1 of 11

Uso de datos para mejorar pronósticos de corto plazo de eventos meteorológicos severos

Paola Corrales

CIMA UBA-CONICET

Esta presentación:

tiny.cc/paocorrales-wids2022

2 of 11

Motivación

En la Argentina, los fenómenos meteorológicos extremos producen importantes pérdidas humanas y materiales. Una gran cantidad de estos fenómenos están asociados a la ocurrencia de convección profunda.

La animación que pueden ver acá corresponde a imágenes en el infrarrojo del satelite GOES16 cada 15 minutos. Esta es una de las fuentes de información meteorológica más importante. �El pronóstico de los fenómenos severos es un desafío científico y tecnológico muy complejo debido a que no es posible generar pronósticos de calidad con más de 5-6 días de anticipación para escalas regionales. Esto se hace aun más complejo cuando ocurren eventos de tormentas. Otro desafío es conocer o diagnosticar el estado de la atmósfera en escalas espaciales pequeñas y tiempos cortos y poder responder ¿Cual es la temperatura/viento/presión en cada punto del pais?�

�

3 of 11

Fuente: El tribuno

Alsina

Foro Gustfront

Valle de Lerma

Foro Gustfront

4 of 11

Asimilación de datos

Campo preliminar

Análisis

Observaciones

Condiciones iniciales

Sistema de asimilación

Modelo

Desafíos:

Cuantificar errores de las observaciones

Control de calidad
Corrección de errores sistemáticos

Cuantificar errores del modelo
Asimilar observaciones indirectas que no son variables de modelo (reflectividad, radianzas, GPS, etc.)

¿Cómo podemos mejorar los pronósticos de eventos severos? Hay muchas posibles respuestas a esa pregunta. En mi caso y como parte de mi doctorado, uso la asimilación de datos para mejorar las condiciones iniciales que se utilización para la inicialización de pronósticos en muy alta resolución. Esto no es nuevo y a lo largo de los años varias personas han avanzado en el uso de la asimilación de datos en la región y de hecho el SMN está probando un sistema similar al que les voy a contar a continuación.��Esta metodología propone combinar observaciones del estado de la atmósfera con simulaciones de modelos numéricos para generar (con suerte) una mejor representación del estado de la atmósfera. Y que éste a su vez sirva como estado inicial para un futuro pronóstico.��Entre los desafíos que presenta la asimilación de datos se puede mencionar la cuantificación de los errores de observaciones y del modelo numérico para los cuales existen estrategia de diferente complejidad. Y la asimilación de variables indirectas (que no son variables de estado del modelo) como la reflectividad y las radianzas de satélites. ��

5 of 11

Asimilación de datos

Observaciones

Pronóstico

Análisis

“verdad”

Tiempo

Imaginemos que nos interesa pronósticar la temperatura en algún lugar, digamos Paraná para algún momento, por ejemplo las 12 de la noche. Nuestra fuente de información principal será una simulación numérica, que representa el posible estado de la atmósfera (en este caso la temperatura en Paraná) a las 12 de la noche, que se obtiene a partir de la información actual, es decir cual es la temperatura ahora. A las 12 de la noche, podremos comparar el pronóstico de temperatura con la nueva observación de la temperatura medida en la estación meteorológica y “ajustar” ese pronóstico para obtener el análisis. Como se hace ese ajuste? Se tienen en cuenta los errores del modelo (los procesos que no puede representar bien, las aproximaciones que se hacen, etc) y los errores de las observaciones porque tampoco son perfectas y se busca que el resultado tenga un error más chico, que con suerte esté más cerca de la “verdad”. Y verdad acá está entre comillas porque nunca podremos conocer la verdad absoluta, el estado real de la atmósfera. Siempre hay errores involucrados.

6 of 11

Modelos

Desarrollados por centros de pronóstico e investigación meteorológica y la colaboración de cientos de personas.
(casi siempre) de código abierto.
En constante avance:

Mejor conocimiento de los procesos
Mayor capacidad de cómputo

7 of 11

Observaciones

(casi siempre) públicas
globales, regionales, locales
frecuencia temporal de minutos a horas

En 6 hs se recolectaron 9.807.550 observaciones

Y se usaron 1.440.982 (14%)

8 of 11

Algunos resultados

Evento severo el 22 de noviembre de 2018

Observaciones:

Estaciones meteorológicas
Aviones
Satélite

9 of 11

Reflectividad → lo que observa un radar meteorológico

10 of 11

Aportes

La meteorología sienta sus bases en observaciones
Es una ciencia abierta, todos los países se benefician de los avances de otros, lo que beneficia a las personas y sus actividades
Vemos avances todos los días gracias a

conocer mejor los procesos físicos
el desarrollo de la tecnología para observar la atmósfera
la capacidad de cómputo

11 of 11

Gracias

@paobcorrales | paocorrales.github.io