parte ii: métodos de predicción estacional, downscaling y ajustes de pronósticos regionales...
TRANSCRIPT
Parte II: Métodos de Predicción Estacional,Downscaling y Ajustes de Pronósticos Regionales
Walter E. BaethgenLatin America and the Caribbean Regional Program IRI: International Research Institute for Climate and SocietyThe Earth Institute Columbia University
(Adaptado de N. Ward, IRI)
http://ccnmtl.columbia.edu/projects/climate/
Gestión de Riesgos Climáticos en el Sector Agropecuario (IRI-INMET). Brasilia, Diciembre 2007
Clima Estacional a Escalas Regional y Local
Sistema Climático Global
Esquema del Sistema Climático Global (Adaptado del IPCC, 1995).
Pronósticos Climáticos Estacionales: Métodos
1. Modelos de Atmósfera (GCMs) con TSM dadas
(Ejercicio2)
2. GCMs Atmosféricos forzados con TSM predichas
3. Modelos de Alta Resolución (Anidados, Resolución
Variable)
4. Transformaciones estadísticas de salidas de
Modelos
5. Pronósticos estadísticos directamente de índices
clave
Global Climate ModelsModelos de Circulación General / Modelos Climáticos Globales (GCMs)
Modelos acoplados de océano – atmósfera tienen potencial de sermejorados considerablemente
Monitoreo de 500m de profundidad del Océano
Desde que se mideTemperaturas del Océanoen profundidad se ha podido predecir El Niño3 a 6 meses
Ejemplo: Pacífico sub-superficial a lo largo del Ecuador
Es ésta una situación que puede llevar a un El Niño?
Cómo responder a esta pregunta?
Pronósticos de las TSM Nino3 de un modelo acoplado océano-atmósfera
Pronósticos Nino3.4 de otro modelo acoplado océano-atmósfera
Pronósticos de El Niño de IRI
Pronósticos Climáticos Estacionales: Métodos
1. Modelos de Atmósfera (GCMs) con TSM dadas (Ejercicio2)
•2. GCMs Atmosféricos forzados con TSM
predichas
• 3. Modelos de Alta Resolución (Anidados, Resolución
Variable)
• 4. Transformaciones estadísticas de salidas de
Modelos
• 5. Pronósticos estadísticos directamente de índices
clave
Example of GCM Prediction of East Africa Rainfall from SST
América del Sur:6 Modelosen OND
América del Sur:6 Modelosen FMA
Diferentes modelos tienen “Skill”diferentes en Diferentes estaciones
Cuál (es) elegir?
Solamente el de mayor “Skill”?
Una Combinación?
Qué Combinación?
Ranked Probability Skill Score (RPSS) for 2m TemperatureJan-Feb-Mar 1950-1995
Ranked Probability Skill Score (RPSS) for 2m TemperatureJan-Feb-Mar 1950-1995
Combining models reduces deficiencies of individual models
Diferentes modelos tienen “Skill”diferentes en Diferentes estaciones
Cuál (es) elegir?
Solamente el de mayor “Skill”?
Una Combinación?
Qué Combinación?
•Varios Modelos es mejor que cualquier modelo individual(Comparar con modelos que predicen precios de granos: unos mejor para Asia, Am. Norte,etc.)
•“Ponderar” los Modelos en diferentes regiones y estacionessegún su “Skill”
10
30 12
30
24
1224
242410
FORECAST SST
TROP. PACIFIC (multi-models, dynamical and statistical)
TROP. ATL, INDIAN (statistical)
EXTRATROPICAL (damped persistence)
GLOBAL ATMOSPHERIC
MODELS
ECPC(Scripps)
ECHAM4.5(MPI)
CCM3.6(NCAR)
NCEP(MRF9)
NSIPP(NASA)
COLA2
GFDL
ForecastSST
Ensembles3/6 Mo. lead
PersistedSST
Ensembles3 Mo. lead
IRI DYNAMICAL CLIMATE FORECAST SYSTEM
POSTPROCESSING
MULTIMODELENSEMBLING
PERSISTED
GLOBAL
SST
ANOMALY
2-tiered
OCEAN ATMOSPHERE
30
Pronósticos Climáticos Estacionales: Métodos
• 1. Acoplados de Océano-Tierra-Atmósfera (GCMs)
• 2. GCMs Atmosféricos forzados con TSM predichas
• 3. Modelos de Alta Resolución (Anidados, Resolución
Variable)
• 4. Transformaciones estadísticas de salidas de
Modelos
• 5. Pronósticos estadísticos directamente de índices
clave
Downscaling Dinámico
Ejemplo del uso de un Modelo Climático Regional con la salida de un Modelo Climático Global.
Vientos superficiales a un pasotemporal
Grilla delModelo
Pronósticodel Modelo
1997 Menos1998
Observaciones1997 Menos
1998
Patrones de Lluvia Dic-Feb – Ejemplo de El Niño MENOS La Niña
Downscaling Dinámico
Pronósticos Climáticos Estacionales: Métodos
• 1. Acoplados de Océano-Tierra-Atmósfera (GCMs)
• 2. GCMs Atmosféricos forzados con TSM predichas
• 3. Modelos de Alta Resolución (Anidados, Resolución Variable)
• 4. Transformaciones estadísticas de salidas de
Modelos
Downscaling estadístico de salidas de GCM es uno de estos
métodos
• 5. Pronósticos estadísticos directamente de índices
clave
Corrección de Sesgos de lluvias del GCM
Excelente variación entreaños, pero el modelogeneralmente es muy seco
Calcular el sesgo medio,y sumarlo a las prediccionesdel modelo cada año
Ejemplo más Elemental
Corrección de Sesgos de lluvias del GCM
Excelente variación entreaños, pero el modelogeneralmente es muy seco
Calcular el sesgo medio,y sumarlo a las prediccionesdel modelo cada año
Ejemplo más Elemental
Climate Predictability Tool
Herramienta muy efectiva para Downscaling y otrosAnálisis Estadísticos
http://portal.iri.columbia.edu/ IRI Tools
Wind index predicts Sri Lanka Rainfall at 20km resolution
Elevation is contour lines
Correlation skill (multipliedby 10) – darker orange/brownindicates more skill
Skill is found to be relatedto the topography
Un paso más: De Clima a Agricultura
Combinar Información Climática en productos que sean más útiles para la agricultura
Lluvia Capacidad Balance Temperaturas Alm. Agua de Agua
+ =
GCM, RCM,Estadísticos
Caracterizaciónde Suelos
Trabajos conjuntos IRI con INMET, CPTEC, FUNCEME
Forecast Skill (shading)Forecast and observedOver NE Kenya
GCM index predicts East Africa Vegetation at 25km resolution
Now is seen more clearly as a tailoring methodology for risk management
Example: Forecasting streamflow using ECHAM 4.5 in the ONDJF wet season
(statistical downscaling, persisted SST, 12 scenarios)
0
50
100
150
200
250
300
350
400
1968 1978 1988 1998Year
Str
eam
flo
w (
MC
M)
ONDJF-obsONDJF-pred
ONDJF Forecast – produced in October(can be updated monthly)
Angat reservoir, Philippines
NDVI (Nov 2007)
Balance Agua (Nov 2007)
PRONOSTICOESTACIONAL deLLUVIAS yTEMPERATURAS Balance Agua
(Pron DJF 08)
NDVI (Pron. DJF 08)
CLIMATE DYNAMICAL DOWNSCALING PREDICTION SYSTEM FOR NORDESTE
PERSISTED GLOBAL SST ANOMALIES
ECHAM4.5 AGCM (T42)
AGCM INITIAL CONDITIONS
UPDATED ENSEMBLES (10+)WITH OBSERVED SSTs
Persisted SSTA ensembles 1 Mo. lead
Predicted SSTA ensembles 1-4 Mo. lead
10
10
PostProcessing
NCEP RSM97(60km)
HISTORICAL DATA•Extended Simulations•Observations
PREDICTED SST ANOMALIES
Tropical Pacific Ocean(LDEO Dynamical Model)(NCEP Dynamical Model) (NCEP Statistical CA Model)
Tropical Atlantic Ocean(CPTEC Stat. CCA Model)Tropical Indian Ocean
(IRI Statistical CCA Model)Extratropical Oceans
(Damped Persistence)
IRI FUNCEME
IRI Approach: (1) REGIONAL PARTNERSHIPS
Other IRI Products“Forecasts in context”
