Guía de buenas prácticas para la Predicción Estacional en Latinoamérica

GUÍA DE BUENAS PRÁCTICAS PARA LA PREDICCIÓN ESTACIONAL EN LATINOAMÉRICA

2011 1

GUÍA DE BUENAS PRÁCTICAS PARA LA PREDICCIÓN ESTACIONAL EN LATINOAMÉRICA Esta publicación re realizó gracias al apoyo de la Organización Meteorológica Mundial (OMM), el Centro Internacional para la Investigación del Fenómeno de El Niño y la valiosa contribución de expertos de diversos países y regiones.

Equipo editorial Rodney Martínez (CIIFEN) Alexandra Rivadeneira (CIIFEN) Juan José Nieto (CIIFEN)

Con las contribuciones de: Marco Paredes (SENAMHI-Perú) Gloria León (IDEAM-Colombia) María Jesús Casado (AEMET-España) María de los Milagros Skansi (SMN-Argentina) Luis Alvarado (IMN-Costa Rica) Rupa Kumar Kolli (OMM) Axel Timmermann (IPRC-USA) Lisa Goddard (IRI-USA) Matthew Collins (UKMO-Inglaterra) Jean Pierre Cerón (MeteóFrance-Francia)

Diagramación, diseño gráfico

Impresión

ISBN-978-9978-9934-3-9

Se permite reproducir y comunicar esta publicación siempre y cuando se cite a la fuente correcta y no se utilice para fines comerciales Para citar la publicación: Martínez R., Rivadeneira A., Nieto J. Guía de buenas prácticas para la predicción estacional en Latinoamérica. CIIFEN, 2011 (1) 1-55pp. ISBN-978-9978-9934-3-9.

Noviembre 30, 2011 2

Contenido 1.

INTRODUCCIÓN ..................................................................................................... 5

1.1. Los Fundamentos de la Predicción Estacional ........................................................ 5 1.2 Predictibilidad ……………………………………………………………….……………..6 1.3 Variabilidad Interanual ............................................................................................. 7 1.4 Índices atmosféricos .............................................................................................. 17 1.5 Índices oceánicos .................................................................................................. 18 1.6 Índices multivariados……………………………………………………………………..13 1.7 ENSO y Calentamiento global……………………………...…………………………….15 1.8 Variabilidad decadal……………………………………………………………………….17 2.

MODELOS PARA PREDICCIÓN ESTACIONAL ................................. ……………17

2.1 Modelos estadísticos ............................................................................................. 18 2.2 Modelos dinámicos……………………………………………………………………….19 2.3 Consideraciones para la predicción estacional dinámica…………………………….20 2.4 Consideraciones para el pronóstico estacional estadístico…………………………..26 2.5 Criterios de decisión para el manejo de resultados del CPT………………………….26 2.6 Preguntas frecuentes sobre el CPT……………………………………………………...34 3. VERIFICACIÓN DE LOS PRONÓSTICOS ESTACIONALES ................................ ..40 3.1 Procedimientos de verificación de pronósticos estacionales probabilísticos ...... …40 3.2 Elaboración de Tabla de contingencias ................................................................. 42 4.

LOS FOROS CLIMÁTICOS REGIONALES .......................................................... 45

4.1 El Foro Climático de Centroamérica………………………………………………….....45 4.2 El Foro Climático del Sudeste de Sudamérica…………………………………………47 4.3 El Foro Climático del Oeste de Sudamérica…………………………………………...49 5.

CAPACIDADES EXISTENTES Y BUENAS PRÁCTICAS EN LA REGIÓN .......... 50 3

5.1. Sistemas de Pronóstico en los países ................................................................... 51 5.2 Buenas prácticas en el pronóstico estacional…………………………………………..53 5.3 Lecciones aprendidas en la aplicación y difusión del pronóstico estacional……..…54 5.4 Buenas prácticas en la relación con los usuarios……………………………………....54 REFERENCIAS…………………………………………………………………………………55

4

1. INTRODUCCIÓN 1.1. Los Fundamentos de la Predicción Estacional La luz solar es absorbida principalmente en el océano tropical. La cantidad de luz solar cambia con la estación, latitud, hora del día y la cobertura de nubes. La mayor parte del calor absorbido por los océanos en los trópicos se libera en forma de vapor de agua que calienta la atmósfera cuando el agua se condensa y llueve. En las zonas de convergencia tropical las lluvias son mayores de las que caen en las latitudes medias y cerca del frente polar. El calor liberado por la lluvia y la radiación infrarroja absorbida proveniente del océano constituyen el motor principal de la circulación atmosférica.

Los océanos transportan cerca de la mitad del calor necesario para calentar las latitudes altas, la atmósfera transporta la otra mitad. Por otro lado la capacidad de retención de calor en el océano es muy alta y la velocidad de los procesos de transferencia de calor a la atmósfera son más lentos. En contraste, la dinámica de la atmósfera es mucho más rápida, al igual que los procesos físicos que se desarrollan en ella. Debido a esta diferencia en la velocidad de los procesos entre el océano y la atmósfera el océano se convierte en la memoria histórica de la atmósfera. En este contexto, en la medida que tengamos una buena idea o entendimiento de cómo se ha comportado el océano y cómo podría comportarse, podríamos aproximarnos en buena forma a cómo se manifestaría la atmósfera en un tiempo determinado. Esto constituye uno de los principios de la predicción estacional.

Existen diversos factores que pueden ser considerados como agentes forzantes del clima y consecuentemente alterarlo. Si podemos anticipar estos factores de forzamiento, entonces podremos anticipar en buena forma las fluctuaciones del sistema climático y generar una predicción.

La respuesta del sistema climático a esta combinación de factores forzantes depende de los diversos tiempos de respuesta de los diferentes componentes del sistema.

El sistema climático es complejo y altamente no lineal con procesos en diversas escalas de tiempo que varían desde las horas, semanas, años, décadas, etc. Los fenómenos meteorológicos no se pueden pronosticar más allá de 10-14 días, por el carácter no lineal de la atmósfera, esto se conoce como el “efecto mariposa”.

El océano superficial en cambio tiene un tiempo de respuesta que se puede medir en años, mientras que el océano profundo y los glaciares de montaña varían sobre períodos cuyos lapsos son de cientos de años.

Las bases científicas de la predicción estacional se resumen a continuación: • •

La evolución de la atmósfera es parcialmente influenciada por el desarrollo de las condiciones de las forzantes externas (temperatura superficial del mar, cobertura en la superficie continental entre otros).

La evolución de las forzantes externas es usualmente lenta y predecible. Esto provee una memoria lenta a la atmósfera; por lo tanto la evolución de la atmósfera llega a ser parcialmente predecible.

5

• •

Los sucesivos estados instantáneos de la atmósfera tienen una predictibilidad limitada mientras los estados medios de la atmósfera tienen una predictibilidad mayor.

La circulación media en las regiones tropicales es fuertemente influenciada por la convección a larga escala.

1.2. Predictibilidad En el océano, existen regiones donde los patrones de las anomalías de temperatura superficial del mar (TSM), con frecuencia persisten durante algunos meses o estaciones, y algunos de estos patrones pueden inclusive persistir por más tiempo.

Esta condición determina el grado de predictibilidad de la atmósfera en una región determinada.

La predictibilidad se define en términos prácticos como la capacidad potencial de poder tener una predicción aceptable en base al principio antes explicado. Esto depende de la región geográfica y determina si la predicción estacional es posible o no.

La predictibilidad tiene entre otras las siguientes características: • • • •

Está relacionada con el principio de la incertidumbre en la física y a las limitaciones matemáticas para resolverla.

Nos desafía a romper los límites físicos para aproximarnos mas no alcanzar la verdad última sobre el sistema climático a través de la ciencia y el avance tecnológico.

Está relacionada a la probabilidad de error en la estimación del resultado de una variable.

Es la cualidad que permite a los usuarios juzgar futuras interacciones u ocurrencia de eventos sobre la base del conocimiento especial o la inferencia.

La predictibilidad depende de: • • •

La escala del fenómeno pronosticado: tormenta, onda del este, El Niño South Oscillation (ENSO), etc.

El plazo o tiempo del pronóstico (nowcasting, corto, mediano, estacional, climático) La escala espacial: - Local  10 -100 km - Regional  100 -1000 km - Sinóptica  1000 - 5000 km - Supra-sinóptica > 5000 km

La predictibilidad puede verse desde distintas perspectivas : • • •

•

A través de las observaciones.

A través de los modelos de predicción.

La evolución de las condiciones externas de forzamiento : - TSM - ENSO - Variabilidad decadal : Pacific Decadal oscillation (PDO).

Evolución de las condiciones de la superficie continental 6

-

•

Influencia de las condiciones de la superficie continental (nieve, albedo), - Variabilidad intraestacional (humedad del suelo) Influencias mutuas - Decadal/ENSO - ENSO/Intraestacional - Intraestacional/sinóptico

Fig. 1 Escalas espaciales y temporales de factores de predictibilidad

Si hay diferencias de la temperatura superficial del mar en una región determinada, hay diferencias de la presión atmosférica. Esa diferencia de la presión atmosférica en la superficie puede ser suficiente para producir importantes vientos desde las zonas de alta presión a las de baja presión. Una significativa parte de la predictibilidad del clima estacional está directamente relacionado con las anomalías de la temperatura superficial del mar, muy especialmente en las cuencas oceánicas tropicales.

1.3. Variabilidad Interanual La variabilidad interanual está asociada con la ocurrencia de los eventos El Niño o La Niña, ampliamente conocidos en Latinoamérica y el mundo por sus impactos históricos en sus diferentes fases cálida (El Niño) y fría (La Niña). El término científico mundialmente reconocido es ENSO (El Niño Southern Oscillation).

La definición del ENSO ha evolucionado conforme avanza el progreso científico en la comprensión de sus procesos físicos inherentes. A continuación se presenta un resumen de las diferentes teorías relacionadas al ENSO y consecuentemente su definición científica. Se las muestra en orden cronológico: a) Oscilación del Sur/Walker (1924) El descubrimiento de la Circulación de Walker se debe a Sir Gilbert Walker quien definió el índice de oscilación del sur, entre dos puntos del océano Pacífico (Tahiti y Darwin) 7

b) Oscilación del Sur y El Niño (ENSO) / Bjerknes (1957) Basado en datos de observaciones de 1957, Bjerknes llegó más allá de la teoría de Walker en su tesis sobre El Niño. Postuló que, siendo una pequeña lámina la que separa la atmósfera de las profundidades del océano, la diferencia entre la temperatura superficial del mar y la del aire produce el flujo de calor y el intercambio de vapor de agua. Posteriormente, en 1966, Bjerknes propuso que los vientos alisios de 1957 no solo causaron la aparición de aguas cálidas en la superficie del Pacífico tropical, sino que a la vez generó el incremento de la temperatura superficial del mar durante ese año. Este innovador argumento permitió entender que este fenómeno no era de origen estrictamente atmosférico ni oceánico, sino era producto de la interacción de ambos.    

Bjerknes introdujo el término: Circulación Walker = Oscilación del Sur El calentamiento en el Pacífico Oriental Ecuatorial debilita la circulación de Walker en el Pacífico.

La anomalía en la temperatura superficial del mar o El Niño, es causada por cambios en la circulación de Walker.

Bjerknes planteó la primera conexión entre el Fenómeno de El Niño y la Oscilación del Sur en sus publicaciones de 1966 y 1969.

Figura 2. Las figuras representan las Anomalías de Temperatura Superficial del Mar respecto a un año con presencia Niño y el promedio global para la cuenca del Pacífico.

c) La Onda Oceánica de Kelvin y la carga y descarga de masas de agua cálida/ Wyrtki (1975) Wyrtki confirmó la visión de Bjerkness de que los efectos de El Niño no se limitaban a lo largo de la costa oeste de Perú y Ecuador. Klaus Wyrtki de la Universidad de Hawaii y sus colegas analizaron registros, cartas de mareas y los patrones de viento en toda la cuenca del Pacífico.

En 1975 Wyrtki estableció que los fuertes vientos son esenciales para impulsar las aguas cálidas de la superficie hacia el oeste a lo largo del Ecuador hasta que se acumulan en las costas de Indonesia. Esta capa gruesa de agua cálida, incrementa el nivel del mar en el Pacífico occidental hasta en 18 pulgadas, y efectivamente deprime una capa de agua bajo la superficie llamada termoclina que es una especie de interfaz entre las aguas superficiales cálidas y frías del océano.

En el Pacífico oriental, por el contrario, la capa caliente de la superficie es mucho 8

más delgada y la termoclina está más cerca de la superficie, al igual que las aguas frías que afloran de las profundidades del océano, llevando consigo los nutrientes que apoyan la pesca abundante.

Wyrtki sugería que, los vientos alisios liberan ondas de agua cálida que se desplazan de oeste a este a través del Océano Pacífico y profundizan la termoclina en el Pacífico oriental ocasionando la supresión de la surgencia de agua fría desde las profundidades del océano; como resultado, la temperatura superficial del mar aumenta en el Pacífico oriental y disminuyen los nutrientes necesarios para mantener ciertas pesquerías. Debido al retraso en la respuesta del Pacífico Oriental a los cambios de viento, Wyrtki reconoció la posibilidad de predecir estos eventos con anticipación. d) Inestabilidad Acoplada/ Philander (1984) Philander encontró que dependiendo de la naturaleza del acoplamiento termodinámico en el Pacífico Ecuatorial, se genera un modo de propagación hacia el este o hacia el oeste.

Philander et al. (1984) afirma que la anomalía de la Temperatura superficial del mar, es proporcional al desplazamiento de la termoclina, el análisis local de este modelo dio como resultado una inestabilidad cada vez mayor hacia el este, similar con las características oceánicas de Kelvin.

Gill (1985) por su parte encontró que la tendencia temporal de la temperatura superficial del mar es proporcional a la advección de temperatura media por las corrientes oceánicas anómalas de la zona, y el calentamiento de la atmósfera proporcional a la anomalía de la temperatura superficial del mar.

La solución de la inestabilidad local de esta situación resultó ser un modo de acoplamiento océano/atmósfera creciente hacia el oeste.

Hirst (1986, 1988) combina las dos de modo normal con la propagación.

teorías y han

buscado soluciones

En el límite Gill (1985), Philander y otros (1984), no sólo que reproducían sus resultados, sino que también demostró que la solución exhibió una extraordinaria sensibilidad a la parametrización de la temperatura superficial del mar e) Oscilación ENSO / Cane and McCreary (1983) Un modelo de acoplamiento para el ENSO: Cane y Zebiak (1987) desarrollaron el primer modelo numérico utilizado para la predicción del ENSO y que continúa hasta la actualidad. Su modelo ha sido mejorado y es uno de los más exitosos modelos utilizados hasta el día de hoy.

El mecanismo de la naturaleza oscilatoria del ENSO fue propuesto originalmente por Julian McCreary (1983), basado en la reflexión de los océanos subtropicales y la surgencia a través de ondas de Rossby en el límite occidental.

McCreary (1993) exploró la dinámica de la superficie del mar, junto a los patrones del viento que cambian actúan a manera de un interruptor discontinuo dependiendo de la profundidad de la termoclina y demostró cómo las ondas de 9

Rossby oceánicas podrían estar involucradas en la oscilaciones de baja frecuencia asociados con el ENSO.

generación

de las

f) Recarga ENSO / Wyrtki (1985), Jin (1997) Wyrtki, plantea que antes de un evento El Niño, existe un viento fuerte del este y consecuentemente un incremento en el nivel del mar. Cuando el viento del este colapsa, actúa como un “gatillo” que permite el posterior calentamiento en Pacífico Oriental, con lo que se reconoce que el ENSO no es un calentamiento costero local.

Esto implica que el sistema requiere de un sistema para recargarse.

Fei-Fei Jin, (2005) presentó la teoría completa del ENSO, utilizando modelos acoplados, la teoría del caos y consecuentemente la dinámica no lineal del ENSO. Introdujo la teoría de la interacción entre el ENSO y los WWB (Westerlies Wind Bursts) y le mecanismo de recarga del ENSO.

1.4. Índices Atmosféricos Si bien es cierto, se ha avanzado mucho en la comprensión del ENSO, con los años y ante la necesidad operacional de su predicción, la caracterización del ENSO se ha circunscrito a ciertos índices que representan en buena forma su desarrollo global. Sin embargo con el pasar de los años, los distintos países del mundo, han aprendido que cada evento el Niño o La Niña es distinto y que los efectos locales del ENSO, no siempre son consistentes con las predicciones globales.

Existen varios índices para representar al ENSO. Su uso no es prescriptivo, pero depende del propósito final de la información.

El índice de oscilación del sur (SOI), es uno de los más antiguos índices atmosféricos que se sigue usando hasta la actualidad. De acuerdo al Bureau de Meteorología de Australia (BOM), el SOI se define por la siguiente expresión:

Donde: Pdiff = Presión media al nivel del Mar (Tahiti – Darwin) Pdiff = Diferencia del gradiente de presión de largo plazo SD(Pdiff) = Desviación estándar de la diferencia de presión El Índice de Oscilación del Sur (SOI), es una medida de la diferencia en superficie de presión de aire entre Tahití y Darwin. En términos generales, El Niño está asociado con valores negativos del SOI y La Niña con valores positivos.

10

Figura 3. Anomalías y desviación estándar calculadas de acuerdo con el índice SOI.

El Índice de Oscilación del Sur de acuerdo al National Center of Environmental Prediction (NCEP) se define como la diferencia entre la desviaciones estándar (SD) de la Presión a nivel medio del mar entre Tahiti y Darwin.

SOI  SD  Tahiti  SD Darwin  Algunas de las ventajas del SOI son: • • • •

Fácil de comprender y calcular La longitud de los datos es grande (desde 1876 aproximadamente) Disponibilidad en tiempo real, habitualmente calculados y de fácil acceso Representan la respuesta de la atmósfera

Algunas de las desventajas del SOI son: • •

Debido a que se encuentra basado en la presión entre dos puntos, puede fácilmente ser afectado por disturbios en el clima local, influenciando con ruido de alguna forma sobre las bases mensuales observadas.

Con la finalidad de tener índices más representativos de fluctuaciones de presión a gran escala, es común presentar promedios SOI para periodos de 5 meses.

1.5. Índices oceánicos A raíz de la puesta en marcha de programas observacionales del océano, como por ejemplo TOGA-TAO (1985), el uso de índices oceánicos para caracterizar el 11

ENSO se ha generalizado. Los índices han mostrado sus bondades y se han ido perfeccionando con el tiempo en la medida que los sistemas de observación también han ido mejorando.

De los índices oceánicos, uno de los más populares es el ONI (Oceanic Niño Index) utilizado por la National Oceanographic and Atmospheric Administration (NOAA). El ONI, guarda estrecha relación con el área del Pacífico Ecuatorial (Fig. 4) y el sistema observacional TAO/TRITON (Fig. 5)

Fig. 4 Regiones El Niño

Fig. 5 Tao/Triton Array (NOAA)

Los índices ONI corresponden a las áreas que se muestran en la Fig. 5 La región Niño 1+2 (0°-10°S, 80°W-90°W) es la región que se calienta más rápido cuando un evento niño se encuentra en desarrollo, sin embargo está sujeta a la influencia de la circulación en el borde oriental del Pacífico y factores regionales que pueden introducir ruido en sus valores y no representar en buena forma la evolución del ENSO a escala global.

La región Niño 3 (5°S-5°N, 150°W-90°W) es la región del Pacífico Tropical que posee la variabilidad más pronunciada en temperatura superficial del mar 12

durante la ocurrencia de El Niño y es la que muestra mayor consistencia con su evolución.

La región Niño 3.4 (5°S-5°N, 170°W-120°W) posee el impacto más grande observable del ENSO en la variabilidad atmosférica global.

La región Niño 4 (5°S-5°N, 160°E-150°W) es donde los cambios de la temperatura superficial del mar alcanzan o sobrepasan 27,5º C que se considera como el umbral de convección profunda para la producción de lluvias.

Por extensión, la variabilidad del clima global Niño 3.4 es generalmente la principal indicadora de la evolución global del ENSO.

Figura 6 Evolución histórica del ONI en las regiones El Niño

1.6. Índices Multivariados Tanto los índices atmosféricos u oceánicos han evidenciado eventuales limitaciones para representar al ENSO y su evolución. Estas inconsistencias motivaron al diseño de índices multivariados en los que se combina diversas 13

variables tanto oceánicas como atmosféricas. El índice multivariado más usado desde hace muchos años es el Multivariate ENSO Index (MEI) (Fig. 6)

Figura 6. Índice multivariado del ENSO.

El MEI es calculado con promedios bimensuales de seis variables medidas a lo largo del Pacífico Tropical (Fig. 6). Las componentes principales de los seis campos son utilizadas para calcular los índices. Las variables son: • • • • • •

Presión a nivel del mar (P) Componente zonal del viento superficial (U) Componente meriodional de viento superficial (V) Temperatura superficial del mar (S) Temperatura superficial del aire (A) Fracción total de nubes en el cielo (C)

14

Figura 7. Índices multivariados, donde el índice MEI es el primer componente principal de los 6 cuadros.

Definición del ENSO En abril de 2005, a través de la Organización Meteorológica Mundial, se realizó una encuesta sobre las definiciones operacionales del ENSO a escala nacional. Debido a la abrumadora diversidad de respuestas, no se pudo obtener consenso internacional sobre la definición del ENSO. Sin embargo en países como Estados Unidos y a través de la NOAA, desde hace varios años se mantiene en vigor una definición operacional del ENSO: El Niño: un fenómeno en el Océano Pacífico Ecuatorial caracterizado por una desviación positiva de la temperatura superficial del mar respecto a la normal en la región Niño 3.4 con valor mayor o igual en magnitud a 0.5ºC promediado en tres meses consecutivos.

La Niña: un fenómeno en el Océano Pacífico Ecuatorial caracterizado por una desviación negativa en la temperatura superficial del mar respecto a la normal en la región Niño 3.4 con valor mayor o igual en magnitud a 0.5ºC promediado sobre tres meses consecutivos.

1.7. ENSO y calentamiento global Bajo el escenario de calentamiento global, el clima de la cuenca del Pacífico probablemente conlleve cambios significativos. De acuerdo a Vecci et al, 2007 y en base a datos observados en el último siglo, la circulación de Walker está debilitándose.

De acuerdo a esta tendencia, los vientos alisios tropicales se debilitarían y la temperatura superficial del mar se incrementaría con mayor velocidad cerca del Ecuador que en otras zonas. La termoclina ecuatorial que marca la transición entre la mezcla superficial de vientos en el océano y las capas profundas se espera disminuya en profundidad y el gradiente de temperatura a lo largo de la termoclina se espera se pronuncie. Anualmente la variabilidad del ENSO es controlada por un delicado balance de amplificación y amortiguación, uno o más procesos físicos son responsables por características específicas del ENSO que probablemente sean modificadas por el cambio climático. A pesar del considerable progreso en la compresión del impacto del cambio climático en procesos que influyen en la variabilidad del ENSO, aún no es

15

posible afirmar que la actividad del ENSO sea amplificada o amortiguada o si la frecuencia de los eventos cambiará1. (Figs.8 y 9)

Figura 8-9. Condiciones normales (izquierda) y condiciones El Niño (derecha) de circulación océano-atmósfera en el Pacífico.

Figura 10 –11. Condiciones de circulación océano –atmósfera en el Pacífico. Izquierda condiciones normales y derecha condiciones bajo escenario de cambio climático.

1

Mat Collins, et al. Article of Nature Geoscience published on line.

16

Figura 12. Las condiciones de anomalías en temperatura superficial del mar debido a cambio climático, no son similares a condiciones ENSO, los vientos alisios se debilitan, la TSM incrementa más en la zona ecuatorial, la termoclina se amortigua, la estratificación incrementa y los afloramientos se debilitan.

Figura 13. Condiciones de circulación océano atmósfera en escenario de Fenómeno de El Niño.

Posibles cambios en la variabilidad del ENSO: Procesos y Retroalimentación

Proceso /Realimentación

Impactos en la variabilidad del ENSO

Principales afloramientos y advección

Incrementa

Realimentación de Termoclina

Incrementa

Temperatura Superficial del Mar (TSM) /Alimentación de fuerza de vientos (Ekman)

Incrementa

Alimentación de advección superficial zonal

Sin cambio

Amortigüación atmosférica

Decrece

Variabilidad atmosférica

?

Fuente: Collins et al, 2010

1.8. Variabilidad Decadal La variabilidad decadal se encuentra representada por la Oscilación Decadal del Pacífico (PDO) se refiere principalmente a la temperatura superficial del mar en el Pacífico Norte y cuyo patrón característico, se muestra en las Fig. 14a y14b.

17

La estructura espacial de la PDO es similar a la del ENSO, sin embargo la diferencia más grande es la mayor amplitud de la temperatura superficial del mar y el calor almacenado en latitudes medias.

Estudios recientes muestran la influencia del PDO sobre las teleconexiones asociadas al ENSO, dependiendo de su fase positiva o negativa.

Figura 14a. El mapa izquierdo muestra condiciones positivas PDO, el enfriamiento del promedio de TSM en el Pacífico Norte.

Figura 14b. El mapa (derecha) muestra Condiciones Negativas PDO, el calentamiento del promedio de TSM en el Pacífico Norte.

2. Modelos Estadísticos y dinámicos para predicción estacional Mientras en las latitudes medias, la sensibilidad de la atmósfera al forzante oceánico es débil o inexistente. En los trópicos la atmósfera es muy sensible a las anomalías de la temperatura superficial del mar incrementando significativamente la predictibilidad. La interacción océano-atmósfera se manifiesta de diversas maneras, cada una de ellas determina el grado de predictibilidad estacional.

La predicción estacional del clima generalmente se basa en los patrones de la anomalía de la temperatura superficial esperada en una determinada región. Para hacer esta predicción se pueden utilizar modelos estadísticos o dinámicos.

2.1 Modelos estadísticos Los modelos estadísticos se basan en el análisis y procesamiento de los datos históricos observados y las correlaciones estadísticas entre ellos. De esta manera de diversas formas y metodologías, a partir de ciertas variables como por ejemplo la temperatura del mar o la presión atmosférica (PREDICTORES), se puede estimar el valor de variables atmosféricas como la precipitación y la temperatura (PREDICTANDO).

Los modelos estadísticos se encuentran basados en determinar los “predictores” a partir de patrones climáticos, por ejemplo: la temperatura superficial del mar en el océano Pacifico para los eventos El Niño/La Niña.

18

Los Modelos estadísticos tienen diferentes grados de complejidad: análogos, métodos de regresión, análisis de correlación canónica, redes neuronales entre otras.

Un patrón climático se define por sus características espaciales y temporales

El objetivo de los modelos es detectar patrones coherentes de comportamiento. Las características dependerán en parte del número de puntos de observación, el número de variables climáticas y los subsistemas climáticos presentes en la zona de análisis.

Las aproximaciones estadísticas permiten realizar análisis de campos promediados, correlaciones de punto a punto, mientras que con técnicas avanzadas permite analizar oscilaciones en fase y fuera de ella.

Entre los patrones climáticos destacados en la región de Latinoamérica se encuentran la Oscilación Cuasibienal, El Niño Oscilación del Sur, la Oscilación del Atlántico Norte y los modos anulares: 

La Oscilación Cuasibienal (QBO): patrón climático con período cercano a los dos años con una influencia global más importante en niveles altos de la atmósfera (en la estratósfera).



El Niño/Oscilación del Sur (ENSO): patrón climático con período interanual variable (3-7 años) con una influencia global más importante al nivel de superficie.



Oscilación del Atlántico Norte (NAO): patrón climático con mayor dominio sobre el clima de Europa.



Modos anulares: latitudes medias.

patrones climáticos con una influencia más localizada a

Para realizar pronósticos estacionales con modelos estadísticos, la información se basa en observaciones y aplicación de metodologías estadísticas. Se fundamentan en eventos “reales” y no incorporan errores debido al modelo numérico. Los modelos estadísticos se consideran buenos cuando la variabilidad observada está dominada por una única fuente de predictibilidad y se sustentan en la condición de estacionalidad del clima.

2.2 Modelos dinámicos La habilidad de las predicciones dinámicas depende de la escala de predicción y la temporalidad.

Para periodos cortos las predicciones se basan en las condiciones iníciales y la habilidad de la predicción se deteriora rápidamente con el tiempo, debido a la condición caótica de la atmósfera.

19

Para periodos largos las predicciones dependen de los forzantes de las condiciones iniciales y la habilidad mejora a largo plazo.

1-2 días 3-7 días 2° semana 3° semana 4° semana

bueno regular malo, pero no cero virtualmente cero virtualmente cero

1 mes

malo a regular

3-mes

regular

Los modelos dinámicos pueden ser de dos tipos, cuyas características se muestran en la Tabla 1.

SISTEMA DE UN PASO(1-TIER)  Ventajas

Desventajas   

SISTEMA DE DOS PASOS (2-TIER)

Dos vías de interacción aire-  océano, como en el mundo real (se requiere donde los flujos son tan importantes  como la dinámica a gran escala de los océanos).

Sesgos amplificados  (desviación).

Correcciones de flujo Uso intensivo de equipos de cómputo.

Más estable, confiable la SST para la predicción, desviaciones con respecto a un sistema de un nivel.

Razonablemente eficaz para las regiones afectados más directamente por el ENOS. Defectuosa la física (1 vía), especialmente inaceptable en el Atlántico tropical y Índico (monzón).

Tabla 1

2.3 Consideraciones para la predicción estacional El sistema climático es complejo y altamente no lineal con procesos en escalas de tiempo diferentes que varían desde horas, semanas e incluso años. Los fenómenos meteorológicos no se pueden pronosticar más allá de 10-14 días, por el carácter no lineal de la atmósfera; sin embargo existen una serie de factores que pueden ser considerados como agentes forzantes que pueden cambiar el clima. Si estos factores de forzamiento pueden ser notados con anticipación, en particular los de corto plazo, y si se conocen sus consecuencias para los patrones del clima, entonces es posible contar con una herramienta para anticipar las fluctuaciones en el clima.

La respuesta del sistema climático a esta combinación de factores forzantes depende de los diversos tiempos de respuesta de los diferentes componentes del sistema. El océano superficial tiene un tiempo de respuesta medido en años, en tanto que el océano profundo y los glaciares de montaña varían solo sobre periodos de cientos de años. Los patrones típicos de las fluctuaciones de la temperatura superficial del mar (TSM) a menudo persisten durante algunos meses a estaciones y en algunos patrones pueden persistir incluso mayor tiempo. Este factor puede brindar un grado de predictibilidad a la atmósfera. Figura 15.

20

En la relación entre la TSM y la circulación atmosférica, si hay diferencias espaciales de la TSM, hay diferencias de presión atmosférica. La diferencia de presión atmosférica en la superficie puede ser suficiente para producir importantes vientos en superficie, vientos desde las zonas de alta presión a las de baja presión. Gran parte de la parte de la predictibilidad del clima estacional es el resultado de las anomalías de la SST en las cuencas oceánicas tropicales.

Figura 15. Imágenes de las fluctuaciones o anomalías de la temperatura superficial del mar (TSM) en la cuenca del Pacífico.

La base física de la predicción estacional reside en la predictibilidad de la atmósfera y está asociada con las variaciones lentas en el forzante impuesto por las condiciones de borde en la superficie del océano o continental.

Las fuentes de predictibilidad son:     

Cambios en la radiación solar recibida Cambios en los patrones de temperatura de la superficie del mar Cambios en los patrones de vegetación de la superficie terrestre Cambios en las distribuciones del hielo marino Cambios en la atmósfera

INTERACCIÓN OCÉANO-ATMÓSFERA La respuesta de la atmósfera es muy sensible a la estructura, ubicación y amplitud al forzante oceánico. En latitudes medias la atmósfera no es sensible a anomalías de TSM < 1°C, por lo tanto la respuesta al forzante oceánico es débil, mientras que en los trópicos la atmósfera es muy sensible a las anomalías de TSM. Esto implica una respuesta más fuerte a las anomalías de TSM. 21

Las interacciones entre el océano y la atmósfera pueden producirse de diferentes maneras, con gran implicancia en la predictibilidad: el tipo de interacción acoplada determina la predictibilidad.

Para generar una predicción climática estacional, se debe poseer un buen conocimiento sobre los procesos físicos dominantes a nivel regional y local. Es muy importante, entender la naturaleza de la interacción acoplada del océano y la atmósfera y cómo esto da lugar a modificaciones de los grandes patrones del viento.

Es necesario además comprender la forma en cómo los modelos climáticos capturan la predictibilidad, evaluar el potencial de predictibilidad estacional para una región, adquirir experiencia en el difícil problema del grado de incertidumbre y en la interpretación de la predictibilidad de la reducción de escala.

Es importante conocer los criterios o métodos que se usan para la reducción de escala para la predicción estacional para poder definir sus alcances y limitaciones en la aplicación de la predicción para apoyo a la toma de decisiones y la gestión de riesgo climático.

Resolución horizontal Los modelos reticulados mundiales utilizan espaciamientos de retícula de unos 60 km, medidos en latitudes medias ese valor corresponde a una longitud de onda mínima que se puede resolver de unos 300 km.

Los modelos espectrales aplicados actualmente utilizan entre 126 y 240 ondas para describir el flujo en la atmósfera, resolviendo así detalles de escala similar a la de los modelos reticulados.

Existe una relación directa entre la resolución horizontal de un modelo y el tamaño de las características meteorológicas que puede simular. Cuanto mayor la resolución, tanto más pequeñas las características que el modelo puede representar adecuadamente.

Ecuaciones Básicas del Movimiento En predicción estacional se aplican las ecuaciones del movimiento, continuidad del aire seco, termodinámica, continuidad de la humedad y la ecuación hidrostática.

Las ecuaciones del movimiento, son aquellas que describen la relación causal entre el gradiente de presión, la fuerza de Coriolis y el rozamiento, por una parte, y los cambios de la velocidad del viento junto con la ecuación de continuidad del aire seco, que establece la conservación de la masa de aire y permite determinar la velocidad vertical y los cambios de la presión en superficie.

La ecuación termodinámica, expresa el aumento o disminución adiabáticos de la temperatura de una partícula de aire por efecto de los desplazamientos verticales, de la liberación de calor latente, del calentamiento o enfriamiento por radiación, y de los procesos de rozamiento o de turbulencia.

La ecuación de continuidad de la humedad, en virtud de la cual se mantiene constante el contenido de humedad de una partícula de aire, exceptuando las pérdidas por precipitación y condensación, o las ganancias por evaporación a partir de las nubes, de 22

la lluvia o de la humedad sobre la superficie de la Tierra y finalmente se aplica la ecuación hidrostática, que describe la relación entre la densidad del aire y el cambio de la presión con la altura. Figura 16.

Figura 16. Ecuaciones básicas del movimiento aplicables en predicción estacional.

Los modelos numéricos resuelven las ecuaciones de pronóstico utilizando una de dos tipos de formulación: la de malla (rejilla o grilla) o la espectral.

RESOLUCIÓN VERTICAL La atmósfera se divide en una serie de capas, por lo general, más de 30. La resolución vertical suele ser máxima en la capa límite del planeta, donde los niveles reproducen la superficie de la Tierra y su espaciamiento ha de ser muy estrecho para simular con realismo los efectos diurnos del calentamiento y del enfriamiento de la superficie, así como en la tropósfera superior/estratósfera inferior. Figura 17.

La formulación numérica a través del modelo permite calcular la tendencia de las variables predichas partiendo del estado actual (t = T) de la atmósfera del modelo y estima el valor de esas variables en un tiempo futuro (t = T + Dt).

El modelo repite ese mismo cálculo hasta que la acumulación de valores de tiempo alcanza el valor fijado como objetivo para la predicción.

Cuanto más largos sean los intervalos de tiempo, menor será el número de cálculos necesarios y, por consiguiente, menor el tiempo de cálculo necesario.

23

El tiempo máximo es: Dt < Dx/c Donde: c - velocidad del movimiento de las perturbaciones Dx - representa el intervalo de grilla

Figura 17. Modelos de malla para el cálculo del campo humedad en el tiempo (t)

Para el proceso de predicción estacional con modelos dinámicos es necesario realizar la parametrización física de procesos. Esta parametrización consiste en incluir los efectos de los procesos físicos implícitamente cuando no podemos incluirlos explícitamente. La parametrización puede ser considerada como una emulación (modela los efectos de un proceso) más que como una simulación (modela el proceso mismo).

La parametrización de los procesos físicos considera: la capa límite planetaria, superficie, orografía, plantilla tierra-mar, temperatura de la superficie del mar, hielos marinos, albedo de la superficie, cubierta terrestre, arrastre de las ondas gravitatorias, radiación, convección, nubes y el ciclo hidrológico.

En la parametrización a nivel de sub- rejilla para procesos convectivos se debe considerar que una importante redistribución vertical de calor y humedad por convección puede fácilmente ocurrir entre cajas de rejillas en la mesoescala. La figura 18 muestra el desarrollo de la columna de agua (blanco y gris) y la bolsa fría que la acompaña (sombra celeste). Note que las variaciones de la convección a nivel de sub-rejilla afectarán la humedad y el calentamiento en algunas cajas de rejilla del modelo.

Los procesos microfísicos, aun en modelos de alta resolución, ocurren a una escala demasiada pequeña que permita modelarlos explícitamente. A nivel horizontal y vertical existen variaciones importantes que deben ser consideradas como el proceso microfísico de la condensación y crecimiento de gotas de vapor de agua en las nubes, que ocurren dentro de un modelo con una caja de rejilla de 1 km.

24

Figura 18. Parametrización de procesos a nivel de sub-rejilla.

Los modelos suelen presentar errores de orden sistemático que pueden ser corregidos mediante conceptos estadísticos básicos en el proceso de verificación. Por ejemplo si un modelado a largo plazo (30 años) para precipitaciones sobre una región y una temporada estacional determinada es sustancialmente menor que la observada, podemos corregir la predicción mediante la adición de un valor constante a la lluvia.

Los modelos dinámicos más utilizados en predicción son: 

Modelos atmosféricos de Circulación General (GCMs) forzado con campos de pronóstico de TSM Denominado Sistemas de dos pasos (2-tiered systems)



Modelos de Circulación General Acoplados (CGCMs) océano-atmósfera-tierra.

Denominado Sistemas de un paso (1-tiered systems)



Modelos climáticos regionales de alta resolución (HRCM) forzados con los campos de pronóstico a gran escala de los GCMs / CGCMs (downscaling)

Los modelos climáticos regionales de alta resolución utilizan las ecuaciones primitivas no hidrostáticas para pronosticar directamente el movimiento vertical. Estos modelos son utilizados para pronosticar fenómenos de pequeña escala y pronostican estructuras de mesoescala detalladas y aparentemente muy cercanas a la realidad, con un impacto consistente en estado del tiempo circundante, resultando ya sea en pronósticos locales muy buenos o en errores grandes.

Ventajas y desventajas de los modelos regionales de alta resolución VENTAJAS

DESVENTAJAS 

  

Calculan el movimiento vertical explícitamente.

Pronostican explícitamente el empuje vertical.

Toman en cuenta procesos de



Toman más tiempo en correr que modelos hidrostáticos con la misma resolución y tamaño de dominio.

Utilizados para aplicaciones de área limitada, así que requieren condiciones de frontera de otro modelo; si las condiciones

25



nubes y precipitación y sus contribuciones para los movimientos verticales.

Tienen capacidad de pronosticar ondas convectivas y de montaña. 

de frontera no tienen las características de estructura y resolución de los campos que se desarrollan dentro del dominio del modelo, pueden ejercer una gran influencia en el pronóstico.

Pueden pronosticar fenómenos que aparentan ser reales, pero el momento y la ubicación pueden ser no confiables.

2.4 Pronóstico estacional a través de modelos estadísticos En la última década, en Latinoamérica, el uso de los modelos estadísticos para pronóstico estacional ha estado en franca evolución, las herramientas usadas también han ido mejorando y ofreciendo a la vez una interface con el usuario más amigable.

Una de las herramientas más difundidas en los países ha sido el Climate Predictability Tool (CPT) desarrollado por el Dr. Simon Mason del International Research Institute for Climate and Society (IRI). El CPT es usado en los foros regionales de perspectivas climáticas en Centroamérica, oeste de Sudamérica y sur de Sudamérica. En la región se han impartido numerosos talleres de entrenamiento y es por ello que en esta Guía se incluyen algunos elementos importantes para el manejo de esta herramienta estadística para el pronóstico estacional. No se intenta incluir en este documento un Manual del uso del CPT, sino más bien sobre la base de años de experiencia en su aplicación, compartir información importante para su mejor aplicación y optimización de resultados.

2.5 Criterios de decisión para el manejo de los resultados del CPT 1. Uno de los primeros indicadores a visualizar es el GOODNESS INDEX que sale luego de la primera corrida, este es el primer paso a seguir, si un valor es negativo indica que hay algún error en la información, lo ideal es que ese valor sea positivo y más alto.

Primera corrida del programa CPT, lugar donde se ubica el índice.

26

2. Uno de los más importantes criterios que hay que considerar en los pronósticos es la definición del período de trabajo a usarse, que está definido por dos cosas: El LENGHT OF TRAINING PERIOD y el FIRST YEAR OF X TRAINING

PERIOD.

3. En cuanto a la definición del periodo climatológico a trabajar, generalmente el programa da por defecto el año de inicio y final de la serie histórica (en muchos casos sobrepasa de 30 años), al tomar en consideración diferentes periodos se tendrán diferentes resultados.

La última normal considerada oficialmente fue: 1971-2000, muchos pronosticadores consideran la normal desde el año de inicio de la serie histórica hasta el año anterior al pronóstico.

El cambio puede realizarse a través de los siguientes pasos: entrar al menú CUSTOMIZE (configuración) y luego a Climatological Period

Y luego modificar los años.

4. Se debe verificar el Coeficiente de correlación canónica. Es el grado de relación entre las variables predictoras y las predictantes (en forma conjunta).

27

5. Solo si el paso previo es satisfactorio se procederá a evaluar los indicadores estadísticos a través de la evaluación individual por estación, esto se realiza a través de la siguiente ruta: TOOL/VALIDATION/CROSS VALIDATED/PERFORMANCE MEASURES/ Se realiza el análisis estación por estación, en esta etapa no se podrán ver las estaciones que superen el límite permisible de datos faltantes (MISSING VALUES)

Primer paso, visualizar el gráfico y comparar las línea roja (observaciones ocurridas) y las líneas verdes (pronósticos) resaltar si las curvas siguen el mismo patrón característico, es decir, si una curva sigue a la otra.

La segunda visualización se dará en el grafico del ROC (Relative Operating Characteristic) donde se apreciará las curvas que estén por encima de la diagonal, si la curva es la roja se refiere a los pronósticos realizados por el modelo a la categoría “bajo lo normal” y si es de color azul se refiere a los pronósticos realizados por el modelo a la categoría “Sobre lo normal”.

Resumen, la idea de la visualización rápida es que el primer gráfico es que la forma de las dos líneas debería ser parecida, y en el segundo gráfico las líneas deben estar tendiendo a ubicarse lo más lejos por encima de la diagonal.

28

6.

Segundo paso, aunque los indicadores estadísticos son una referencia técnica, hay que entender lo que significan, el primer coeficiente es el de Pearson’s y el de Spearman nos indicarán el grado de asociación que tienen los valores observados con los pronosticados y deberán aproximarse a 1, mientras más altos sean estos valores más favorables serán nuestros resultados.

El error cuadrado medio (Mean squared error) y la raíz del error del cuadrado medio (Root mean squared error) tienen el mismo significado: representan la suma de desviaciones que existen entre los valores observados y los pronosticados, es decir, el error que existe para que los valores pronosticados traten de alcanzar al valor observado. En forma práctica si los valores observados y los pronosticados son similares o casi iguales, el error va ser casi nulo o cero por lo tanto también su raíz cuadrada.

Hay que tener en consideración, que este indicador es muy relativo, no es lo mismo hallar una diferencia entre ambos valores (observados y pronosticados) en una zona lluviosa que en una zona seca, por ejemplo: Precipitación pronosticada 430 mm/mes 10 mm/mes

Precipitación Observada 380 mm/mes 0.0 mm/mes

Error

Observaciones

50 mm 10 mm

Zona lluviosa Zona Seca

7.

Los demás valores se refieren a las medidas categóricas, es decir al grado de acierto del modelo con los datos históricos.

Hit Score: es el porcentaje de aciertos del modelo en relación al total de pronósticos realizados de toda la serie histórica.

El más óptimo es tener un valor cercano a 100% el cual indicará un modelo perfecto.

Hit Skill Score: es el indicador de evaluación de la destreza del modelo, porcentaje de veces que el resultado corresponde a una casualidad.

El más óptimo es tener un valor cercano a ±100% el cual indicará un modelo perfecto.

LEPS score (Linear Error in Probability Space): que calcula un resultado definido usando una tabla que da diferentes resultados de aciertos, dependiendo de la categoría observada y de las anteriores probabilidades de las categorías. La distribución de probabilidades es transformada a una función de probabilidad acumulada (Fig. 19).

29

Fig. 19

Gerrity score: que calcula un resultado definido usando una tabla resultados alternativa a aquella usada para los resultados LEPS.

ROC área (below-normal): Representa el área bajo la curva de color rojo. Define el área debajo de la curva ROC para pronósticos de la categoría bajo lo normal y, da la proporción de veces que las condiciones bajo lo normal pueden ser distinguidas con éxito sobre otras categorías. Como un valor máximo y óptimo en el modelo debe ser 1 (que significa el 100%) ROC área (above-normal), Representa el área bajo la curva de color azul. Define el área debajo de la curva ROC para pronósticos de la categoría sobre lo normal y, da la proporción de veces que las condiciones sobre lo normal pueden ser distinguidas con éxito sobre otras categorías. Como un valor máximo y óptimo en el modelo debe ser 1 (que significa el 100%).

30

Procesos previos para la corrida del CPT

Formatos de entrada Del CPT: Trimestral; Bimestral, Mensual

2 Determinación de Nueva Variable y/o Área predictora

¿El Predictor esta actualizado?

¿Buscar la posible causa física?

Registrar el área predictora

no

Iniciar proceso alternativo de Actualización De Variables

si

Datos listos

Configuración del CPT

Año de Inicio, datos faltantes, Si variable= PP → Y Bound=0, Numero de años = total de la serie

Numero de Modos: X= 10 Y= 10 CCA= 10

31

Procesos de evaluación y toma de decisiones de los resultados obtenidos por medio del CPT

Corrida CPT

Goodness Index~1

2

no

si Eval. Conjunta ¿CCA~1/alto?

no

si Evaluación Modelo por c/Estación

Confirmar estadísticamente:

no

Eval. Gráfica ¿Observ Vs. Pron.

Semejantes?

Pearson, spearman → 1 (tendencia a 1) EMC, REMC, EMA → 0 (Números bajos)

si Eval. Gráfica ¿ROC: encima de la diagonal?

Confirmar numéricamente BIAS → 0 (tendencia a 0)

no

ROC sobre → 1 ROC bajo → 1 Hit Score→ 100%

si Hit Skill store → 100% Eval. Medidas Categóricas ¿Buenas?

no

si

LEPS score → 100% Gerrity score → 100%

Utilizar para el pronostico Individual

Nota: El símbolo → significa tendencia o aproximación

32

Si se cumplen los requisitos de los esquemas 1 y 2, estamos en condiciones de poder utilizar el modelo para pronosticar el año que precede en cada estación (individualmente) que cumplió todos estos requisitos. Para lo cual se realiza a través del menú: TOOL/OPEN FORECASTS FILE/

Colocar el año a pronosticar: 2008 (first year of data in file).

En el menú: TOOL/FORECAST/MAPS/PROBABILITIES

En los resultados probabilísticos solo se deben considerar las estaciones que cumplieron todo lo indicado en los esquemas 1 y 2. Los demás valores no serán considerados para la confección de la tabla de pronósticos y serán determinados con otros índices.

33

Consideraciones para la interpretación de los terciles El CPT, considera entre sus resultados los valores superiores al 50% en sus categorías extremas para que sea considerado superior o inferior. Para el resto de sus resultados son considerados normales. Los valores de la condición normal es igual a decir la probabilidad de ocurrencia de la climatología. Por ejemplo, el grafico siguiente nos muestra los valores probabilísticos de una condición sobre lo normal (superior).

SUPERIOR

Si se tiene valores inferiores al 50% en las categorías B (bajo lo normal) y A (sobre lo normal) son considerados normales, como por ejemplo una probabilidad de 25 – 30 – 45, para el CPT es considerado muy cercano al límite superior pero dentro de la categoría “Normal”, hay que destacar que muchos investigadores no encuentran diferencias significativas entre los valores de 25-30-45, considerando como cualquiera de los 03 casos posibles.

2.6 Preguntas frecuentes sobre el manejo del CPT ¿Qué hacer si no se cumple uno de los requisitos del esquema 1 y 2 antes indicado?

En ese caso hay que descartar los valores de dicha estación, por lo tanto, no es considerada en los resultados finales. ¿Cómo considerar en el caso de que el CCA sea favorable y en el análisis individual por estaciones solo algunas es favorable?

En ese caso, solo las que son al mismo tiempo favorable en el coeficiente de correlación canónica (CCA) y en los indicadores estadísticos individual por estación van a ser considerados en el pronóstico final.

34

¿Cómo considerar si el Coeficiente de Pearson y Spearman son negativos?

altos pero

No se consideran en el análisis, los valores por estación son descartados y no considerados en el agrupamiento final de los pronósticos. ¿Cómo obtener los límites de los valores de la climatología?

Existen dos formas de obtener la climatología: La primera, proviene de la misma data original (formato de datos de entrada del CPT correspondiente a la variable que deseamos predecir = Y), a cada columna se le añade los valores del percentil 33 y 66, los cuales corresponden a los limites de los terciles.

Este valor es variable según los límites de las probabilidades son cambiadas.

La segunda forma, lo proporciona el programa CPT, con el comando TOOL/FORECAST/SERIES/ parte superior climatología donde además indica el periodo asumido en el cálculo.

Periodo de la climatología Límite inferior de la Climatología, en valores Límite superior de la Climatología, en valores

Límite inferior de la Climatología, en probabilidades Límite superior de la Climatología, en probabilidades

¿El CPT proporciona valores determinísticos en sus pronósticos?

El CPT tiene la ventaja que realiza múltiples operaciones, por lo tanto nos proporciona múltiples resultados, uno de ellos es la estimación de los valores de pronósticos cuantitativos bajo un intervalo de confianza bajo un nivel de confianza determinado (por defecto el programa calcula con el 68.3% de nivel de confianza).

Este se puede visualizar luego de activar el pronóstico por series, luego de realizar la corrida: TOOL/FORECAST/SERIES/

35

¿Qué se entiende por Intervalos de confianza?

Interpretación 1 Un intervalo de confianza es un rango de valores que tiene una probabilidad dada de contener el parámetro siendo estimado. Los Intervalos de confianza del 95% y 99% los cuales tienen 0.95 y 0.99 de probabilidad de contener el parámetro respectivamente son los más usados.

Si el parámetro siendo estimado fuera m, el intervalo de confianza del 95% será algo como: 12.5

m

30.2

Esto significa que el intervalo entre 12.5 y 30.2 tiene una probabilidad 0.95 de contener m.

Podemos también decir que si el procedimiento para calcular el intervalo de confianza del 95% es usado muchas ocasiones, el 95% de las veces el intervalo contendrá al parámetro.

Interpretación 2.

Se llama intervalo de confianza en estadística a un intervalo de valores alrededor de un parámetro muestral en los que, con una probabilidad o nivel de confianza determinado, se situará el parámetro poblacional a estimar. Si α es el error aleatorio que se quiere cometer, la probabilidad será de 1 − α. A menor nivel de confianza el intervalo será más preciso, pero se cometerá un mayor error.

Para comprender las siguientes fórmulas, es necesario conocer los conceptos de variabilidad del parámetro, error, nivel de confianza, valor crítico y valor α.

Un intervalo de confianza es, pues, una expresión del tipo [θ1, θ2] ó θ1 ≤ θ ≤ θ2, donde θ es el parámetro a estimar. Este intervalo contiene al parámetro estimado con una determinada certeza o nivel de confianza 1-α.

Al ofrecer un intervalo de confianza se da por supuesto que los datos poblacionales se distribuyen de un modo determinado. Es habitual que lo hagan mediante la distribución normal. La construcción de intervalos de confianza se realiza usando la desigualdad de Chebyshev (Fig. 20)

36

Fig. 20

Dicho punto es el número tal que:

Y en la versión estandarizada se cumple que: Z − α / 2 = − Zα / 2 Así:

Haciendo operaciones es posible despejar μ para obtener el intervalo:

Resultado el intervalo de confianza:

Si σ no es conocida y n es grande (p.e. ≥ 30):

, Donde s es la desviación típica de una muestra.

Aproximaciones para el valor Zα / 2 para los niveles de confianza estándar son 1,96 para 1 − α = 95% y 2,576 para 1 − α = 99%. ¿Dónde puedo modificar el nivel de confianza de mis pronósticos?

Una vez realizada las corridas del CPT se procede a la siguiente ruta: CUSTOMIZE/FORECAST SETTING/

37

¿Cómo considera el CPT un resultado probabilístico 50%-10%-40% o 50%-0%50%?

Es una ambigüedad en la que cualquiera de los escenarios es posible, y no es factible, por lo cual solo considerara como incertidumbre. El programa CPT lo considera con el valor medio o valor normal (categoría normal), pero físicamente no es aceptable. ¿Cuándo se considera un pronóstico con resultados de incertidumbre?

La incertidumbre es la expresión del grado de desconocimiento de una condición futura.

La incertidumbre puede derivarse de una falta de información o incluso por que exista desacuerdo sobre lo que se sabe o lo que podría saberse. Puede tener varios tipos de origen, desde errores cuantificables en los datos hasta terminología definida de forma ambigua o previsiones inciertas del comportamiento humano. La incertidumbre puede, por lo tanto, ser representada por medidas cuantitativas (por ejemplo, un rango de valores calculados según distintos modelos) o por afirmaciones cualitativas (por ejemplo, al reflejar el juicio de un grupo de expertos). Dentro del CPT todos los resultados tienen un valor obtenido corresponde al juicio del pronosticador En nuestro caso se recomienda cuando existe la probabilidad de las 3 situaciones posibles, es decir, obtengamos terciles de 33%-33%-33% o 30%-30%-40% o 40%-30%-30% que no son consistentes. ¿Cómo considera el CPT un resultado probabilístico 30%-40%-30%?

Como se explica en la pregunta anterior, este es considerado como incierto, es decir, cualquiera de las categorías o condiciones puede darse bajo estas condiciones. ¿Cuál es la causa de obtener resultados con incertidumbre?

Puede deberse a muchas causas, entre ellas: a) Mala decisión en la toma de predictores. No se usaron los adecuados que físicamente explican la variabilidad de los predictantes (el valor a predecir). Los predictores deben ser tomados de tal forma que detrás de ellos exista un respaldo físico – atmosférico que explique la teleconexión que se pueda dar entre el predictor y el predictante. b) El CPT se basa en la premisa que existe una relación lineal entre los predictores y predictantes que no muchas veces existe, la cual puede ser una de las causas de las ambiguedades. c) Los predictores no están definidos, por encontrarse en una etapa de cambio de estación astronómica. En muchos países, existen 04 estaciones astronómicas bien marcadas, dentro de ellas las estaciones de otoño y primavera, son los periodos en los que no se definen – climáticamente hablando - los predictores, especialmente los atmosféricos. d) La mala calidad de la información, en muchos de los casos la información proveniente de las estaciones meteorológicas tiene saltos de la serie histórica debido a cambios en su ubicación que son significativos – estadísticamente hablando – es decir, prácticamente tenemos dos series diferentes que han sido juntadas para el proceso de corrida con el CPT.

38

e) Los datos tienen muchos vacios, los datos faltantes también juegan un papel importante en la generación de pronósticos. El programa CPT reemplaza los valores de datos faltantes por valores medios, medianas, estación más cercana y al azar.

Cuando los años faltantes son seguidos se formara una línea recta horizontal.

Línea Roja: 10 años faltantes seguidos

f) Los modos no son los adecuados, cada uno de los modos llevan consigo una parte de la variancia a explicar de los datos principales (autovalores), en ocasiones no son suficientes el numero de modos adecuados (generalmente entre los 5 primeros modos se encuentra la explicación de un gran porcentaje de la variancia total). Sin embargo, en algunas ocasiones es necesario aumentar el número de modos a una cantidad recomendada de 10 (opcional), con el que se mejoran los resultados. g) Existe más de un predictor que afecta al predictante. Las lluvias en los países cercanos a la línea ecuatorial están afectadas por varias alteraciones simultáneas que inciden en las variables precipitación y temperatura. Para ello es necesario trabajar en forma simultánea con varios predictores (o áreas diferentes de un solo predictor). ¿Cómo considerar dos resultados contrarios obtenidos de dos variables predictores diferentes?

Primero verificar si ambos tienen el CCA altos, y estadísticamente aceptables, si ambos son correctos, lo recomendable es realizar un ensamblado con los predictores en forma conjunta, con lo cual tendremos un resultado conteniendo las dos cargas que intervienen en la variable a predecir. En caso contrario se debe tomar la información del mayor valor de CCA. ¿Cómo realizar pruebas simultaneas con dos o más predictores?

El CPT está diseñado para tomar sólo un campo de predictores a la vez, pero es posible conseguir el software para producir resultados con múltiples campos. Se debe correr el software usando uno de los campos de predictores, y con el número de modos X EOF al máximo (esto será el mínimo del número de puntos de grilla y la longitud del periodo de prueba). Entonces grabe los scores de los componentes principales, usando Data Output. Repita para otros campos de predictores.

Ahora combine varios archivos de salida de scores de los componentes principales de modo que los componentes principales para todos los campos de predictores estén en 39

un archivo. CPT entonces puede ser corrido con este nuevo archivo como las variable predictora leídas como set de datos no referenciado. Ponga el X EOF la opción a la “matriz de covariancia" para conservar la importancia relativa del EOFS. Aunque no sea posible ver los mapas de cargas para los campos combinados, todos los resultados de validación y previsiones serán como si el software había sido controlado con múltiples campos de entrada.

3. VERIFICACIÓN DE PRONÓSTICOS ESTACIONALES 3.1. Procedimientos para Verificar Pronósticos Estacionales Probabilísticos por Categorías Considerando que la verificación es el proceso de determinar y evaluar el desempeño (calidad y veracidad) de un esquema de pronóstico. Las tres razones más importantes para verificar un pronóstico son las siguientes: 1. Para monitorear la calidad y consistencia: cuan precisos son y si están mejorando con el tiempo.

2. Para mejorar la calidad del pronóstico: el primer paso hacia la excelencia es descubrir en qué se está fallando.

3. Para comparar la calidad de diferentes sistemas de pronósticos: hasta grado un sistema de pronóstico da mejores resultados que otros.

qué

La calidad de un pronóstico dependerá en gran medida de: i) Consistencia: que es el grado en que el pronóstico corresponde al mejor juicio que un pronosticado pueda hacer de una situación, con base en su conocimiento, ii) Calidad: grado con que el pronóstico se corresponde con lo que realmente ocurrió, y iii) Valor, que es el grado con que el pronóstico ayuda a un tomador de decisión a concretar un beneficio económico u otro tipo de beneficio.

La verificación de pronósticos se concentra en determinar la calidad. De acuerdo con Stanky et al. (1989) y Murphy (1993) la calidad de un sistema de pronóstico debe ser evaluada por medio de seis atributos: exactitud, habilidad, confiabilidad, resolución, agudeza e incertidumbre.

La exactitud, es considerada como el indicador del nivel de concordancia entre lo pronosticado y lo observado; mientras que la habilidad es el indicador que mide la exactitud relativa de un pronóstico con respecto a otro realizado por un procedimiento estándar (persistencia, climatología, azar).

Los pronósticos estacionales son de carácter probabilístico por categorías. En los pronósticos se asigna probabilidades de ocurrencia de precipitación por ejemplo, de forma estacional trimestral ante 3 posibles escenarios (sobre lo normal, normal o bajo lo normal). A cada región homogénea le corresponden tres cajas, cuyos números representan la probabilidad de ocurrencia de lluvia (en el trimestre considerado) dentro de cada tercil.

Terciles en Aplicaciones Climáticas A: escenario húmedo; lluvia estacional en el tercil alto.

N: escenario normal; lluvia estacional en el tercil central.

B: escenario seco; lluvia estacional en el tercil bajo.

40

VERIFICACIÓN: La verificación se realizará mediante el uso de tablas de contingencia. Figura 21. La tabla no constituye en sí un método de verificación, pero proporciona la base desde la cual se pueden obtener los puntajes para medir la precisión y habilidad del sistema de pronóstico.

Evento observado

Evento pronosticado

B

N

A

Total

B

2

0

0

2

N

1

4

1

6

A

1

1

2

4

Total

4

5

3

12

Figura 21. Tabla de contingencia utilizada para verificación de pronósticos estacionales.

La tabla de contingencia muestra la fop que es la frecuencia empírica (número de parejas que pertenecen a la categoría op).

B: bajo lo normal N: lo normal A: mayor de lo normal n = total de eventos o pronósticos

41

Donde:

C= f11+f12+f13

K= f11+f21+f31

D= f21+f22+f23

L= f12+f22+f32

E= f31+f32+f33

M= f13+f23+f33

3.2. Elaboración de la tabla de contingencia A cada estación le corresponde un par ordenado (observación, pronóstico). En amarillo se indican los datos que se deben de actualizar en cada pronóstico. Tabla 3. Para efectos prácticos de evaluación se considera que el pronóstico corresponde a la categoría que tiene la mayor probabilidad. En el ejemplo dado, hay una mayor probabilidad (45%) de que llueva menos de lo normal en el oriente de Nicaragua y lo normal en el occidente.

Tabla 3. Ejemplo de tabla de contingencia para elaboración de pronósticos estacionales.

42

Figura 21. Ejemplo de elaboración de la tabla de contingencia.

El paso siguiente es calcular los estadísticos de verificación. Los siguientes son los más comunes, usados como estándares en los procesos de verificación de pronósticos categóricos (Stanki et al., 1989; Alfaro, 2000) Porcentaje o razón de acierto (HR) Es una medida de la “precisión” de un pronóstico, se calcula como el porcentaje de todos los pronósticos categóricos que fueron correctamente acertados.

El rango de valores de HR oscila entre 0 y 100. HR=100 para un sistema de pronóstico perfecto, mientras HR=0 para un pronóstico totalmente equivocado.

Coeficiente de Heidke (HSS) Es una medida de “habilidad” que intenta evaluar cuanto mejor es el sistema de pronóstico en comparación con el generado al azar. En otras palabras, por ejemplo mide el porcentaje de pronósticos correctos después de eliminar aquellos que pudieran ser correctos debido puramente a factores aleatorios.

43

 HR-33.3  HSS = 100*    100-33.3  El rango varía de -100 a +100. Cuando el pronóstico es al azar, HSS=0; cuando el método de pronóstico es perfecto, HSS=100; mientras que con un sistema de pronóstico sin ningún grado de habilidad HSS = -100.

Los valores negativos del HSS indican que los desaciertos o fallos dominan el análisis.

Coeficiente del error lineal en el espacio de probabilidades (LEPS) Es similar al HSS salvo que en el LEPS los pronósticos que fallan por dos categorías son penalizados más fuertemente que aquellos que fallan sólo por una, además presenta la ventaja de que es un índice normalizado que no depende de la escala de la variable y puede ser utilizado para comparar los puntajes de un sitio a otro

Donde Z1 es la sumatoria de las frecuencias ponderadas

Z2 es la sumatoria de las frecuencias ponderadas de un conjunto perfecto de aciertos

z2 = n En un pronóstico aleatorio todas las fop de la tabla de contingencia tienden al mismo valor, por lo tanto z1 y el LEPS tenderían a 0. Por otro lado, en un sistema de pronóstico perfecto la razón z1/z2 tiende a 1, y el LEPS tendería a 100. Al igual que con el índice HSS, valores negativos del LEPS indican que los fallos dominan el análisis.

De acuerdo con Alfaro (2000), se considera que un modelo es bueno si HSS y LEPS son positivos. Según Cassey (1998) se considera que un pronóstico tiene una habilidad razonable si LEPS > 5; es un buen pronóstico si LEPS > 10. Similarmente, un pronóstico es pobre si LEPS < -5 y muy malo si LEPS < -10.

Coeficiente de probabilidad de categorías (RPS) Medida de verificación que es sensible a la diferencia entre las probabilidades asignadas a cada categoría y las probabilidades observadas. El pronóstico recibe mayor puntaje cuando la categoría observada fue pronosticada con altas probabilidades, mientras que el pronóstico es penalizado cuando éste le asignó altas probabilidades a categorías que no fueron observadas.

44

donde j es el número de categorías, Pf es la probabilidad asignada a la categoría f, y Of es la observación de la categoría f. Los valores de Of son todos iguales a cero excepto para la categoría en la cual ocurre la observación.

En un pronóstico perfecto RPS = 0. Si el pronóstico se aparta del pronóstico perfecto, el cuadrado de las diferencias también se apartará de cero y RPS > 0.

En el caso de las Perspectivas Climáticas se consideran tres categorías (j=3), y por consiguiente el peor puntaje es 100. Esta situación sería aquella en la cual el pronóstico asigna una probabilidad del 100% a alguna de las categorías extremas y el evento ocurre en la categoría extrema opuesta.

Por lo tanto en un pronóstico perfecto RPS = 0, mientras que en el peor de los casos RPS=100.

Por lo expuesto se considera que: un esquema de pronóstico es “bueno” y “útil” cuanto más alto son los valores de HR, HSS, LEPS y cuanto más bajo el RPS. Resultado de la verificación:

Donde: HR= 78 (100) HSS= 67 (100) LEPS= 20 (100) RPS= 14 (0)

4. Los Foros Climáticos Regionales 4.1 El Foros Climático de Centro América Antecedentes del Foro Climático El Foro se reúne 3 veces al año (abril, julio y noviembre) para consensuar las predicciones de los periodos mayo-julio, agosto-octubre y diciembre-marzo. La coordinación está a cargo del Comité Regional de Recursos Hídricos (CRRH), que es un organismo internacional adscrito al Sistema de la Integración Centroamericana (SICA).

45

En el Foro participan como miembros permanentes todos los Servicios Meteorológicos (SMN) y la Universidad de Costa Rica (UCR) como colaborador y asesor científico.

Además participan meteorólogos que laboran en Instituciones que no son SMNs en el ámbito de la hidro-agrometeorología (ICE, ACP, entre otros).

El Foro Climático se realiza desde hace 5 años, cuenta con la activa participación de los representantes de los usuarios y es desarrollado en forma paralela a el Foro de Aplicaciones, donde participan representantes de los diversos sectores de desarrollo (salud, energía, agricultura, pesca, riesgo, seguridad alimentaria), los cuales se encuentran muy ligados a las más altas autoridades de sus respectivos países.

El Foro Climático se desarrolla en 3 días, que incluyen exposiciones, discusiones, consenso del pronóstico con las proyecciones realizadas por cada país, las obtenidas por los modelos climáticos, las investigaciones de variabilidad y finaliza con el Foro de Aplicaciones donde los meteorólogos y representantes de los sectores definen el posible impacto del pronóstico climático en cada uno de los sectores de desarrollo representados.

Metodología del pronóstico estacional regional 1. Análisis de temporadas análogas 2. Análisis de salidas de 25 Modelos de circulación global a. b. c. d.

Asociados a la OMM (10).

Multimodelos del IRI (4) Centro Europeo ECMWF ( 3) Otros (5)

3. Modelos estadísticos a. Análisis de contingencia b. Probabilidades condicionadas (EOF´s) c. Probabilidades condicionadas (EOF´s) para pronósticos bi-mensuales d. Correlación Canónica y Componentes Principales (CPT).

4. Investigaciones de variabilidad climática relacionadas con la influencia de los diferentes forzantes: oscilación quasibienal (QBO), oscilación decadal Pacífico (PDO), El Niño/La Niña (ENSO), etc.

Resultados:

46

Figura 22. Resultados de modelos estadísticos para pronóstico estacional en Centro América.

Figura 23. Resultados de modelos estadísticos para pronóstico estacional en Centro América.

Correlación canónica y componentes principales (CPT).

4.2 El Foro Climático en el Sudeste de Sudamérica Antecedentes del Foro Climático El Foro Climático en el Sudeste de Sudamérica inició en diciembre de 1997. El primer Foro se realizó en Montevideo y contó con la participación de los Servicios Meteorológicos de los países del MERCOSUR y climatólogos provenientes de universidades e institutos nacionales e internacionales de investigación. La Reunión fue co-organizada por la Asociación Rural del Uruguay, el Instituto Interamericano para la Investigación del Cambio Global (IAI), la Administración Nacional del Océano y la 47

Atmósfera (NOAA) de Estados Unidos, el Instituto Internacional de Investigación para la Predicción Climática (IRI) y la Organización Meteorológica Mundial (OMM).

La perspectiva climática está basada en pronósticos dinámicos presentados por los modelos INPE/CPTEC e IRI así como sobre los resultados de estudios detallados de los impactos de El Niño en esta región. El pronóstico se elaboró por consenso.

Posteriormente el Foro fue organizado por los Servicios Meteorológicos Nacionales, con el apoyo de la OMM y la Agencia Española de Meteorología. Actualmente se realizan dos Foros por año, rotando entre los países participantes. No todos los foros cuentan con participación externa (usuarios) y suelen presentarse patrocinios por parte de Organismos Nacionales, generalmente relacionados con la actividad agropecuaria. Los foros se realizan en Brasil, Paraguay, Uruguay y Argentina.

Funcionamiento En el análisis regional y global se analizan las predicciones de los modelos globales para el ENSO y TSM del IRI, CPTEC, Centro Europeo, NCEP; mientras que en la aplicación de modelos dinámicos se consideran los del IRI, CENPAT-CONICET, CPTEC (Global, Regional ETA, Acoplado), CENTRO EUROPEO, EUROBRISA y EUROSIP .

En el diagnóstico de resultados se analizan:  Características térmicas de los meses previos  Características pluviométricas de los meses previos  Eventos significativos  Campos de circulación atmosférica – Posición de la Zona de Convergencia Inter Tropical (ZCIT) entre otros  El Niño – Oscilación del Sur  Temperatura de la superficie del mar en los océanos adyacentes  Estado del Suelo  Concentración de hielo de mar

48

Figura 24. Metodología aplicada en la elaboración del foro de perspectivas climáticas del Sudeste de Sudamérica.

Resultados: En el Foro, el país organizador presenta los campos de temperatura media y de precipitación observados y se realiza una evaluación visual. Cada país propone la perspectiva de su país, que luego en su conjunto tiene que ser consensuada, se expresan asignando la probabilidad de ocurrencia de cada tercil y una de las formas de asignar las probabilidades de ocurrencia es subjetiva, generalmente la probabilidad de la categoría más probable no supera 45%. Finalmente en climatología el 33.3% en cada categoría, no es considerado.

Figura 25. Resultado del Foro de perspectivas climáticas del Sudeste de Sudamérica para la variable precipitación, periodo enero-marzo 2011

Figura 26. Resultados del Foro de Perspectivas Climáticas del Sudeste de Sudamérica para la variable Temperatura, periodo enero-marzo 2011.

4.3 El Foro Climático en el Oeste de Sudamérica Antecedentes del Foro Climático El Pronóstico Estacional para el Oeste y Sur de Sudamérica, se inicia en el 2001, es elaborado con la contribución de los Servicios Meteorológicos e Hidrológicos de Venezuela, Colombia, Ecuador, Perú, Bolivia, Chile, Argentina y Uruguay, bajo la coordinación de CIIFEN. Este producto de información, distribuido mensualmente, es generado bajo un proceso estandarizado para el tratamiento de la información climática de 434 estaciones meteorológicas y muestra un mapa regional con información del pronóstico a 3 meses, de las variables de precipitación, temperatura máxima y temperatura mínima.

49

Funcionamiento El Foro climático ha logrado un mecanismo de coordinación virtual que permite la emisión de un pronóstico estacional integrado en el oeste de Sudamérica al cual en el 2011 se sumaron Argentina y Uruguay. Se genera, mensualmente. La descripción del pronóstico es elaborada luego de una discusión de expertos vía correo electrónico y difundida a mas de 15.000 usuarios de la región.

La metodología de pronóstico es estándar y con el pasar de los años, se ha logrado una muy buena armonización de los productos que permite su mapeo regional. Hasta el 2011, se han realizado 11 foros climáticos que han contado con la participación de los SMHNs de la región, instituciones pertenecientes a distintos sectores como el de agricultura, recursos hídricos, salud, universidades y organismos de prevención de desastres.

Resultados:

Figura27. Resultados del Pronóstico Estacional para el Oeste y Sur de Sudamérica para las variables precipitación, temperatura máxima y temperatura mínima.

5. CAPACIDADES EXISTENTES Y BUENAS PRÁCTICAS EN

LATINOAMÉRICA 5.1.

Sistemas de Pronóstico en los países (2011)

PAÍS

Herra Método de mienta predicción

Parámetros utilizados

BOLIVIA

CPT

Temperatura Superficial del Mar - TSM

CPT

Manejo de la validación y verificación En desarrollo proceso de validación.

Se analiza el método para

50

la verificación.

BRASIL

CHILE

CPT

CPT

COSTA RICA

CUBA

ECUADOR

GUATEMALA

NICARAGUA

CPT y Correlación con resultados de modelos globales

Modelo dinámico WRF, MM5.

Modelo estadístico CPT. Correlación resultados de modelos globales.

Método de años análogos resultados de variabilidad interanual relacionados a inercia y TSM.

TSM, Anomalía de viento, Anomalía de presión a nivel de mar

Verificación de previsiones de RR con TSM y modelación estadística CPT, se utilizan esquemas de parametrizaciones y modelos multimodales del IRI.

TSM

Validación cruzada con ventana móvil de 5 años.

Verificación en desarrollo en 2011.

Cantidad de lluvia promedio por temporada, estacionalidad, probabilidad de extremos, ciclones del Caribe, frentes fríos.

La verificación preparada para los Foros de Perspectivas no ha logrado ser consolidado.

CPT

CPT

Evento ENSo, QBO, TSM y a la evolución de los movimientos verticales en la región.

CPTEC

Modelo dinámico WRF, MM5.

Modelo estadístico CPt.

TSM, Viento zonal y meridional, Temperatura de la atmósfera, Velocidad potencial, Geopotencial y Humedad Específica.

AA

Método estadístico de Años Análogos AA. Modelo estadístico CPTEC.

TSM, Índices Niño 3.4, Niño 3, Atlantico Norte, PDO, SOI, NAO y AO

AA

Método estadístico de Años Análogos AA, índices SOI, MEI, NAO.

TSM, Precipitación y Vientos

Método: Una predicción se considera buena cuando el valor real se ubica en un intervalo de + - dos deciles del decil pronosticado.

Validaciones de CRESSMAN y otras metodologías facilitadas por el CMC (dinámico y estadístico) y el CIIFEN (estadístico).

Porcentaje o razón de acierto (HR).

Coeficiente de Heidke (HSS).

Coeficiente del error lineal en el espacio de probabilidades (LEPS).

Coeficiente de probabilidad de categorías (RPS).

La validación se realiza al final del periodo estacional y se compara lo proyectado con lo sucedido y se determinan aciertos y no aciertos para calcular su porcentaje respectivo.

51

EL SALVADOR

URUGUAY

AA

CPTEC

Método estadístico de Años Análogos AA. Modelo dinámico WRF. Modelo estadístico CPT.

Modelo estadístico CPT y modelo dinámico WRF.

TSM, Índices del océano Atlántico tropical y del océano ártico.

Se realiza el análisis de contingencia, el porcentaje de aciertos y desaciertos (HR).

TSM, índice SOI.

Se realiza únicamente la validación subjetiva de los pronósticos climáticos. Se encuentra en análisis el método para la validación objetiva.

52

5.2.

Buenas prácticas en pronóstico estacional

El trabajo en equipo y la preparación de resultados para los Foros Nacionales y regionales es una práctica que ha permitido obtener mejores resultados en predicción en Latinoamérica.  El trabajo cara a cara que se lleva con los usuarios en Argentina va consolidando una comunidad de práctica en torno a la predicción climática.  Para la interpretación de la información del Pronóstico Estacional se elaboran tutorías explicativas publicadas en web, dirigido a los usuarios en el caso de Brasil.  Chile por su parte afirma que la difusión y discusión del pronóstico estacional ha mejorado el entendimiento de los resultados de la predicción climática por parte de los usuarios.  Costa Rica anota mejoras en metodologías de predicción climática junto con la validación de predicción estacional a través de la implementación de herramienta FIT (Forecast Interpretation Tool) y CPT. Las bases de datos meteorológicas son actualizadas en tiempo real.  En el caso de Cuba se anota la importancia de la vigilancia climática para brindar información oportuna y comprensible que con el trabajo conjunto con los sectores de desarrollo y los procesos de toma de decisiones, así como el trabajo cercano con la Defensa Civil ha permitido contribuir en la prevención de desastres y atención de emergencias.  Colombia destaca la interacción con el sector privado para la socialización y realimentación del pronóstico estacional  Ecuador señala un notable fortalecimiento de las unidades de climatología y modelación numérica en los últimos 3 años y la institucionalización del Foro climático nacional como un mecanismo permanente de interacción con los usuarios.  Guatemala reconoce como una buena práctica en el país a la utilización de la técnica de los años análogos y CPT, junto con los Foros locales de comunicación del pronóstico estacional para difusión y toma de decisiones en los sectores de desarrollo nacional.  Nicaragua afirma que existe un mayor grado de aceptación y confianza de los resultados del Pronóstico Estacional en los sectores productivos y tomadores de decisiones.

53

5.3.

Lecciones aprendidas en la aplicación y difusión del pronóstico estacional

 El análisis y discusión de los mapas con el pronóstico estacional y mensual ha contribuido en la toma de decisiones en distintos sectores: agricultura, energía, recursos hídricos y la prevención de desastres.  La discusión de las predicciones en forma conjunta con los usuarios ha brindado seguridad al usuario de la información y evitado la distorsión de la misma.  Se ha promovido la sinergia y cooperación con instituciones de gobierno, universidades y el sector privado.  Se ha promovido la retroalimentación de pronósticos por parte de los usuarios.  Se ha simplificado el lenguaje en la diseminación de la información para los usuarios.  El proceso de diseminación debe de hacerse procurando garantizar la comprensión de los usuarios, sinembargo sigue siendo complejo comunicar la incertidumbre.  La incorporación de la predicción estacional como servicio climático ha incrementado la demanda de información por parte de los sectores productivos de la región.

5.4.

Buenas prácticas en la relación con los usuarios

 Aprender sobre el perfil del usuario (lenguaje, necesidades, tiempos).  Identificar contactos relevantes para la red de distribución de la información.  Involucrar a los medios de comunicación y convertirlos en aliados.  Hablar en el lenguaje de los usuarios, reemplazando la jerga técnica por palabras sencillas pero comprensibles.  Requerir la realimentación del usuario sobre los pronósticos climáticos y tomarlo en cuenta para el mejoramiento de los mismos.  Involucrar al sector privado como usuario clave y aliado en la difusión de la información.  Procurar ganar y mantener la visibilidad de los pronósticos y su aplicación frente a las autoridades y las diferentes instancias de los Gobiernos.  Adecuar productos climáticos tradicionales a las necesidades de los usuarios.  Construir confianza en los usuarios a través de la transparencia y el reconocimiento de las limitaciones en las predicciones.

54

 Responder a las invitaciones e interacciones con los usuarios, participando en sus actividades.  Demostrar y difundir los beneficios sociales y económicos de la aplicación de los pronósticos climáticos.

6. Referencias Goodess, C.M., Anagnostopoulou, C., Bardossy, A., Frei, C., Harpham, C., Haylock,M.R., Hundecha, Y., Maheras, P., Ribalaygua, J., Schmidli, J., Schmith, T., Tolika, K.,Tomozeiu, R. and Wilby, R.L., 2005: An intercomparison of statistical downscaling methods for Europe and European regions Ð assessing their performance with respect to extreme temperature and precipitation events.

Submitted to Climatic Change.

M. R. Haylock, G. C. Cawley, C. Harpham, R. L. Wilby and C. M. Goodess, 2005: Downscaling heavy precipitation over the UK: a comparison of dynamical and statistical methods and their future scenarios. Submitted to International Journal of Climatology.

J. Schmidli, C. M. Goodess, C. Frei, M. R. Haylock, Y. Hundecha, J. Ribalaygua, T. Schmith, 2005: Statistical and Dynamical Downscaling of Precipitation: An Evaluation and Comparison of Scenarios for the European Alps. In preparation.

Huth R., 2003: Sensitivity of Local Daily Temperature Change Estimates to the Selection of Downscaling Models and Predictors. J. Climate, 17, 640-652.

The Comet Programme, UCAR, 2011. http://iri.columbia.edu/climate/forecast/net_asmt http://www.cawcr.gov.au/projects/verification/Bougeault/ http://www.inmet.gov.br/.../cursoI_INMET_IRI/ http://climexp.knmi.nl/forecast_verification.cgi http://www.space.fmi.fi/Verification2009/ http://www.ecmwf.int/research/demeter/d/charts/verification http://www.rap.ucar.edu/research/verification/verification_wkshp_2002/pdfs

55

View publication stats