Ahora que tengo tiempo, pego aquí lo que llevo traducido. Lo señalado en rojo es lo que no sé si se refieren a eso. En cuando a variar lijeramente el modelo a utilizar en cada miembro, lo he consultado a ver si obtengo respuesta, aunque creo que los tiras van por ir escojiendo diferentes aproximación en el modelaje, es decir, utilizar unas u otras ecuaciones, o prescindir de algunas. Aunque como digo no tengo ni idea, yo esto tampoco lo sabía.
THE ENSEMBLE PREDICTION SYSTEM (Sistema de Predicción por Conjuntos)
La base de la predicción del tiempo probabilista.
La observación del tiempo no es perfecta ni completa. Además debido a las limitaciones de la computación, nuestros modelos aproximan inevitablemente las ecuaciones exactas de la física de la atmósfera. De manera que cada pronóstico es, hasta cierto punto, incierta. Pero ¿Cómo de inciertas?
Desafortunadamente variarán día a dia dependiendo de las condiciones atmósfericas al comienzo de la predicción. Cuando el estado de la atmósfera es tal que las predicciones no son tan suceptibles a las incertidumbres en las condiciones iniciales, éstas pueden ser hechas con confianza para muchos días posteriores. Sin embargo, cuando las predicciones son particularmente sensibles a las condiciones iniciales, puede ser inciertas casi desde el comienzo. ¿Hay alguna forma de conocer de antemano si una predicción va cumplirse o no?
The European Centre for Medium-Range Forecast (Centro Europeo para la Predicción a Medio Plazo) (ECMWF) ha sido pionera en un sistema para predecir la confianza en las predicciones. Este sitema, en funcionamiento en el ECMWF desde 1992, es el Ensemble Prediction System (EPS)
El EPS
El ECMWF EPS representa la incertidumbre en las condiciones iniciales creando un conjunto de 50 predicciones empezando en estados lijeramente diferentes que son parecidos pero no indénticos, para nuestra mejor estimación del estado inicial de la atmósfera (control). Además cada pronóstic está basado en un modelo parecido, pero no idéntico, para una mejor aproximación del modelo de ecuaciones, representando también la influencia de las incertidumbres del modelo en el error de predicción.
La divergencia del control y los 50 pronósticos restantes da una estimación de la incertidumbre en la predicción para un día en concreto. Algunos días, la divergencia podría ser mínima implicando que la atmósfera es muy predecible y por tanto los usuarios pueden confiar en que la realidad caerá en el escaso rango de incertidumbre del pronóstico. Otros días, los 51 pronósticos podrián diverger considerablemente justo después de unos pocos días indicando que la atmosfera es especialmente impredecible. La variabilidad de la divergencia de los conjuntos da, potencialmente a los usuarios, una información muy útil dentro del rango de incertidumbre. Teniendo una aproximación cuantitativa flujodependiente de la incertidumbre permite estar mejor informados de cara a las decisiones relacionadas con el tiempo
La principal fuente de incertidumbre en la predicción numérica del tiempo surge de nuestro conocimiento incompleto del estado exacto de la atmósfera (las condiciones iniciales) y de las inevitables simplificaciones en la representación de la complejidad de la naturaleza en los modelos numéricos del tiempo. A pesar de los enormes avances en la red de observación (figura a), la cual está compuesta por todas las observaciones desde medidas satelitales hasta las convecionales observaciones y medidas desde tierra, siempre será imposible describir el estado de la atmósfera con exactitud. Igualmente, la completa complejidad de todos los procesos de la atmósfera y sus interacciones con zonas oceánicas y continentales no puede ser recojida en un modelo numérico. Por ejemplo, los complicados procesos en cuanto a la humedad de la vegetacion y del suelo sólo pueden ser descritos asumiendo una descripción simplificada de la vegetación y de los tipos de suelo y sus procesos asociados (figura b)
El principio básico del pronóstico probabilista a base de conjuntos es hacer, no sólo, una predicción derivada de las mejores condiciones iniciales, sino dar un número adicional de pronósticos empezando en condiciones lijeramente perturbadas, estando, a su vez, cada pronóstico creado con un modelo ligeramente perturbado. Esta técnica proporciona una estimación de la incertidumbre asociada con predicciones desde un conjunto de condiciones iniciales dadas que sean compatibles con los errores de observación. Si la atmósfera está en un estado predecible, la disparidad continuará siendo pequeña, por otro lado, si la atmósfera estuviera en un estado menos precedecible, la divergencia será cada vez mayor. En un sistema de predicción por conjuntos fiable, al final terminará sucediendo lo que se ha predicho en un cierto rango. Esto significa que se puede obtener información acerca de cuan predecible es la atmósfera en el estado en que se encuentre, esto es, si una predicción en concreto pudiera ser más, o menos, cierta. Además se obtiene información del rango en el que se puede esperar que se cumpla el pronóstico.
|