Documentos de Académico
Documentos de Profesional
Documentos de Cultura
net/publication/256980652
CITATIONS READS
0 926
3 authors, including:
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
All content following this page was uploaded by Rodney Martinez on 04 June 2014.
2011
1
GUÍA DE BUENAS PRÁCTICAS PARA LA PREDICCIÓN
ESTACIONAL EN LATINOAMÉRICA
Equipo editorial
Impresión
ISBN-978-9978-9934-3-9
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.
1. INTRODUCCIÓN ..................................................................................................... 5
REFERENCIAS…………………………………………………………………………………55
4
1. INTRODUCCIÓN
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.
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
• 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
6
- Influencia de las condiciones de la superficie continental (nieve,
albedo),
- Variabilidad intraestacional (humedad del suelo)
• Influencias mutuas
- Decadal/ENSO
- ENSO/Intraestacional
- Intraestacional/sinóptico
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.
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.
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.
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.
Hirst (1986, 1988) combina las dos teorías y han buscado soluciones
de modo normal con la propagación.
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.
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.
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.
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
10
Figura 3. Anomalías y desviación estándar calculadas
de acuerdo con el índice SOI.
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)
12
durante la ocurrencia de El Niño y es la que muestra mayor consistencia con su
evolución.
13
variables tanto oceánicas como atmosféricas. El índice multivariado más usado
desde hace muchos años es el Multivariate ENSO Index (MEI) (Fig. 6)
14
Figura 7. Índices multivariados, donde el índice MEI es el primer
componente principal de los 6 cuadros.
15
posible afirmar que la actividad del ENSO sea amplificada o amortiguada o si la
frecuencia de los eventos cambiará1. (Figs.8 y 9)
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.
Variabilidad atmosférica ?
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.
18
Los Modelos estadísticos tienen diferentes grados de complejidad: análogos, métodos
de regresión, análisis de correlación canónica, redes neuronales entre otras.
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).
Oscilación del Atlántico Norte (NAO): patrón climático con mayor dominio sobre
el clima de Europa.
3-mes regular
Los modelos dinámicos pueden ser de dos tipos, cuyas características se muestran en
la Tabla 1.
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.
INTERACCIÓN OCÉANO-ATMÓSFERA
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 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 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.
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.
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.
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)
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 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 DESVENTAJAS
Toman más tiempo en correr que modelos
Calculan el movimiento vertical hidrostáticos con la misma resolución y
explícitamente. tamaño de dominio.
Pronostican explícitamente el Utilizados para aplicaciones de área
empuje vertical. limitada, así que requieren condiciones de
Toman en cuenta procesos 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.
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:
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.
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:
El más óptimo es tener un valor cercano a 100% el cual indicará un modelo perfecto.
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
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
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:
En el menú: TOOL/FORECAST/MAPS/PROBABILITIES
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
En ese caso hay que descartar los valores de dicha estación, por lo tanto, no es
considerada en los resultados finales.
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?
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.
Periodo de la climatología
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
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.
Interpretación 2.
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.
36
Fig. 20
Z − α / 2 = − Zα / 2
Así:
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%.
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%?
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.
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.
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.
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).
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.
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
B: bajo lo normal
N: lo normal
A: mayor de lo normal
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
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)
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.
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
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.
Por lo tanto en un pronóstico perfecto RPS = 0, mientras que en el peor de los casos
RPS=100.
Resultado de la verificación:
Donde:
HR= 78 (100)
HSS= 67 (100)
LEPS= 20 (100)
RPS= 14 (0)
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.
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).
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).
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
48
Figura 24. Metodología aplicada en la elaboración del foro de perspectivas climáticas del
Sudeste de Sudamérica.
Resultados:
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.
49
Funcionamiento
Resultados:
Figura27. Resultados del Pronóstico Estacional para el Oeste y Sur de Sudamérica para
las variables precipitación, temperatura máxima y temperatura mínima.
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
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.
53
5.3. Lecciones aprendidas en la aplicación y difusión del pronóstico
estacional
54
Responder a las invitaciones e interacciones con los usuarios, participando en
sus actividades.
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.
Huth R., 2003: Sensitivity of Local Daily Temperature Change Estimates to the
Selection of Downscaling Models and Predictors. J. Climate, 17, 640-652.
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