![Pronóstico de lluvia realizado por la versión europea del Nimrod [22]](https://www.researchgate.net/profile/Maibys-Sierra-Lorenzo-2/publication/281555728/figure/fig2/AS:391511163326464@1470354943139/Figura-15-Pronostico-de-lluvia-realizado-por-la-version-europea-del-Nimrod-22_Q320.jpg)
![Dominios de simulación del RAP/HRRR [36]](https://www.researchgate.net/profile/Maibys-Sierra-Lorenzo-2/publication/281555728/figure/fig3/AS:391511163326467@1470354943302/Figura-16-Dominios-de-simulacion-del-RAP-HRRR-36_Q320.jpg)
![Dominio de pronóstico del sistema Nimrod [22]](https://www.researchgate.net/profile/Maibys-Sierra-Lorenzo-2/publication/281555728/figure/fig1/AS:391511159132160@1470354942494/Figura-14-Dominio-de-pronostico-del-sistema-Nimrod-22_Q320.jpg)
Content uploaded by Maibys Sierra Lorenzo
Author content
All content in this area was uploaded by Maibys Sierra Lorenzo on Sep 07, 2015
Content may be subject to copyright.
Instituto de Meteorolog´ıa de Cuba
Centro de F´ısica de la Atm´osfera
Proyecto
Sistema de Predicci´on a muy corto plazo basado en el Acoplamiento de Modelos de Alta
Resoluci´on y Asimilaci´on de Datos
Informe de Resultado
Sistema autom´atico de predicci´on a mesoescala de cuatro ciclos diarios
Autores:
Maibys Sierra Lorenzo
Adri´an Luis Ferrer Hern´andez
Roilan Hern´andez Vald´es
Yandy Gonz´alez Mayor
Roberto Carlos Cruz Rodr´ıguez
Israel Borrajero Montejo
Camilo Fernando Rodr´ıguez Gen´o
Octubre 2014
Resumen
El pron´ostico a muy corto plazo es una tarea de vital importancia en el servicio meteorol´ogico de una
naci´on. Esto se debe a que es indispensable conocer el peligro que puede existir a partir de la ocurrencia de
alg´un tipo de severidad asociado a una tormenta convectiva. Con el desarollo de la modelaci´on num´erica
del tiempo y el incremento de los m´etodos de observaci´on de la atm´osfera; en diversos pa´ıses se han
dise˜nado e implementado sistemas de predicci´on a muy corto plazo combinando ambas herramientas.
El resultado que se presenta en este trabajo es un primer paso en la construcci´on de un sistema de tal
tipo adaptado a nuestras condiciones meteorol´ogicas y tecnol´ogicas. Para ello se realizaron un grupo de
experimentos con el fin de determinar la configuraci´on m´as apropiada del modelo atmosf´erico WRF-ARW
para el pron´ostico a muy corto plazo. La determinaci´on de esta configuraci´on estuvo basada en estudios
de sensibilidad de las combinaciones de tres parametrizacines de microf´ısica y tres de c´umulos para dos
dominios anidados de 27 y 9 km de resoluci´on espacial. Para este prop´osito tambi´en se consider´o el
costo computacional que implica el tiempo de ejecuci´on de cada una de estas combinaciones. Tambi´en
se evalu´o la influencia de la inicializaci´on en el pron´ostico del modelo WRF, para esto se realizaron 2
tipos de experimentos donde se tomaron como condiciones iniciales; ficheros de an´alisis y ficheros de
pron´ostico del modelo GFS. Adem´as se ejecutaron pruebas para los 4 ciclos de corridas del modelo GFS
correspondientes a los plazos horarios de las 0000, 0600, 1200 y 1800 UTC. Por otra parte se llevaron a
cabo estudios de asimilaci´on de datos de observaciones meteorol´ogicas con la mejor configuraci´on obtenida
en los estudios de sensibilidad. Para esto se tomaron datos de estaciones meteorol´ogicas en superficie
y sondeos aerol´ogicos. Con esto se pudo determinar la influencia y durabilidad de las observaciones
insertadas en el modelo as´ı como su impacto en el pron´ostico num´erico. La verificaci´on de los resultados se
llev´o a cabo utilizando los datos de la Red de Estaciones Meteorol´ogicas de Cuba y los datos del sat´elite
TRMM-PR. Se utilizaron m´etodos de evaluaci´on celda-punto y en el caso de la evaluaci´on espacial
se emple´o el Fraction Skill Score (fss) y la evaluaci´on orientada a objetos. Para la realizaci´on de los
experimentos de sensibilidad de las parametrizaciones de microf´ısica y c´umulos se escogi´o el a˜no 2008
completo, en el caso de los experimentos de inicializaci´on y asimilaci´on de datos se tomaron 30 d´ıas
entre febrero y marzo del a˜no 2014. Como resultado final se obtuvo que la configuraci´on m´as adecuada
i
para el modelo WRF es la combinaci´on de parametrizaciones de microf´ısica de WSM5 y la de c´umulos
de Grell-Freitas. Tambi´en se pudo determinar que para fines operativos es factible la combinaci´on de la
asimilaci´on de datos de observaciones meteorol´ogicas con la inicializaci´on a partir de datos de pron´ostico
del modelo GFS.
ii
´
Indice general
Introducci´on 1
1. Fundamentaci´on te´orica. Antecedentes 3
1.1. Pron´ostico a muy corto plazo. Necesidad ............................ 3
1.2. La predicci´on num´erica en el pron´ostico a muy corto plazo. Retos .............. 6
1.3. Asimilaci´on de datos ....................................... 9
1.4. Principales sistemas de pron´ostico a muy corto plazo e inmediato .............. 11
1.4.1. Nimrod .......................................... 11
1.4.2. RAP/HRRR ....................................... 12
2. Materiales y m´etodos 14
2.1. Modelo WRF ........................................... 14
2.1.1. M´odulo de asimilaci´on WRFDA ............................ 16
2.2. Dise˜no de los experimentos ................................... 17
2.2.1. Parametrizaciones de microf´ısica y c´umulos ...................... 20
2.2.2. Condiciones Iniciales ................................... 21
2.2.3. Asimilaci´on de Datos ................................... 22
2.3. Evaluaci´on ............................................ 23
2.3.1. Verificaci´on celda-punto ................................. 24
2.3.2. Verificaci´on espacial ................................... 25
iii
2.4. Datos utilizados y per´ıodo de estudio .............................. 28
2.4.1. Descripci´on de los per´ıodos de estudio ......................... 28
2.4.2. Sat´elite Meteorol´ogico TRMM-PR ........................... 30
3. Discusi´on de los Resultados 32
3.1. Estudios de sensibilidad. Parametrizaciones de Microf´ısica y c´umulos ............ 32
3.1.1. Resultados para el dominio 1 .............................. 33
3.1.2. Resultados para el dominio 2 .............................. 40
3.2. Sensibilidad a la variaci´on de las condiciones iniciales ..................... 42
3.3. Valor agregado de la asimilaci´on de datos ........................... 44
Conclusiones 47
Recomendaciones 48
Bibliograf´ıa 49
Anexos 54
iv
Introducci´on
Actualmente, debido al incremento de la densidad poblacional y a la vulnerabilidad de nuestras estructuras
socioecon´omicas, existe gran inter´es en el estudio y predicci´on de los fen´omenos meteorol´ogicos que
producen tiempo severo. Las tormentas el´ectricas, las aeroavalanchas, la ca´ıda de granizos y los tornados,
son algunos de los ejemplos de severidad que pueden presentarse en una tormenta. En Cuba, estas
manifestaciones de severidad, pueden ocurrir en tormentas conocidas como Tormentas Locales Severas
(TLS), las cuales fueron definidas por Alfonso en 1994 [7]. Los efectos de estas tormentas cobran mayor
importancia cuando se les analiza en conjunto con los fen´omenos de tiempo severo que se pueden presentar
en ´estas, llegando a ser comparables con algunos huracanes [3]. El surgimiento, desarrollo y disipaci´on
de una tormenta puede ocurrir en un per´ıodo de tiempo muy corto y afectar un ´area muy peque˜na, de
ah´ı que prevenir la ocurrencia de esta resulta todo un desaf´ıo. Para su detecci´on, seguimiento y pron´ostico;
es necesaria la disponibilidad de herramientas f´ısico-matem´aticas, computacionales y de observaci´on que
alcancen alta resoluci´on espacial y temporal.
Muchos de estos procesos pueden ocasionar la p´erdida de vidas humanas y materiales. Son responsables,
en muchas regiones, de una parte sustancial de las precipitaciones. Adem´as muchas actividades del hombre
son vulnerables ante los vientos que se pueden generar en presencia de estas tormentas, por ejemplo los
casos de las operaciones a´ereas que se realizan en aeropuertos y diversas actividades del turismo. Por estas
reazones a nivel mundial, cualquier estudio o programa de investigaci´on encaminado a incrementar los
conocimientos sobre estos fen´omenos locales y que contribuya a la posibilidad de realizar un pron´ostico
de los mismos, representa una novedad cient´ıfica.
Entre las herramientas m´as utilzadas para el pron´ostico de tormentas se encuentran los radares meteo-
rol´ogicos. A partir de una celda de tormenta detectada por el radar se realiza una extrapolaci´on con el
objetivo de predecir su movimiento en las siguientes horas(menos de 6 horas). Este tipo de pron´ostico se
denomina Nowcasting. En la actualidad se han incorporado tambi´en modelos de pron´ostico num´erico
del tiempo de muy alta resoluci´on para realizar esta predicci´on.
En Cuba se han realizado numerosos estudios y esfuerzos operativos dirigidos al pron´ostico de tormentas
1
utilizando radares meteorol´ogicos entre ellos el m´etodo desarrollado por Novo en 2008 [38]. Recientemente,
conducido por el avance de la aplicaci´on de t´ecnicas de modelaci´on num´erica, en nuestra instituci´on se
encuentra en ejecuci´on un proyecto que tiene como objetivo desarrollar un sistema de predicci´on a muy
corto plazo utilizando el acoplamiento de modelos de pron´ostico num´erico del tiempo y la asimilaci´on
de datos. El trabajo que se presenta es el primer resultado enmarcado en este proyecto, que tributa al
pron´ostico de fen´omenos locales. El primer paso en el largo camino a recorrer es, a partir de un modelo
de pron´ostico num´erico del tiempo, determinar la configuraci´on del mismo m´as adecuada a nuestras
condiciones f´ısico-meteorol´ogicas, para la escala sin´optica y la mesoescala. Los dominios de simulaci´on
definidos en estas escalas ser´an los que alimenten en el siguiente paso, la modelaci´on de alta resoluci´on.
El modelo selecciondo para este prop´osito es el Weather Research and Forecast (WRF) [29] y se definen
dos dominios con resoluci´on de 27 y 9 km. Adem´as con la finalidad de obtener una mejor inicializaci´on
del modelo, a partir del modelo global GFS (Global Forecast System), se realiza la asimilaci´on de datos
de sondeos y estaciones. Finalmente se propone una configuraci´on operativa del modelo que se actualiza
cuatro veces al d´ıa en los horarios 0000, 0600, 1200 y 1800 UTC. El texto presentado est´a compuesto por
tres cap´ıtulos que se describen a continuaci´on:
*Cap´ıtulo 1: Describe la fundamentaci´on te´orica y principales antecedes encontrados en el tema.
Consta de cuatro ep´ıgrafes dirigidos a argumentar: la necesidad del desarrollo de un sistema de
predicci´on a muy corto plazo, el papel de la modelaci´on num´erica del tiempo en esta tem´atica y la
importancia de la asimilaci´on de datos. Se mencionan adem´as algunos de los sistemas de este tipo
m´as conocidos en el mundo.
*Cap´ıtulo 2: Contiene la descripci´on del modelo y los m´odulos del mismo que se utilizan para
la simulaci´on. Adem´as se explica el dise˜no de los experimentos con vista a determinar la mejor
configuraci´on teniendo en cuenta: las parametrizaciones de microf´ısica y c´umulos, la inicializaci´on
con an´alisis o pron´ostico y el impacto de la asimilaci´on de datos de sondeos y estaciones en superficie.
Se realiza una breve descripci´on de los per´ıodos de simulaci´on utilizados, los datos de estaciones y
de sat´elite con los que se eval´ua y las t´ecnicas de evaluaci´on aplicadas.
*Cap´ıtulo 3: En este ´ultimo cap´ıtulo se presenta el an´alisis de los resultados obtenidos con la
ejecuci´on de cada experimento.
Finalmente se plantean las conclusiones a las que se arriba y las recomendaciones.
2
Cap´ıtulo 1
Fundamentaci´on te´orica.
Antecedentes
Seg´un el Glosario de Meteorolog´ıa e Hidrolog´ıa Ingl´es-Espa˜nol (ver. 7, 08/2011) de UCAR/COMET; el
pron´ostico a muy corto plazo o nowcasting en ingl´es es el que se realiza normalmente para describir el
comportamiento del estado de la atm´osfera en un rango temporal de hasta 6 horas o menos. Incluye una
descripci´on del estado actual de la atm´osfera y el pron´ostico sobre c´omo evolucionar´a en las siguientes
horas (menos de 6 horas) siendo muy ´util para el pron´ostico de procesos de peque˜na escala como las
tormentas que presentan severidad. Para este tipo de predicci´on del tiempo en la actualidad se combinan
las t´ecnicas de extrapolaci´on, los modelos de pron´ostico num´erico y la asimilaci´on de datos. En el presente
cap´ıtulo se realiza una revisi´on de las definiciones, aspectos y t´ecnicas fundamentales que intervienen en
un pron´ostico a muy corto plazo exitoso, su implementaci´on operativa; y se describen algunos de los
sistemas de tal tipo m´as conocidos en el mundo.
1.1. Pron´ostico a muy corto plazo. Necesidad
El pron´ostico del tiempo y el clima en general, comprende la predicci´on de fen´omenos atmosf´ericos que
van desde escalas espaciales y temporales que abarcan todo el globo terrestre y decenas de a˜nos, hasta
procesos que afectan un ´area de pocos metros y tienen un tiempo de vida de minutos. En la Figura 1.1
(a), se muestran los tipos de pron´osticos clasisficados seg´un la escala espacial y temporal. Agrupando
los diferentes fen´omenos atmosf´ericos en estas escalas espaciales y temporales (Figura 1.1, (b)), se puede
observar que el pron´ostico a muy corto plazo se enfrenta a la predicci´on de fen´omenos de muy peque˜na
escala y muy corto tiempo de duraci´on . Tal es el caso de los tipos de severidad que se pueden presentar en
3
las tormentas; por ejemplo la ca´ıda de granizo, los tornados y las aeroavalanchas. Se pueden mencionar
adem´as las tormentas el´ectricas, las lluvias intensas cuyo pron´ostico es vital para poder conocer las
´areas de acumulaci´on de aguas producto del escurrimiento superficial y as´ı mitigar el impacto de las
inundaciones. Todo esto implica que para lograr un buen pron´ostico se requiere de herramientas con
resoluci´on espacial y temporal muy alta y un alto grado de precisi´on. Adem´as de los fen´omenos antes
mencionados, se destacan otras situaciones y actividades en el d´ıa a d´ıa de un pa´ıs que demandan un
efectivo sistema de predicci´on a muy corto plazo. Por mencionar solo algunas est´an: la planificaci´on de la
aeron´autica civil, la transportaci´on, la navegaci´on, para las cuales es necesario tambi´en la predicci´on de
la visibilidad afectada por la neblina; tambi´en en la agricultura y ganader´ıa, los sistemas de monitoreo
y alerta temprana, la generaci´on de energ´ıa alternativa mediante parques e´olicos y fotovoltaicos a partir
del viento y la radiaci´on solar respectivamente; el turismo, las actividades p´ublicas, entre otros.
(a) (b)
Figura 1.1: (a) Tipos de pron´ostico seg´un el rango temporal y espacial que abarcan. (b) Fen´omenos
agrupados seg´un las escalas espaciales y temporales [51]
En los comienzos, esta actividad en el mundo tanto como en nuestro pa´ıs, se realizaba apoyada en los
diferentes medios de observaci´on, pero con mayor con ´enfasis en los radares metoerol´ogicos. La t´ecnica que
se utilizaba era la extrapolaci´on, en particular la extrapolaci´on de los ecos observados por los radares; con
la finalidad de predecir la precipitaci´on en un futuro cercano. M´as adelante en la d´ecada de 1980, la Oficina
de Meteorolog´ıa del Reino Unido introduce el sistema operacional y Nimrod ([22]) cuya novedad consist´ıa
en la combinaci´on de las ya explotadas t´ecnicas de extrapolaci´on de los radares con la modelaci´on num´erica
del tiempo (MNT). Este ser´ıa el camino a transitar hasta los sistemas desarrollados m´as recientemente
como el RUC y RAP/HRRR ([36]), los cuales se describen en detalle en la ´ultima secci´on de este cap´ıtulo.
En nuestro pa´ıs se realizaron numerosos esfuerzos en este sentido tambi´en, espec´ıficamente en el caso de
las tormentas y los fen´omenos que se pueden presentar asociados a estas. La mayor´ıa de los estudios han
estado enfocados desde la escala sin´optica, tal es el caso de los trabajos de Rivero y Antu˜na [42], Figueroa
(1987) [18], Alfonso ([4], [5], [6], [7]), Lecha et. al.[27], Acosta [1], Berm´udez et. al.[9], y Aguilar [2], [3].
Otros estudios han tomado el enfoque del an´alisis desde la mesoescala, como son los trabajos de Varela
4
[48] y Gonz´alez [20], los cuales estudiaron la formaci´on de tornados y la ocurrencia de aeroavalanchas
respectivamente; ambos estudios se desarrollaron para la regi´on occidental del pa´ıs. Tambi´en De la Nuez
en 2010 [16], estudi´o los ambientes favorables a mesoescala para la ocurrencia de aeroavalanchas en
las provincias habaneras. Por otra parte Rabelo [43] elabor´o un procedimiento para la estimaci´on de la
velocidad de la racha m´axima de una aeroavalancha y se suman los trabajos de Camacho [12] y Concepci´on
[13].
Adem´as se han desarrollado l´ıneas de investigaci´on encaminadas a la detecci´on y el seguimiento de tormen-
tas por radar; por ejemplo los estudios de Novo [37], [38]. Este autor desarroll´o un m´etodo autom´atico de
detecci´on y seguimiento de tormentas convectivas por radar. En esta investigaci´on se utilizaron im´agenes
de reflectividad de radar con 3km de resoluci´on, consecutivas en el tiempo. Para la identificaci´on de
tormentas los desarrolladores se basaron en el m´etodo de etiquetado de componentes conectados y el
seguimiento se realiza buscando la distancia m´ınima a la pr´oxima posici´on de la tormenta (ver Figura
1.2). Entre las limitaciones se˜naladas por el propio autor, vale mencionar que solo es un m´etodo bidi-
mensional por lo que no incluye la informaci´on tridimensional de la estructura de la tormenta y se basa
en un solo umbral de reflectividad para la identificaci´on. Otros estudios han combinado las t´ecnicas de
mesoescala con la modelaci´on num´erica del tiempo. En esta l´ınea se encuentra Molina [34], trabajo en el
que se emplea el modelo WRF para simular la formaci´on de las tormentas. Los trabajos de Pozo [39], [40]
y [41] fueron los primeros pasos en la modelaci´on de tormentas convectivas en Cuba, en estos se emplea
el modelo ARPS (Advanced Regional Prediction System ([50])). Las experiencias adquiridas en estos
estudios permitieron el posterior empleo de este modelo para desarrollar los pron´osticos de la formaci´on
de nubes en las campa˜nas de lluvia provocada. Otros investigadores implementaron la automatizaci´on de
los pron´osticos del ARPS el cual estuvo funcionando de forma operativa durante 2012-2013.
Todos estos resultados han sido pasos importantes y necesarios que han permitido adquirir fuertes
conocimientos te´oricos y pr´acticos de las tormentas que se producen sobre el territorio nacional, as´ı como
tambi´en han contribuido a desarrollar herramientas para el monitoreo y pron´ostico de las mismas.
5
Figura 1.2: Identificaci´on y seguimiento de tormentas a trav´es de radares meteorol´ogicos [38]
1.2. La predicci´on num´erica en el pron´ostico a muy corto plazo.
Retos
Desde el nacimiento de la modelaci´on num´erica del tiempo, entre 1910-1930 (mucho antes de que surgiera
le primera computadora), Lewis Fray Richardson, marc´o las pautas de lo que es hoy una de las t´ecnicas
matem´aticas m´as utilizadas y con mejores resultados en las investigaciones relacionadas con el tiempo y
su pron´ostico operativo. Con el creciente desarrollo tecnol´ogico y computacional, ha crecido tambi´en la
comunidad de modeladores (usuarios y desarrolladores) teniendo como resultado modelos de pron´ostico
num´erico del tiempo capaces de simular y predecir procesos atmosf´ericos de diferentes escalas espaciales
y temporales. La Figura 1.3, muestra la estructura de un sistema de modelaci´on num´erica del tiempo. En
la actualidad los modelos son la gu´ıa primaria de los pronosticadores sobre todo para el pron´ostico a corto
y mediano plazo sin embargo; para el caso que estamos tratando no tienen un buen comportamiento.
Veamos brevemente las componentes del sistema de la Figura 1.3 resaltando los detalles que soportan la
afirmaci´on anterior.
Los modelos de pron´ostico num´erico del tiempo (MPNT) se basan en ecuaciones f´ısico-matem´aticas que
modelan los diferentes procesos atmosf´ericos. Este conjunto de ecuaciones var´ıa seg´un el modelo pero
todas las variaciones parten del sistema de ecuaciones primitivas (1.1 - 1.7) compuesto por: la ecuaci´on
de movimiento devenida de la Segunda Ley de Newton; la ecuaci´on de la termodin´amica; la ecuaci´on de
continuidad; otra ecuaci´on an´aloga a la anterior pero aplicada al vapor de agua; y la ecuaci´on del gas
6
Figura 1.3: Esquema de un sistema de modelaci´on num´erica
ideal,
∂u
∂t =−u∂u
∂x −v∂u
∂y −w∂u
∂z +uv tan φ
a−uw
a−1
ρ
∂p
∂x −2Ω(wcos φ−vsin φ) + F rx(1.1)
∂v
∂t =−u∂v
∂x −v∂v
∂y −w∂v
∂z +u2tan φ
a−uw
a−1
ρ
∂p
∂y −2Ωusin φ+F ry(1.2)
∂w
∂t =−u∂w
∂x −v∂w
∂y −w∂w
∂z −u2+v2
a−1
ρ
∂p
∂z −2Ωucos φ−g+F rz(1.3)
∂T
∂t =−u∂T
∂x −v∂T
∂y + (γ−γd)w+1
cp
dH
dt (1.4)
∂ρ
∂t =−u∂ρ
∂x −v∂ρ
∂y −w∂ρ
∂z −ρ(∂u
∂x +∂v
∂y +∂w
∂z ) (1.5)
∂qv
∂t =−u∂qv
∂x −v∂qv
∂y −w∂qv
∂z +Qv(1.6)
P=ρRT (1.7)
donde u,vywson las componentes cartesianas de la velocidad, pla presi´on, ρla densidad, Tla tem-
peratura, qvla humedad espec´ıfica, Ω la frecuencia rotacional de la Tierra, φla latitud, ael radio de
la Tierra, cpes el calor espec´ıfico del aire a presi´on constante, ges la aceleraci´on de la gravedad, H
representa la p´erdida o ganancia de calor, Qvla p´erdida o ganancia de vapor de agua producto de los
cambios de fase y F r es el t´ermino de fricci´on en cada coordenada [49].
Las ecuaciones anteriores, se aplican a procesos de todas las escalas incluyendo procesos como la turbu-
lencia, la convecci´on local, entre otras, que son de muy peque˜na escala. En la pr´actica sin embargo, no es
posible resolver expl´ıcitamente estos procesos, por lo que se separa en dos componentes: la componente
de las escalas que los modelos pueden resolver y la componente correspondiente a los procesos f´ısicos
de subescala que son parametrizados. La primera componente corresponde al N´ucleo Din´amico de un
sistema de modelaci´on num´erica del tiempo y la segunda a las Parametrizaciones del mismo.
7
Las parametrizaciones resuelven estad´ısticamente o a trav´es de algoritmos los efectos vinculados a la
relaci´on de los procesos f´ısicos no representados por los modelos con las variables que s´ı calcula. Las
causas por las que normalmente se parametriza una proceso f´ısico son: es de muy peque˜na escala y no es
resuelto por el modelos, es muy complejo y por tanto computacionalmente costoso de resolver o no existe
suficiente conocimiento para representar expl´ıcitamente el mismo a trav´es de ecuaciones matem´aticas. La
interacci´on de las parametrizaciones con el N´ucleo Din´amico es lo que define la precisi´on del modelo y
tiene un peso significativo en el tiempo de ejecuci´on. Entre los procesos que se parametrizan se encuentran:
la radiaci´on solar, la microf´ısica de las nubes y los c´umulos.
Las ecuaciones que competen al N´ucleo Din´amico, no tienen soluci´on anal´ıtica por lo que se requieren
m´etodos num´ericos para encontrar una soluci´on aproximada. Entre los esquemas num´ericos m´as utiliza-
dos se encuentran: las Diferencias Finitas, los Elementos Finitos y los m´etodos espectrales. Asimismo
como estamos tratando con ecuaciones diferenciales en derivadas parciales estamos ante un problema de
condiciones de fronteras y valores iniciales. Las condiciones de frontera incluyen las laterales, las del tope
y las de superficie. Los modelos globales por ejemplo, no tienen l´ımites laterales, el dominio computa-
cional se considera peri´odico. Por otro lado a los modelos de ´area limitada se les aplican bordes forzados
externamente, es decir, la frontera se interpola a partir de una malla perteneciente a otro modelo. La
condici´on de frontera en el tope es artificial y se topa en la trop´osfera. La combinaci´on de cualquiera de
estas variantes de soluci´on num´erica y condiciones de frontera, puede conducir a efectos no f´ısicos que
todos los usuarios de los modelos deben conocer, pero no son los que afectan la precisi´on de los modelos
en el pron´ostico num´erico a muy corto plazo. Relacionado con esto, est´a el proceso de inicializaci´on.
Para comenzar la integraci´on de las ecuaciones, debe determinarse el estado inicial de cada una de
las variables. La calidad del pron´ostico depender´a en gran medida de las condiciones iniciales. Si en
el proceso de inicializaci´on los campos de masa y momentum no est´an balanceados surgen las ondas
de gravedas inerciales producto de que el modelo trata de ajustar sus campos. ´
Estas pueden interferir
en la representaci´on adecuada de caracter´ısticas reales. Adem´as si la inicializaci´on no contiene suficiente
informaci´on sobre los movimientos verticales asociados a la orograf´ıa, la convecci´on, entre otros; el modelo
tiene que crear estas caracter´ısticas durante el pron´ostico y ello involucra hasta las primeras 24 horas de
la salida num´erica. Por este motivo los modeladores no utilizan la predicci´on num´erica de las primeras 12
a 24 horas despu´es de la inicializaci´on, pues los modelos requieren autoajustarse en ese tiempo. He aqu´ı el
problema que enfrentamos en la aplicaci´on de la MNT al pron´ostico a muy corto plazo. Con el objetivo
de disminuir el tiempo de autoajuste se pueden adoptar varias estrategias que explicamos a continuaci´on.
El proceso de inicializaci´on de un MPNT, puede ser est´atico o din´amico. En el enfoque est´atico, la
informaci´on obtenida de los diferentes medios de observaci´on de la atm´osfera es interpolada a los puntos
de la malla del modelo mediante un an´alisis objetivo, se le aplican las restricciones f´ısicas y con esta malla
8
inicial, el modelo comienza la integraci´on. Esta variante requiere el tiempo de autoajuste ya mencionado
y se conoce tambi´en como cold start.
El enfoque din´amico propone la aplicaci´on de restricciones de forma din´amica durante la corrida del
modelo, que ajusten el mismo. La primera estrategia de este tipo, es inciar el modelo 12 o 24 horas
antes de la hora de inicializaci´on deseada, y correr el modelo para que se autoajuste en este per´ıodo de
pre-pron´ostico. Otra variante ser´ıa asimilar datos durante este per´ıodo. El problema con esta propuesta
es que se requiere mayor capacidad de c´omputo. Una t´ecnica muy utilizada, es partir del pron´ostico de un
modelo ya ajustado en el plazo inicial como primera aproximaci´on del an´alisis objetivo. En este caso las
observaciones se aplicar´ıan para ajustar el pron´ostico del modelo v´alido en la hora inicial. Esta t´ecnica se
denomina asimilaci´on de datos sequencial o intermitente. Por ´ultimo, est´a el enfoque que asimila datos
de forma continua seg´un est´en disponibles, el cual es ideal si contamos con la comunicaci´on y los recursos
computacionales suficientes, que no es nuestro caso.
Seg´un lo explicado hasta este punto, el reto en lograr una aplicaci´on factible y eficiente de los modelos
de pron´ostico num´erico del tiempo en la predicci´on a muy corto plazo, est´a en estabelcer un sistema de
asimilaci´on de datos adecuado seg´un las posibilidades tecnol´ogicas con las que se cuenta.
1.3. Asimilaci´on de datos
La asimilaci´on de datos es un m´etodo de an´alisis en el cual la informaci´on de las observaciones se acu-
mula durante un per´ıodo de tiempo para luego convertirla en un estado del modelo. Una vez insertada la
informaci´on en el modelo este aplica restricciones de consistencia din´amica entre todas las variables me-
teorol´ogicas y produce un campo de an´alisis. Las principales componentes de en el proceso de asimilaci´on
de datos son: las observaciones, el campo de fondo o first guest que se obtiene de un an´alisis previo o
de un pron´ostico de un modelo y las restricciones din´amicas que pueden estar basadas en un modelo. Se
han desarrollado m´ultiples m´etodos cuya finalidad es la inserci´on de datos meteorol´ogicos en la MNT.
Detr´as de los mismos se encuentran m´etodos matem´aticos muy complejos cuya rigurosa explicaci´on no
es objetivo del trabajo por lo que se describen brevemente a continuaci´on:
Correcciones Sucesivas: es uno de los primeros m´etodos desarrollados para la interpolaci´on de
datos de observaciones. En este caso el campo de fondo es considerado la mejor aproximaci´on de
las variables en la malla y es sometido a ajustes sucesivos a partir de las observaciones que se
encuentran en un radio determinado alrededor de cada celda.
Interpolaci´on Estad´ıstica o Interpolaci´on ´
Optima: A diferencia del esquema anterior, los
an´alisis se crean teniendo en cuenta el error estad´ıstico.
9
An´alisis Variacional Tridimensional (3DVAR): Se basa en la minimizaci´on de una funci´on
que pondera las diferencias entre las observaciones y el campo de fondo. Tiene en cuenta tambi´en
los errores estad´ısticos.
An´alisis Variacional de Cuatro Dimensiones (4DVAR): Es una generalizaci´on del anterior
que en vez de realizar la asimilaci´on de datos en el tiempo cercano al tiempo inicial del modelo, lo
realiza en un intervalo de tiempo.
Filtro de Kalman: Basado en el m´etodo Least-Square.
M´etodos H´ıbridos: Se utiliza mucho la combinaci´on del filtro de Kalman con su variante m´as
avanzada, el Ensemble Kalman Filter (EnKF) con el m´etodo 3DVAR.
Para mayor informaci´on el lector puede consultar los textos [26], [49].
Entre los softwares de asimilaci´on de datos m´as populares se encuentran el ADAS (ARPS Data Asimi-
lation System) que utiliza un m´etodo iterativo que converge al mismo resultado al que se llega si se
empleara la Interpolaci´on ´
Optima. El ARPS adem´as trae implementadas las variantes 3DVAR y EnKF.
Por tro lado se encuentra el WRFDA (Data Asimilation Weather Research and Forecast), el m´odulo de
asimilaci´on del modelo de pron´ostico num´erico del tiempo WRF.
En Cuba se han desarrollado varios estudios para verificar los pron´osticos num´ericos con t´ecnicas de
asimilaci´on de datos de observaciones meteorol´ogicas. Cruz (2010) [14] emple´o el m´odulo Little R del
modelo MM5V5 (Fith Generation Mesoescale Model Version 3) para asimilar datos de las estaciones
meteorol´ogicas cubanas. Posteriormente Hern´andez (2013) [24] utiliz´o el m´odulo ADAS del modelo ARPS
para asimilar las estaciones cubanas y el radar doppler de Cayo Hueso, Florida. Con estos estudios se pudo
comprobar que el empleo de las t´ecnicas de asimilaci´on de datos contribuye notablemente a mejorar la
calidad del pron´ostico num´erico, y adem´as se pudo determinar c´omo influye la asimilaci´on de cada tipo de
observaci´on en la evoluci´on en el tiempo del pron´ostico num´erico. Combinando las t´ecnicas de asmilaci´on
de datos y el estudio de fen´omenos de mesoescala, Ferrer (2013) [19] desarroll´o un estudio de la formaci´on
de tornados en Cuba. En este trabajo se pudo comprobar algunos de los mecanismos planteados por otros
autores y adem´as se encontraron algunas otras particularidades que intervienen en la tornadog´enesis de
los tipos de tornados mas frecuentes en nuestro pa´ıs. Adem´as este trabajo constituy´o un importante paso
de avance en la aplicaci´on pr´actica de la utilizaci´on de la modelaci´on num´erica del tiempo y la asimilaci´on
de datos como una herramienta importante en la predicci´on de fen´omenos a mesoescala en nuestro pa´ıs.
10
1.4. Principales sistemas de pron´ostico a muy corto plazo e in-
mediato
Varios son los sistemas que combinan la asimilaci´on de datos con la modelaci´on num´erica del tiempo
orientada al pron´ostico a muy corto plazo. La India y China tienen algunos de los sistemas de este tipo
m´as conocidos ([46], [28]). En esta secci´on describimos dos de los m´as conocidos, el Nimrod del Reino
Unido y el RAP/HRRR de Estados Unidos.
1.4.1. Nimrod
El sistema Nimrod [22], fue desarrollado en la Oficina Meteorol´ogica del Reino Unido (UK Met Office).
Tiene como objetivo el pron´ostico de todas las variables meteorol´ogicas en un plazo de hasta 6 horas.
Entre los pron´osticos de mayor calidad que ofrecen est´a el pron´ostico de lluvia y el de visibilidad. El ´area
cubierta por este sistema incluye al Reino Unido, mares adyacentes y parte del continente cercano(ver
Figura 1.4 ). Los productos se elaboran con una resoluci´on de 5 km y la componente f´ısico-din´aminca se
basa en un Modelo de Mesoescala que es una versi´on del Modelo Unificado de la Oficina Meteorol´ogica.
Figura 1.4: Dominio de pron´ostico del sistema Nimrod [22]
La habilidad del Nimrod para pronosticar la lluvia es lo m´as destacado del sistema. La elaboraci´on de
este producto consta de 5 etpadas dadas por:
1. Procesamiento de los datos de sat´elite,
2. Procesamiento de los datos de radares,
3. Blending del dato de lluvia
4. Asimilaci´on y pron´ostico num´erico del tiempo
5. Pron´ostico final mesclando lo obtenido en las etpas anteriores.
11
La asimilaci´on de datos se realiza cada 15 minutos generando an´alisis que alimentan el Modelo de
Mesoescala. El tipo de asimilaci´on es 2DVAR ya que solo considera los campos horizontales. Los pron´osti-
cos se elaboran cada 30 minutos.
Otras versiones de este sistema han sido desarrolladas para abarcar una regi´on grande, tal es el caso
del Nimrod Europeo. En la Figura 1.5 se observa el dominio de esta versi´on ofreciendo un pron´ostico de
acumulado de precipitaci´on.
Figura 1.5: Pron´ostico de lluvia realizado por la versi´on europea del Nimrod [22]
1.4.2. RAP/HRRR
Otro sistema com muy buen comportamiento y que en su dominio de simulaci´on incluye nuestra ´area es el
RAP (Rapid Refresh)/HRRR (High-Resolution Rapid Refresh) System [36]. En la Figura 1.6 se observa
que cuenta con un dominio de mesoescala con resoluci´on de 13 km y uno de alta resoluci´on con 3 km.
El modelo de pron´ostico num´erico del tiempo que utiliza, es el WRF-ARW (Advanced Weather Research
and Forecast), con parametrizaci´on de c´umulo Grell-3, microf´ısica de Thompson y esquema de capa
fronteriza MYNN. Adem´as utiliza un an´alisis h´ıbrido de interpolaci´on estad´ıstico basado en un ensemble
global de 80 miembros. La salida de 13 km de resoluci´on cuenta con 50 niveles verticales y 24 ciclos diarios,
es decir, se actualiza cada una hora. El ciclo de actualizaci´on horario se basa en el m´etodo 3DVAR. Los
12
Figura 1.6: Dominios de simulaci´on del RAP/HRRR [36]
datos que se insertan en la modelaci´on a partir de la asimilaci´on son los radio-sondeos, los radares, las
estaciones en superficie METAR, boyas, los datos del sat´elite GOES, el agua precipitable a partir del
GPS, entre otros. Adem´as incorpora un sistema de evaluaci´on operativo. En la Figura 1.7 se muestra un
pron´ostico de precipitaci´on, la observaci´on y la evaluaci´on.
(a) (b) (c)
Figura 1.7: Ejemplo de un pron´ostico de precipitaci´on (a), la observaci´on (b) y el resultado de la evaluaci´on
(c) [36]
13
Cap´ıtulo 2
Materiales y m´etodos
Como se mencion´o en el cap´ıtulo anterior, el modelo WRF es muy utilizado para el pron´ostico del tiempo
y es la componente din´amica de varios de los sistemas de predicci´on num´erica. En el sistema que se
propone desarrollar ser´a tambi´en la base din´amica. Para determinar la configuraci´on del modelo WRF
que con mejor precisi´on se ajusta a las condiciones f´ısico-meteorol´ogicas de Cuba, se realizaron una serie
de estudios de sensibilidad basados en variaciones de las parametrizaciones de microf´ısica y c´umulos,
condiciones iniciales con datos de an´alisis y de pron´ostico del modelo GFS, y por ´ultimo, condiciones
iniciales m´as la asimilaci´on de datos de sondeos y estaciones con el m´odulo de asimilaci´on WRFDA. La
evaluaci´on de los experimentos anteriores se realiza puntualmente mediante los estad´ıgrafos que se utilizan
tradicionalmente y adem´as se realiza un verificaci´on espacial con el ´ındice Fraction Skill Score y con el
MODE([15]). Los datos utilizados durante la ejecuci´on de esta investigaci´on fueron las mediciones de las
estaciones en superficie para el a˜no 2008 completo y los d´ıas entre el 18 de febrero y hasta el 19 de marzo
de 2014. Adem´as se utilizaron los datos del TRMM-PR para la evaluaci´on espacial de la precipitaci´on.
Aunque el objetivo del trabajo es implementar un sistema de predicci´on num´erica a mesoescala con
cuatro actualizacines diarias a las 0000, 0600, 1200 y 1800 UTC, solo se realizaron corridas con los cuatro
horarios en los experimentos referidos a la sensibilidad del modelo en la inicializaci´on con datos de an´alisis
y pron´ostico del GFS. El resto de los estudios se limitaron al plazo de las 0000 UTC debido a los recursos
computacionales que demandan.
2.1. Modelo WRF
El modelo de pron´ostico num´erico WRF ha sido desarrollado por la divisi´on de Meteorolog´ıa de Mi-
croescala y Mesoescala de la NCAR([29]). Este sistema de modelaci´on tiene dos n´ucleos din´amicos,
14
el NNM y el ARW(Advanced Research WRF). Este ´ultimo ser´a el utilizado en esta investigaci´on. El
WRF(ARW) actualmente est´a en su versi´on 3, disponible desde abril de 2008 y que ha sufrido actual-
izaciones hasta la versi´on 3.6.1, la m´as reciente. Seg´un sus desarrolladores, es posible su aplicaci´on en un
amplio espectro de escalas espaciales que van desde metros a miles de kil´ometros. En la Figura 2.1, se
muestran las componentes del WRF y c´omo se comunican entre si. Los m´odulos m´as importantes son el
Sistema de Preprocesamiento o Preprocessing System(WPS), el m´odulo de asimilaci´on de datos WRFDA
y el m´odulo que resuelve num´ericamente las ecuaciones que modelan la atm´osfera, el ARW-solver.
Figura 2.1: Diagrama de flujo que presenta los m´odulos del WRF y su comunicaci´on [29]
El WPS tiene como objetivo la definici´on de los dominios de simulaci´on, la interpolaci´on de los datos
orogr´aficos y de uso de suelo, a los dominios definidos; y la interpolaci´on de datos meteorol´ogicos proce-
dentes de otros modelos a los mismos dominios. Es capaz de incorporar datos en formato GRIB1 y GRIB2,
as´ı como datos terrestres de las categor´ıas USGS 24 y MODIS 20. Permite el uso de las proyecciones polar
estereogr´afica, Lambert-Conformal y Mercator. Tiene incluida la capacidad de anidamiento y trae una
interfaz de usuario para incorporar datos est´aticos, entre otros.
La asimilaci´on de datos es posible en el WRF mediante el m´odulo WRFDA, por la importancia que tiene
para el desarrollo de este trabajo se dedica el siguiente ep´ıgrafe.
En cuanto a la componente din´amico-num´erica (ARW solver), se listan algunas de sus caracter´ısticas
fundamentales:
* Sistema de ecuaciones completo no hidrost´atico con la opci´on hidrost´atica.
* T´erminos completos de Coriolis y de curvatura.
15
* Anidamiento en una y dos direcciones.
* El espaciamiento en la vertical puede variar con la altura.
* Discretizaci´on en mallas de tipo Arakawa C.
* Integraci´on en el tiempo mediante Runge-Kutta de 2do y 3er orden.
* Condiciones de fronteras peri´odicas, sim´etricas, forzadas, entre otras.
* Opciones f´ısicas completas para la capa fronteriza atmosf´erica, la radiaci´on en superficie y atmosf´eri-
ca, la microf´ısica y los c´umulos.
Para mayor informaci´on y profundizaci´on acerca del WRF(ARW) puede consultar el manual del mismo
([29]).
2.1.1. M´odulo de asimilaci´on WRFDA
Aunque en el cap´ıtulo anterior se describi´o en detalle en qu´e consiste el proceso de asimilaci´on de datos,
vale recordar que no es m´as que una t´ecnica que combina observaciones meteorol´ogicas con la salida de
un modelo de pron´ostico num´erico del tiempo y la estad´ıstica que describe sus errores, para producir un
estimado mejorado de la atm´osfera. La salida del modelo se denomina primera aproximaci´on o pron´ostico
de fondo y el estimado se conoce como an´alisis. El WRFDA permite la asimilaci´on mediante los enfoques
3D-VAR, 4D-VAR y una variante h´ıbrida que combina la asimilaci´on variacional con ensembles. Estas
t´ecnicas de asimilaci´on variacional se aplican mediante un proceso iterativo de minimizaci´on de una
funci´on de costo conocida, en este caso el m´etodo iterativo implementado en el m´odulo WRFDA es el
Gradiente Conjugado. Las diferencias entre observaci´on y an´alisis se ponderan acorde al error. El an´alisis
se realiza en una malla Arakawa A que luego se interpola a la rejilla Arakawa C del WRF. El WRFDA,
permite la inclusi´on de datos de observaciones convencionales en formato ASCII mediante la herramienta
PREPBUFR. Los datos de sat´elite son asimilados en formato BUFR y en el caso de los radares se puede
insertar el dato de reflectividad y velocidad radial en formato ASCII. En nuestro caso nos limitamos a la
asimilaci´on de las mediciones en superficie y sondeos aerol´ogicos.
El digrama de flujo que explica el proceso de asimilaci´on se muestra en la Figura 2.2 donde:
xbes el pron´ostico de fondo,
xlbc las condiciones de frontera del pron´ostico de fondo, construidas por el WPS y el real,
xael an´alisis,
16
Figura 2.2: Diagrama de flujo del proceso de asimilaci´on del WRFDA [29]
xfel pron´ostico obtenido por el WRF,
yolas observaciones,
B0la estad´ıstica del error del pron´ostico de fondo y
Res la estad´ıstica del error representativo y observacional.
Se puede observar que el WRFDA permite la asimilaci´on de tipo cold start y warm start. En este estudio
se utiliz´o la t´ecnica 3D-VAR para realizar la asimilaci´on. M´as detalles acerca de este m´odulo se pueden
encontrar en el manual del WRF.
2.2. Dise˜no de los experimentos
Los experimentos realizados con la finalidad de llegar a una configuraci´on del WRF que permita un
pron´ostico a muy corto plazo e inmediato lo m´as preciso posible, parten de una configuraci´on base ya
evaluada en las condiciones f´ısico-meteorol´ogicas de Cuba. Esta configuraci´on base fue dise˜nada por
Mitrani et al.[31] para el modelo Mesoescale Model de quinta generaci´on en su versi´on 3 (MM5V3). La
misma fue evaluada principalmente en el pron´ostico de trayectorias de huracanes [32], [33]. Los elementos
fundamentales de la configuraci´on base se describen a continuaci´on:
* La inicializaci´on se basa en los datos del GFS de 1 grado utilizando 9 niveles verticales.
* Tres dominios anidados con resoluci´on 81, 27 y 9 km (ver Figura 2.3).
* Proyecci´on Lambert.
17
Figura 2.3: Dominios de la configuraci´on base (tomada del MM5V3).
* Centrados en 23N y 80W, cerca del centro del pa´ıs.
*nx = 145, ny = 82, nz = 23 (Cantidad de puntos por las x, y yzrespectivamente), para el dominio
de 27km y nx = 186, ny = 96, nz = 23 en el dominio de 9km.
* Paso de integraci´on dt = 180s.
* Parametrizaci´on de c´umulos Grell.
* Parametrizaci´on de Microf´ısica simple de lluvia no convectiva con fase de hielo.
Sobre la configuraci´on base se realizaron los siguientes cambios y esta nueva configuraci´on la denominare-
mos Conf1:
* La inicializaci´on se basa en los datos del GFS de 0.5 grados utilizando 26 niveles verticales.
* Dos dominios anidados con resoluci´on 27 y 9 km (ver Figura 2.4).
* Proyecci´on Lambert.
* Centrados en 23N y 80W, cerca del centro del pa´ıs.
* Paso de integraci´on dt = 150s.
* Parametrizaci´on de c´umulos Grell-Freitas [23].
* Parametrizaci´on de Microf´ısica WSM5.
Para los estudios referidos a la sensibilidad del modelo al cambio de parametrizaciones de microf´ısica
y c´umulos se escogieron tres de cada tipo. Ellas son WSM5, Thompson, Morrison 2-mom en el caso
18
Figura 2.4: Dominios de Conf1.
de la microf´ısica y Grell-Freitas, Kain-Fritsch y Tiedtke para los c´umulos. La selecci´on se bas´o en un
estudio preliminar (a´un en proceso de publicaci´on) de un caso de estudio con el que se realizaron 30
experimentos con 6 parametrizaciones de microf´ısicas y 5 parametrizaciones de c´umulos. Como resultado
las 9 combinaciones que proponemos tuvieron el mejor comportamiento. En el ep´ıgrafe siguiente, se
describen brevemente las parametrizaciones propuestas. A pesar de que se pretende llegar a un sistema
de pron´ostico a muy corto plazo con cuatro actualizaciones, se realiz´o la corrida del a˜no 2008 con cada
configuraci´on, inicializado con el GFS an´alisis solamente a las 0000 UTC. Esta restricci´on es debido a los
limitados recursos computacionales de los que se dispone.
Una vez determinada la mejor configuraci´on de entre las 9 anteriores, se realizaron los estudios variando
las condiciones iniciales, esta vez para los casos del 18 de febrero hasta el 19 de marzo de 2014, con
inicializaci´on a las 0000, 0600, 1200, 1800 UTC tomada del an´alisis del GFS y del pron´ostico del mismo.
Adem´as para probar el impacto de la asimilaci´on de los datos de estaciones en superficie y sondeos en el
pron´ostico del WRF, con el objetivo de reducir el tiempo de autoajuste, se corri´o incluyendo el WRFDA.
El campo de fondo fue tomado del GFS an´alisis a las 0000 UTC y del GFS pron´ostico en el mismo horario.
19
2.2.1. Parametrizaciones de microf´ısica y c´umulos
Las parametrizaciones son un compentente clave en un sistema de Modelaci´on Num´erica del Tiempo
influyendo directamente en la precisi´on de los modelos y en su tiempo de ejecuci´on. En el Cuadro 2.1 se
muestran las parametrizaciones de microf´ısica y c´umulos que se probaron en este estudio. La descripci´on
de cada una es la que sigue:
Cuadro 2.1: Listado de experimentos variando las parametrizaciones de microf´ısica y c´umulos
Experimentos Esquema de Microf´ısica Esquema de c´umulos
Conf1 WSM5 Grell-Freitas
Conf2 WSM5 Kain-Fritcsh
Conf3 WSM5 Tiedtke
Conf4 Thompson Grell-Freitas
Conf5 Thompson Kain-Fritcsh
Conf6 Thompson Tiedtke
Conf7 Morrison-2mom Grell-Freitas
Conf8 Morrison-2mom Kain-Fritcsh
Conf9 Morrison-2mom Tiedtke
Esquemas de C´umulos:
1. Esquema de Kain-Fritcsh: es un esquema de subrejilla de convecci´on profunda y no profunda en el
que incluye el detrainment de nube, lluvia, hielo, y nieve con persistencia de nube sobre la escala
temporal convectiva [25].
2. Esquema Grell-Freitas: consiste en una modificaci´on del esquema ensemble Grell-Devenyi. Definido
como un m´etodo ensemble multipar´ametro con 144 miembros de subrejilla. Representa expl´ıcita-
mente los movimientos de ascenso y descenso, e incluye el detrainment de nube y hielo [23].
3. Esquema de Tiedtke: es un esquema masa-flujo que incluye convecci´on no profunda, transporte de
momentum e incluye el detrainment de nube y hielo.
Esquemas de Microf´ısica:
1. Esquema WRF Single-Moment 5-class: Es un simple y eficiente esquema que incluye los procesos de
hielo y nube acorde a mallas mesoescalares que permite procesos de fase-mixta y agua sobreenfriada.
20
2. Esquema de Thompson: Incluye los procesos de hielo y graupel. Es ideal para las simulaciones con
alta resoluci´on [47].
3. Esquema Morrison double-moment: Representaci´on del momento de segundo orden de los procesos
de hielo, nieve, lluvia y graupel [35].
2.2.2. Condiciones Iniciales
El prop´osito de probar la sensibilidad del modelo a la variaci´on de las condiciones iniciales, en partir-
cular, a la inicializaci´on con pron´ostico, es reducir el tiempo de autoajuste del modelo y la espera de la
disponibilidad de los datos en Internet para fines operativos. Una inicializaci´on con pron´ostico tendr´ıa
resuelto.el problema del autoajuste, por lo que en la primeras horas de la corrida debe obetenerse mejor
precisi´on. En la Figura 2.5, se muestra c´omo ser´ıa la inicializaci´on con los datos de an´alisis del GFS y
con su pron´ostico, mientras que en el Cuadro 2.2 se muestran los experimentos realizados denominados
Conf10-17, siguiendo la notaci´on anterior. En estas configuraciones solo se vari´o la inicializaci´on, el resto
de los elementos quedaron seg´un la Conf1-9 que mejores resultados present´o.
Figura 2.5: Corridas con inicializaci´on a partir del GFS an´alisis y el GFS pron´ostico
Estas configuraciones fueron corridas para los d´ıas del 18 de febrero hasta el 19 de marzo de 2014.
Otro detalle no menos importante que nos motiva a realizar estos estudios de sensibilidad es que, para
el uso operativo de los datos de an´alisis del GFS los cuales se descargan de Internet, es necesario esperar
entre 5 y 6 horas por su disponibilidad en la red. Por ejemplo los datos de las 0000 UTC est´an listos casi a
media noche. Esto implica que ya el sistema de pron´ostico que deseamos implementar tendr´ıa un retraso
de 6 horas, m´as el tiempo de corrida del modelo que, para los dominios que presentamos, var´ıa entre
30 minutos y 120 minutos dependiendo de la parametrizaci´on de microf´ısica. Si se utilizan los datos de
21
Cuadro 2.2: Listado de experimentos realizados variando la inicializaci´on.
Experimentos Hora de Inicializaci´on (UTC) Tipo de Inicializaci´on Datos del GFS a emplear
Conf10 0000 an´alisis 0000
Conf11 0000 pron´ostico 1800
Conf12 0600 an´alisis 0600
Conf13 0600 pron´ostico 0000
Conf14 1200 an´alisis 1200
Conf15 1200 pron´ostico 0600
Conf16 1800 an´alisis 1800
Conf17 1800 pron´ostico 1200
pron´ostico estar´ıamos ganando ese tiempo, lo que nos permitir´ıa a˜nadir dominios de m´as alta resoluci´on
sin aumentar la capacidad computacional.
Para evaluar las configuraciones Conf10-17, se realiz´o una verificaci´on puntual con datos de estaciones en
superficie, utilizando los estad´ıgrafos Error Cuadr´atico Medio y el Coeficiente de Correlaci´on de Pearson
cuyas expesiones se incluyen m´as adelante.
2.2.3. Asimilaci´on de Datos
Para la asimilaci´on en el modelo de WRF mediante el WRFDA, se utilizaron las observaciones METAR
y sondeos localizados en toda la regi´on que comprende al dominio de m´as baja resoluci´on (27km). Estos
datos est´an disponibles en tiempo real en los sitios [53], [52] y se descargan un total de 1541 datos de
observaciones en superficie y 68 sondeos aerol´ogicos. En la Figura 2.8 se muestra la ubicaci´on espacial
de los datos utilizados. Estos datos no se encuentran en el formato en el que el WRFDA recibe la
informaci´on por lo que se realiz´o un script en Python para su transformaci´on al formato LITTLE R. En
la Figura 2.6 se muestra el esquema de asimilaci´on utilizado. El subprograma OBSPROCESOR, es el
encargado eliminar las observaciones fuera del dominio espacial y temporal (entre una hora antes y una
hora despu´es), elimina la observaciones duplicadas qued´andose con la de mejor calidad y para el caso de
las observaciones en varios niveles verticales, comprueba que no exista incosistencia f´ısica. Despu´es de
este preprocesamiento, el OBSPROCESOR escribe al formato que requiere el WRFDA.
En los experimentos realizados con asimilaci´on se tom´o como primera aproximaci´on los datos del GFS
an´alisis y pron´ostico en el horario de las 0000 UTC. De esta forma se declaran las configuraciones Conf18-
21 como se muestra en el Cuadro 2.2.3. Los casos simulados se tomaron entre el 18 de frebrero y 19 de
marzo de 2014. De igual forma se realiz´o una evaluaci´on puntual con datos de estaciones en superficie.
22
Figura 2.6: Esquema que muestra el proceso de asimilaci´on de datos con el WRFDA
Cuadro 2.3: Listado de experimentos realizados con asimilaci´on
Experimentos GFS Asimilaci´on
Conf18 an´alisis Si
Conf19 pron´ostico Si
Conf20 an´alisis No
Conf21 pron´ostico No
2.3. Evaluaci´on
Cada una de las configuraciones antes descritas fueron evaluadas para determinar la que mejor se ajusta
a las condiciones f´ısco-meteorol´ogicas de Cuba y a las condiciones materiales que se tienen. La evaluaci´on
de las salidas de modelos de pron´ostico del tiempo agrupa un conjunto de t´ecnicas matem´aticas que van
desde la estad´ıstica tradicional que comunmente se aplica a variables continuas como la temperatura y el
viento, hasta m´etodos espaciales que permiten la verificaci´on de variables discretas como la precipitaci´on
y la nubosidad. Entre los enfoques de evaluaci´on m´as utilizados se encuentran la evaluaci´on celda-punto
y la evaluaci´on espacial, ambos usados en el presente trabajo. La selecci´on de los mismos se bas´o en los
tipos de observaciones con que se cont´o para realizar la verificaci´on. M´as detalles acerca de las formas de
evaluaci´on se encuentran en [17].
Para la verficaci´on puntual se utilizaron los datos de las estaciones en superficie del pa´ıs y la aplicaci´on
de la verificaci´on espacial se bas´o en los datos del TRMM-PR. A continuaci´on se explica dentro de cada
enfoque aplicado las t´ecnicas e ´ındices utilizados.
23
2.3.1. Verificaci´on celda-punto
La metodolog´ıa celda-punto es aplicable cuando se dispone de datos puntualues los sondeos, las boyas
y las estaciones en superficie. En este trabajo se cont´o con los datos de estaciones. En esta variante
se comparan los valores puntuales con las celdas del modelo que se correspondan. De no coincidir, se
interpola la salida del modelo a las coordenadas de la estaci´on. La interpolaci´on en esta investigaci´on
fue realizada mediante el m´etodo de spline c´ubico. Una vez interpolados los datos, es posisble el c´alculo
de diferentes estad´ıgrafos. En este estudio fueron utilizados el Error Absoluto Medio (mae 2.1), el Error
Cuadr´atico Medio (mse 2.2), el Error Relativo Medio(mre 2.3), las Desviaci´on Est´andar (std 2.4,2.5),
el Coeficiente de Ajuste (ai 2.6) y el Coeficiente de Correlaci´on de Pearson(pcor 2.7). Las expresiones
de cada uno se escriben seguidamente, para ello se adopta la notaci´on, Oobservaci´on, Ppron´ostico, N
cantidad de datos a comparar, el error est´a dado por e=O−Py una barra superior indica valor medio.
mae =1
N
N
X
i=1
|ei|(2.1)
mse =1
N
N
X
i=1
(ei)2(2.2)
mae =1
N
N
X
i=1
(ei)
Oi
∗100 (2.3)
std(O) = v
u
u
t
1
N
N
X
i=1
(Oi−O)2(2.4)
std(P) = v
u
u
t
1
N
N
X
i=1
(Pi−P)2(2.5)
ai = 1 −PN
i=1(ei)2
PN
i=1((Oi−O)+(Pi−O))2(2.6)
pcor =PN
i=1(Oi−O)(Pi−P)
std(O)std(P)(2.7)
Estos estad´ıgrafos fueron utilizados en la evaluaci´on de las variables temperatura, presi´on, humedad
relativa, fuerza del viento y precipitaci´on.
24
2.3.2. Verificaci´on espacial
La verificaci´on espacial es muy ´util par el estudio de variables discretas. Dentro de esta metodolog´ıa existen
varias t´ecnicas como son: la l´ogica difusa, la aplicaci´on de funciones wavelet para relacionar intensidad con
escala, el Fraction Skill Score (f ss) que permite determinar para varios tama˜nos de ventana y umbrales
la fracci´on de esta que coinde entre el pron´ostico y la observaci´on, los m´etodos orientados a objeto
que detectan caracter´ısticas similares en la observaci´on y el pron´ostico, entre otros. En esta investigaci´on
utilizamos el fss y el MODE(Method for Object based Diagnostic Evaluation) para realizar la evaluaci´on
espacial. Se utilizaron como observaci´on los datos del TRMM-PR.
Fraction Skill Score
Este ´ındice permite conocer la habilidad del modelo para distintas escalas espaciales y para distintos
valores de la variable estudiada. Por ejemplo para el caso de la lluvia se puede conocer su habilidad para
pron´osticar distintas intensidades. Se basa en la estrategia vecindad-observaci´on - vecindad-pron´ostico.
El t´ermino vecindad se refiere a una ventana alrededor de una celda determinada. Definiendo Xcomo el
valor observado para una celda y Yel valor pron´osticado en la misma celda, la vecindad de esta celda se
denota his, siendo sla escala.
El fss se basa en la fracci´on de celdas que en una vecidad sobrepasan un umbral, las expresiones 2.8 y
2.9 muestran c´omo se calcula la misma para lo observado y lo pronosticado respectivamente;
hPxis=1
nX
n
Ix(2.8)
hPyis=1
nX
n
Iy,(2.9)
siendo IxeIyindicadores que valen 1 o 0 si en la celda se sobrepasa el umbral o no, y nes el n´umero de
celdas en la vecindad o ventana.
Teniendo en cuenta lo anterior el fss se define como:
fss = 1 −f bs
1
N[PNhPyi2
s+PNhPxi2
s],(2.10)
donde Nes el n´umero de ventanas y fbs esta dado por la f´ormula
25
fbs =fbs
1
NPN(hPyis− hPxis)2.(2.11)
Finalmente para la aplicaci´on de ´este m´etodo se seleccionan los umbrales y las escalas sa estudiar. En
el presente trabajo se evalu´o la variable precipitaci´on con esta metodolog´ıa tomado = 0,1,0,5,2,5,10,20
y 50mm para vecindades de tama˜no s= 1,3,5,7 y 9.
MODE
El enfoque orientado a objetos permite conocer cu´anto el pron´ostico se acerca a la observaci´on en su
estructura espacial. Se identifican ´areas en cada campo (observaci´on y pron´ostico) a las cuales se le
calculan ciertas propiedades geom´etricas que permiten establecer una correspondencia entre las ´areas u
objetos. Entre las propiedades que se utilizan y que se denominan tambi´en atributos se encuentran: el
centroide, el per´ımetro, el ´area, la orientaci´on, la relaci´on de aspecto, entre otros. Para determinar los
objetos que pueden ser asociados dentro de un mismo campo, y entre un campo y otro se utiliza un
algoritmo de l´ogica difusa.
Para la identificaci´on de objetos se sigue el siguiente procedimiento (ver Figura 2.7):
1. Se suavizan los campos por medio de una convoluci´on con una funci´on filtro circular. Este paso
permite agrupar ´areas cercanas entre si disminuyendo el n´umero de objetos.
2. Luego se aplica un umbral mode en la observaci´on y el pron´ostico generando un campo con 1 en
las celdas que sobrepasen el umbral y 0 en el resto.
3. La m´ascara de ceros y unos obtenida anteriormente se aplica a los campo originales.
4. Se calculan los atributos.
5. Se fusionan los ob jetos de un mismo campo mediante un algoritmo de l´ogica difusa.
El algoritmo de l´ogica difusa emplea funciones lineales de inter´es para calcular los valores de inter´es Ide
cada atributo, este valor se encuentra entre 0 (sin inter´es) y 1 (inter´es m´aximo). Adem´as se calculan los
valores de confianza Cy se definen los pesos wque se asignan a cada atributo seg´un su importancia. El
inter´es total queda determinado por la expresi´on,
T(α) = PiwiCi(α)Ii(α)
PiwiCi(α)(2.12)
26
Figura 2.7: Proceso de identificaci´on de objetos en el MODE [30]
Una vez calcula el inter´es total los pares de objeto que sobrepasen de un valor determinado del mismo
son fusionados. Este mismo mecanismo se aplica adem´as para determinar los objetos del pron´ostico que
se corresponden con la observaci´on.
A partir de los objetos detectados y asociados o no entre la observaci´on y el pron´ostico se pueden calcular
el ´
Indice de ´
Exito Cr´ıtico (CSI 2.13) y la Probabilidad de Detecci´on (POD 2.14).
CS I =aciertos
aciertos +f allos +falsasalarmas (2.13)
P OD =aciertos
aciertos +f allos (2.14)
Esta forma de evaluaci´on est´a implementada en el MET (Model Evaluation Tool) [30] y en el paquete
de verificaci´on espacial del software R. Sin embargo para su utilizaci´on fue necesario implementarla ya
que los softwares anteriores o no tienen compatibilidad con los datos con que contamos o su ejecuci´on es
demasiado costosa computacionalmente. La versi´on implementada se denomina MODEMODv1.0. Esta
estrategia tambi´en fue aplicada utilizando como observaci´on los datos del TRMM-PR. El umbral de
inter´es para asociar objetos se tom´o como 0.7. Para mayor informaci´on acerca del MODE consulte la
siguiente bibliograf´ıa [30] y algunos resultados obtenidos con la versi´on implementada se encuentran en
[44], [45].
27
2.4. Datos utilizados y per´ıodo de estudio
En esta secci´on se realiza una breve descripci´on del per´ıodo de estudio seleccionado para la realizaci´on de
los experimentos. Las Conf1-9 fueron corridas con los datos del GFS del a˜no 2008 mientras que el resto de
las configuraciones se probaron con los d´ıas de 18 de febrero hasta el 19 de marzo de 2014. En el caso de las
corridas con asimilaci´on se utilizaron tambi´en los datos de estaciones en superficie y sondeos descargados
del sitios [53], [52] y cuya localizaci´on se observa en la Figura 2.8. Para la evaluaci´on celda-punto se
utilizaron los datos de la Red de Estaciones Meteorol´ogicas de Cuba que; de 68 estaciones en total,
fueron tomadas 54 para evaluar Conf1-9 y 46 para Conf10-21 (ver Figura 2.9 (a) y (b) respectivamente).
Las razones por las que se descartaron algunas estaciones fueron: valores no reales de las variables y
discontinuidad en la serie. Para la evaluaci´on espacial se utilizaron los datos del sat´elite TRMM-PR.
Figura 2.8: Puntos de observaci´on [53], [52]
(a)
(b)
Figura 2.9: Red Nacional de estaciones Meteorol´ogicas
2.4.1. Descripci´on de los per´ıodos de estudio
18 de febrero - 19 de marzo de 2014
28
En el mes de febrero afectaron los frentes fr´ıos n´umero 12 y 13 al archipi´elago cubano. Fueron clasificados
como cl´asicos por sus tipos, mientras que por la intensidad fueron moderado el 12 y muy d´ebil, el 13. Una
masa de aire de origen continental polar influy´o sobre Cuba los d´ıas 16 y 17 de febrero, imponiendo condi-
ciones invernales moderadas con registros de temperaturas m´ınimas del orden de los 13.0 grados Celsius
y un valor absoluto de 7.2 Celsius en la estaci´on meteorol´ogica de Indio Hatuey, provincia Matanzas, el
d´ıa 17 de febrero. Tambi´en se presentaron d´ıas c´alidos y algo h´umedos, con vientos de regi´on sur d´ebiles
y moderados. Febrero present´o un comportamiento pluviom´etrico alejado de las condiciones clim´aticas.
El an´alisis de los registros de las lluvias, permite expresar que en las provincias de Sancti Spiritus y Las
Tunas, se registraron acumulados mensuales superiores a los valores clim´aticos; mientras que clasificaron
como lluviosas, Artemisa, La Habana, Mayabeque, Matanzas, Cienfuegos, Camaguey, Holgu´ın y el Mu-
nicipio Especial Isla de la Juventud; y se registraron solo aisladas lluvias en Pinar del R´ıo, Villa Clara,
Santiago de Cuba y Granma. En casi todas las provincias cubanas se presentaron anomal´ıas positivas en
el campo t´ermico, considerando los valores medios de la temperatura del aire y las extremas.
Por otra parte en el mes de marzo del 2014 afectaron al archipi´elago cubano cinco frentes fr´ıos, este
n´umero representa una anomal´ıa positiva con relaci´on al valor clim´atico mensual de afectaci´on de esos
sistemas invernales a Cuba. Estos fueron clasificados por sus intensidades en tres moderados y dos d´ebiles.
Los cinco fueron del tipo cl´asicos. Tres de ellos estuvieron precedidos por hondonadas activas que estaban
acompa˜nadas de lluvias, chubascos y tormentas el´ectricas. Tambi´en se impusieron vientos de regi´on sur,
que ocasionaron rachas superiores a los 60 km/h como la registrada en la estaci´on meteorol´ogica de
Casablanca, en la provincia La Habana, y otra de 83 km/h, el d´ıa 16 de marzo, la que estuvo asociada al
paso previo del sistema frontal n´umero 16 de la temporada invernal. Para m´as detalles ver [21].
A˜no 2008
Durante el a˜no 2008, las situaciones meteorol´ogicas m´as significativas ocurrieron durante la temporada
cicl´onica. Cuba fue afectada por cuatro ciclones tropicales: una tormenta tropical (Fay) y tres huracanes
(Gustav, Ike y Paloma). En el caso de los huracanes Gustav y Ike esta fue la primera vez que el pa´ıs ha
sido afectado por dos huracanes intensos con tan pocos d´ıas de diferencia. Otro rasgo muy significativo
del clima en este a˜no, fue el d´eficit de precipitaci´on ocurrido en gran parte del territorio nacional, en
meses del per´ıodo estacional poco lluvioso e incluso en meses del per´ıodo lluvioso, como lo fueron mayo,
junio y octubre. Los d´eficit m´as significativos de ´estos meses, se originaron en provincias de las regiones
central y oriental y amplios sectores de la provincia de Pinar del R´ıo. Este comportamiento de las lluvias
dio lugar a que comenzara a afectar un nuevo evento de sequ´ıa a gran parte del pa´ıs en especial su regi´on
m´as oriental. Las lluvias posteriores asociadas a los huracanes interrumpieron el mismo.
Otro aspecto a destacar lo constituyen las bajas temperaturas registradas en el mes de noviembre en todo
el territorio nacional, cuando llegaron al pa´ıs cinco frentes fr´ıos, valor superior a la media hist´orica para
29
este mes. Las temperaturas m´aximas medias de noviembre estuvieron muy por debajo de su valor normal
fundamentalmente en las regiones occidental y central, llegando a ser la m´as baja registrada, para toda
Cuba desde el 1951 a la fecha, con un valor de 27.4 grados Celsius. Solo en 5 d´ıas la temperatura m´axima
super´o la media hist´orica para el mes. En correspondencia ocurrieron significativas anomal´ıas negativas
de la Temperatura Efectiva (TE) en todo el pa´ıs durante el mes, resultando el m´as fresco del per´ıodo
analizado (1971-2008). La estaci´on de Casablanca, report´o el valor m´as bajo de temperatura m´axima
media desde 1961 hasta la fecha. Durante el principio del a˜no 2008 Cuba fue afectada por 13 sistemas
frontales entre enero y abril de este a˜no, donde se registraron algunos r´ecords de temperaturas m´ınimas.
En el caso de la temporada cicl´onica en la Figura 2.10 se muestran todas las trayectorias de los ciclones
tropicales que se formaron durante el a˜no 2008 en la cuenca del oc´eano Atl´antico. Profundice en [8], [21].
Figura 2.10: Trayectorias de huracanes [8]
2.4.2. Sat´elite Meteorol´ogico TRMM-PR
El TRMM (TROPICAL RAINFALL MEASURING MISSION) [54], es un producto conjunto de la NASA
con la Agencia de Exploraci´on Aeroespacial Japonesa. Este equipo de trabajo desarrolla herramientas que
combinan y analizan la precipitaci´on de fuentes terrestres y espaciales. En la Figura 2.11 se muestran los
productos que se publican. En el contexto de este trabajo se utiliz´o el producto An´alisis de Precipitaci´on
Multisat´elite con resoluci´on 25 km y acumulados cada 3 horas e identificado como 3B42RT. Este producto
combina datos de microondas, infrarojo y de radares. En el Cuadro 2.4.2 se describen sus caracter´ısticas:
Cuadro 2.4: Caracter´ısticas del 3B42RT.
Cobertura temporal Inicio: 01/01/2008 hasta la actualidad
Cobertura espacial Latitud: 60◦S - 60◦N; Longitud:180◦W - 180◦E
Resoluci´on temporal 3 horas
Resoluci´on horizontal 0.25◦x 0.25◦; nlat = 480, nlon = 1440
30
Cap´ıtulo 3
Discusi´on de los Resultados
En esta secci´on se describen los resultados alcanzados durante la ejecuci´on y evaluaci´on de los 21 ex-
perimentos dise˜nados y descritos en el cap´ıtulo anterior. La evaluaci´on utilizada para determinar cu´al
configuraci´on tiene mejor comportamiento, seg´un la combinaci´on de microf´ısica y c´umulos seleccionada,
se bas´o en la metodolog´ıa celda-punto aplicada a la precipitaci´on en ambos dominios; y la espacial se uti-
liz´o solo en el dominio 1 cuya resoluci´on de 27 km es bastante cercana a los datos del TRMM-PR (25km).
Para el caso de los experimentos variando condiciones iniciales (Conf-10-17) e insertando la asimilaci´on
de datos (Conf18-21), se aplic´o el enfoque puntual solamente al dominio 2, y se evaluaron las variables
temperatura, presi´on atmosf´erica en superficie, humedad relativa, fuerza del viento y la precipitaci´on.
3.1. Estudios de sensibilidad. Parametrizaciones de Microf´ısica
y c´umulos
De las configuraciones dise˜nadas para determinar la mejor configuraci´on de microf´ısica y c´umulos (Conf1-9
ver Cuadro 3.1.1) fueron descartadas Conf3 y Conf6. En estas el factor com´un es el esquema de c´umulos de
Tiedtke. Las corridas realizadas con estas configuraciones terminaban de forma abrupta. En una consulta
al blog de los desarrolladores del WRF, se encontraron otros resultados similares sin respuesta al respecto.
Por otro lado fueron descartadas tambi´en las configuraciones Conf7, Conf8 y Conf9 debido al tiempo de
ejecuci´on que toma la parametrizaci´on de microf´ısica de Morrison-2mom. Aunque se busca encontrar la
combinaci´on m´as precisa no podemos descartar el tiempo de corrida pues en un sistema de pron´ostico a
muy corto plazo e inmediato, se pretende entregar la informaci´on lo m´as en tiempo real posible. En el
caso de las corridas con microf´ısica de Morrison-2mom, estas exced´ıan el tiempo de corrida con respecto
a WSM5 (la m´as r´apida), hasta en 40 minutos. Finalmente se presentan los resultados evaluando Conf1,
32
Conf2, Conf4 y Conf5.
3.1.1. Resultados para el dominio 1
El dominio 1 (ver Figura 2.4) con resoluci´on de 27 km, es ideal para el estudio y seguimiento de fen´omenos
a escala sin´optica como los frente fr´ıos y los huracanes que tanto afectan al pa´ıs. En estas escalas espaciales
los esuquemas de c´umulos tienen un peso importante en el pron´ostico de la precipitaci´on pues los c´umulos
est´an en una escala muy peque˜na con respecto a la que estamos tratando. En el Cuadro 3.1.1 se muestra
el acumulado anual y los estad´ıgrafos antes descritos, para cada una de las configuraciones utilizadas y
cuya notaci´on cambiamos para una mejor lectura de la secci´on; Conf1: W5-GF, Conf2: W5-KF, Conf4:
T-GF y Conf5: T-KF. Destaca la sobrestimaci´on del acumulado anual por todas las configuraciones con
mayores valores para aquellas en las que se utiliza el esquema de c´umulos de Kain-Fritsch.
Cuadro 3.1: Comportamiento anual. Dominio 1
Experimentos Acum P(mm) Acum O(mm) mae mse mre std(P)std(O)ai pcor
W5-GF 140730 67026 1.16 26.4 -541.6 4.97 3.59 0.47 0.32
W5-KF 179210 67026 1.4 24.2 -637.9 4.55 3.59 0.45 0.31
T-GF 163760 67026 1.46 60.8 -713.4 8.08 3.59 0.37 0.30
T-KF 201990 67026 1.9 46.9 -428.4 5.91 3.59 0.06 0.03
En cuanto a las medidas de error no existe una marcada diferencia entre cada configuraci´on. El error
relativo medio es bastante grande para todos los esquemas utilizados sugiriendo poca habilidad del modelo
para pron´osticar los acumulados de lluvia. Si observamos el ´ındice de ajuste ai, podemos determinar que
W5-GF es la que tiene un mejor comportamiento anual, teniendo en cuenta que este ´ındice condensa
todas las diferencias. Para W5-GF, W5-KF y T-GF se obtiene una correlaci´on de 0,3 que indica cierta
relaci´on lineal directa con la observaci´on. No ocurre as´ı con T-KF cuya correlaci´on es casi cero por lo que
no existe un relaci´on lineal entre los valores observados y los pron´osticados por esta combinaci´on.
Si analizamos los resultados mensualmente, en la Figura 3.1 se muestran los acumulados (a) y las desvia-
ciones est´andar (b) mensuales. El pron´ostico realizado por todas las configuraciones sobrestima el acu-
mulado real, con la mayor diferencia en los meses del per´ıodo lluvioso y adem´as presentan los mayores
acumulados en los meses Junio y Septiembre como normalmente ocurre. De manera general todos los
experimentos reflejan el comportamiento mensual de la lluvia acorde con lo observado. En este gr´afico
se observa, que cuando las observaciones registran un aumento en los acumulados; W5-GF, W5-KF y
T-GF tambi´en lo hacen, mientras que T-KF no tiene la misma regularidad en el aumento. Esta ´ultima
incluso presenta un disminuci´on clara del acumulado en el mes de Agosto. Este resultado se confirma con
los valores de la correlaci´on (ver Figura 3.3 (b)). Los mayores errores (Figura 3.2) se presentan en los
meses de Julio a Noviembre, per´ıodo enmarcado en la temporada cicl´onica del a˜no que fue muy activa.
33
(a) (b)
Figura 3.1: (a) Acumulado mensual, (b) Desviaci´on est´andar. Dominio 1
(a) (b)
Figura 3.2: (a) Error Absoluto Medio, (b) Error Cuadr´atico Medio. Dominio 1
Los mayores acumulados en ese peri´odo se deben entre otras causas al paso de varios huracanes por el
territorio nacional. Lo anterior indica que ninguna de las configuraciones refleja adecuadamente la lluvia
aportada por estos meteoros. El experimento que menores errores present´o con mae = 3 y mse = 120,
fue W5-GF.
Por otro lado, analizando el ´ındice de ajuste (Figura 3.3 (a)), se destacan los valores bajos que alcanza
T-KF. Esta configuraci´on pierde precisi´on en el per´ıodo lluvioso donde alcanza el m´ınimo ai = 0,04 . El
resto de las configuraciones, mostraron un ajuste relativamente parejo mejorando la precisi´on de Julio a
Septiembre con valores mayores que 0,5. Estos resultados indican que durante el per´ıodo seco, el modelo
en cualquiera de sus variantes aunque tiene menores errores absoluto medio y cuadr´atico medio, es menos
preciso y no es posible determinar una relaci´on lineal con respecto a las observaciones. Para el per´ıodo
lluvioso sin embargo, se alcanzan las mayores diferencias pero el comportamiento del modelo es lineal
directo en relaci´on con lo observado y presenta el mejor ajuste. Por lo que se concluye que exceptuando T-
KF, el resto de las configuraciones tienen mejor comportamiento en el per´ıodo lluvioso con ligera ventaja
para W5-GF.
34
(a) (b)
Figura 3.3: (a) ´
Indice de Ajuste, (b) Correlaci´on de Pearson.
Adem´as del estudio mensual, se analiz´o cada configuraci´on para los horarios en los que se hacen las
observaciones. Vale aclarar que debido a que los experimentos fueron inicializados a las 0000 UTC y el
tiempo de pron´ostico fue de 24 horas, no se contempl´o el ´ultimo plazo de observaci´on por lo que no se
pudo evaluar. Este gazapo sin embargo no influye en los resultados del trabajo pues las horas de inter´es
son las cercanas a la inicializaci´on del modelo.
Seg´un lo observado (Figura 3.4), los mayores acumulados se presentan en el horario de la tarde, y este
comportamiento lo reflejan adecuadamente todas las configuraciones excepto T-KF que fluct´ua de un
horario a otro. Esto se puede comprobar mejor en el gr´afico de la desviaci´on est´andar. Igualmente todas
las configuraciones sobrestiman los acumulados con la mayor diferencia hacia el horario vespertino.
Las medidas de error (ver Figura 3.5, indican que el modelo se comporta mejor en los horarios m´as
cercanos a la hora de inicializaci´on algo que para nuestra finalidad ser´ıa muy bueno. Sin embargo, no
debemos confiar ciegamente, el tiempo de autoajuste del modelo puede estar falseando este resultado
ya que, la lluvia no se encuentra entre las variables con las que se inicializa el modelo. Esto significa
que durante el per´ıodo de autoajuste debe generarse y por ello quiz´as se tengan menores diferencias con
respecto a las observaciones y no porque as´ı lo pronostique el modelo. El ´ındice de autoa juste muestra
la misma situaci´on, en los horarios cercanos a la inicializaci´on alcanza valores de hasta 0,7 con el mejor
comportamiento para W5-GF y el peor para T-KF.
Hasta este punto, se puede resumir que todas las configuraciones utilizadas presentan una marcada
sobreestimaci´on de los acumulados de preicipitaci´on. Este resultado preliminar, contradice otras investi-
gaciones en las que por lo general se reporta que con resoluciones como 27km, los modelos subestiman esta
variable. En nuestro caso, el resultado puede estar influenciado por el enfoque de evaluaci´on celda-punto,
en el que se interpolan los valores pronosticados a las latitudes y longitudes de las estaciones, pero los
estad´ıgrafos se calculan promediando el valor de todas las estaciones; anualmente, mesualmente y por
horario, perdiendo la relaci´on espacial. Esto unido a que, si bien los modelos subestiman la intensidad
35
(a) (b)
Figura 3.4: (a) Acumulado horario, (b) Desviaci´on est´andar. Dominio 1
(a) (b)
Figura 3.5: (a) Error Absoluto Medio, (b) Error Cuadr´atico Medio. Dominio 1
(a) (b)
Figura 3.6: (a) ´
Indice de Ajuste, (b) Correlaci´on de Pearson. Dominio 1
36
de la lluvia, espacialmente tienden a sobreestimarla. Lo anterior significa que comunmente las ´areas de
precipitaci´on pron´osticadas por el modelo son mayores que las reales. Cuando aplicamos la verificaci´on
celda-punto y se interpola a las coordenadas de la estaci´on, influyen los valores de las celdas cercanas
que contribuyen al valor del punto y que pueden causar la sobreestimaci´on. Como las celdas son ´areas
de 27x27km, se incluyen valores que no son representativos de la ubicaci´on de la estaci´on. Veamos el
comportamiento espacial de la lluvia que se obtiene con esta metodolog´ıa de evaluaci´on.
Si se interpolan los resultados obtenidos a las coordenadas del modelo se obtiene un mapa medio de
la cantidad interpolada. De esta forma es posible ver c´omo reacciona espacialmente el modelo con las
distintas configuraciones. La Figura 3.7 (a), muestra los mapas de acumulados obtenidos para todo el
a˜no. Se observa en la mayor´ıa del territorio, que esta cantidad no pas´o de 2000 mm, con los mayores
acumulados en la mitad occidental. Las configuraciones estudiadas reflejan tambi´en una sobreestimaci´on
de la precipitaci´on aunque en menor medida que los gr´aficos vistos hasta el momento. Esto refleja la
sensibilidad espacial de la precipitaci´on. La configuraci´on con acumulados m´as cercanos a lo observado
fue W5-GF, la cual presenta los mayores acumulados tambi´en localizados en la mitad occidental aunque
el mayor valor lo refleja en la regi´on central del pa´ıs. En segundo lugar se encuentra T-GF, que present´o la
misma ubicaci´on espacial de los mayores acumulados pero con mayor sobreestimaci´on. En cuanto a los
experimentos con W5-KF y T-KF, se observa no solo una sobreestimaci´on con respecto a las config-
uraciones analizadas anteriormente sino tambi´en, una desacertada localizaci´on espacial de los mayores
acumulados. Estos resultados indican que la parametrizaci´on de c´umulos Grell-Freitas refleja mejor la
distribuci´on espacial de la lluvia. El hecho de que haya situado los mayores acumulados hacia la mitad
occidental y el centro del pa´ıs, indica que se model´o adecuadamente el paso de los huracanes por esta
zona. Por ejemplo el hurac´an Ike afect´o fuertemente casi todo el territorio nacional con gran impacto en
estas regiones, y en las mismas W5-GF y T-GF presentaron acumulados significativos. En las Figuras
(3.11 (a) y (b) de los Anexos) se muestra la trayectoria del hurac´an Ike pron´osticada por el WRF con la
configuraci´on W5-GF y los errores con respecto al Best Track. Se puede observar que con respecto al
best track las diferencias fueron peque˜nas en las primeras horas de pron´ostico. En el caso de W5-KF y
T-KF los acumulados indican un corrimiento en el recorrido seguido por los huracanes.
Pasando a la verificaci´on espacial, veamos los resultados que se obtienen con la aplicaci´on del MODE
como herramienta que caracteriza la habilidad del modelo para pronosticar las ´areas de precipitaci´on y el
grado de correspondencia de ´estas con las ´areas que fueron registradas por el TRMM-PR. En el Cuadro
3.1.1 se resumen los estad´ıgrafos calculados basados en los ob jetos detectados en uno y otro campo, el
´ındice de inter´es total medio y la cantidad de pares de objetos que fueron asociados con inter´es total
mayor que 0,9. Es importante recordar que el inter´es total es una medida que indica cu´anto se parecen
los objetos asociados en cuanto a diferentes propiedades geom´etricas y su localizaci´on espacial.
37
(a)
(b)
(c)
(d)
(e)
Figura 3.7: Acumulado (mm): (a) Observaciones, (b) W5-GF, (c) W5-KF, (d) T-GF, (e) T-KF. Dominio
1
38
Cuadro 3.2: Resultados obtenidos con el MODE
Conf FAR CSI POD Inter´es Total Cant >= 0.9
W5-GF 0.7245 0.1134 0.1702 0.8173 1494
W5-KF 0.6976 0.1111 0.1823 0.8155 1304
T-GF 0.7461 0.0972 0.1452 0.8118 1014
T-KF 0.7730 0.1084 0.1823 0.8145 1534
Como es posible observar, la diferencia entre las distintas configuraciones no es muy amplia aunque se
evidencia una ligera superioridad de W5-GF con respecto al resto. El ´ındice de ´exito cr´ıtico por debajo
de 0,2 en todos los experimentos, sugiere que el modelo tiene muy poca habilidad en la representaci´on
espacial de ´areas de lluvia. Valores peque˜nos del mismo indican que existen muchas falsas alarmas y
fallos, esto lo confirma el F AR, el cual est´a por encima de 0,69 en todos los casos. El valor de ´exito
cr´ıtico tambi´en refleja que son pocos los pares de objetos asociados entre s´ı, aunque el inter´es total medio
indica que por lo general los pares de objetos asociados tienen caracter´ısticas muy similares y es W5-GF
quien presenta los objetos m´as parecidos a la observaci´on. Adem´as es la segunda configuraci´on con mayor
cantidad de pares correspondientes con inter´es total por mayor o igual que 0,9. Llama la atenci´on que
como resultado de la aplicaci´on de la metodolog´ıa celda-punto, T-KF result´o la que peor comportamiento
present´o, sin embargo con esta t´ecnica espacial resulta la segunda mejor. Otra medida espacial que nos
describe la habilidad del modelo en el pron´ostico de distintos umbrales de intensidad es el f ss (ver
Figura 3.8). Normalmente los modelos presentan mejor habilidad para umbrales peque˜nos de intensidad
y para mayores de la misma pierden precisi´on. Este comportamiento se observa en el f ss calculado
para todos los experimentos. Para umbrales menores que 0,5 mm el modelo tiene mejor habilidad de
pron´ostico. Asimismo a medida que se incrementa la escala, es decir se pierde resoluci´on, se obtiene un
mejor comportamiento.
Este ´ındice de evaluaci´on tambi´en muestra a la configuraci´on W5-GF con los mejores resultados. Para
escalas igual a 1 y umbral de 0,1 mm obtiene un valor entre 0,5 y 0,6. Aumentando la escala y el umbral,
mantiene la superioridad. Lo anterior se˜nala que esta configuraci´on es posible utilizarla para diferentes
resoluciones obteni´endo un buen comportamiento. En este caso T-GF obtuvo los peores resultados.
Resumiendo los resultados obtenidos para el dominio 1 con cada combinaci´on de microf´ısica y c´umulos, se
puede decir que el enfoque puntual arroja una sobreestimaci´on de los acumulados que se observa tambi´en
en los mapas de la distribuci´on espacial de la lluvia. Tanto este enfoque como el espacial coinciden en que
la parametrizaci´on de c´umulos Grell-Freitas tiene los menores errores, mayor ´ındice de a juste y la mejor
distribuci´on espacial de las ´areas de precipitaci´on.
39
(a) (b)
(c) (d)
Figura 3.8: Fraction Skill Score. W5-GF (a), W5-KF (b), T-GF (c), T-KF (d). Dominio 1
3.1.2. Resultados para el dominio 2
El dominio 2 tiene una resoluci´on de 9 km y es posible aqu´ı observar con m´as detalles la lluvia asociada a
fen´omenos locales, por ejemplo la precipitaci´on producida por el calentamiento diurno y la convergencia
de brisas. Para evaluar este dominio se utiliz´o la estrategia celda-punto pero no se aplic´o la verificaci´on
espacial. Lo ´ultimo es debido a que para aplicar esta t´ecnica se tom´o como observaci´on los datos del
TRMM-PR cuya resoluci´on es casi 3 veces m´as baja que la de este dominio. Esto implica realizar una
interpolaci´on de 9km a 25km con la que se suaviza el valor de la precipitaci´on y se pierde su estructura
espacial. La aplicaci´on de esta t´ecnica requerir´a de datos de obsevaci´on con mayor resoluci´on. Los gr´aficos
que muestran los resultados obtenidos con este dominio se encuentran en los Anexos.
En el Cuadro 3.1.2, se muestran las medias anuales de los distintos estad´ıgrafos utilizados. Este dominio
no escapa a la sobrestimaci´on de los acumulados, de hecho es mayor que en el dominio 1. Normalmente
cuando se aumenta la resoluci´on el modelo aumenta la capacidad de pronosticar con m´as precisi´on la
intensidad de la lluvia, por lo que este comportamiento es consecuente.
Como ocurri´o en el dominio 1 el acumulado total es excedido en un orden de magnitud. Con el mejor
ajuste para aquellas configuraciones con Grell-Freitas como parametrizaci´on de c´umulos. Para el caso
de W5-KF y T-KF el ajuste fue muy bajo con una correlaci´on menor que 10−2, lo cual es indicador
40
Cuadro 3.3: Comportamiento anual. Dominio 2
Experimentos Acum P(mm) Acum O(mm) mae mse mre std(P)std(O)ai pcor
W5-GF 140880 67026 1.18 33.6 -533.96 5.71 3.59 0.42 0.29
W5-KF 193940 67026 1.76 41.7 -656.05 5.65 3.59 0.14 0.08
T-GF 132570 67026 1.77 101.9 -635.54 10.277 3.59 0.24 0.21
T-KF 226650 67026 2.40 64.3 -504.65 7.13 3.59 0.045 0.03
de cuando no existe relaci´on lineal ninguna entre los pronosticado y los observado. Tambi´en los errores
relativos indican poca habilidad del modelo. Seg´un el comportamiento anual no existe un valor agregrado
al aumentar la resoluci´on.
Por otro lado analizando los resultados mensualmente (ver Figura 3.12), se obtiene un comportamiento que
concuerda con lo obtenido en el dominio 1. Todas las configuraciones reflejan los mayores acumulados en
los meses del per´ıodo lluvio influenciado por el paso de varios huracanes. Los menores errores los presenta
la combinaci´on W5-GF con mae = 3 y mse ≈120 como valores m´aximos de estas medidas (Figura 3.13).
Tambi´en registr´o el mejor ajuste (Figura 3.14).
Revisando el resultado por horario, se observan marcadas diferencias con respecto al dominio 1. En este
´ultimo se obtuvo un comportamiento consecuente con lo observado, es decir, los mayores acumulados en
el horario de la tarde. Solo T-KF presentaba variaciones de un horario a otro no representativas de lo que
realmente ocurri´o. En el dominio 2 sin embargo, el mismo comportamiento lo presentan las configuraciones
W5-KF y T-GF, sin mostrar relaci´on lineal alguna con lo observado e ´ındices de ajuste muy bajos. Lo
anterior indica que al aumentar la resoluci´on exceptuando W5-GF, el resto de los experimentos mostraron
peores resultados que en el dominio 1, indicando que quiz´as estas configuraciones no son las mejores para
resoluciones m´as altas. Por su parte W5-GF se mantiene como la combinaci´on de parametrizaciones de
mejor comportamiento (ver Figuras 3.15,3.16,3.17).
Si observamos los gr´aficos donde se muestra la distribuci´on espacial de los acumulados de la precipitaci´on
(Figura 3.18), se comprueba la similitud con el dominio 1 con un ligero incremento en los valores y
mejor localizaci´on. La mejor distribuci´on espacial seg´un lo observado lo presentan las configuraciones con
Grell-Freitas como parametrizaci´on de c´umulos.
Finalmente teniendo en cuenta los resultados alcanzados con resoluci´on de 27km y con 9km, atendiendo
a los acumulados puntuales, las medidas de error y distribuci´on espacial de la precipitaci´on la mejor
configuraci´on es W5-GF (Conf1). Este resultado coincide con lo obtenido por Mitrani [32] en los estudios
de sensibilidad realizados con el MM5V3. La poca diferencia entre los resultados con el dominio 1 y el
dominio 2, pudiera sugerir que no es necesario aumentar la resoluci´on. Estos resultados sin embargo, est´an
basados en el enfoque celda-punto ya que no se cont´o con datos para realizar una evaluaci´on espacial del
41
dominio. Estas estrategias espaciales son las que puedieran mostrar el valor agregado del aumento de la
resoluci´on.
3.2. Sensibilidad a la variaci´on de las condiciones iniciales
Este experimento tuvo como objetivo evaluar si la inicializaci´on del modelo WRF con datos pron´ostico del
modelo GFS tendr´ıa una mejor´ıa con respecto a la inicializaci´on con an´alisis de este modelo, o al menos
si las diferencias entre s´ı no resultan significativas. El dato de an´alisis tiene mejor calidad pero los campos
de las variables son muy suavizados y adem´as no contienen informaci´on de los campos de precipitaci´on
ni de los movimientos verticales. El modelo durante los primeros plazos debe autoa justarse para reflejar
adecuadamente estos procesos. Como consecuencia en el caso de las corridas con an´alisis se desprecian
las primeras horas de pron´ostico que son las de nuestro inter´es en este estudio. De ah´ı la propuesta de
utilizar los datos de pron´ostico del GFS. En este experimento se realizaron corridas con ambos tipo de
inicializaci´on tomando las ciclos de pron´ostico del modelo GFS de las 0000, 0600,1200 y 1800 UTC. Se
evaluaron las variables Temperatura, Presi´on Atmosf´erica en Superficie, Humedad Relativa, Fuerza del
Viento y Precipitaci´on mediante la estrategia celda-punto. Las figuras se encuentran en los Anexos.
Los resultados de la evaluaci´on reflejaron muy pocas diferencias entre las corridas con pron´ostico del
GFS y las corridas con an´alisis del GFS. En muchos casos en dependencia del plazo de pron´ostico se
intercambiaron los momentos en que estos mantuvieron sus mejores resultados entre ambos tipos de
inicializaci´on. Se apreci´o un comportamiento irregular de los estad´ıgrafos calculados donde en el caso de
la precipitaci´on para las corridas inicializadas con datos de pron´ostico de GFS a las 1200 y a las 1800
UTC (ver Figura 3.22) se pudo comprobar una diferencia considerable en los errores absolutos para esta
variable con respecto a las corridas de igual inicializaci´on pero con datos de an´alisis. Estas diferencias
mostraron que los errores absolutos m´as bajos fueron los de las corridas con datos de pron´ostico. Ya
en el caso de las corridas con los otros dos ciclos de inicializaci´on de las 0000 y 0600 UTC (ver Figura
3.22) las diferencias fueron menos significativas. Analizando todas las corridas se pudo apreciar que la
precipitaci´on mostr´o sus errores m´aximos durante horarios de la tarde y principios de la noche, lo cual
est´a relacionado con los horarios donde ocurre la mayor formaci´on de nubosidad convectiva en el d´ıa.
En el caso de la fuerza del viento, se pudo observar que en la mayor´ıa de los plazos de pron´osticos los
errores absolutos m´as bajos son los obtenidos con las corridas inicializadas con ficheros de pron´osticos de
GFS en todos los ciclos de inicializaci´on (0000, 0600, 1200 y 1800 UTC) (ver Figura 3.19). Los mayores
errores de esta variable fueron en los plazos de la noche y comienzo de la ma˜nana. Por otra parte, en
el caso de la humedad relativa sucede lo contrario, en todos los ciclos de inicializaci´on los errores m´as
altos fueron los de las corridas con pron´ostico (ver Figura 3.20). Los valores m´as altos del error de la
42
humedad relativa se presentan en horas de la tarde. En el caso de la temperatura, excepto en el caso
de las corridas inicializadas a las 1800 UTC (ver Figura 3.23), el cual muestra siempre errores de m´as
altos en las corridas con pron´osticos, el resto de las inicializaciones de las 0000, 0600 y 1200 UTC se
observa que la inicializaci´on con pron´ostico muestra errores absolutos m´as bajos en las primeras 12 horas
de pron´ostico y tambi´en en los plazos que coinciden con horarios de la noche. Los errores m´as altos de
esta ´ultima variable son en horarios de la tarde. Por otra parte la presi´on muestra muy pocas diferencias
entre ambos tipos de inicializaci´on, y se observa que los mayores errores en ambos casos es a principios
de la noche y en horarios de la ma˜nana.
Tambi´en se pudo apreciar en los promedios por plazos de pron´osticos de las variables analizadas para
todos los casos de estudios, que estos reflejaron muy bien su relaci´on con el ciclo diurno, aunque en el
caso de algunas variables se mantuvo una sobreestimaci´on del modelo con respecto a la observaci´on como
lo es el caso de las variables fuerza del viento (ver Figura 3.24), humedad relativa (ver Figura 3.25),
y la precipitaci´on (ver Figura 3.27). En el caso de la temperatura (ver Figura 3.28). Para la presi´on
atmosf´erica en superficie (ver Figura 3.26), ocurri´o lo contrario, el modelo subestim´o los valores medios
en todos los plazos de las corridas.
En el an´alisis del ´ındice de la correlaci´on de Pearson, se pudo apreciar, en el caso de la fuerza del viento,
que las corridas realizadas con an´alisis de GFS mantuvieron un comportamiento m´as cercano al de las
observaciones que el que se obtuvo con las corridas con pron´ostico de GFS. Las mejores correlaciones se
obtienen en horarios de la madrugada y principios de la ma˜nana (ver Figura 3.29). La correlaci´on en el
caso de la humedad relativa (ver Figura 3.30), tambi´en fue m´as alta en las corridas con pron´ostico de GFS
y sus mayores valores de correlaci´on fueron en horarios de la ma˜nana. Igual comportamiento reflej´o la
temperatura (ver Figura 3.33), las corridas de mejor correlaci´on fueron con datos de an´alisis de GFS.
En el caso de esta ´ultima variable, los valores de correlaci´on no muestran valores m´aximos asociados a
horarios espec´ıficos del d´ıa, sino que estos valores m´aximos de mejor correlaci´on se presentan entre las 6
y 12 horas de pron´ostico para las inicializaciones de las 0000, 0600, 1200 y las 1800 UTC. La presi´on en
superficie (ver Figura 3.31) muestra los mejores resultados de correlaci´on en el caso de las corridas con
an´alisis. Esta variable refleja 2 momentos en el d´ıa donde alcanza valores m´aximos de mejor correlaci´on.
Estos horarios son entorno a las horas de las 0600 y 1800 UTC. En la precipitaci´on (ver Figura 3.32) se
pudo observar que las primeras 3 horas de pron´osticos de las corridas con los 4 ciclos de GFS se mantienen
m´aximos de correlaci´on que est´an vinculados a que en el modelo, el plazo inicial no cuenta con el campo
de precipitaci´on y adem´as coincide en con que en la mayor´ıa de las inicializaciones de estas corridas no
se reportaron precipitaciones en las estaciones analizadas. Por otra parte las corridas con an´alisis de GFS
mantuvieron mejores valores de correlaci´on que las corridas con pron´osticos de GFS.
43
3.3. Valor agregado de la asimilaci´on de datos
En este ep´ıgrafe se analiza la mejor´ıa o no, al inicializar el modelo con datos de an´alisis del GFS y
datos de pron´ostico del mismo en las 0000 UTC, m´as la asimilaci´on de datos de estaciones y sondeos
ubicados en los dominios simulados. Es importante se˜nalar que el mayor aporte lo tienen los datos de
sondeos los cuales brindan infomaci´on en toda la columna mientras que los datos de estaciones solo
mejorar´ıan la representaci´on de las diferentes variables meteorolo´ogicas en superficie. Los experimentos
fueron realizados utilizando la configuraci´on W5-GF y se utiliz´o el Error Absoluto Medio y el Coeficiente
de Correlaci´on de Pearson para el an´alisis de las variables Temperatura, Presi´on, Humedad Relativa,
Fuerza del Viento y Precipitaci´on.
Empezando por las variables m´as nobles, la temperatura y la presi´on, la Figura 3.9 muestra el mae y
el pcor de las mismas para cada horario pronosticado. Las diferencias entre cada configuraci´on no son
significativas. La inicializaci´on con an´alisis y asimilaci´on presenta una ligera mejor´ıa con respecto a la
configuraci´on en la que no se asimila, como es de esperar. La inicializaci´on con pron´ostico sin embargo,
empeora con la inserci´on de los datos de estaciones y sondeos. En particular la Presi´on en esta con-
figuraci´on alcanza errores de 10 hPa en los primeros plazos de pron´ostico. Ambas variables presentan una
relaci´on lineal con respecto a los observado.
El pron´ostico de la fuerza del viento realizado por cada configuraci´on, se comporta de igual manera que la
temperatura y la presi´on con el peor resultado para la combinaci´on pron´ostico + asimilaci´on que alcanza
los mayores errores (mas > 8,0k/h) en los plazos iniciales, donde debe tener m´as influencia la asimilaci´on.
Para esta variable el mejor pron´ostico lo alcaz´o la configuraci´on pron´ostico sin asimilaci´on. La fuerza del
viento como evidencia el gr´afico de la correlaci´on, aumenta cuando aumenta el valor observado por lo que
se mantiene una relaci´on lineal directa con las observaciones (ver Figura 3.10 (a y b)).
La humedad relativa por su parte, no muestra sensibilidad al proceso de asimilaci´on de datos. No se
obtiene mejor´ıa alguna ni con an´alisis ni con pron´ostico. Se puede observar en la Figura 3.10 (c y d) que
todas las configuraciones se encuentran agrupadas en los mismos valores de error.
En cuanto a la precipitaci´on (Figura 3.10 c yd), igualmente no se observa marcada diferencia entre cada
configuraci´on. Sin embargo, con respecto al resto de las variables, el experimento pron´ostico + asimilaci´on
presenta los mejores resultados en las primeras 12 horas de pron´ostico. Esto es de esperar ya que la
inicializaci´on con an´alisis no contempla la precipitaci´on por lo que el modelo debe generarla en per´ıodo
de autoajuste mientras que en la inicializaci´on con pron´ostico incluye el dato de lluvia, disminuyendo el
tiempo de autoajuste mejorando el pron´ostico de tan compleja variable. No obstante en las siguientes
horas de pron´ostico se pierde la mejor´ıa.
44
(a) (b)
(c) (d)
Figura 3.9: Temperatura: mae (a), pcor (b). Presi´on: mae (c), pcor (d)
En general no se puede concluir que la asimilaci´on de los datos mejora el pron´ostico. En la inicializaci´on
con an´alisis + asimilaci´on el impacto de la asimilaci´on fue mayor en las variables Temperatura y Presi´on.
La lluvia sin embargo fue mejor pronosticada para las primeras 12 horas por la configuraci´on pron´ostico +
asimilaci´on. Este resultado es producto de que no fueron suficientes los sondeos y estaciones asimilados,
por lo que el impacto de los mismos es imperceptible. Para obtener una mejor´ıa significativa se debe
contar con mayor densidad de datos en el ´area de asimilaci´on. Esto se puede lograr incluyendo tambi´en la
informaci´on de las boyas. Adem´as revisando el m´odulo de control de calidad de los datos del WRFDA, se
pueden relajar las reglas que desprecian las distintas observaciones dejando mayor cantidad para insertar
en la inicializaci´on. Por otro lado para tener mayor informaci´on en la vertical, se pueden incluir los sondeos
de los sat´elites los cuales tienen el mayor impacto.
45
(a) (b)
(c) (d)
(e) (f)
Figura 3.10: Fuerza del Viento: mae (a), pcor (b). Humedad Relativa: mae (c), pcor (d). Precipitaci´on:
mae (e), pcor (f)
46
Conclusiones
Luego de haber presentado y discutido lo resultados se arriba a las siguientes conclusiones:
La configuraci´on de microf´ısica y c´umulo que present´o los menores errores puntuales y repre-
sent´o mejor la lluvia desde el punto de vista espacial fue la Conf1: WSM5 y Grell-Freitas.
En el caso de la inicializaci´on con datos de pron´ostico y an´alisis se comprob´o que el primero no solo
nos permite ganar en tiempo a la hora de presentar los resultados de las corridas del modelo, sino que
tambi´en reduce el error cometido por el mismo en las primeras horas de pron´ostico, especialmente
con la variable lluvia. Esta mejor´ıa result´o m´as significativa en las corridas inicializadas a las 1200
y 1800 UTC. Para el resto de las variables los distintos estad´ıgrafos tuvieron un comportamiento
similar en todos los experimentos realizados.
La asimilaci´on de datos de sondeos y estaciones en superficie no tuvo un impacto significativo en
el comportamiento del modelo aunque, para la precipitaci´on, se observ´o una ligera mejor´ıa en las
primeras 12 horas de pron´ostico con la configuraci´on que utiliza inicializaci´on con pron´ostico y la
asimilaci´on.
47
Recomendaciones
Aunque los resultados alcanzados en este trabajo constituyen un paso de avance importante, a´un que-
da mucho por hacer sobre todo relacionado con la asimilaci´on de datos. Por tanto se recomiendan las
siguientes acciones para la continuaci´on de esta investigaci´on.
Realizar comparaciones entre los m´etodos de asimilaci´on de datos de observaciones meteorol´ogicas
implementados en los m´odulos ADAS (del modelo ARPS) y WRFDA (del modelo WRF).
Realizar la asimilaci´on de datos de sat´elites meteorol´ogicos.
Evaluar las parametrizaciones de capa fronteriza planetaria, radiaci´on de onda corta y de onda
larga, superficie del suelo, y capa superficial.
Realizar experimentos variando el n´umero y la distribuci´on de los niveles verticales.
Comenzar el dise˜no de un dominio de 3 km de resoluci´on anidado a los dominios de simulaci´on
aqu´ı discutidos.
48
Bibliograf´ıa
[1] Acosta, A., 2008: Los tornados en Cuba. An´alisis de algunas condiciones favorables para su desarrollo
dentro del per´ıodo lluvioso. Trabajo Diploma. Instituto Superior de Tecnolog´ıas y Ciencias Aplicadas.
La Habana, Cuba
[2] Aguilar, G. G., L. Naranjo, M Carnesoltas, 2005: Informe de Resultado Cient´ıfico. Establecimiento
de condiciones de la circulaci´on atmosf´erica a escala sin´optica en los alrededores de Cuba, favorables
para la aparici´on de tormentas locales severas del proyecto “Condiciones sin´opticas favorables para
la ocurrencia de Tormentas Locales Severas en Cuba. Un esquema para su predicci´on”. Instituto de
Meteorolog´ıa. 35 pp.
[3] Aguilar, G. G., 2007: Condiciones a escala sin´opticas para la ocurrencia de aeroavalanchas en Cuba.
Tesis en opci´on al grado de Doctor en Ciencias Meteorol´ogicas. Biblioteca del INSMET.
[4] Alfonso, A. P., 1986: El brote de tiempo severo en Cuba del 8 de febrero de 1978. Descripci´on del
brote y situaci´on sin´optica. Ciencia de la Tierra y el Espacio, 10, 101-114.
[5] Alfonso, A. P, 1988: Climatolog´ıa de las tormentas locales severas de Cuba y fundamentos para
su pron´ostico. Tesis presentada en opci´on al grado cient´ıfico de candidato a Doctor en Ciencias
Geogr´aficas, Matanzas. 174 pp.
[6] Alfonso, A. P, L. Naranjo, M. Fern´andez, J. Bueno y J. L´opez 1990: “Bajas Fr´ıas superiores y
tormentas locales severas. An´alisis del caso 29-30 de Julio de 1981”. En Rev. Cuba. Met. Vol. 3
Num.1, 87-100.
[7] Alfonso, A. P, 1994: Climatolog´ıa de las tormentas locales severas de Cuba. Cronolog´ıa. Editorial
Academia, La Habana. 168 pp.
[8] Ballester M., 2008: Resumen sin´optico mensual. Grupo de investigaciones del centro de pron´ostico
del Instituto de Meteorolog´ıa, Disponible en: www.insmet.cu.
49
[9] Berm´udez, Y., G. Aguilar, G. Acosta y A. Wall, 2009: Distribuci´on Espacial de las Tormentas Locales
Severas en Cuba. Programa An´alisis y pron´ostico del tiempo y del clima terrestre y especial, Informe
Cient´ıfico
[10] Carnesoltas M., L. Naranjo, 2009: Condiciones a escala sin´optica favorables para la aparici´on de
tormentas locales severas en Cuba. Per´ıodo poco lluvioso. Revista Cubana de Meteorolog´ıa. Vol. 15
No. 1, 87-108
[11] Carnesoltas M., L. Naranjo, 2010: Condiciones sin´opticas favorables para la aparici´on de tormentas
locales severas en Cuba. Per´ıodo lluvioso. Revista Cubana de Meteorolog´ıa. Vol.16 No.1,13-31.
[12] Camacho, N., 2013: Brotes de tiempo severo en las regiones central y oriental de Cuba. An´alisis
sin´optico y comportamiento de algunas variables a mesoescala. Trabajo Diploma. Instituto Superior
de Tecnolog´ıas y Ciencias Aplicadas. La Habana, Cuba
[13] Concepci´on, M., 2014: Propuesta para una nueva versi´on del sistema experto Resoluci´on Objetiva
por Sistema de Experto de Tormentas (ROSET). Trabajo Diploma. Instituto Superior de Tecnolog´ıas
y Ciencias Aplicadas. La Habana, Cuba
[14] Cruz, R.C., 2010: Asimilac´on de observaciones de estaciones de superficie y torres de gradiente en
el pron´ostico num´erico con el modelo de mesoescalar MM5V3. Trabajo Diploma. Instituto Superior
de Tecnolog´ıas y Ciencias Aplicadas. La Habana, Cuba
[15] C. A. Davis, B. G. Brown, R. G. Bullock, and J. Halley Gotway. The Method for Object-based
Diagnostic Evaluation (MODE) applied to WRF forecasts from the 2005 Spring Program. Wea.
Forecasting, 24, pages 1252-1267, 2009.
[16] De la Nuez, W. R., 2010: Ambientes favorables a mesoescala para la ocurrencia de aeroavalanchas
en las provincias habaneras. Tesis presentada en opci´on al grado de Licenciado en Meteorolog´ıa.
Instituto Superior de Tecnolog´ıas y Ciencias Aplicadas, 65 pp.
[17] Ebert EE. 2008. Fuzzy verification of high-resolution gridded forecasts: a review and proposed frame-
work. Meteorol. Appl., 15, 51-64.
[18] Figueroa, I., 1987: Patrones Sin´opticos asociados a las Tormentas Severas que ocurren en las provin-
cias habaneras en el per´ıodo lluvioso durante el a˜no 1987. Tesis en opci´on al grado de Licenciado en
Geograf´ıa. Facultad de Geograf´ıa, Universidad de la Habana.
[19] Ferrer, A., 2013: Simulaci´on num´erica de tornados en Cuba. Trabajo Diploma. Instituto Superior de
Tecnolog´ıas y Ciencias Aplicadas. La Habana, Cuba.
50
[20] Gonz´alez, C. M., 2012: Comportamiento de algunas variables meteorol´ogicas en el desarrollo del
tiempo severo en la regi´on occidental de Cuba. Trabajo Diploma. Instituto Superior de Tecnolog´ıas
y Ciencias Aplicadas. La Habana, Cuba
[21] Gonz´alez C., Gonz´alez A. O., 2014: Resumen sin´optico mensual. Grupo de investigaciones del centro
depron´ostico del Instituto de Meteorolog´ıa, Disponible en: www.insmet.cu.
[22] Golding, B. W.,1995: Report on the second Nimrod trial. Met. Office FR-Div Tech. Rep. No. 178.
Unpublished report available from the National Meteorological Library, London Road, Bracknell,
Berks RG12 2SZ, UK.
[23] Grell GA, SR Freitas. 2013. A scale and aerosol aware stochastic convective parameterization for
weather and air quality modeling. Atmos. Chem. Phys. Discuss., 13, 23845-23893.
[24] Hern´andez, R., 2013: Asimilaci´on de observaciones meteorol´ogicas con el modelo f´ısico - matem´atico
ARPS. Trabajo Diploma. Instituto Superior de Tecnolog´ıas y Ciencias Aplicadas. La Habana, Cuba
[25] Kain, JS. 2004. The Kain-Fritsch convective parameterization: An update. J. Appl. Meteor., 43,
170-181.
[26] Kalnay, E. (2003). Atmospheric Modeling, Data Assimilation and Predictability. Cambridge, UK:
Cambridge University Press.
[27] Lecha, L. B., L. R. Paz y B. Lapinel [editores] (1994): El Clima de Cuba. Editorial Academia, La
Habana, 186 p.
[28] Li, P.W. & Edwin S.T. Lai, 2004: Applications of Radar-based Nowcasting Techniques for Mesoscale
Weather Forecasting in Hong Kong, Meteorological Applications, 11, pp 253-264
[29] Mesoscale & Microscale Meteorology Division. 2014. ARW Version 3 Modeling System User’s
Guide. Complementary to the ARW Tech Note, 411pp. NCAR: Boulder, Colorado, USA. Web:
http://www2.mmm.ucar.edu/wrf/users/docs/user guide V3/ARWUsersGuideV3.pdf
[30] MET Developers. The MODE Tool. Model Evaluation Tools Version 3.0.1 (METv3.0.1). User’s Guide
3.0.3. Developmental Testbed Center. pages 98-122. 2011
[31] Mitrani I., L. Alvarez, I. Borrajero. Aplicaci´on optimizada del MM5V3 sobre el territorio cubano
mediante el uso de una computadora personal. Revista Cubana de Meteorolog´ıa, 2003.
[32] Mitrani I., C. Gonz´alez, I. Borrajero. El uso de MM5V3 en la predicci´on de eventos peligrosos sobre
el territorio cubano. Memorias del Taller de Meteorolog´ıa Tropical, TROPICO-2004, La Habana
(publicaci´on en soporte t´ecnico), ISBN:959-7167-02-6., 2004.
51
[33] Mitrani I., C. Gonz´alez. Predicci´on de trayectoria de huracanes en la temporada del 2002 mediante
un modelo de ´area limitada, a su paso por territorio cubano. Memorias del IV Congreso Nacional de
Geograf´ıa, La Habana-2004 (publicaci´on en soporte t´ecnico), 2004.
[34] Molina, E., 2014: Condiciones a escala sin´optica y mesoescala que favorecen las aeroavalanchas en la
regi´on occidental de Cuba. Trabajo Diploma. Instituto Superior de Tecnolog´ıas y Ciencias Aplicadas.
La Habana, Cuba.
[35] Morrison H, Thompson G, Tatarskii V. 2009. Impact of cloud microphysics on the development
of trailing stratiform precipitation in a simulated squall line: Comparison of one- and two-moment
schemes. Mon. Wea. Rev., 137, 991-1007.
[36] NCEP Production Suite Review 3-5 December 2013
[37] Novo, S., D. Mart´ınez y F. Gamboa, 2004: Estudio por radar de dos Tormentas Locales Severas
observadas sobre Camag ˜
A¼ey, Cuba. Revista Cubana de Meteorolog´ıa Vol.10. No.2, 40pp.
[38] Novo, S., 2008: Pron´ostico inmediato de tormentas convectivas por radar - una actualizaci´on. Revista
Brasileira de Meteorolog´ıa, v.23, n.1, 41-50.
[39] Pozo, D., L. Alfonso, y J. Mar´ın, 1999: Simulaci´on num´erica bidimensional de nubes convectivas.
6-1999, Bolet´ın de la Sociedad Meteorol´ogica de Cuba.
[40] Pozo, D., D. Mart´ınez, y M. Chac´on, 2001. Simulaci´on num´erica tridimensional de una celda con-
vectiva simple en condiciones tropicales utilizando el modelo ARPS. Rev. Cub. Meteor., 8, 1, 74-82.
[41] Pozo, D., 2003: Simulaci´on num´erica de la formaci´on y evoluci´on de sistemas nubosos convectivos
de mesoescala sobre Camag ˜
A¼ey con ayuda de un modelo tridimensional. Centro de F´ısica de la
Atm´osfera del Instituto de Meteorolog´ıa, Cuba. Tesis en opci´on al grado cient´ıfico de Doctor en
Ciencias Meteorol´ogicas.
[42] Rivero, R. y J. C. Antu˜na 1981: Climatolog´ıa sin´optica de las tormentas locales severas de Cuba,
Bol. Cient-Tec.,6:1-9.
[43] Rabelo, D., 2012: Procedimiento para la estimaci´on de la velocidad de la racha m´axima de una
aeroavalancha. Tesis presentada en opci´on al grado de Licenciado en Meteorolog´ıa. Instituto Superior
de Tecnolog´ıas y Ciencias Aplicadas.53 pp.
[44] Roque, A., 2013: M´etodo de Evaluaci´on Diagn´ostico Orientado a Objetos Modificado (MODEMod)
utilizando la informaci´on de los sat´elites meteorol´ogicos. Trabajo de Diploma. Instituto Superior de
Tecnolog´ıas y Ciencias Aplicadas
52
[45] Rodr´ıguez, C.F. 2014:, Modificaci´on e implementaci´on del m´etodo de evaluaci´on espacial MODEMod
para su uso operativo en Cuba. Trabajo de Diploma. Instituto Superior de Tecnolog´ıas y Ciencias
Aplicadas
[46] Srivastava, K.,Jidong Gao, Keith Brewster, S. K. Roy Bhowmik, Ming Xue and Ranu Gadi,2010:
Assimilation of Indian radar data with ADAS and 3DVAR techniques for simulation of a small-scale
tropical cyclone using ARPS model, Natural Hazards, 58, 15-29.
[47] Thompson G, Field PR, Rasmussen RM, Hall WD. 2008. Explicit Forecasts of winter precipitation
using an improved bulk microphysics scheme. Part II: Implementation of a new snow parameteriza-
tion. Mon. Wea. Rev., 136, 5095-5115.
[48] Varela, A., 2010: Entornos favorables para el desarrollo de los tornados en las provincias occidentales
de Cuba. Trabajo Diploma. Instituto Superior de Tecnolog´ıas y Ciencias Aplicadas. La Habana,
Cuba.
[49] Warner TT. 2011. Numerical Weather and Climate Prediction. Cambridge University Press, Cam-
bridge, pp 52-58.
[50] Xue, M., Droegemeier, K. K., Wong, V., Shapiro, A., and Brewster, K., 1995: “ARPS Version 4.0
user’s guide.” Center for Analysis and Prediction of Storms, Univ. of Oklahoma, 380 pp.[Available
from CAPS, 100 E. Boyd St., Norman, OK 73019.]
[51] http://www.tdr.cesca.es/TESISU P C/AV AILABLE/...//07Ojc07de12.pdf
[52] ftp://tgftp.nws.noaa.gov/data/observations/metar/decoded
[53] http://weather.uwyo.edu.
[54] http://daac.gsfc.nasa.gov/precipitation/TRMM README/TRMM 3B42 readme.shtml
53
Anexos
(a) (b)
Figura 3.11: Trayectoria de Ike seg´un Conf1 (violeta) y Best Track (negro) (a). Diferencias entre las
trayectorias (b)
(a) (b)
Figura 3.12: Acumulado mensual (a), Desviaci´on est´andar (b). Dominio 2
54
(a) (b)
Figura 3.13: Error Absoluto Medio (a), Error Cuadr´atico Medio (b). Dominio 2
(a) (b)
Figura 3.14: ´
Indice de Ajuste (a), Correlaci´on de Pearson (b). Dominio 2
(a) (b)
Figura 3.15: Acumulado horario (a), Desviaci´on est´andar (b). Dominio 2
55
(a) (b)
Figura 3.16: Error Absoluto Medio (a), Error Cuadr´atico Medio (b). Dominio 2
(a) (b)
Figura 3.17: ´
Indice de Ajuste (a), Correlaci´on de Pearson (b). Dominio 2
56
(a)
(b)
(c)
(d)
(e)
Figura 3.18: Acumulado (mm). Observaci´on (a), W5-GF (b), W5-KF (c), T-GF (d), T-KF (e). Dominio
2
57
(a) (b)
(c) (d)
Figura 3.19: Error absoluto medio de la fuerza del viento: 0000 (a), 0600 (b), 1200 (c) y 1800 (d) UTC
(a) (b)
(c) (d)
Figura 3.20: Error absoluto medio de la humedad relativa: 0000 (a), 0600 (b), 1200 (c) y 1800 (d) UTC
58
(a) (b)
(c) (d)
Figura 3.21: Error absoluto medio de la presi´on en superficie: 0000 (a), 0600 (b), 1200 (c) y 1800 (d)
UTC
(a) (b)
(c) (d)
Figura 3.22: Error absoluto medio del acumulado de precipitaci´on: 0000 (a), 0600 (b), 1200 (c) y 1800
(d) UTC
59
(a) (b)
(c) (d)
Figura 3.23: Error absoluto medio de la temperatura: 0000 (a), 0600 (b), 1200 (c) y 1800 (d) UTC
(a) (b)
(c) (d)
Figura 3.24: An´alisis del promedio de la fuerza del viento: 0000 (a), 0600 (b), 1200 (c) y 1800 (d) UTC
60
(a) (b)
(c) (d)
Figura 3.25: An´alisis del promedio de la humedad relativa: 0000 (a), 0600 (b), 1200 (c) y 1800 (d) UTC
(a) (b)
(c) (d)
Figura 3.26: An´alisis del promedio de la presi´on en superficie: 0000 (a), 0600 (b), 1200 (c) y 1800 (d)
UTC
61
(a) (b)
(c) (d)
Figura 3.27: An´alisis del promedio del acumulado de precipitaci´on: 0000 (a), 0600 (b), 1200 (c) y 1800
(d) UTC
(a) (b)
(c) (d)
Figura 3.28: An´alisis del promedio de la temperatura: 0000 (a), 0600 (b), 1200 (c) y 1800 (d) UTC
62
(a) (b)
(c) (d)
Figura 3.29: ´
Indice Correlaci´on de Pearson de la fuerza del viento: 0000 (a), 0600 (b), 1200 (c) y 1800
(d) UTC
(a) (b)
(c) (d)
Figura 3.30: ´
Indice Correlaci´on de Pearson de la humedad relativa: 0000 (a), 0600 (b), 1200 (c) y 1800
(d) UTC
63
(a) (b)
(c) (d)
Figura 3.31: ´
Indice Correlaci´on de Pearson de la presi´on en superficie: 0000 (a), 0600 (b), 1200 (c) y 1800
(d) UTC
(a) (b)
(c) (d)
Figura 3.32: ´
Indice Correlaci´on de Pearson del acumulado de precipitaci´on: 0000 (a), 0600 (b), 1200 (c)
y 1800 (d) UTC
64
(a) (b)
(c) (d)
Figura 3.33: ´
Indice Correlaci´on de Pearson de la temperatura: 0000 (a), 0600 (b), 1200 (c) y 1800 (d)
UTC
65
