Tomado del Blog de MetService: https://blog.metservice.com/History_NWP
Como meteorólogos, en MetService pasamos mucho tiempo analizando datos: datos de estaciones meteorológicas, datos de satélites y radares, de globos meteorológicos y también de cámaras web. Toda esta información es útil para entender cómo está el tiempo en este momento, pero ¿cómo sabemos lo que puede pasar en el futuro? Entender el tiempo actual nos ayuda a entender lo que puede suceder a continuación, pero la información de los modelos meteorológicos numéricos también juega un papel muy importante. La predicción numérica del tiempo (o NWP) es la ciencia de predecir el tiempo mediante el uso de las ecuaciones físicas que rigen la atmósfera (¡ecuaciones bastante complejas!). Un modelo meteorológico básicamente toma observaciones del estado actual de la atmósfera y utiliza estas ecuaciones complejas para avanzar en el tiempo. Con las computadoras modernas, podemos procesar grandes cantidades de información de esta manera, y los modelos meteorológicos son cada vez más precisos. Pero ¿cómo eran los primeros modelos meteorológicos numéricos? ¿Y cómo los cambios en estos modelos meteorológicos numéricos han mejorado su precisión con el tiempo?
Al principio…
Nuestra historia comienza en 1904. Vilhelm Bjerknes, un físico y meteorólogo noruego, postuló que si pudiéramos medir con precisión el estado actual de la atmósfera, entonces podríamos usar las ecuaciones que gobiernan la dinámica de fluidos para avanzar en el tiempo y pronosticar el estado futuro de la atmósfera. Vio dos problemas con este enfoque. En primer lugar, las ecuaciones no son en absoluto simples y no existía una solución exacta para ellas (incluso hasta la fecha, no existe una solución analítica para estas ecuaciones; o en otras palabras, no se puede simplemente «resolver para x» como se le habría enseñado en la escuela; las soluciones deben ser aproximadas ). En segundo lugar, la precisión de cualquier pronóstico dependerá de la precisión de nuestras mediciones del estado actual de la atmósfera, es decir, ¿qué tan precisa es la información de las estaciones meteorológicas? Y, lo que es más importante, ¿hay suficientes estaciones meteorológicas para representar con precisión el estado actual de la atmósfera?
Fotografía: Vilhelm Bjerknes
No fue hasta 1922 cuando alguien intentó poner en práctica esta idea. El intento lo hizo Lewis Fry Richardson, un matemático, físico y meteorólogo inglés. Utilizó las observaciones meteorológicas registradas del 20 de mayo de 1910, a las 7 de la mañana, e intentó utilizar las ecuaciones de dinámica de fluidos para calcular cuál sería la presión atmosférica seis horas más tarde, que luego pudo comparar con los datos medidos. Le llevó seis semanas hacer los cálculos necesarios a mano, y el resultado que obtuvo fue tremendamente inexacto. Sus resultados predijeron un aumento de la presión atmosférica de 145 hPa, aunque esto no solo era inexacto en comparación con la presión observada en ese momento, sino que también era físicamente irreal: ¡este tipo de cambio de presión nunca se había observado!
Fotografía: Lewis Fry Richardson
A pesar del fracaso de su intento de predicción numérica del tiempo, Richardson es considerado un pionero en la predicción meteorológica. Su método era una versión más sencilla de la forma en que se lleva a cabo la predicción numérica del tiempo en la actualidad, aunque su método computacional tenía fallos sutiles. Incluso si hubiera reconocido estos fallos en su momento, antes de la era de las computadoras, se estima que para completar a tiempo una predicción del tiempo del día siguiente se necesitarían 60.000 personas trabajando en ella.
Con la invención de las computadoras…
Debido a la magnitud del problema de encontrar soluciones a estas ecuaciones, la predicción numérica del tiempo no despegó realmente hasta la invención de la computadora en la década de 1940. Jule Charney, un meteorólogo estadounidense, dirigió un grupo de meteorología computacional en la Universidad de Princeton desde 1948. A principios de la década de 1950, Charney y su grupo estaban ejecutando con éxito un modelo numérico del tiempo sobre tres capas de la atmósfera utilizando una versión simplificada de las ecuaciones que gobiernan la atmósfera. En 1958, los meteorólogos de la Oficina Meteorológica de los Estados Unidos utilizaban operativamente un modelo numérico del tiempo de un solo nivel. Este modelo meteorológico proporcionaba pronósticos para una altitud de aproximadamente 5 km sobre el nivel del mar. Esto se debía a que es mucho más fácil modelar el flujo de aire libre sobre la superficie de la Tierra que modelar el viento y el tiempo cerca del suelo, y aún proporciona información útil sobre características meteorológicas a gran escala, como bajas, altas y frentes.
En las décadas siguientes, la predicción numérica del tiempo avanzó a pasos agigantados. A medida que la capacidad computacional disponible aumentó exponencialmente con el tiempo, los modelos meteorológicos se volvieron exponencialmente más complejos. En 1966, un modelo de 6 niveles que cubría el hemisferio norte generaba pronósticos utilizando las ecuaciones no simplificadas (o «primitivas») de la atmósfera con una resolución de 380 km (un ejemplo de esta resolución se muestra a continuación). En las décadas siguientes, la resolución de los modelos mejoró continuamente. En 1990, los modelos meteorológicos se ejecutaban en todo el mundo, en 18 niveles de la atmósfera y con una resolución horizontal efectiva de 160 km. También se introdujeron métodos para ajustar estadísticamente los datos brutos del modelo basados en datos de observación históricos de las estaciones meteorológicas.
Una cuadrícula sobre Nueva Zelanda con un espaciado de 380 km. Un modelo con una resolución de 380 km como el descrito anteriormente proporcionaría, en esencia, pronósticos meteorológicos numéricos para los puntos de esta cuadrícula (aunque se tratara del hemisferio norte, no de Nueva Zelanda). Cuanto mayor sea la resolución de un modelo, más cerca estarán los puntos de esta cuadrícula, lo que dará una imagen más clara de cómo será el clima.
El problema de la resolución
Aunque la resolución de estos modelos estaba mejorando, todavía planteaba problemas. Los modelos funcionaban bien para pronosticar circulaciones de viento a gran escala. Sin embargo, no eran capaces de predecir con precisión fenómenos en escalas más pequeñas que la resolución del modelo. Por ejemplo, las tormentas eléctricas en Nueva Zelanda generalmente tienen un tamaño de solo unos pocos kilómetros y, por lo tanto, no se pueden predecir con precisión con un modelo con un espaciado de cuadrícula efectivo de 160 km. Una solución a esto es la parametrización . La parametrización representa estos procesos a escala de subcuadrícula mediante el uso de variables que pueden ser resueltas por el modelo; por ejemplo, en lugar de predecir tormentas eléctricas, se puede utilizar una medida de inestabilidad como el Índice de Elevación , que se puede calcular para cada punto en la cuadrícula del modelo, para dar una indicación de la probabilidad de que se formen tormentas eléctricas. De manera similar, aunque no se pueden resolver las nubes individuales, podemos observar la humedad relativa.
Otra solución al problema de la resolución es simplemente trabajar con una cuadrícula más fina. Sin embargo, cada vez que se reduce a la mitad el espaciado horizontal de la cuadrícula, se cuadruplica el número de puntos de la cuadrícula con los que se trabaja (y también hay que reducir a la mitad el paso de tiempo; existen razones matemáticas para esto). Cuanto mayor sea el número de puntos de la cuadrícula, más cálculos tendrá que hacer el ordenador. Cuantos más cálculos tenga que hacer el ordenador, más tiempo tardará el modelo en ejecutarse. Para que un modelo sea útil para los pronosticadores operativos, tiene que estar listo con una rapidez razonable y, por lo tanto, existe un equilibrio entre la resolución y el tiempo. Por este motivo, se crearon los modelos de área local (o LAM).
Los LAM son similares a los modelos meteorológicos globales, pero solo se ejecutan en un área pequeña (por ejemplo, MetService ejecuta LAM en Nueva Zelanda). Ejecutar el modelo en un área más pequeña significa que podemos usar una resolución más fina, manteniendo al mismo tiempo los tiempos de cálculo razonablemente cortos. Sin embargo, los LAM plantean sus propios problemas; por ejemplo, pueden introducirse errores cuando un sistema meteorológico cruza el límite del LAM. Los LAM se introdujeron por primera vez a fines de la década de 1960 y se mejoraron al ritmo de los modelos meteorológicos globales.
Aprovechamiento de los datos de los satélites meteorológicos
Otra parte importante del proceso de modelado es la asimilación de datos, es decir, el proceso de tomar el estado inicial de la atmósfera, utilizando mediciones de estaciones meteorológicas y globos meteorológicos, y utilizar estos datos como punto de partida para el modelo. Sin embargo, en la década de 1970 se introdujeron métodos para asimilar datos satelitales en los modelos meteorológicos. Esto supuso un gran avance; las estaciones meteorológicas suelen estar agrupadas en zonas de gran población y hay amplias zonas del planeta en las que hay muy pocas o ninguna observación de superficie disponible (por ejemplo, hay muy pocas observaciones meteorológicas en los océanos; sólo una estación meteorológica ocasional en una isla remota o unas cuantas boyas o barcos a la deriva proporcionan las únicas observaciones de superficie en grandes franjas del océano). Los datos meteorológicos satelitales proporcionan una cobertura más completa del planeta.
El uso de datos satelitales presenta desafíos: los satélites miden la radiación electromagnética y la utilizan para extraer conclusiones sobre la temperatura, la humedad, el viento, etc., lo que no es necesariamente sencillo. Sin embargo, la mayor cobertura del planeta que ofrecen los satélites meteorológicos significa que los beneficios superan los desafíos. Históricamente, las previsiones meteorológicas para el hemisferio sur habían quedado rezagadas respecto de las del hemisferio norte en términos de precisión, simplemente porque había relativamente pocos datos disponibles en el hemisferio sur (el hemisferio sur tiene menos masa terrestre y, por lo tanto, menos observaciones disponibles basadas en la superficie). Con la asimilación de datos satelitales a los modelos, esto ayudó a cerrar la brecha entre los hemisferios norte y sur.
Este gráfico muestra una medida de la precisión del modelo meteorológico ECMWF para pronósticos a 5 km sobre el nivel del mar, para varios días (referencia: https://www.ecmwf.int/en/forecasts/quality-our-forecasts ). Muestra que los pronósticos a 3 días (líneas azules) son más precisos que los pronósticos a 5 días (líneas rojas), que son más precisos que los pronósticos a 7 días (líneas verdes) o a 10 días (líneas amarillas), como cabría esperar. La línea inferior de cada gráfico representa la precisión de los pronósticos para el hemisferio sur, mientras que las líneas superiores en negrita representan la precisión de los pronósticos para el hemisferio norte. A medida que se han realizado avances en la tecnología satelital, esto ha ayudado a alinear la precisión de los pronósticos para el hemisferio sur con la del hemisferio norte.
Permitiendo el caos…
En 1961, Edward Lorenz, un matemático y meteorólogo estadounidense, se dio cuenta de que cambios muy pequeños en el estado inicial de la atmósfera que se incorporaba a los modelos meteorológicos podían provocar que el pronóstico resultante fuera muy diferente. Lo denominó » efecto mariposa» y planteó la analogía de una mariposa que agita sus alas en Brasil, creando un efecto dominó que acabaría provocando un tornado varias semanas después en Texas.
Fotografía: Edward Lorenz,
https://en.wikipedia.org/wiki/Edward_Norton_Lorenz
Esta idea era inquietante, porque significaba que había un marco temporal muy corto en el que las previsiones meteorológicas podían ser útiles. Lorenz reconoció que cualquier pequeño error introducido en el modelo, que fuera imposible de evitar, acabaría provocando que la previsión se convirtiera en un caos. Por ejemplo, inevitablemente habrá un margen de error asociado a las mediciones de presión tomadas por nuestras estaciones meteorológicas, aunque sea muy pequeño. Sin embargo, estos pequeños errores pueden dar lugar a errores mucho mayores a medida que tratamos de predecir el tiempo cada vez con mayor antelación. O como planteó Lorenz el problema en su artículo de 1963:
“ Dos estados que difieren en cantidades imperceptibles pueden eventualmente evolucionar hacia dos estados considerablemente diferentes… Si, entonces, hay cualquier error en la observación del estado actual —y en cualquier sistema real tales errores parecen inevitables— una predicción aceptable de un estado instantáneo en el futuro distante puede muy bien ser imposible. En vista de la inevitable inexactitud e incompletitud de las observaciones meteorológicas, parecería no existir una predicción precisa a muy largo plazo.”
Pasó algún tiempo antes de que se abordara este problema. En 1992 se introdujeron los modelos de conjunto. Hasta entonces, los modelos meteorológicos eran de naturaleza determinista , es decir, dado el estado inicial de la atmósfera, solo hay una solución posible para cómo será el estado futuro de la misma. Este enfoque no tuvo en cuenta la naturaleza caótica inherente de la atmósfera, ni tampoco permite el error inherente que estará presente en nuestra medición de su estado inicial (¡no podemos medir cada aleteo de una mariposa!), o nuestro conocimiento incompleto de la física de la atmósfera. Por otro lado, un pronóstico de conjunto es probabilístico , es decir, dado un estado inicial de la atmósfera, hay muchas soluciones posibles para cómo será el estado futuro de la atmósfera, cada una con diferentes probabilidades.
Un pronóstico de conjunto se obtiene ejecutando el modelo determinista varias veces, cada una con un estado inicial ligeramente diferente. Esto da una distribución de posibles estados futuros de la atmósfera, y luego podemos buscar grupos dentro de estas soluciones. Como ejemplo, puede recordar el ciclón tropical Winston que causó daños generalizados en Fiji en 2016. Algunos medios de comunicación publicaron prematuramente artículos que afirmaban que el ciclón tropical Winston se movería sobre Nueva Zelanda. Sin embargo, este pronóstico se basó en una falta de comprensión de los modelos de conjunto. El modelo determinista producido por la NOAA indicó que el ciclón tropical Winston se movería sobre Nueva Zelanda. Mientras tanto, los pronosticadores de MetService estaban mirando el pronóstico de conjunto y notaron que la solución determinista era un valor atípico y que era más probable que el ciclón se dirigiera hacia Fiji.
Pronóstico conjunto que muestra las posibles trayectorias del ciclón Winston (y del ciclón Tatiana al oeste). La mayoría de las trayectorias pronosticadas indicaban que el ciclón Winston se movería hacia Fiji. Solo unos pocos casos atípicos lo enviaron hacia el sur, a Nueva Zelanda. Imagen cortesía del Laboratorio de Investigación del Sistema Terrestre de la NOAA.
Entonces ¿dónde estamos ahora?
En MetService, utilizamos datos de tres modelos meteorológicos globales diferentes, elaborados por distintas organizaciones de todo el mundo. La siguiente tabla muestra la resolución y el número de niveles verticales de estos tres modelos, actualizados a diciembre de 2017. MetService recibe un subconjunto de los datos de cada uno de estos modelos. También recibimos datos de modelos de conjunto de la NOAA y el ECMWF.
En MetService también ejecutamos varios modelos de área local en Nueva Zelanda. Estos modelos tienen resoluciones horizontales de 4 a 8 km y puedes ver algunos de los resultados de estos modelos aquí .
Los modelos se están mejorando constantemente, ya sea implementando los resultados de nuevas investigaciones sobre el efecto de la humedad del suelo en la humedad en la capa más baja de la atmósfera, o implementando nuevas parametrizaciones para representar el efecto de la fricción de los edificios o los bosques en la velocidad del viento, o simplemente mejorando la resolución de estos modelos.
Entonces, ¿qué puede añadir un pronosticador humano?
Si bien la resolución de estos modelos mejora constantemente, aún tienen dificultades en áreas con topografía compleja. Esto es particularmente cierto en un país como Nueva Zelanda, donde tenemos terrenos muy escarpados, altas montañas y estrechos valles, fiordos y estrechos.
Tomemos como ejemplo el Milford Sound. El pico Mitre, en el lado sur del Sound, se eleva a 1.693 m de altitud. En el lado norte del Sound, el pico The Lion se eleva a 1.302 m de altitud, como se muestra en el mapa siguiente. Los dos picos están a solo unos 2 km de distancia uno del otro horizontalmente, pero las crestas caen abruptamente para permitir que Milford Sound se abra paso entre ellos. El viento suele canalizarse hacia abajo por Milford Sound, especialmente cuando el sol ayuda a calentar la tierra, creando una brisa marina. Esto puede significar que la estación meteorológica del aeropuerto registre ráfagas de viento del noroeste durante las tardes. Sin embargo, un modelo meteorológico con una resolución de 4 km no puede representar con precisión la topografía alrededor del Sound y, por lo tanto, no modelará con precisión los vientos en el aeropuerto. Por otro lado, un pronosticador humano tiene conocimiento de la topografía local, así como conocimiento histórico de cómo la tierra afecta al viento en el área y, por lo tanto, puede predecir el viento del noroeste en Milford Sound con precisión.
Mapa cortesía de www.topomap.co.nz
Otro buen ejemplo es predecir si nevará en nuestras montañas y pistas de esquí. Veamos el monte Taranaki, que se eleva hasta una cima de 2.518 m de altitud. El diagrama siguiente muestra el perfil aproximado del monte Taranaki, donde cada cuadrado gris representa 1 km. Los puntos negros muestran puntos de la montaña separados por 4 km. La línea de puntos que une estos puntos muestra, por tanto, la topografía del monte Taranaki, tal como se ve desde un modelo con una resolución de 4 km. Como puede ver, el punto más alto tiene solo 1,5 km de altura. El modelo efectivamente «corta» la cima de la montaña.
¿Qué significa esto en términos de predicción de nieve? El modelo proporciona pronósticos cuantitativos de nieve, es decir, cuánta nieve caerá y cuál es la extensión de la nevada. En las zonas más bajas, esto puede proporcionar un buen punto de partida para los meteorólogos que pronostican nieve en nuestras ciudades (aunque este pronóstico aún necesita algo de refinamiento por parte de un meteorólogo). Sin embargo, si nos fijamos únicamente en los datos del modelo, muy raramente predeciríamos nieve cuando solo afecta a las montañas de Nueva Zelanda. Por supuesto, la nieve es algo que ocurre con regularidad en las alturas; es por eso que los pronosticadores de MetService producen pronósticos especializados en montaña , que indican la altitud a la que se espera que caiga nieve. Lo hacen analizando una combinación de diferentes tipos de datos del modelo y datos de observaciones, y combinándolos con su conocimiento de la topografía local. No entraré en los detalles de la previsión de nieve aquí; ¡ese podría ser otro tema de blog completo!
Otro ámbito en el que los meteorólogos pueden añadir valor a los datos de los modelos es el de la consultoría, un ámbito en constante crecimiento. Los modelos meteorológicos nos proporcionan una gran cantidad de datos, pero estos datos no son de utilidad para el usuario final a menos que sepa cómo interpretarlos. Aquí es donde entran en juego los meteorólogos consultores. Trabajan codo a codo con clientes que tienen necesidades muy específicas en cuanto a lo que necesitan saber sobre el tiempo para operar su negocio. Por nombrar algunos ejemplos: hace poco, contamos con uno de nuestros meteorólogos especializados en condiciones meteorológicas extremas como consultor meteorológico in situ para el Abierto de Golf Femenino de la LPGA de Nueva Zelanda, que predijo todo tipo de fenómenos, desde vientos fuertes, tormentas eléctricas, rayos y granizo; tenemos un grupo de meteorólogos que trabajan con clientes del sector energético en Australia, ayudándolos a identificar los riesgos de calor extremo; tenemos un grupo de meteorólogos aquí en Wellington que elaboran pronósticos especializados de ciclones tropicales; ¡y muchos más!
¿Hacia dónde vamos desde aquí?
La predicción numérica del tiempo ha recorrido un largo camino desde que Lewis Fry Richardson hiciera el primer intento de predecir numéricamente el tiempo hace casi un siglo, en 1922. El trabajo de un meteorólogo también ha cambiado drásticamente desde su época. Por supuesto, la investigación sobre la física de la atmósfera sigue en curso; hay mucho margen para seguir mejorando los modelos meteorológicos actuales, que se actualizan continuamente. Aquí en MetService, a menudo nos preguntamos cómo será el trabajo de un meteorólogo dentro de 5 o 10 años. ¿Cómo será la predicción del tiempo el próximo siglo? Solo el tiempo lo dirá; imagino que incluso Lewis Fry Richardson habría tenido dificultades para imaginar cómo sería la predicción del tiempo casi un siglo después de su histórico intento de predicción numérica del tiempo.
Fuentes
Inglés: https://www.britannica.com/biography/Vilhelm-Bjerknes
https://en.wikipedia.org/wiki/Lewis_Fry_Richardson#Richardson.27s_attempt_at_numerical_forecast
http://www.bbc.com/news/uk-scotland-south-scotland-23242953
https://www.technologyreview.com/s/422809/when-the-butterfly-effect-took-flight/
https://www.metoffice.gov.uk/research/modelling-systems/unified-model/weather-forecasting
https://www.ecmwf.int/en/forecasts/documentation-and-support
http://www.emc.ncep.noaa.gov/GFS/doc.php
Deja una respuesta