clima.

La respuesta del sistema climático a esta combinación de factores forzantes depende

de los diversos tiempos de respuesta de los diferentes componentes del sistema. El
océano superficial tiene un tiempo de respuesta medido en años, en tanto que el
océano profundo y los glaciares de montaña varían solo sobre periodos de cientos de
años. Los patrones típicos de las fluctuaciones de la temperatura superficial del mar
(TSM) a menudo persisten durante algunos meses a estaciones y en algunos
patrones pueden persistir incluso mayor tiempo. Este factor puede brindar un grado
de predictibilidad a la atmósfera. Figura 15.

20
En la relación entre la TSM y la circulación atmosférica, si hay diferencias espaciales de
la TSM, hay diferencias de presión atmosférica. La diferencia de presión atmosférica en
la superficie puede ser suficiente para producir importantes vientos en superficie,
vientos desde las zonas de alta presión a las de baja presión. Gran parte de la parte de
la predictibilidad del clima estacional es el resultado de las anomalías de la SST en las
cuencas oceánicas tropicales.

Figura 15. Imágenes de las fluctuaciones o anomalías de la temperatura superficial del mar
(TSM) en la cuenca del Pacífico.

La base física de la predicción estacional reside en la predictibilidad de la atmósfera y

está asociada con las variaciones lentas en el forzante impuesto por las condiciones de
borde en la superficie del océano o continental.

Las fuentes de predictibilidad son:

 Cambios en la radiación solar recibida

 Cambios en los patrones de temperatura de la superficie del mar
 Cambios en los patrones de vegetación de la superficie terrestre
 Cambios en las distribuciones del hielo marino
 Cambios en la atmósfera

INTERACCIÓN OCÉANO-ATMÓSFERA

La respuesta de la atmósfera es muy sensible a la estructura, ubicación y amplitud al

forzante oceánico. En latitudes medias la atmósfera no es sensible a anomalías de TSM
< 1°C, por lo tanto la respuesta al forzante oceánico es débil, mientras que en los
trópicos la atmósfera es muy sensible a las anomalías de TSM. Esto implica una
respuesta más fuerte a las anomalías de TSM.

21
Las interacciones entre el océano y la atmósfera pueden producirse de diferentes
maneras, con gran implicancia en la predictibilidad: el tipo de interacción acoplada
determina la predictibilidad.

Para generar una predicción climática estacional, se debe poseer un buen conocimiento
sobre los procesos físicos dominantes a nivel regional y local. Es muy importante,
entender la naturaleza de la interacción acoplada del océano y la atmósfera y cómo
esto da lugar a modificaciones de los grandes patrones del viento.

Es necesario además comprender la forma en cómo los modelos climáticos capturan la

predictibilidad, evaluar el potencial de predictibilidad estacional para una región, adquirir
experiencia en el difícil problema del grado de incertidumbre y en la interpretación de la
predictibilidad de la reducción de escala.

Es importante conocer los criterios o métodos que se usan para la reducción de escala
para la predicción estacional para poder definir sus alcances y limitaciones en la
aplicación de la predicción para apoyo a la toma de decisiones y la gestión de riesgo
climático.

Resolución horizontal

Los modelos reticulados mundiales utilizan espaciamientos de retícula de unos 60 km,

medidos en latitudes medias ese valor corresponde a una longitud de onda mínima que
se puede resolver de unos 300 km.

Los modelos espectrales aplicados actualmente utilizan entre 126 y 240 ondas para
describir el flujo en la atmósfera, resolviendo así detalles de escala similar a la de los
modelos reticulados.

Existe una relación directa entre la resolución horizontal de un modelo y el tamaño de

las características meteorológicas que puede simular. Cuanto mayor la resolución, tanto
más pequeñas las características que el modelo puede representar adecuadamente.

Ecuaciones Básicas del Movimiento

En predicción estacional se aplican las ecuaciones del movimiento, continuidad del aire
seco, termodinámica, continuidad de la humedad y la ecuación hidrostática.

Las ecuaciones del movimiento, son aquellas que describen la relación causal entre el
gradiente de presión, la fuerza de Coriolis y el rozamiento, por una parte, y los cambios
de la velocidad del viento junto con la ecuación de continuidad del aire seco, que
establece la conservación de la masa de aire y permite determinar la velocidad vertical y
los cambios de la presión en superficie.

La ecuación termodinámica, expresa el aumento o disminución adiabáticos de la

temperatura de una partícula de aire por efecto de los desplazamientos verticales, de la
liberación de calor latente, del calentamiento o enfriamiento por radiación, y de los
procesos de rozamiento o de turbulencia.

La ecuación de continuidad de la humedad, en virtud de la cual se mantiene constante

el contenido de humedad de una partícula de aire, exceptuando las pérdidas por
precipitación y condensación, o las ganancias por evaporación a partir de las nubes, de
22
la lluvia o de la humedad sobre la superficie de la Tierra y finalmente se aplica la
ecuación hidrostática, que describe la relación entre la densidad del aire y el cambio de
la presión con la altura. Figura 16.

Figura 16. Ecuaciones básicas del movimiento aplicables en predicción estacional.

Los modelos numéricos resuelven las ecuaciones de pronóstico utilizando una de dos
tipos de formulación: la de malla (rejilla o grilla) o la espectral.

RESOLUCIÓN VERTICAL

La atmósfera se divide en una serie de capas, por lo general, más de 30. La resolución
vertical suele ser máxima en la capa límite del planeta, donde los niveles reproducen la
superficie de la Tierra y su espaciamiento ha de ser muy estrecho para simular con
realismo los efectos diurnos del calentamiento y del enfriamiento de la superficie, así
como en la tropósfera superior/estratósfera inferior. Figura 17.

La formulación numérica a través del modelo permite calcular la tendencia de las

variables predichas partiendo del estado actual (t = T) de la atmósfera del modelo y
estima el valor de esas variables en un tiempo futuro (t = T + Dt).

El modelo repite ese mismo cálculo hasta que la acumulación de valores de tiempo
alcanza el valor fijado como objetivo para la predicción.

Cuanto más largos sean los intervalos de tiempo, menor será el número de cálculos
necesarios y, por consiguiente, menor el tiempo de cálculo necesario.
23
El tiempo máximo es: Dt < Dx/c
Donde:
c - velocidad del movimiento de las perturbaciones
Dx - representa el intervalo de grilla

Figura 17. Modelos de malla para el cálculo del campo humedad en el tiempo (t)

Para el proceso de predicción estacional con modelos dinámicos es necesario realizar la

parametrización física de procesos. Esta parametrización consiste en incluir los efectos
de los procesos físicos implícitamente cuando no podemos incluirlos explícitamente. La
parametrización puede ser considerada como una emulación (modela los efectos de un
proceso) más que como una simulación (modela el proceso mismo).

La parametrización de los procesos físicos considera: la capa límite planetaria,

superficie, orografía, plantilla tierra-mar, temperatura de la superficie del mar, hielos
marinos, albedo de la superficie, cubierta terrestre, arrastre de las ondas gravitatorias,
radiación, convección, nubes y el ciclo hidrológico.

En la parametrización a nivel de sub- rejilla para procesos convectivos se debe

considerar que una importante redistribución vertical de calor y humedad por convección
puede fácilmente ocurrir entre cajas de rejillas en la mesoescala. La figura 18 muestra el
desarrollo de la columna de agua (blanco y gris) y la bolsa fría que la acompaña
(sombra celeste). Note que las variaciones de la convección a nivel de sub-rejilla
afectarán la humedad y el calentamiento en algunas cajas de rejilla del modelo.

Los procesos microfísicos, aun en modelos de alta resolución, ocurren a una escala
demasiada pequeña que permita modelarlos explícitamente. A nivel horizontal y vertical
existen variaciones importantes que deben ser consideradas como el proceso
microfísico de la condensación y crecimiento de gotas de vapor de agua en las nubes,
que ocurren dentro de un modelo con una caja de rejilla de 1 km.

24
 Figura 18. Parametrización de procesos a nivel de sub-rejilla.

Los modelos suelen presentar errores de orden sistemático que pueden ser corregidos
mediante conceptos estadísticos básicos en el proceso de verificación. Por ejemplo si
un modelado a largo plazo (30 años) para precipitaciones sobre una región y una
temporada estacional determinada es sustancialmente menor que la observada,
podemos corregir la predicción mediante la adición de un valor constante a la lluvia.

Los modelos dinámicos más utilizados en predicción son:

 Modelos atmosféricos de Circulación General (GCMs) forzado con campos de

pronóstico de TSM Denominado Sistemas de dos pasos (2-tiered systems)

 Modelos de Circulación General Acoplados (CGCMs) océano-atmósfera-tierra.

Denominado Sistemas de un paso (1-tiered systems)

 Modelos climáticos regionales de alta resolución (HRCM) forzados con los

campos de pronóstico a gran escala de los GCMs / CGCMs (downscaling)

Los modelos climáticos regionales de alta resolución utilizan las ecuaciones primitivas
no hidrostáticas para pronosticar directamente el movimiento vertical. Estos modelos
son utilizados para pronosticar fenómenos de pequeña escala y pronostican estructuras
de mesoescala detalladas y aparentemente muy cercanas a la realidad, con un impacto
consistente en estado del tiempo circundante, resultando ya sea en pronósticos locales
muy buenos o en errores grandes.

Ventajas y desventajas de los modelos regionales de alta resolución

VENTAJAS
 Calculan el movimiento vertical
explícitamente.
 Pronostican explícitamente el
empuje vertical.
 Toman en cuenta procesos de
DESVENTAJAS
 Toman más tiempo en correr que modelos
hidrostáticos con la misma resolución y
tamaño de dominio.
 Utilizados para aplicaciones de área
limitada, así que requieren condiciones de
frontera de otro modelo; si las condiciones
25
 nubes y precipitación y sus de frontera no tienen las características de
contribuciones para los estructura y resolución de los campos que
movimientos verticales. se desarrollan dentro del dominio del
 Tienen capacidad de pronosticar modelo, pueden ejercer una gran influencia
ondas convectivas y de montaña. en el pronóstico.
 Pueden pronosticar fenómenos que
aparentan ser reales, pero el momento y la
ubicación pueden ser no confiables.

2.4 Pronóstico estacional a través de modelos estadísticos

En la última década, en Latinoamérica, el uso de los modelos estadísticos para

pronóstico estacional ha estado en franca evolución, las herramientas usadas también
han ido mejorando y ofreciendo a la vez una interface con el usuario más amigable.
Una de las herramientas más difundidas en los países ha sido el Climate Predictability
Tool (CPT) desarrollado por el Dr. Simon Mason del International Research Institute for
Climate and Society (IRI). El CPT es usado en los foros regionales de perspectivas
climáticas en Centroamérica, oeste de Sudamérica y sur de Sudamérica. En la región se
han impartido numerosos talleres de entrenamiento y es por ello que en esta Guía se
incluyen algunos elementos importantes para el manejo de esta herramienta estadística
para el pronóstico estacional. No se intenta incluir en este documento un Manual del uso
del CPT, sino más bien sobre la base de años de experiencia en su aplicación,
compartir información importante para su mejor aplicación y optimización de resultados.

2.5 Criterios de decisión para el manejo de los resultados del CPT

1. Uno de los primeros indicadores a visualizar es el GOODNESS INDEX que sale

luego de la primera corrida, este es el primer paso a seguir, si un valor es negativo
indica que hay algún error en la información, lo ideal es que ese valor sea positivo y
más alto.

Primera corrida del programa CPT, lugar donde se ubica el índice.

26
2. Uno de los más importantes criterios que hay que considerar en los pronósticos es la
definición del período de trabajo a usarse, que está definido por dos cosas:

El LENGHT OF TRAINING PERIOD y el FIRST YEAR OF X TRAINING PERIOD.

3. En cuanto a la definición del periodo climatológico a trabajar, generalmente el

programa da por defecto el año de inicio y final de la serie histórica (en muchos
casos sobrepasa de 30 años), al tomar en consideración diferentes periodos se
tendrán diferentes resultados.

La última normal considerada oficialmente fue: 1971-2000, muchos pronosticadores

consideran la normal desde el año de inicio de la serie histórica hasta el año anterior
al pronóstico.

El cambio puede realizarse a través de los siguientes pasos: entrar al menú

CUSTOMIZE (configuración) y luego a Climatological Period

Y luego modificar los años.

4. Se debe verificar el Coeficiente de correlación canónica. Es el grado de relación

entre las variables predictoras y las predictantes (en forma conjunta).
27
5. Solo si el paso previo es satisfactorio se procederá a evaluar los indicadores
estadísticos a través de la evaluación individual por estación, esto se realiza a través
de la siguiente ruta:
TOOL/VALIDATION/CROSS VALIDATED/PERFORMANCE MEASURES/

Se realiza el análisis estación por estación, en esta etapa no se podrán ver las
estaciones que superen el límite permisible de datos faltantes (MISSING VALUES)

Primer paso, visualizar el gráfico y comparar las línea roja (observaciones ocurridas) y
las líneas verdes (pronósticos) resaltar si las curvas siguen el mismo patrón
característico, es decir, si una curva sigue a la otra.

La segunda visualización se dará en el grafico del ROC (Relative Operating

Characteristic) donde se apreciará las curvas que estén por encima de la diagonal, si la
curva es la roja se refiere a los pronósticos realizados por el modelo a la categoría “bajo
lo normal” y si es de color azul se refiere a los pronósticos realizados por el modelo a la
categoría “Sobre lo normal”.

Resumen, la idea de la visualización rápida es que el primer gráfico es que la forma de

las dos líneas debería ser parecida, y en el segundo gráfico las líneas deben estar
tendiendo a ubicarse lo más lejos por encima de la diagonal.

28
6. Segundo paso, aunque los indicadores estadísticos son una referencia técnica,
hay que entender lo que significan, el primer coeficiente es el de Pearson’s y el de
Spearman nos indicarán el grado de asociación que tienen los valores observados con
los pronosticados y deberán aproximarse a 1, mientras más altos sean estos valores
más favorables serán nuestros resultados.

El error cuadrado medio (Mean squared error) y la raíz del error del cuadrado medio
(Root mean squared error) tienen el mismo significado: representan la suma de
desviaciones que existen entre los valores observados y los pronosticados, es decir, el
error que existe para que los valores pronosticados traten de alcanzar al valor
observado. En forma práctica si los valores observados y los pronosticados son
similares o casi iguales, el error va ser casi nulo o cero por lo tanto también su raíz
cuadrada.

Hay que tener en consideración, que este indicador es muy relativo, no es lo mismo
hallar una diferencia entre ambos valores (observados y pronosticados) en una zona
lluviosa que en una zona seca, por ejemplo:

Precipitación Precipitación Error Observaciones

pronosticada Observada
430 mm/mes 380 mm/mes 50 mm Zona lluviosa
10 mm/mes 0.0 mm/mes 10 mm Zona Seca

7. Los demás valores se refieren a las medidas categóricas, es decir al grado de

acierto del modelo con los datos históricos.

Hit Score: es el porcentaje de aciertos del modelo en relación al total de pronósticos

realizados de toda la serie histórica.

El más óptimo es tener un valor cercano a 100% el cual indicará un modelo perfecto.

Hit Skill Score: es el indicador de evaluación de la destreza del modelo, porcentaje de

veces que el resultado corresponde a una casualidad.

El más óptimo es tener un valor cercano a ±100% el cual indicará un modelo perfecto.

LEPS score (Linear Error in Probability Space): que calcula un resultado definido
usando una tabla que da diferentes resultados de aciertos, dependiendo de la categoría
observada y de las anteriores probabilidades de las categorías. La distribución de
probabilidades es transformada a una función de probabilidad acumulada (Fig. 19).

29
 Fig. 19

Gerrity score: que calcula un resultado definido usando una tabla resultados alternativa
a aquella usada para los resultados LEPS.

ROC área (below-normal): Representa el área bajo la curva de color rojo. Define el
área debajo de la curva ROC para pronósticos de la categoría bajo lo normal y, da la
proporción de veces que las condiciones bajo lo normal pueden ser distinguidas con
éxito sobre otras categorías. Como un valor máximo y óptimo en el modelo debe ser 1
(que significa el 100%)

ROC área (above-normal), Representa el área bajo la curva de color azul. Define el
área debajo de la curva ROC para pronósticos de la categoría sobre lo normal y, da la
proporción de veces que las condiciones sobre lo normal pueden ser distinguidas con
éxito sobre otras categorías. Como un valor máximo y óptimo en el modelo debe ser 1
(que significa el 100%).

30
 Procesos previos para la corrida del CPT

Formatos de entrada
Del CPT: Trimestral;
Bimestral, Mensual
2
Determinación de
¿Buscar la posible causa física?
Nueva Variable y/o
Área predictora Registrar el área predictora

Iniciar proceso
¿El Predictor esta no alternativo de
actualizado? Actualización
De Variables
si

Datos listos

Año de Inicio, datos faltantes,

Configuración Si variable= PP → Y Bound=0,
del CPT Numero de años = total de la serie

Numero de Modos:
X= 10
Y= 10
CCA= 10

31
 Procesos de evaluación y toma de decisiones de los resultados obtenidos por
medio del CPT

Corrida 2
CPT

Goodness no
Index~1

si

Eval. Conjunta no
¿CCA~1/alto?

si
Evaluación
Modelo por
c/Estación

Confirmar estadísticamente:
Eval. Gráfica no
¿Observ Vs. Pron. Pearson, spearman → 1 (tendencia a 1)
Semejantes?
EMC, REMC, EMA → 0 (Números bajos)
si
Confirmar
BIAS numéricamente
→ 0 (tendencia a 0)
Eval. Gráfica ROC sobre → 1
no
¿ROC: encima de
la diagonal? ROC bajo → 1
Hit Score→ 100%
si
Hit Skill store → 100%
Eval. Medidas no
Categóricas LEPS score → 100%
¿Buenas?
Gerrity score → 100%
si
Utilizar para el
pronostico
Individual

Nota: El símbolo → significa tendencia o aproximación

32
Si se cumplen los requisitos de los esquemas 1 y 2, estamos en condiciones de poder
utilizar el modelo para pronosticar el año que precede en cada estación
(individualmente) que cumplió todos estos requisitos. Para lo cual se realiza a través del
menú:

TOOL/OPEN FORECASTS FILE/

Colocar el año a pronosticar: 2008 (first year of data in file).

En el menú: TOOL/FORECAST/MAPS/PROBABILITIES

En los resultados probabilísticos solo se deben considerar las estaciones que

cumplieron todo lo indicado en los esquemas 1 y 2. Los demás valores no serán
considerados para la confección de la tabla de pronósticos y serán determinados con
otros índices.

33
Consideraciones para la interpretación de los terciles

El CPT, considera entre sus resultados los valores superiores al 50% en sus
categorías extremas para que sea considerado superior o inferior. Para el resto de sus
resultados son considerados normales. Los valores de la condición normal es igual a
decir la probabilidad de ocurrencia de la climatología. Por ejemplo, el grafico siguiente
nos muestra los valores probabilísticos de una condición sobre lo normal (superior).

SUPERIOR

Si se tiene valores inferiores al 50% en las categorías B (bajo lo normal) y A (sobre lo

normal) son considerados normales, como por ejemplo una probabilidad de 25 – 30 –
45, para el CPT es considerado muy cercano al límite superior pero dentro de la
categoría “Normal”, hay que destacar que muchos investigadores no encuentran
diferencias significativas entre los valores de 25-30-45, considerando como cualquiera
de los 03 casos posibles.

2.6 Preguntas frecuentes sobre el manejo del CPT

¿Qué hacer si no se cumple uno de los requisitos del esquema 1 y 2 antes

indicado?

En ese caso hay que descartar los valores de dicha estación, por lo tanto, no es
considerada en los resultados finales.

¿Cómo considerar en el caso de que el CCA sea favorable y en el análisis

individual por estaciones solo algunas es favorable?

En ese caso, solo las que son al mismo tiempo favorable en el coeficiente de correlación
canónica (CCA) y en los indicadores estadísticos individual por estación van a ser
considerados en el pronóstico final.

34
 ¿Cómo considerar si el Coeficiente de Pearson y Spearman son altos pero
negativos?

No se consideran en el análisis, los valores por estación son descartados y no

considerados en el agrupamiento final de los pronósticos.

¿Cómo obtener los límites de los valores de la climatología?

Existen dos formas de obtener la climatología:

La primera, proviene de la misma data original (formato de datos de entrada del CPT
correspondiente a la variable que deseamos predecir = Y), a cada columna se le añade
los valores del percentil 33 y 66, los cuales corresponden a los limites de los terciles.
Este valor es variable según los límites de las probabilidades son cambiadas.

La segunda forma, lo proporciona el programa CPT, con el comando

TOOL/FORECAST/SERIES/ parte superior climatología donde además indica el periodo
asumido en el cálculo.

Periodo de la climatología

Límite inferior de la Climatología, en valores

Límite superior de la Climatología, en valores

Límite inferior de la Climatología, en probabilidades

Límite superior de la Climatología, en probabilidades

¿El CPT proporciona valores determinísticos en sus pronósticos?

El CPT tiene la ventaja que realiza múltiples operaciones, por lo tanto nos proporciona
múltiples resultados, uno de ellos es la estimación de los valores de pronósticos
cuantitativos bajo un intervalo de confianza bajo un nivel de confianza determinado (por
defecto el programa calcula con el 68.3% de nivel de confianza).

Este se puede visualizar luego de activar el pronóstico por series, luego de realizar la
corrida:

TOOL/FORECAST/SERIES/

35
¿Qué se entiende por Intervalos de confianza?

Interpretación 1

Un intervalo de confianza es un rango de valores que tiene una probabilidad dada de

contener el parámetro siendo estimado. Los Intervalos de confianza del 95% y 99% los
cuales tienen 0.95 y 0.99 de probabilidad de contener el parámetro respectivamente son
los más usados.

Si el parámetro siendo estimado fuera m, el intervalo de confianza del 95% será algo
como:

12.5 m 30.2

Esto significa que el intervalo entre 12.5 y 30.2 tiene una probabilidad 0.95 de contener
m.

Podemos también decir que si el procedimiento para calcular el intervalo de confianza

del 95% es usado muchas ocasiones, el 95% de las veces el intervalo contendrá al
parámetro.

Interpretación 2.

Se llama intervalo de confianza en estadística a un intervalo de valores alrededor de

un parámetro muestral en los que, con una probabilidad o nivel de confianza
determinado, se situará el parámetro poblacional a estimar. Si α es el error aleatorio que
se quiere cometer, la probabilidad será de 1 − α. A menor nivel de confianza el
intervalo será más preciso, pero se cometerá un mayor error.

Para comprender las siguientes fórmulas, es necesario conocer los conceptos de

variabilidad del parámetro, error, nivel de confianza, valor crítico y valor α.

Un intervalo de confianza es, pues, una expresión del tipo [θ1, θ2] ó θ1 ≤ θ ≤ θ2, donde θ
es el parámetro a estimar. Este intervalo contiene al parámetro estimado con una
determinada certeza o nivel de confianza 1-α.

Al ofrecer un intervalo de confianza se da por supuesto que los datos poblacionales se

distribuyen de un modo determinado. Es habitual que lo hagan mediante la distribución
normal. La construcción de intervalos de confianza se realiza usando la desigualdad de
Chebyshev (Fig. 20)

36
 Fig. 20

Dicho punto es el número tal que:

Y en la versión estandarizada se cumple que:

Z − α / 2 = − Zα / 2

Así:

Haciendo operaciones es posible despejar μ para obtener el intervalo:

Resultado el intervalo de confianza:

Si σ no es conocida y n es grande (p.e. ≥ 30):

Donde s es la desviación típica de una muestra.

Aproximaciones para el valor Zα / 2 para los niveles de confianza estándar son 1,96 para
1 − α = 95% y 2,576 para 1 − α = 99%.

¿Dónde puedo modificar el nivel de confianza de mis pronósticos?

Una vez realizada las corridas del CPT se procede a la siguiente ruta:

CUSTOMIZE/FORECAST SETTING/

37
¿Cómo considera el CPT un resultado probabilístico 50%-10%-40% o 50%-0%-
50%?

Es una ambigüedad en la que cualquiera de los escenarios es posible, y no es factible,

por lo cual solo considerara como incertidumbre. El programa CPT lo considera con el
valor medio o valor normal (categoría normal), pero físicamente no es aceptable.

¿Cuándo se considera un pronóstico con resultados de incertidumbre?

La incertidumbre es la expresión del grado de desconocimiento de una condición futura.

La incertidumbre puede derivarse de una falta de información o incluso por que exista
desacuerdo sobre lo que se sabe o lo que podría saberse. Puede tener varios tipos de
origen, desde errores cuantificables en los datos hasta terminología definida de forma
ambigua o previsiones inciertas del comportamiento humano. La incertidumbre puede,
por lo tanto, ser representada por medidas cuantitativas (por ejemplo, un rango de
valores calculados según distintos modelos) o por afirmaciones cualitativas (por
ejemplo, al reflejar el juicio de un grupo de expertos). Dentro del CPT todos los
resultados tienen un valor obtenido corresponde al juicio del pronosticador En nuestro
caso se recomienda cuando existe la probabilidad de las 3 situaciones posibles, es
decir, obtengamos terciles de 33%-33%-33% o 30%-30%-40% o 40%-30%-30% que no
son consistentes.

¿Cómo considera el CPT un resultado probabilístico 30%-40%-30%?

Como se explica en la pregunta anterior, este es considerado como incierto, es decir,

cualquiera de las categorías o condiciones puede darse bajo estas condiciones.

¿Cuál es la causa de obtener resultados con incertidumbre?

Puede deberse a muchas causas, entre ellas:

a) Mala decisión en la toma de predictores. No se usaron los adecuados que

físicamente explican la variabilidad de los predictantes (el valor a predecir). Los
predictores deben ser tomados de tal forma que detrás de ellos exista un respaldo
físico – atmosférico que explique la teleconexión que se pueda dar entre el predictor
y el predictante.

b) El CPT se basa en la premisa que existe una relación lineal entre los predictores y
predictantes que no muchas veces existe, la cual puede ser una de las causas de las
ambiguedades.

c) Los predictores no están definidos, por encontrarse en una etapa de cambio de

estación astronómica. En muchos países, existen 04 estaciones astronómicas bien
marcadas, dentro de ellas las estaciones de otoño y primavera, son los periodos en
los que no se definen – climáticamente hablando - los predictores, especialmente los
atmosféricos.

d) La mala calidad de la información, en muchos de los casos la información

proveniente de las estaciones meteorológicas tiene saltos de la serie histórica debido
a cambios en su ubicación que son significativos – estadísticamente hablando – es
decir, prácticamente tenemos dos series diferentes que han sido juntadas para el
proceso de corrida con el CPT.

38
e) Los datos tienen muchos vacios, los datos faltantes también juegan un papel
importante en la generación de pronósticos. El programa CPT reemplaza los valores
de datos faltantes por valores medios, medianas, estación más cercana y al azar.
Cuando los años faltantes son seguidos se formara una línea recta horizontal.

Línea Roja: 10 años faltantes seguidos

f) Los modos no son los adecuados, cada uno de los modos llevan consigo una parte
de la variancia a explicar de los datos principales (autovalores), en ocasiones no son
suficientes el numero de modos adecuados (generalmente entre los 5 primeros
modos se encuentra la explicación de un gran porcentaje de la variancia total). Sin
embargo, en algunas ocasiones es necesario aumentar el número de modos a una
cantidad recomendada de 10 (opcional), con el que se mejoran los resultados.

g) Existe más de un predictor que afecta al predictante. Las lluvias en los países
cercanos a la línea ecuatorial están afectadas por varias alteraciones simultáneas
que inciden en las variables precipitación y temperatura. Para ello es necesario
trabajar en forma simultánea con varios predictores (o áreas diferentes de un solo
predictor).

¿Cómo considerar dos resultados contrarios obtenidos de dos variables

predictores diferentes?

Primero verificar si ambos tienen el CCA altos, y estadísticamente aceptables, si ambos

son correctos, lo recomendable es realizar un ensamblado con los predictores en forma
conjunta, con lo cual tendremos un resultado conteniendo las dos cargas que
intervienen en la variable a predecir. En caso contrario se debe tomar la información del
mayor valor de CCA.

¿Cómo realizar pruebas simultaneas con dos o más predictores?

El CPT está diseñado para tomar sólo un campo de predictores a la vez, pero es posible
conseguir el software para producir resultados con múltiples campos. Se debe correr el
software usando uno de los campos de predictores, y con el número de modos X EOF
al máximo (esto será el mínimo del número de puntos de grilla y la longitud del periodo
de prueba). Entonces grabe los scores de los componentes principales, usando Data
Output. Repita para otros campos de predictores.

Ahora combine varios archivos de salida de scores de los componentes principales de

modo que los componentes principales para todos los campos de predictores estén en
39
un archivo. CPT entonces puede ser corrido con este nuevo archivo como las variable
predictora leídas como set de datos no referenciado. Ponga el X EOF la opción a la
“matriz de covariancia" para conservar la importancia relativa del EOFS. Aunque no sea
posible ver los mapas de cargas para los campos combinados, todos los resultados de
validación y previsiones serán como si el software había sido controlado con múltiples
campos de entrada.

3. VERIFICACIÓN DE PRONÓSTICOS ESTACIONALES

3.1. Procedimientos para Verificar Pronósticos Estacionales Probabilísticos

por Categorías
Considerando que la verificación es el proceso de determinar y evaluar el
desempeño (calidad y veracidad) de un esquema de pronóstico. Las tres razones
más importantes para verificar un pronóstico son las siguientes:

1. Para monitorear la calidad y consistencia: cuan precisos son y si están

mejorando con el tiempo.

2. Para mejorar la calidad del pronóstico: el primer paso hacia la excelencia es

descubrir en qué se está fallando.

3. Para comparar la calidad de diferentes sistemas de pronósticos: hasta qué

grado un sistema de pronóstico da mejores resultados que otros.

La calidad de un pronóstico dependerá en gran medida de: i) Consistencia: que es el

grado en que el pronóstico corresponde al mejor juicio que un pronosticado pueda hacer
de una situación, con base en su conocimiento, ii) Calidad: grado con que el pronóstico
se corresponde con lo que realmente ocurrió, y iii) Valor, que es el grado con que el
pronóstico ayuda a un tomador de decisión a concretar un beneficio económico u otro
tipo de beneficio.

La verificación de pronósticos se concentra en determinar la calidad. De acuerdo con

Stanky et al. (1989) y Murphy (1993) la calidad de un sistema de pronóstico debe ser
evaluada por medio de seis atributos: exactitud, habilidad, confiabilidad, resolución,
agudeza e incertidumbre.

La exactitud, es considerada como el indicador del nivel de concordancia entre lo

pronosticado y lo observado; mientras que la habilidad es el indicador que mide la
exactitud relativa de un pronóstico con respecto a otro realizado por un procedimiento
estándar (persistencia, climatología, azar).

Los pronósticos estacionales son de carácter probabilístico por categorías. En los

pronósticos se asigna probabilidades de ocurrencia de precipitación por ejemplo, de
forma estacional trimestral ante 3 posibles escenarios (sobre lo normal, normal o bajo lo
normal). A cada región homogénea le corresponden tres cajas, cuyos números
representan la probabilidad de ocurrencia de lluvia (en el trimestre considerado) dentro
de cada tercil.

Terciles en Aplicaciones Climáticas

A: escenario húmedo; lluvia estacional en el tercil alto.

N: escenario normal; lluvia estacional en el tercil central.

B: escenario seco; lluvia estacional en el tercil bajo.

40
VERIFICACIÓN:

La verificación se realizará mediante el uso de tablas de contingencia. Figura 21. La

tabla no constituye en sí un método de verificación, pero proporciona la base desde la
cual se pueden obtener los puntajes para medir la precisión y habilidad del sistema de
pronóstico.

Evento observado

B N A Total

B 2 0 0 2

Evento
N 1 4 1 6
pronosticado

A 1 1 2 4

Total 4 5 3 12

Figura 21. Tabla de contingencia utilizada para verificación de pronósticos

estacionales.

La tabla de contingencia muestra la fop que es la frecuencia empírica (número de

parejas que pertenecen a la categoría op).

B: bajo lo normal

N: lo normal

A: mayor de lo normal

n = total de eventos o pronósticos

41
Donde:

C= f11+f12+f13 K= f11+f21+f31
D= f21+f22+f23 L= f12+f22+f32
E= f31+f32+f33 M= f13+f23+f33

3.2. Elaboración de la tabla de contingencia

A cada estación le corresponde un par ordenado (observación, pronóstico). En amarillo
se indican los datos que se deben de actualizar en cada pronóstico. Tabla 3. Para
efectos prácticos de evaluación se considera que el pronóstico corresponde a la
categoría que tiene la mayor probabilidad. En el ejemplo dado, hay una mayor
probabilidad (45%) de que llueva menos de lo normal en el oriente de Nicaragua y lo
normal en el occidente.

Tabla 3. Ejemplo de tabla de contingencia para elaboración de pronósticos

estacionales.

42
 Figura 21. Ejemplo de elaboración de la tabla de contingencia.

El paso siguiente es calcular los estadísticos de verificación. Los siguientes son los más
comunes, usados como estándares en los procesos de verificación de pronósticos
categóricos (Stanki et al., 1989; Alfaro, 2000)

Porcentaje o razón de acierto (HR)

Es una medida de la “precisión” de un pronóstico, se calcula como el porcentaje de

todos los pronósticos categóricos que fueron correctamente acertados.

El rango de valores de HR oscila entre 0 y 100. HR=100 para un sistema de pronóstico

perfecto, mientras HR=0 para un pronóstico totalmente equivocado.

Coeficiente de Heidke (HSS)

Es una medida de “habilidad” que intenta evaluar cuanto mejor es el sistema de

pronóstico en comparación con el generado al azar. En otras palabras, por ejemplo
mide el porcentaje de pronósticos correctos después de eliminar aquellos que pudieran
ser correctos debido puramente a factores aleatorios.

43
  HR-33.3 
HSS = 100*  
 100-33.3 
El rango varía de -100 a +100. Cuando el pronóstico es al azar, HSS=0; cuando el
método de pronóstico es perfecto, HSS=100; mientras que con un sistema de
pronóstico sin ningún grado de habilidad HSS = -100.

Los valores negativos del HSS indican que los desaciertos o fallos dominan el análisis.

Coeficiente del error lineal en el espacio de probabilidades (LEPS)

Es similar al HSS salvo que en el LEPS los pronósticos que fallan por dos categorías
son penalizados más fuertemente que aquellos que fallan sólo por una, además
presenta la ventaja de que es un índice normalizado que no depende de la escala de la
variable y puede ser utilizado para comparar los puntajes de un sitio a otro

Donde Z1 es la sumatoria de las frecuencias ponderadas

Z2 es la sumatoria de las frecuencias ponderadas de un conjunto perfecto de aciertos

z2 = n
En un pronóstico aleatorio todas las fop de la tabla de contingencia tienden al mismo
valor, por lo tanto z1 y el LEPS tenderían a 0. Por otro lado, en un sistema de pronóstico
perfecto la razón z1/z2 tiende a 1, y el LEPS tendería a 100. Al igual que con el índice
HSS, valores negativos del LEPS indican que los fallos dominan el análisis.

De acuerdo con Alfaro (2000), se considera que un modelo es bueno si HSS y LEPS
son positivos. Según Cassey (1998) se considera que un pronóstico tiene una habilidad
razonable si LEPS > 5; es un buen pronóstico si LEPS > 10. Similarmente, un
pronóstico es pobre si LEPS < -5 y muy malo si LEPS < -10.

Coeficiente de probabilidad de categorías (RPS)

Medida de verificación que es sensible a la diferencia entre las probabilidades

asignadas a cada categoría y las probabilidades observadas. El pronóstico recibe mayor
puntaje cuando la categoría observada fue pronosticada con altas probabilidades,
mientras que el pronóstico es penalizado cuando éste le asignó altas probabilidades a
categorías que no fueron observadas.
44
donde j es el número de categorías, Pf es la probabilidad asignada a la categoría f, y Of
es la observación de la categoría f. Los valores de Of son todos iguales a cero excepto
para la categoría en la cual ocurre la observación.

En un pronóstico perfecto RPS = 0. Si el pronóstico se aparta del pronóstico perfecto, el

cuadrado de las diferencias también se apartará de cero y RPS > 0.

En el caso de las Perspectivas Climáticas se consideran tres categorías (j=3), y por

consiguiente el peor puntaje es 100. Esta situación sería aquella en la cual el pronóstico
asigna una probabilidad del 100% a alguna de las categorías extremas y el evento
ocurre en la categoría extrema opuesta.

Por lo tanto en un pronóstico perfecto RPS = 0, mientras que en el peor de los casos
RPS=100.

Por lo expuesto se considera que: un esquema de pronóstico es “bueno” y “útil”

cuanto más alto son los valores de HR, HSS, LEPS y cuanto más bajo el RPS.

Resultado de la verificación:

Donde:

HR= 78 (100)
HSS= 67 (100)
LEPS= 20 (100)
RPS= 14 (0)

4. Los Foros Climáticos Regionales

4.1 El Foros Climático de Centro América

Antecedentes del Foro Climático

El Foro se reúne 3 veces al año (abril, julio y noviembre) para consensuar las
predicciones de los periodos mayo-julio, agosto-octubre y diciembre-marzo. La
coordinación está a cargo del Comité Regional de Recursos Hídricos (CRRH), que es
un organismo internacional adscrito al Sistema de la Integración Centroamericana
(SICA).

45
En el Foro participan como miembros permanentes todos los Servicios Meteorológicos
(SMN) y la Universidad de Costa Rica (UCR) como colaborador y asesor científico.
Además participan meteorólogos que laboran en Instituciones que no son SMNs en el
ámbito de la hidro-agrometeorología (ICE, ACP, entre otros).

El Foro Climático se realiza desde hace 5 años, cuenta con la activa participación de
los representantes de los usuarios y es desarrollado en forma paralela a el Foro de
Aplicaciones, donde participan representantes de los diversos sectores de desarrollo
(salud, energía, agricultura, pesca, riesgo, seguridad alimentaria), los cuales se
encuentran muy ligados a las más altas autoridades de sus respectivos países.

El Foro Climático se desarrolla en 3 días, que incluyen exposiciones, discusiones,

consenso del pronóstico con las proyecciones realizadas por cada país, las obtenidas
por los modelos climáticos, las investigaciones de variabilidad y finaliza con el Foro de
Aplicaciones donde los meteorólogos y representantes de los sectores definen el
posible impacto del pronóstico climático en cada uno de los sectores de desarrollo
representados.

Metodología del pronóstico estacional regional

1. Análisis de temporadas análogas

2. Análisis de salidas de 25 Modelos de circulación global

a. Asociados a la OMM (10).

b. Multimodelos del IRI (4)
c. Centro Europeo ECMWF ( 3)
d. Otros (5)

3. Modelos estadísticos
a. Análisis de contingencia
b. Probabilidades condicionadas (EOF´s)
c. Probabilidades condicionadas (EOF´s) para pronósticos bi-mensuales
d. Correlación Canónica y Componentes Principales (CPT).

4. Investigaciones de variabilidad climática relacionadas con la influencia de los

diferentes forzantes: oscilación quasibienal (QBO), oscilación decadal Pacífico
(PDO), El Niño/La Niña (ENSO), etc.

Resultados:

46
 Figura 22. Resultados de modelos estadísticos para
pronóstico estacional en Centro América.

Figura 23. Resultados de modelos estadísticos para pronóstico estacional en Centro América.
Correlación canónica y componentes principales (CPT).

4.2 El Foro Climático en el Sudeste de Sudamérica

Antecedentes del Foro Climático

El Foro Climático en el Sudeste de Sudamérica inició en diciembre de 1997. El primer

Foro se realizó en Montevideo y contó con la participación de los Servicios
Meteorológicos de los países del MERCOSUR y climatólogos provenientes de
universidades e institutos nacionales e internacionales de investigación. La Reunión fue
co-organizada por la Asociación Rural del Uruguay, el Instituto Interamericano para la
Investigación del Cambio Global (IAI), la Administración Nacional del Océano y la

47
Atmósfera (NOAA) de Estados Unidos, el Instituto Internacional de Investigación para la
Predicción Climática (IRI) y la Organización Meteorológica Mundial (OMM).
La perspectiva climática está basada en pronósticos dinámicos presentados por los
modelos INPE/CPTEC e IRI así como sobre los resultados de estudios detallados de los
impactos de El Niño en esta región. El pronóstico se elaboró por consenso.

Posteriormente el Foro fue organizado por los Servicios Meteorológicos Nacionales, con
el apoyo de la OMM y la Agencia Española de Meteorología. Actualmente se realizan
dos Foros por año, rotando entre los países participantes. No todos los foros cuentan
con participación externa (usuarios) y suelen presentarse patrocinios por parte de
Organismos Nacionales, generalmente relacionados con la actividad agropecuaria. Los
foros se realizan en Brasil, Paraguay, Uruguay y Argentina.

Funcionamiento

En el análisis regional y global se analizan las predicciones de los modelos globales

para el ENSO y TSM del IRI, CPTEC, Centro Europeo, NCEP; mientras que en la
aplicación de modelos dinámicos se consideran los del IRI, CENPAT-CONICET,
CPTEC (Global, Regional ETA, Acoplado), CENTRO EUROPEO, EUROBRISA y
EUROSIP .

En el diagnóstico de resultados se analizan:

 Características térmicas de los meses previos

 Características pluviométricas de los meses previos
 Eventos significativos
 Campos de circulación atmosférica – Posición de la Zona de Convergencia Inter
Tropical (ZCIT) entre otros
 El Niño – Oscilación del Sur
 Temperatura de la superficie del mar en los océanos adyacentes
 Estado del Suelo
 Concentración de hielo de mar

48
Figura 24. Metodología aplicada en la elaboración del foro de perspectivas climáticas del
Sudeste de Sudamérica.

Resultados:

En el Foro, el país organizador presenta los campos de temperatura media y de

precipitación observados y se realiza una evaluación visual. Cada país propone la
perspectiva de su país, que luego en su conjunto tiene que ser consensuada, se
expresan asignando la probabilidad de ocurrencia de cada tercil y una de las formas de
asignar las probabilidades de ocurrencia es subjetiva, generalmente la probabilidad de
la categoría más probable no supera 45%. Finalmente en climatología el 33.3% en
cada categoría, no es considerado.

Figura 25. Resultado del Foro de Figura 26. Resultados del Foro de
perspectivas climáticas del Sudeste de Perspectivas Climáticas del Sudeste de
Sudamérica para la variable precipitación, Sudamérica para la variable Temperatura,
periodo enero-marzo 2011 periodo enero-marzo 2011.

4.3 El Foro Climático en el Oeste de Sudamérica

Antecedentes del Foro Climático

El Pronóstico Estacional para el Oeste y Sur de Sudamérica, se inicia en el 2001, es

elaborado con la contribución de los Servicios Meteorológicos e Hidrológicos de
Venezuela, Colombia, Ecuador, Perú, Bolivia, Chile, Argentina y Uruguay, bajo la
coordinación de CIIFEN.

Este producto de información, distribuido mensualmente, es generado bajo un proceso

estandarizado para el tratamiento de la información climática de 434 estaciones
meteorológicas y muestra un mapa regional con información del pronóstico a 3 meses,
de las variables de precipitación, temperatura máxima y temperatura mínima.

49
 Funcionamiento

El Foro climático ha logrado un mecanismo de coordinación virtual que permite la

emisión de un pronóstico estacional integrado en el oeste de Sudamérica al cual en el
2011 se sumaron Argentina y Uruguay. Se genera, mensualmente. La descripción del
pronóstico es elaborada luego de una discusión de expertos vía correo electrónico y
difundida a mas de 15.000 usuarios de la región.

La metodología de pronóstico es estándar y con el pasar de los años, se ha logrado una

muy buena armonización de los productos que permite su mapeo regional. Hasta el
2011, se han realizado 11 foros climáticos que han contado con la participación de los
SMHNs de la región, instituciones pertenecientes a distintos sectores como el de
agricultura, recursos hídricos, salud, universidades y organismos de prevención de
desastres.

Resultados:

Figura27. Resultados del Pronóstico Estacional para el Oeste y Sur de Sudamérica para
las variables precipitación, temperatura máxima y temperatura mínima.

5. CAPACIDADES EXISTENTES Y BUENAS PRÁCTICAS EN

LATINOAMÉRICA

5.1. Sistemas de Pronóstico en los países (2011)

Manejo de la
Herra Método de Parámetros validación y
PAÍS
mienta predicción utilizados verificación

En desarrollo proceso de
Temperatura Superficial del
BOLIVIA CPT CPT validación.
Mar - TSM
Se analiza el método para
50
 la verificación.

Verificación de
previsiones de RR con
TSM y modelación
CPT y Correlación TSM, Anomalía de viento,
estadística CPT, se
BRASIL CPT con resultados de Anomalía de presión a
utilizan esquemas de
modelos globales nivel de mar
parametrizaciones y
modelos multimodales del
IRI.
Modelo dinámico
WRF, MM5.
Validación cruzada con
Modelo estadístico
ventana móvil de 5 años.
CHILE CPT CPT. TSM
Verificación en desarrollo
Correlación
en 2011.
resultados de
modelos globales.
Método de años Cantidad de lluvia
análogos resultados promedio por temporada, La verificación preparada
de variabilidad estacionalidad, para los Foros de
COSTA RICA
interanual probabilidad de extremos, Perspectivas no ha
relacionados a ciclones del Caribe, frentes logrado ser consolidado.
inercia y TSM. fríos.
Método: Una predicción
Evento ENSo, QBO, TSM y se considera buena
a la evolución de los cuando el valor real se
CUBA CPT CPT
movimientos verticales en ubica en un intervalo de +
la región. - dos deciles del decil
pronosticado.
Validaciones de
TSM, Viento zonal y
Modelo dinámico CRESSMAN y otras
meridional, Temperatura de
WRF, MM5. metodologías facilitadas
ECUADOR CPTEC
Modelo estadístico
la atmósfera, Velocidad
por el CMC (dinámico y
potencial, Geopotencial y
CPt. estadístico) y el CIIFEN
Humedad Específica.
(estadístico).
Porcentaje o razón de
acierto (HR).
Coeficiente de Heidke
Método estadístico
(HSS).
de Años Análogos TSM, Índices Niño 3.4,
Coeficiente del error lineal
GUATEMALA AA AA. Niño 3, Atlantico Norte,
en el espacio de
Modelo estadístico PDO, SOI, NAO y AO
probabilidades (LEPS).
CPTEC.
Coeficiente de
probabilidad de
categorías (RPS).
La validación se realiza al
final del periodo
Método estadístico estacional y se compara
de Años Análogos TSM, Precipitación y lo proyectado con lo
NICARAGUA AA
AA, índices SOI, Vientos sucedido y se determinan
MEI, NAO. aciertos y no aciertos
para calcular su
porcentaje respectivo.

51
 Método estadístico
de Años Análogos
AA. Se realiza el análisis de
TSM, Índices del océano
EL Modelo dinámico contingencia, el
AA Atlántico tropical y del
SALVADOR WRF. porcentaje de aciertos y
océano ártico.
Modelo estadístico desaciertos (HR).
CPT.

Se realiza únicamente la
validación subjetiva de los
Modelo estadístico
pronósticos climáticos. Se
URUGUAY CPTEC CPT y modelo TSM, índice SOI.
encuentra en análisis el
dinámico WRF.
método para la validación
objetiva.

52
5.2. Buenas prácticas en pronóstico estacional

El trabajo en equipo y la preparación de resultados para los Foros Nacionales y

regionales es una práctica que ha permitido obtener mejores resultados en predicción
en Latinoamérica.

 El trabajo cara a cara que se lleva con los usuarios en Argentina va

consolidando una comunidad de práctica en torno a la predicción climática.

 Para la interpretación de la información del Pronóstico Estacional se elaboran

tutorías explicativas publicadas en web, dirigido a los usuarios en el caso de
Brasil.

 Chile por su parte afirma que la difusión y discusión del pronóstico estacional
ha mejorado el entendimiento de los resultados de la predicción climática por
parte de los usuarios.

 Costa Rica anota mejoras en metodologías de predicción climática junto con la

validación de predicción estacional a través de la implementación de
herramienta FIT (Forecast Interpretation Tool) y CPT. Las bases de datos
meteorológicas son actualizadas en tiempo real.

 En el caso de Cuba se anota la importancia de la vigilancia climática para

brindar información oportuna y comprensible que con el trabajo conjunto con
los sectores de desarrollo y los procesos de toma de decisiones, así como el
trabajo cercano con la Defensa Civil ha permitido contribuir en la prevención de
desastres y atención de emergencias.

 Colombia destaca la interacción con el sector privado para la socialización y

realimentación del pronóstico estacional

 Ecuador señala un notable fortalecimiento de las unidades de climatología y

modelación numérica en los últimos 3 años y la institucionalización del Foro
climático nacional como un mecanismo permanente de interacción con los
usuarios.

 Guatemala reconoce como una buena práctica en el país a la utilización de la

técnica de los años análogos y CPT, junto con los Foros locales de
comunicación del pronóstico estacional para difusión y toma de decisiones en
los sectores de desarrollo nacional.

 Nicaragua afirma que existe un mayor grado de aceptación y confianza de los

resultados del Pronóstico Estacional en los sectores productivos y tomadores
de decisiones.

53
5.3. Lecciones aprendidas en la aplicación y difusión del pronóstico
estacional

 El análisis y discusión de los mapas con el pronóstico estacional y mensual ha

contribuido en la toma de decisiones en distintos sectores: agricultura, energía,
recursos hídricos y la prevención de desastres.
 La discusión de las predicciones en forma conjunta con los usuarios ha
brindado seguridad al usuario de la información y evitado la distorsión de la
misma.

 Se ha promovido la sinergia y cooperación con instituciones de gobierno,

universidades y el sector privado.

 Se ha promovido la retroalimentación de pronósticos por parte de los usuarios.

 Se ha simplificado el lenguaje en la diseminación de la información para los

usuarios.

 El proceso de diseminación debe de hacerse procurando garantizar la

comprensión de los usuarios, sinembargo sigue siendo complejo comunicar la
incertidumbre.

 La incorporación de la predicción estacional como servicio climático ha

incrementado la demanda de información por parte de los sectores productivos
de la región.

5.4. Buenas prácticas en la relación con los usuarios

 Aprender sobre el perfil del usuario (lenguaje, necesidades, tiempos).

 Identificar contactos relevantes para la red de distribución de la información.

 Involucrar a los medios de comunicación y convertirlos en aliados.

 Hablar en el lenguaje de los usuarios, reemplazando la jerga técnica por

palabras sencillas pero comprensibles.

 Requerir la realimentación del usuario sobre los pronósticos climáticos y

tomarlo en cuenta para el mejoramiento de los mismos.

 Involucrar al sector privado como usuario clave y aliado en la difusión de la

información.

 Procurar ganar y mantener la visibilidad de los pronósticos y su aplicación

frente a las autoridades y las diferentes instancias de los Gobiernos.

 Adecuar productos climáticos tradicionales a las necesidades de los usuarios.

 Construir confianza en los usuarios a través de la transparencia y el

reconocimiento de las limitaciones en las predicciones.

54
  Responder a las invitaciones e interacciones con los usuarios, participando en
sus actividades.

 Demostrar y difundir los beneficios sociales y económicos de la aplicación de

los pronósticos climáticos.

6. Referencias

Goodess, C.M., Anagnostopoulou, C., Bardossy, A., Frei, C., Harpham, C.,
Haylock,M.R., Hundecha, Y., Maheras, P., Ribalaygua, J., Schmidli, J., Schmith, T.,
Tolika, K.,Tomozeiu, R. and Wilby, R.L., 2005: An intercomparison of statistical
downscaling methods for Europe and European regions Ð assessing their
performance with respect to extreme temperature and precipitation events.
Submitted to Climatic Change.

M. R. Haylock, G. C. Cawley, C. Harpham, R. L. Wilby and C. M. Goodess, 2005:

Downscaling heavy precipitation over the UK: a comparison of dynamical and
statistical methods and their future scenarios. Submitted to International Journal of
Climatology.

J. Schmidli, C. M. Goodess, C. Frei, M. R. Haylock, Y. Hundecha, J. Ribalaygua, T.

Schmith, 2005: Statistical and Dynamical Downscaling of Precipitation: An
Evaluation and Comparison of Scenarios for the European Alps. In preparation.

Huth R., 2003: Sensitivity of Local Daily Temperature Change Estimates to the
Selection of Downscaling Models and Predictors. J. Climate, 17, 640-652.

The Comet Programme, UCAR, 2011.

http://iri.columbia.edu/climate/forecast/net_asmt

http://www.cawcr.gov.au/projects/verification/Bougeault/

http://www.inmet.gov.br/.../cursoI_INMET_IRI/

http://climexp.knmi.nl/forecast_verification.cgi

http://www.space.fmi.fi/Verification2009/

http://www.ecmwf.int/research/demeter/d/charts/verification

http://www.rap.ucar.edu/research/verification/verification_wkshp_2002/pdfs

55

View publication stats