Documentos de Académico
Documentos de Profesional
Documentos de Cultura
RESUMEN:
Este artículo expone los resultados de una investigación realizada en el Centro
Meteorológico Provincial de Villa Clara. Dicho estudio pretendió contribuir al
pronóstico de precipitaciones y temperaturas extremas en Cuba, a partir de la
implementación de un Modelo numérico de pronóstico, cuyas condiciones
iniciales y de frontera parten del Modelo Mesoescalar de Quinta Generación. Se
emplearon métodos matemáticos (de Diferencias Finitas, de Integración,
Interpolación y estadísticos). Su aplicación ha permitido desarrollar un sistema
computacional automático como Modelo de pronóstico, con análisis gráfico para
la representación final de los resultados. Los mapas generados facilitan la
interpretación de sus predicciones. En una primera validación de los resultados
del Modelo, se constató que el periodo correspondiente al verano tuvo pronósticos
más precisos en las temperaturas extremas; mientras la predicción de ocurrencia
de lluvia fue más acertada en el invierno. Los resultados del software actualmente
se encuentran disponibles para todo el Servicio Meteorológico Nacional.
PALABRAS CLAVE:
Modelo, matemático, numérico, pronóstico, tiempo.
CLASIFICACIÓN:
Matemática, Meteorología.
1
APLICACIÓN DE MÉTODOS MATEMÁTICOS PARA UN MODELO
NUMÉRICO DE PRONÓSTICO DEL TIEMPO.
Lic. Alejandro Estrada Moreno
Introducción
El pronóstico del tiempo constituye una de las cuestiones más relevantes en la
actualidad. De él dependen numerosas decisiones cotidianas, desde cómo elegir el
vestuario, hasta el disfrute de actividades realizadas al aire libre y planificaciones
de siembras o cosecha de determinados cultivos. Pero el pronóstico del tiempo
constituye también la base para garantizar la protección de vidas humanas y de
recursos de vital importancia para la economía de los países.
De acuerdo con el glosario de la American Meteorological Society (AMS), el
pronóstico del tiempo es una evaluación del estado futuro de la atmósfera con
respecto a las precipitaciones, las nubes, vientos y temperatura. Estas
evaluaciones son generalmente realizadas por los meteorólogos oficiales o
particulares, a menudo utilizando simulaciones numéricas[1].
Los modelos numéricos del tiempo constituyen hoy en día una herramienta
fundamental para el conocimiento y el pronóstico de la atmósfera. En nuestro país
se realizan esfuerzos para el perfeccionamiento, adaptación y desarrollo de la
modelación numérica del tiempo. En el presente artículo se aborda los métodos
matemáticos empleados en la resolución del modelo numérico: “Mesoescala
Cuba Pronóstico del Tiempo (MEC_PT)”.
Este estudio tuvo, entonces, como objetivos:
General:
Contribuir al pronóstico de precipitaciones y temperaturas extremas
en Cuba a partir de la implementación de un Modelo numérico de
pronóstico.
Específicos:
Aplicar métodos matemáticos para la implementación de un modelo
numérico del pronóstico de precipitaciones y temperaturas extremas.
Desarrollar un sistema computacional que automatice el Modelo
numérico de pronóstico y obtenga sus resultados.
Implementar un sistema de análisis gráfico para la representación
final de los resultados.
2
El modelo desarrollado combina las condiciones a mesoescala, obtenidas de las
salidas del Modelo Mesoescalar de quinta generación (MM5)1, con las
características físico-geográficas del Archipiélago cubano. Tal combinación
garantiza que se considere el aporte de los procesos de mesoescala y locales en la
formación de precipitaciones y en la variabilidad de las temperaturas extremas, a
lo largo y ancho de nuestro país. Por último se implementó un sistema de análisis
gráfico del cual se obtienen los mapas del pronóstico de acumulados en seis horas
de precipitaciones con una frecuencia de seis horas, y hasta un plazo de 48 para
Cuba y sus mares adyacentes. Asimismo, se ofrecen los mapas diarios de
temperaturas extremas que incluye la predicción para la Red Nacional de
Estaciones Meteorológicas de Cuba (RE).
Materiales y Métodos.
Las parametrizaciones físicas y la técnica de anidamiento que se emplearon en el
MM5 se muestran en la Tabla 1.
Técnica de
Parametrizaciones físicas
anidamiento
Esquema Esquema
Esquema
de capa explícito Esquema
Convección de
fronteriza de de suelos
radiación
planetaria humedad
Interacción
2. en una
Esquema
8. Kain 2. 1. Modelo dirección
8. Schultz de
Fritsch2 [3] Blackadar 5 capas
[4] interacción
(36, 12 km) PBL de suelo.
con las
nubes
1
El MM5 (5th generation Mesoscale Model) fue desarrollado en conjunto entre la
Universidad Estatal de Pensilvania y el Centro Nacional de Investigaciones Atmosféricas
de los Estados Unidos (Véase [2]).
3
Las variables que se tomaron de la salida del MM5 del aire superior2 fueron la
altura del geopotencial (HGT), la temperatura (T), las componentes zonal (u) y
meridional (v) del viento y el punto de rocío (TD). Se tomaron además los campos
de presión a nivel medio del mar (pnmm) y en superficie (ps), las componentes del
viento a 10 metros sobre la superficie terrestre (us y vs), y la temperatura (Ts) y el
punto de rocío (TDs) a los 2 m sobre la tierra. Se empleó además el total de cielo
cubierto por nubes (N) en el pronóstico de temperaturas extremas.
Modelo numérico de pronóstico.
Con el fin de aprovechar las características orográficas del país se empleó una
malla cuadrada con un espaciamiento de 10 km, como muestra la Figura 1. Ella
representa las curvas de nivel construidas a partir de una rejilla de alturas sobre el
nivel del mar. Esta área geográfica se empleó para el cálculo de todas las
variables meteorológicas presentes en el trabajo y está limitada entre los
19.627683º y los 23.521673º de latitud norte y entre los 85.161303º y 73.757804º
de longitud oeste. Por tanto conduce a una malla de 118 44 .
Como las mallas de las variables de entrada del modelo que se implementa
(pronosticadas por el MM5) se encontraban a una resolución de 12 km, fue
necesario utilizar un método de interpolación para hacerlas corresponder con la
malla orográfica construida. El método de interpolación empleado fue el spline
2
En 11 niveles verticales isobáricos irregularmente espaciados (1000, 975, 925, 850, 700,
600, 500, 300, 200, 100, 50 hPa).
4
bicúbico natural [5], modificado para el presente trabajo3 para disminuir el tiempo
de ejecución, tan importante en un modelo de pronóstico del tiempo. Este método
lo podemos aplicar porque la diferencia entre ambas redes no resulta sustancial de
acuerdo con la naturaleza de las variables a interpolar, que son lo suficientemente
suaves. Las modificaciones realizadas se aplicaron en aquellos casos en que los
nuevos valores a calcular también estuvieran distribuidos uniformemente.
Según [5] el orden de interpolar un punto por este método es de O(m∙n), donde m
y n representan el número de columnas y filas respectivamente de la red uniforme
rectangular de datos a interpolar. Luego, evaluar D puntos dispuestos en una red
uniforme rectangular D M N , por el algoritmo anterior, tendría un orden de
ejecución de O(M∙N∙m∙n).
La modificación aprovechó el hecho de que la malla resultante de la interpolación
es también rectangular. Es decir, para una misma coordenada latitudinal yi (1 ≤ i ≤
N) se tienen M coordenadas longitudinales (x1, x2, …, xM). Esto permitió calcular
el nuevo valor de una coordenada latitudinal en sus M coordenadas longitudinales
en un orden de: max(O(M∙log2(n)), O(m∙n)).
Añadiendo que realizar esta operación para cada una de las N coordenadas
latitudinales el algoritmo tendría un orden de ejecución de: max(O(N∙M ∙ log2(n)),
O(N∙m∙n)), menor que el O(M∙N∙m∙n) del spline bicúbico natural sin
modificación.
Luego de las interpolaciones realizadas, se obtienen nuevas mallas cuya
resolución es de 118 44 con un espaciamiento de 10 km para cada una de las
variables de aire superior en los 11 niveles verticales y para las variables de
superficie.
Cálculo del pronóstico de acumulado de las precipitaciones.
Un elemento fundamental en la formación de precipitaciones atmosféricas es el
proceso de condensación del vapor de agua suspendido en ella. Una partícula de
vapor de agua se condensa cuando su temperatura disminuye hasta alcanzar el
punto de rocío. Para que esto ocurra, la partícula deberá ascender hasta alcanzar el
nivel de condensación, impulsada por fuerzas capaces de sobreponerse a la fuerza
de gravedad. Los movimientos verticales ascendentes del aire son los encargados
de realizar esta función.
Para el cálculo de los movimientos verticales se empleó la ecuación de la
continuidad en el sistema de coordenadas σ [6]:
3
En lo adelante lo llamaremos: spline bicúbico natural modificado.
5
1
up vp 1 ups vps
( )
ps x s y s d ps x
y
d '
(1)
0 0
donde:
( ) Componente vertical del viento (ω) para la coordenada σ en el propio
sistema de coordenadas σ (unidades σ/s).
u, v Componentes zonal y meridional del viento respectivamente en los
diferentes niveles de integración (m/s).
p pt
Coordenada vertical en el sistema de coordenadas σ para el cual se
ps pt
calcula el valor de los movimientos verticales (unidades σ).
p Presión atmosférica del nivel vertical a convertir a coordenada σ.
ps Presión al nivel de la superficie subyacente y en el cual se asume no existen
movimientos verticales, es decir, (1) 0 (hPa).
pt Es una constante que especifica el límite superior vertical de presión (en
nuestro caso 50 hPa) y en el cual se asume no existen movimientos verticales, es
decir, (0) 0 (hPa).
Para la solución de la ecuación de continuidad en el sistema de coordenadas σ se
parte de la aproximación de los argumentos de las integrales. Como se puede
apreciar los argumentos de ambas integrales presente en la ecuación (1) son los
mismos y representan la variación horizontal de la presión en superficie
provocada por el movimiento zonal y meridional del aire. Esta variación es la
suma de dos términos en derivadas parciales.
Teniendo en cuenta que las funciones que intervienen en la variación no tienen
solución analítica y son discretas, es necesario realizar una aproximación. Si se
denota la expresión de la variación para cada nivel σ como Tv , entonces se puede
construir a partir del cociente en diferencia centrales a base del producto, el
modelo del siguiente modo [7]:
6
0y
u ps v ps
0x
Tv u ps v ps
x y
(2)
0x 0x 0y 0y
ui , j psi 1, j ui 1, j ps i , j vi , j psi , j 1 vi , j 1 ps i , j
Nótese que en la ecuación (2) se denotó 0x y 0y como las diferencias centrales
con respecto a: x y y respectivamente. Este es un modelo de 4 puntos como se
representa en la Figura 2:
7
abarcaban aún todo el archipiélago cubano. Luego la dimensión de la red de
nodos interiores de la malla orográfica donde se calcula la variación es de
116 42 .
Figura 3. Cálculo de la variación para una malla de 5 5 . En los puntos azules la variación
puede ser calculada (3 3) , no así en los rojos, de acuerdo con el modelo del operador en
La diferencias
selección dedela las
figura 2.
coordenadas verticales se realizó de modo que el gradiente
vertical de las funciones que intervienen en el argumento de la integral fuera
mínimo. Por eso se decidió emplear en el cálculo de las integrales definidas de la
ecuación (1), la regla compuesta de los trapecios. Esta regla da una buena
aproximación para la integral, considerando que su regla simple estima con buena
exactitud, cada uno de los subintervalos (formado por las coordenadas verticales)
en que fue dividido el intervalo de integración. Los niveles verticales llevados a
coordenadas σ no son equidistantes. Por lo que la expresión para el cálculo de la
integral quedaría:
b i2
T
b b hi2
i1
Tvd Tvd
i150 i i1 50 2
v Tv i2 (3)
0 1
8
Los movimientos verticales se calculan con una frecuencia de 3 horas en cada
punto de la malla y para cada nivel σ. Se asumió que los movimientos verticales
durante la primera hora y media eran constantes e igual al valor del extremo
izquierdo del plazo, mientras que en la segunda hora y media se realizó la misma
consideración, pero el valor que se le asignó fue el del extremo derecho (Figura
4). Esta consideración se realizó teniendo en cuenta que solo se tenían valores
discretos de las funciones con una frecuencia de 3 horas.
3 horas
Figura 5. Diagrama que representa el ascenso de la partícula, transportada por los movimientos
verticales del aire.
9
El nivel de condensación se determinó con ayuda de la fórmula de Ferrel:
Hc p 122(T p Tdp ) (4)
10
donde I p es la intensidad media de la precipitación para el plazo predeterminado
para el pronóstico de precipitaciones.
qi Cantidad de vapor de agua condensada en el nivel i hPa.
En el presente trabajo se ajustaron los coeficientes a partir de un análisis de
regresión lineal, con ayuda del paquete estadístico SPSS versión 13.0, y se
introdujeron niveles más bajos. Para ello se utilizaron pluviogramas de las
estaciones 78343 y 78348, correspondientes al período diciembre de 2007 –
noviembre de 2008. Finalmente se obtuvo la siguiente ecuación de intensidad que
se utiliza para calcular esta en cada punto de la malla:
I p 5.03 q925 5.07 q850 11.98q700 5.94q500 (7)
Ya obtenida la intensidad media de las precipitaciones en 3 horas, podemos
proceder fácilmente al cálculo del acumulado de las precipitaciones en 6 horas por
la suma de las intensidades medias en 3 horas correspondientes al plazo de
pronóstico.
Cálculo del pronóstico de temperaturas extremas.
Las temperaturas extremas, como su nombre lo indica, son las temperaturas,
máxima y mínima, ocurridas durante el día. El modelo de temperaturas trabaja
sobre el método físico estadístico Model Output Statistics (MOS) desarrollado por
[12]. Este método se basa en la incorporación de las salidas de los modelos
hidrodinámicos de pronóstico4 tanto en la fase de desarrollo de las ecuaciones de
regresión como en la aplicación operativa de las relaciones obtenidas.
El primer paso consistió en seleccionar los predictores para el pronóstico de las
temperaturas extremas. En el caso de la temperatura mínima se seleccionaron 3
predictores:
- Punto de rocío en superficie a las 12Z pronosticado por el modelo MM5
(TdMM512).
- Velocidad del viento en superficie a las 12Z pronosticada por el modelo
MM5 (fffMM512).
- Total de cielo cubierto medio (octavos), es decir, la nubosidad entre los
horarios 06, 09 y 12Z, pronóstico del MM5 ( NMM 512
06 ).
De manera que fue necesario acumular una serie de datos de las salidas del
4
Modelos de pronósticos basados en las ecuaciones de la hidrodinámica. La terminología
se utiliza típicamente para distinguirlos de los pronósticos que se basan en modelos
estadísticos. ([1]).
11
Modelo MM5 y de temperaturas mínimas. El periodo seleccionado fue de
diciembre de 2007 a noviembre de 2008.
El análisis estadístico permitió obtener una ecuación de regresión lineal para cada
estación del país con la siguiente forma:
i
i 12
TN hi a0i a1i TdMM 512 i
a2i fffMM 512 i
a3 NMM 506 (8)
donde a0i , a1i , a2i y a3i son los coeficientes de regresión y el supraíndice i se refiere
a la i-ésima estación meteorológica. Para obtener los valores pronosticados de los
predictores para las estaciones se aplicó una interpolación por spline bicúbico
natural [5] a partir de las mallas pronósticos del MM5.
Para las temperaturas máximas se seleccionaron los siguientes predictores:
- Temperatura máxima pronosticada por el modelo MM5 en el período 15 –
21Z ( TXMM 515 21 ).
21
- Total de cielo cubierto medio en el período 15 – 21Z NMM 515 ,
pronóstico del MM5.
- Velocidad del viento a las 18Z, pronóstico del MM5 ( fffMM 518 ).
Las ecuaciones de regresión lineal obtenidas para cada estación tiene la siguiente
forma:
i
i 21
TX hi a0i a1i TXMM 515 21 i
a2i fffMM 518 i
a3 NMM 515 (9)
donde a0i , a1i , a2i y a3i son los coeficientes de regresión y el supraíndice i se refiere
a la i-ésima estación meteorológica. Se procedió análogamente a la mínima en el
cálculo de los predictores para cada estación.
Sin embargo, el MOS tiene como desventaja el hecho de que los modelos
hidrodinámicos, a partir de los cuales se obtienen los predictores, sufren cambios
continuamente que influyen en la calidad de los pronósticos realizados con las
ecuaciones de regresión construidas previamente. Para atenuar este posible error,
se realizó el cálculo de otros valores pronósticos de temperaturas extremas, pero
teniendo en cuenta la relación entre la salida directa del modelo MM5 y los
valores reales registrados en las estaciones meteorológicas el día anterior.
Posteriormente se realizó una ponderación entre las temperaturas máximas y
temperaturas mínimas calculadas por una y otra vía respectivamente.
12
Se consideraron como temperaturas extremas reales para el día en que se efectúa
el pronóstico en cada una de las estaciones las siguientes:
TNreal TN12
TX 18 si TX 18 T18 (10)
TXreal
TX 18 1 en otro caso
donde:
TN12 Temperatura mínima ocurrida hasta la observación de las 12z (7:00 am
hora local).
TX 18 Temperatura máxima ocurrida hasta la observación de las 18z (1:00 pm
hora local).
Para tener en cuenta la relación entre la salida directa del MM5 y los valores
reales medidos se realiza la siguiente operación matemática:
treal
a (11)
tpronMM 5
Aquí
tpronMM 5 Última temperatura extrema pronosticada por el MM5 empleada
para el pronóstico. Aquí se denotará a tpronTNMM 5 y a tpronTXMM 5 como la
última temperatura mínima y máxima pronosticada por el MM5.
treal Temperatura extrema real (TNreal o TXreal según corresponda) registrada
en la estación calculada a partir de (10).
Así, la temperatura mínima pronosticada finalmente sería:
1 2
TN i * (a i * tpronTNMM 5i ) TN hi (12)
3 3
Análogamente para la temperatura máxima:
1 2
TX i * (a i * tpronTXMM 5i ) TX hi (13)
3 3
La ecuaciones (12) y (13) son combinaciones lineales ponderadas del
comportamiento medio histórico y el comportamiento de lo ocurrido en la
realidad con relación al pronóstico del modelo MM5 en el día anterior. De esta
forma se considera además los posibles cambios que pueda ir sufriendo el modelo
en el transcurso del tiempo.
El coeficiente a en (11) para cada estación meteorológica se actualiza diariamente
13
y de forma automática. La información de las observaciones meteorológicas de
cada estación, que se necesita para el cálculo del coeficiente, se toman a diario de
un servidor FTP del Instituto de Meteorología.
Para poder tener un estimado de las temperaturas extremas en aquellos puntos
donde no existe una estación meteorológica es necesario interpolar sus datos de
las estaciones meteorológicas. Para garantizar un buen resultado de la
interpolación se debe considerar la orografía del país. La red de estaciones de
Cuba está distribuida de forma dispersa y a diferentes alturas sobre el nivel del
mar, formando una malla irregular de puntos. Para poder aplicar un algoritmo de
interpolación con resultados satisfactorios se deben reducir inicialmente todos los
valores de las temperaturas extremas a una misma altura.
El nivel de altura seleccionado fue el medio del mar. Se utilizó esta altura para
aprovechar en la interpolación, además de los valores de las temperaturas
extremas obtenidos en las coordenadas de las estaciones a nivel del mar, otros 243
valores previamente seleccionados de los datos de temperatura del aire5 de las
rejillas pronosticadas por el MM5 en el mar (estaciones “ficticias”).
De esta manera se evitan valores indeseados de temperaturas extremas por la
extrapolación en los puntos cercanos a la costa y en el mar. Para reducir al nivel
medio del mar se empleó un gradiente vertical de temperatura de 0.0065 ºC/m
(Véase [13]).
Teniendo reducido los datos a nivel del mar de las temperaturas extremas en las
coordenadas horizontales de las estaciones meteorológicas y conjuntamente con
los valores de temperatura pronosticada en el mar, se procede a interpolar por el
método Kriging (Véase [14]). Este fue el método de interpolación empleado por
estar distribuidos los datos a interpolar de forma dispersa y por comprobarse sus
buenos resultados en estos casos.
Teniendo en cuenta que la matriz V ( K K ) del variograma es la misma para
todos los sistemas de ecuaciones lineales en el cálculo de los pesos de los puntos
conocidos dado por cada nuevo punto, y en aras de reducir el tiempo de ejecución,
se realizó una factorización de esta matriz. Se empleó una estrategia de pivoteo
parcial de intercambios de filas. El pivote se eligió como el mayor elemento entre
los K-k+1 de la columna k, en el paso k. Luego los sistemas de ecuaciones
lineales se resuelven del siguiente modo6:
5
Se tomó para la temperatura mínima TMM512 y para la temperatura máxima TXMM515-
21.
6
Véase [15].
14
Ly Pd i adelante
V i d i PT LU i d i i
U y atrás
Posteriormente se calculan los valores de las temperaturas extremas para cada
punto de la malla orográfica por una combinación lineal de sus valores conocidos
utilizando los pesos como coeficientes. Luego de la interpolación, se recalculan
los valores de las temperaturas extremas a la altura de los nodos de la malla
orográfica, empleando el mismo gradiente vertical de 0.0065 ºC/m.
Este algoritmo empleado para el cálculo de las temperaturas extremas consideró
correctamente las características físico - geográficas del lugar donde se encuentra
ubicada cada estación meteorológica que, combinada con los valores de la salida
de temperatura del MM5, completó un buen resultado para el pronóstico de
temperaturas extremas.
Sistema de análisis gráfico.
Ante la necesidad de interpretación por parte de los especialistas de los resultados
obtenidos por el modelo, se desarrolló una aplicación de ventana que permite
representarlos en imágenes. El proceso de confeccionar los mapas se realiza de
forma automática, exceptuando la configuración de los datos a emplear para ser
graficados. La Figura 6 muestra la apariencia de la aplicación de escritorio con
que se confeccionan los mapas.
El primer paso del algoritmo para graficar es decidir qué valor toma cada pixel del
mapa base. Como es una imagen georreferenciada, es decir, se conoce las
coordenadas rectangulares de la imagen, solo hay que realizar una interpolación
para obtener el valor numérico de la variable en la coordenada que corresponde al
pixel. El método de interpolación seleccionado fue el de spline bicúbico
modificado, teniendo en cuenta que tanto los datos a interpolar como los
resultados se encuentran distribuidos en una malla regular. Luego se le asigna un
color al pixel de acuerdo con la escala de colores previamente definida por el
usuario.
15
Figura 6. Apariencia de la aplicación de ventana desarrollada para obtener gráficos de los
resultados del Modelo.
16
Validación del Modelo en el pronóstico de ocurrencia de precipitaciones.
En aras de verificar la ocurrencia de precipitación pronosticada por el Modelo
numérico, se hace necesario, primeramente, realizar un pronóstico de las
precipitaciones sobre la Red de Estaciones Meteorológicas de Cuba (RE)7. Por la
propia la propia naturaleza local de las precipitaciones se aplicó el método de
interpolación de Cressman (Véase [16] y [17]).
Para la validación de ocurrencia de las precipitaciones se empleó las bias, uno de
los indicadores basados en la tabla de contingencia ([16] y [17]). Estas revelan
sobrestimaciones (bias > 1) y subestimaciones (bias < 1) sistemáticas por el
modelo cuando promediamos sobre muchos casos. En la Figura 8 se muestra una
gráfica con los resultados obtenidos en este indicador para los diferentes
momentos del día en los periodos analizados. El umbral para la ocurrencia de
precipitaciones que se consideró fue de 2 mm.
En la Tabla 2 se muestran las estadísticas de ocurrencia de precipitaciones para
todo el período, que incluye desde julio de 2009 a febrero de 2010. Se eliminaron
de la muestra aquellas observaciones en que no se encontró la información o
cuando esta tenía un formato inválido8.
17
Momento
T A B C D bias E F G
del día
Madrugada
12638 319 301 129 11889 1,384 71,2 1,07 96,6
(06-12z)
Mañana
13955 368 225 185 13177 1,072 66,5 1,38 97,1
(12-18z)
Tarde
13583 1263 771 393 11156 1,228 76,3 3,40 91,4
(18-00z)
Noche
13791 473 249 208 12861 1,060 69,5 1,59 96,7
(00-06z)
Total 53967 2423 1546 915 49083 1,189 72,6 1,83 95,4
18
hubiese otras localidades cercanas en las que se pronosticaría precipitaciones sin
que hubiese ocurrido realmente.
Se puede concluir que los resultados de la contrastación entre la ocurrencia real de
precipitaciones y los pronósticos del Modelo en el periodo analizado son
satisfactorios de manera general, a pesar, de la ligera sobrestimación que tiene con
relación a la realidad.
Validación del Modelo en el pronóstico de temperaturas extremas.
Para la validación de las temperaturas extremas se empleó el criterio aplicado en
la evaluación nacional de pronóstico del Instituto de Meteorología de Cuba, a
partir de las mediciones reales hechas por la RE. El pronóstico de una estación
meteorológica se considera correcto si el valor real se encuentra en un rango de
2 con relación a su valor pronosticado, es decir, si el módulo de la diferencia
entre el pronóstico y la realidad es menor o igual que 2.
Las temperaturas extremas se evaluaron para el periodo del 17 de junio del 2009
al 4 de marzo del 2010. Al igual que en el análisis de las precipitaciones, se
eliminaron todos aquellos casos en que se detectaron irregularidades en los datos
de las observaciones. Además se dividió la evaluación en 2 períodos: del 17 de
junio al 31 de octubre de 2009 (período cálido del año) y del 1 de noviembre de
2009 al 4 de marzo de 2009 (período frío del año). Las estadísticas obtenidas se
muestran en la Tabla 3 y 4 para la temperatura mínima y máxima
respectivamente.
19
Periodo % Casos Correctos Error Medio Error Absoluto Medio
General 85,35 -0,017 1,02
20
Hoy, aunque los modelos numéricos de pronóstico han sustituido los engorrosos e
inexactos cálculos manuales de antaño, todavía la precisión de sus resultados está
mediada, entre otros muchos factores, por el efecto mariposa9. Continuar
perfeccionando sus resultados es un reto para la comunidad científica actual.
Conclusiones.
1. En diferentes etapas de la investigación se aplicaron como métodos
numéricos: el Método de Diferencias Finitas, el de Integración y el de
Interpolación.
2. La modificación aplicada al método de interpolación spline bicúbico natural,
en aquellos casos que fuera posible, redujo el tiempo de ejecución de los
cálculos.
3. La resolución de los Sistemas de Ecuaciones Lineales (SEL), derivados de la
interpolación por Kriging, disminuyó el costo computacional. Para acortar el
tiempo de ejecución se consideró en la solución que la matriz del Variograma
es única para los SEL, por lo que se le realizó una descomposición PLU.
4. Los métodos numéricos aplicados, combinados con las condiciones iniciales y
de frontera del MM5, permitieron desarrollar un sistema computacional
automático como Modelo numérico de pronóstico para las precipitaciones y
temperaturas extremas, cuyos resultados se corresponden con las
características físico- geográficas de Cuba.
5. Los resultados de la verificación entre la ocurrencia real de precipitaciones y
los pronósticos del Modelo en el periodo analizado son satisfactorios de
manera general. Sin embargo, se pudo apreciar una ligera sobrestimación del
Modelo con respecto a la realidad.
6. El pronóstico de ocurrencia de precipitaciones a través del Modelo se
comportó de manera más efectiva durante el invierno, aunque la diferencia
entre ambos períodos no fue significativa.
7. El pronóstico del Modelo implementado en relación con las temperaturas
extremas tuvo buenos resultados en el momento en que se evaluó. Los
mejores pronósticos correspondieron al verano por la poca variabilidad
interdiaria de las temperaturas.
8. El software desarrollado logra implementar el Modelo numérico para el
pronóstico de precipitaciones y temperaturas extremas. Actualmente sus
9
Este hecho fue constatado por Edward Lorenz [18] y forma parte de los conceptos
incluidos en la teoría del Caos [19].
21
resultados se encuentran operativos y disponibles para todo el Servicio
Meteorológico Nacional en el servidor FTP del Instituto de Meteorología.
9. La evaluación realizada demuestra la contribución que hace el Modelo al
pronóstico de acumulado de precipitaciones y temperaturas extremas en Cuba.
22
Referencias bibliográficas.
[1] AMS Glossary, 2010, en internet, URL: http://amsglossary.allenpress.com/.
[2] MM5 Online Tutorial, s/f, en internet, URL:
http://www.mmm.ucar.edu/mm5/.
[3] Kain, J. S., 2004: The Kain–Fritsch convective parameterization: An update,
J. Appl. Met., 43, 170–181.
[4] Schultz, P., 1995: An explicit cloud physics parameterization for operational
numerical weather prediction, Mon. Wea. Rev., 123, 3331-3343.
[5] Press, W. H., S. A. Teukolsky, W. T. Vetterling y B. P. Flannery, 1992:
Numerical Recipes in C: The Art of Scientific Computing, Cambridge, Editorial
Cambridge University Press, segunda edición, pp. 925.
[6] Belov P. N., E. P. Boricenkov y B. D. Panin, 1989: Métodos Numéricos de
Pronóstico del tiempo, Editorial Gidrometeoizdat, Leningrado, 198 pp. (En ruso).
[7] Samarski, A. A. y V. B. Andréiev, 1979: Métodos en diferencias para las
ecuaciones elípticas, Editorial Mir, pp. 322.
[8] Holmes, M. H., 2007: Introduction to Numerical Methods in Differential
Equations, Nueva York, Editorial Springer, pp. 239.
[9] Matveev L. T., 1984: Curso de meteorología general. Física de la atmósfera,
Editorial Gidrometeoizdat, Leningrado, 751 pp. (En ruso).
[10] Sverev, A. S., 1977: Meteorología Sinóptica, Editorial Gidrometeoizdat,
Leningrado, 711 pp. (En ruso).
[11] Falkovich, A. I., 1979: Dinámica y energética de la zona intertropical de
convergencia, Editorial Gidrometeoizdat, Leningrado, 246 pp. (En ruso).
[12] Glanh, H. R. y D. Lowry, 1972: The use of Model Output Statistic (MOS) in
the objective weather forecasting, J. Appl. Met., II (8), 203-211.
[13] Shnaiman V. A. y Foskarino O.V., 1990: Modelación de la capa fronteriza y
del intercambio turbulento en la atmósfera, Editorial Guidrometeoizdat,
Leningrado, 160 pp. (En ruso).
[14] Kerry K. E. y K. A. Hawick, 1997: Spatial Interpolation on Distributed,
High-Performance Computers, DHPC Technical Report DHPC-015, Department
of Computer Science, University of Adelaide.
[15] Conte S.D y C. de Boor, s/a: Elementary Numerical Analysis. An Algorithmic
Approach, s/l, s/e, tercera edición, pp. 422.
23
[16] Colle, B. A. y J. B. Olson, 2003: Multiseason Verification of the MM5. Part
II: Evaluation of High-Resolution Precipitation Forecasts over the Northeastern
United States, Bull. Amer. Meteor. Soc, 18, 458-480.
[17] Colle, B. A., K. J. Westrick, y C. F. Mass, 1999: Evaluation of MM5 and
Eta-10 Precipitation Forecasts over the Pacific Northwest during the Cool
Season, Bull. Amer. Meteor. Soc, 14, 137-154.
[18] Lorenz, E., 1963: Deterministic nonperiodic flow, J. Atmos. Sci., 20, 130-
141.
[19] Gleick, J., 1987: Chaos: Making a new science, New York, Penguin Books,
pp. 352.
24