La predicción por conjuntos es un método utilizado en la predicción meteorológica numérica o dentro de ella . En lugar de hacer un solo pronóstico del tiempo más probable, se produce un conjunto (o conjunto) de pronósticos. Este conjunto de pronósticos tiene como objetivo dar una indicación del rango de posibles estados futuros de la atmósfera. La previsión de conjuntos es una forma de análisis de Monte Carlo . Las múltiples simulaciones se llevan a cabo para dar cuenta de las dos fuentes habituales de incertidumbre en los modelos de pronóstico: (1) los errores introducidos por el uso de condiciones iniciales imperfectas, amplificados por la naturaleza caótica de las ecuaciones de evolución de la atmósfera, a las que a menudo se hace referencia como dependencia sensible de las condiciones iniciales; y (2) errores introducidos debido a imperfecciones en la formulación del modelo, como los métodos matemáticos aproximados para resolver las ecuaciones. Idealmente, el estado atmosférico futuro verificado debería caer dentro de la dispersión del conjunto prevista , y la cantidad de dispersión debería estar relacionada con la incertidumbre (error) del pronóstico. En general, este enfoque se puede utilizar para realizar pronósticos probabilísticos de cualquier sistema dinámico , y no solo para la predicción meteorológica.
![](http://wikiimg.tojsiabtv.com/wikipedia/commons/thumb/d/d5/WRF_rita_spread2.jpg/440px-WRF_rita_spread2.jpg)
Hoy en día, las predicciones por conjuntos se realizan comúnmente en la mayoría de las principales instalaciones operativas de predicción del tiempo en todo el mundo, que incluyen:
- Centros Nacionales de Predicción Ambiental (NCEP de los EE. UU.)
- Centro Europeo de Previsiones Meteorológicas a Medio Plazo (ECMWF)
- Oficina Meteorológica del Reino Unido
- Météo-France
- Environment Canada
- Agencia Meteorológica de Japón
- Oficina de Meteorología (Australia)
- Administración Meteorológica de China (CMA)
- Administración Meteorológica de Corea
- CPTEC (Brasil)
- Ministerio de Ciencias de la Tierra (IMD, IITM y NCMRWF) (India)
Los pronósticos de conjuntos experimentales se realizan en varias universidades, como la Universidad de Washington, y los pronósticos de conjuntos en los EE. UU. También son generados por la Marina y la Fuerza Aérea de los EE. UU . Hay varias formas de ver los datos, como parcelas espaguetis , medias de conjunto o sellos postales, donde se pueden comparar varios resultados diferentes de la ejecución de los modelos.
Historia
Como propuso Edward Lorenz en 1963, es imposible para los pronósticos a largo plazo, los que se hacen con más de dos semanas de anticipación, predecir el estado de la atmósfera con algún grado de habilidad debido a la naturaleza caótica de las ecuaciones de dinámica de fluidos involucradas. [1] Además, las redes de observación existentes tienen una resolución espacial y temporal limitada (por ejemplo, sobre grandes masas de agua como el Océano Pacífico), lo que introduce incertidumbre en el verdadero estado inicial de la atmósfera. Si bien existe un conjunto de ecuaciones, conocidas como ecuaciones de Liouville , para determinar la incertidumbre inicial en la inicialización del modelo, las ecuaciones son demasiado complejas para ejecutarlas en tiempo real, incluso con el uso de supercomputadoras. [2] La importancia práctica de los pronósticos por conjuntos se deriva del hecho de que en un sistema caótico y, por lo tanto, no lineal, la tasa de crecimiento del error de pronóstico depende de las condiciones iniciales. Por lo tanto, un pronóstico de conjunto proporciona una estimación previa de la predictibilidad dependiente del estado, es decir, una estimación de los tipos de clima que podrían ocurrir, dadas las inevitables incertidumbres en las condiciones iniciales del pronóstico y en la precisión de la representación computacional de las ecuaciones. Estas incertidumbres limitan la precisión del modelo de pronóstico a unos seis días en el futuro. [3] Los primeros pronósticos de conjuntos operativos se produjeron para escalas de tiempo subestacionales en 1985. [4] Sin embargo, se advirtió que la filosofía que sustenta dichos pronósticos también era relevante en escalas de tiempo más cortas, escalas de tiempo en las que las predicciones se habían hecho previamente por medios puramente deterministas. .
Edward Epstein reconoció en 1969 que la atmósfera no podía describirse completamente con una sola ejecución de pronóstico debido a la incertidumbre inherente, y propuso un modelo dinámico estocástico que producía medias y variaciones para el estado de la atmósfera. [5] Aunque estas simulaciones de Monte Carlo demostraron habilidad, en 1974 Cecil Leith reveló que producían pronósticos adecuados solo cuando la distribución de probabilidad por conjuntos era una muestra representativa de la distribución de probabilidad en la atmósfera. [6] No fue hasta 1992 que el Centro Europeo de Pronósticos Meteorológicos a Mediano Plazo (ECMWF) y los Centros Nacionales de Predicción Ambiental (NCEP) comenzaron a preparar pronósticos por conjuntos .
Métodos para representar la incertidumbre
Hay dos fuentes principales de incertidumbre que deben tenerse en cuenta al realizar un pronóstico meteorológico conjunto: la incertidumbre de la condición inicial y la incertidumbre del modelo. [7]
Incertidumbre de la condición inicial
La incertidumbre de la condición inicial surge debido a errores en la estimación de las condiciones iniciales para el pronóstico, tanto debido a observaciones limitadas de la atmósfera, como a las incertidumbres involucradas en el uso de mediciones indirectas, como datos satelitales , para medir el estado de las variables atmosféricas. La incertidumbre de la condición inicial se representa perturbando las condiciones iniciales entre los diferentes miembros del conjunto. Esto explora el rango de condiciones iniciales consistentes con nuestro conocimiento del estado actual de la atmósfera, junto con su evolución pasada. Hay varias formas de generar estas perturbaciones de la condición inicial. El modelo ECMWF, el Sistema de predicción por conjuntos (EPS), [8] utiliza una combinación de vectores singulares y un conjunto de asimilaciones de datos (EDA) para simular la densidad de probabilidad inicial . [9] Las perturbaciones de vectores singulares son más activas en los extratropicales, mientras que las perturbaciones de EDA son más activas en los trópicos. El conjunto NCEP, el Sistema Global de Pronóstico por Conjunto, utiliza una técnica conocida como reproducción de vectores . [10] [11]
Incertidumbre del modelo
La incertidumbre del modelo surge debido a las limitaciones del modelo de pronóstico. El proceso de representar la atmósfera en un modelo informático implica muchas simplificaciones, como el desarrollo de esquemas de parametrización , que introducen errores en el pronóstico. Se han propuesto varias técnicas para representar la incertidumbre del modelo.
Esquemas de parámetros perturbados
Al desarrollar un esquema de parametrización , se introducen muchos parámetros nuevos para representar procesos físicos simplificados. Estos parámetros pueden ser muy inciertos. Por ejemplo, el ' coeficiente de arrastre ' representa la mezcla turbulenta de aire ambiental seco en una nube convectiva y, por lo tanto, representa un proceso físico complejo que utiliza un solo número. En un enfoque de parámetros perturbados, los parámetros inciertos en los esquemas de parametrización del modelo se identifican y su valor cambia entre los miembros del conjunto. Mientras que en los modelos climáticos probabilísticos, como weatherprediction.net , estos parámetros a menudo se mantienen constantes a nivel mundial y durante toda la integración, [12] en la predicción meteorológica numérica moderna es más común variar estocásticamente el valor de los parámetros en el tiempo y el espacio. [13] El grado de perturbación de los parámetros puede guiarse utilizando el juicio de expertos, [14] o estimando directamente el grado de incertidumbre de los parámetros para un modelo dado. [15]
Parametrizaciones estocásticas
Un esquema de parametrización tradicional busca representar el efecto promedio del movimiento a escala de subcuadrícula (por ejemplo, nubes convectivas) sobre el estado de escala resuelto (por ejemplo, los campos de viento y temperatura a gran escala). Un esquema de parametrización estocástica reconoce que puede haber muchos estados de escala de subcuadrícula consistentes con un estado de escala resuelto en particular. En lugar de predecir el movimiento de escala de subcuadrícula más probable, un esquema de parametrización estocástica representa una posible realización de la subcuadrícula. Lo hace mediante la inclusión de números aleatorios en las ecuaciones de movimiento. Esto muestra de la distribución de probabilidad asignada a procesos inciertos. Las parametrizaciones estocásticas han mejorado significativamente la habilidad de los modelos de predicción meteorológica y ahora se utilizan en centros de predicción operativos en todo el mundo. [16] Las parametrizaciones estocásticas se desarrollaron por primera vez en el Centro Europeo de Pronósticos Meteorológicos a Mediano Plazo . [17]
Conjuntos multimodelo
Cuando se utilizan muchos modelos de pronóstico diferentes para tratar de generar un pronóstico, el enfoque se denomina pronóstico de conjuntos de múltiples modelos. Este método de pronóstico puede mejorar los pronósticos en comparación con un enfoque único basado en modelos. [18] Cuando los modelos dentro de un conjunto de múltiples modelos se ajustan a sus diversos sesgos, este proceso se conoce como "previsión de superensamble". Este tipo de pronóstico reduce significativamente los errores en la salida del modelo. [19] Cuando se combinan modelos de diferentes procesos físicos, como combinaciones de modelos atmosféricos, oceánicos y de olas, el conjunto de múltiples modelos se denomina hiper-conjunto. [20]
Evaluación de probabilidad
El pronóstico de conjunto generalmente se evalúa comparando el promedio de los pronósticos individuales para una variable de pronóstico con el valor observado de esa variable (el "error"). Esto se combina con la consideración del grado de acuerdo entre varios pronósticos dentro del sistema de conjunto, representado por su desviación estándar general o "dispersión". La dispersión del conjunto se puede visualizar a través de herramientas como los diagramas de espagueti, que muestran la dispersión de una cantidad en gráficos de pronóstico para pasos de tiempo específicos en el futuro. Otra herramienta en la que se utiliza la dispersión por conjuntos es un meteograma , que muestra la dispersión en el pronóstico de una cantidad para una ubicación específica. Es común que la dispersión del conjunto sea demasiado pequeña, de modo que el estado atmosférico observado queda fuera del pronóstico del conjunto. Esto puede llevar al pronosticador a confiar demasiado en su pronóstico. [21] Este problema se vuelve particularmente severo para los pronósticos del tiempo con 10 días de anticipación, [22] particularmente si la incertidumbre del modelo no se toma en cuenta en el pronóstico.
Fiabilidad y resolución (calibración y nitidez)
La extensión del pronóstico de conjunto indica qué tan seguro puede estar el pronosticador en su predicción. Cuando la dispersión del conjunto es pequeña y las soluciones de pronóstico son consistentes dentro de múltiples ejecuciones de modelos, los pronosticadores perciben más confianza en el pronóstico en general. [21] Cuando el diferencial es grande, esto indica más incertidumbre en la predicción. Idealmente, debería existir una relación de dispersión-habilidad , en la que la dispersión del conjunto sea un buen predictor del error esperado en la media del conjunto. Si el pronóstico es confiable , el estado observado se comportará como si se extrajera de la distribución de probabilidad del pronóstico. La confiabilidad (o calibración ) se puede evaluar comparando la desviación estándar del error en la media del conjunto con la dispersión del pronóstico: para un pronóstico confiable, los dos deben coincidir, tanto en diferentes tiempos de entrega de pronóstico como para diferentes ubicaciones. [23]
También se puede evaluar la confiabilidad de los pronósticos de un evento meteorológico específico. Por ejemplo, si 30 de 50 miembros indicaron más de 1 cm de lluvia durante las próximas 24 h, la probabilidad de exceder 1 cm podría estimarse en 60%. El pronóstico se consideraría confiable si, considerando todas las situaciones en el pasado en las que se pronosticó una probabilidad del 60%, en el 60% de esas ocasiones la lluvia realmente excedió 1 cm. En la práctica, las probabilidades generadas a partir de los pronósticos de conjuntos meteorológicos operativos no son muy confiables, aunque con un conjunto de pronósticos pasados ( predicciones o predicciones retrospectivas ) y observaciones, las estimaciones de probabilidad del conjunto se pueden ajustar para garantizar una mayor confiabilidad.
Otra propiedad deseable de los pronósticos por conjuntos es la resolución. Esta es una indicación de cuánto se desvía el pronóstico de la frecuencia del evento climatológico; siempre que el conjunto sea confiable, aumentar esta desviación aumentará la utilidad del pronóstico. Esta calidad de pronóstico también se puede considerar en términos de nitidez , o cuán pequeña es la extensión del pronóstico. El objetivo clave de un pronosticador debe ser maximizar la nitidez, mientras se mantiene la confiabilidad. [24] Los pronósticos en los adelantos largos inevitablemente no serán particularmente precisos (tendrán una resolución particularmente alta), ya que los errores inevitables (aunque generalmente pequeños) en la condición inicial crecerán con el aumento del pronóstico del pronóstico hasta que la diferencia esperada entre dos estados del modelo sea tan grande como la diferencia entre dos estados aleatorios de la climatología del modelo de pronóstico.
Calibración de pronósticos por conjuntos
Si los pronósticos por conjuntos se van a utilizar para predecir las probabilidades de las variables meteorológicas observadas, por lo general necesitan calibración para crear pronósticos no sesgados y confiables. Para los pronósticos de temperatura, un método de calibración simple y eficaz es la regresión lineal , a menudo conocida en este contexto como estadísticas de salida del modelo . El modelo de regresión lineal toma la media del conjunto como predictor de la temperatura real, ignora la distribución de los miembros del conjunto alrededor de la media y predice probabilidades utilizando la distribución de residuos de la regresión. En esta configuración de calibración, el valor del conjunto para mejorar el pronóstico es entonces que la media del conjunto típicamente da un mejor pronóstico que cualquier miembro del conjunto individual, y no debido a ninguna información contenida en el ancho o la forma de la distribución de los miembros en el conjunto alrededor de la media. Sin embargo, en 2004, se introdujo una generalización de la regresión lineal (ahora conocida como regresión gaussiana no homogénea ) [25] que utiliza una transformación lineal de la extensión del conjunto para dar el ancho de la distribución predictiva, y se demostró que esto puede conducir a pronósticos con mayor habilidad que aquellos basados en regresión lineal solamente. Esto demostró por primera vez que la información en la forma de la distribución de los miembros de un conjunto alrededor de la media, en este caso resumida por la dispersión del conjunto, se puede utilizar para mejorar los pronósticos relativos a la regresión lineal . El hecho de que la regresión lineal pueda superarse o no mediante el uso de la dispersión por conjunto de esta manera varía, según el sistema de pronóstico, la variable de pronóstico y el tiempo de espera.
Predecir el tamaño de los cambios de pronóstico
Además de utilizarse para mejorar las predicciones de la incertidumbre, la dispersión del conjunto también se puede utilizar como predictor del tamaño probable de los cambios en el pronóstico medio de un pronóstico al siguiente. [26] Esto funciona porque, en algunos sistemas de pronóstico por conjuntos, los conjuntos estrechos tienden a preceder a pequeños cambios en la media, mientras que los conjuntos amplios tienden a preceder a cambios más grandes en la media. Esto tiene aplicaciones en las industrias comerciales, para quienes la comprensión de los tamaños probables de los cambios de pronóstico futuros puede ser importante.
Investigación coordinada
El Experimento de Investigación y Previsibilidad del Sistema de Observación (THORPEX) es un programa internacional de investigación y desarrollo de 10 años para acelerar las mejoras en la precisión de los pronósticos meteorológicos de alto impacto de un día a dos semanas en beneficio de la sociedad, la economía y el medio ambiente. Establece un marco organizativo que aborda la investigación meteorológica y los problemas de predicción cuyas soluciones se acelerarán mediante la colaboración internacional entre instituciones académicas, centros de predicción operativa y usuarios de productos de predicción.
Uno de sus componentes clave es THORPEX Interactive Grand Global Ensemble (TIGGE), un programa de investigación meteorológica mundial para acelerar las mejoras en la precisión de los pronósticos meteorológicos de alto impacto de 1 día a 2 semanas en beneficio de la humanidad. Los archivos centralizados de datos de pronóstico de modelos de conjuntos, de muchos centros internacionales, se utilizan para permitir un amplio intercambio de datos e investigación.
Ver también
- Teoría del caos
- Conjunto climático
- Filtro de conjunto de Kalman
- Conjunto (mecánica de fluidos)
- Previsión
- Pronóstico probabilístico
- Gran conjunto global interactivo de THORPEX
- Sistema de pronóstico de conjuntos de América del Norte
Referencias
- ^ Cox, John D. (2002). Vigilantes de tormentas . John Wiley & Sons, Inc. págs. 222–224 . ISBN 978-0-471-38108-2.
- ^ Manousos, Peter (19 de julio de 2006). "Sistemas de predicción de conjuntos" . Centro de Predicción Hidrometeorológica . Consultado el 31 de diciembre de 2010 .
- ↑ Weickmann, Klaus, Jeff Whitaker, Andres Roubicek y Catherine Smith (1 de diciembre de 2001). El uso de pronósticos conjuntos para producir pronósticos meteorológicos mejorados a mediano plazo (3 a 15 días). Centro de Diagnóstico Climático . Consultado el 16 de febrero de 2007.
- ^ Palmer, Tim (2018). "El sistema de predicción por conjuntos ECMWF: mirando hacia atrás (más de) 25 años y proyectando hacia adelante 25 años". Revista trimestral de la Royal Meteorological Society . 0 . arXiv : 1803.06940 . Código Bib : 2018arXiv180306940P . doi : 10.1002 / qj.3383 . ISSN 1477-870X . S2CID 4944687 .
- ^ Epstein, ES (diciembre de 1969). "Predicción dinámica estocástica". Un Tellus . 21 (6): 739–759. Código Bibliográfico : 1969Tell ... 21..739E . doi : 10.1111 / j.2153-3490.1969.tb00483.x .
- ^ Leith, CE (junio de 1974). "Habilidad teórica de los pronósticos de Monte Carlo" . Revisión mensual del clima . 102 (6): 409–418. Código bibliográfico : 1974MWRv..102..409L . doi : 10.1175 / 1520-0493 (1974) 102 <0409: TSOMCF> 2.0.CO; 2 . ISSN 1520-0493 .
- ^ Slingo, Julia; Palmer, Tim (13 de diciembre de 2011). "Incertidumbre en la predicción meteorológica y climática" . Phil. Trans. R. Soc. Una . 369 (1956): 4751–4767. Código Bibliográfico : 2011RSPTA.369.4751S . doi : 10.1098 / rsta.2011.0161 . ISSN 1364-503X . PMC 3270390 . PMID 22042896 .
- ^ "El sistema de predicción por conjuntos (EPS)" . ECMWF . Archivado desde el original el 30 de octubre de 2010 . Consultado el 5 de enero de 2011 .
- ^ "Cuantificación de la incertidumbre del pronóstico | ECMWF" . www.ecmwf.int . 2013-11-29 . Consultado el 20 de noviembre de 2016 .
- ^ Toth, Zoltan; Kalnay, Eugenia (diciembre de 1997). "Ensemble Forecasting en NCEP y el método de mejoramiento". Revisión mensual del clima . 125 (12): 3297–3319. Código Bibliográfico : 1997MWRv..125.3297T . CiteSeerX 10.1.1.324.3941 . doi : 10.1175 / 1520-0493 (1997) 125 <3297: EFANAT> 2.0.CO; 2 . ISSN 1520-0493 .
- ^ Molteni, F .; Buizza, R .; Palmer, TN ; Petroliagis, T. (enero de 1996). "El ECMWF Ensemble Prediction System: Metodología y validación". Revista trimestral de la Royal Meteorological Society . 122 (529): 73-119. Código Bib : 1996QJRMS.122 ... 73M . doi : 10.1002 / qj.49712252905 .
- ^ "Conjuntos de física perturbados | weatherprediction.net" . www.climateprediction.net . Consultado el 20 de noviembre de 2016 .
- ^ McCabe, Anne; Swinbank, Richard; Tennant, Warren; Lock, Adrian (1 de octubre de 2016). "Representando la incertidumbre del modelo en el sistema de predicción de conjuntos de permisos de convección de Met Office y su impacto en el pronóstico de niebla". Revista trimestral de la Royal Meteorological Society . 142 (700): 2897-2910. Código Bibliográfico : 2016QJRMS.142.2897M . doi : 10.1002 / qj.2876 . ISSN 1477-870X .
- ^ Ollinaho, Pirkka; Lock, Sarah-Jane; Leutbecher, Martin; Bechtold, Peter; Beljaars, Anton; Bozzo, Alessio; Forbes, Richard M .; Haiden, Thomas; Hogan, Robin J. (1 de octubre de 2016). "Hacia la representación a nivel de proceso de las incertidumbres del modelo: parametrizaciones perturbadas estocásticamente en el conjunto ECMWF". Revista trimestral de la Royal Meteorological Society . 143 (702): 408–422. Código bibliográfico : 2017QJRMS.143..408O . doi : 10.1002 / qj.2931 . ISSN 1477-870X .
- ^ Christensen, HM; Moroz, MI ; Palmer, TN (4 de febrero de 2015). "Representaciones de parámetros estocásticos y perturbados de la incertidumbre del modelo en la parametrización de la convección". Revista de Ciencias Atmosféricas . 72 (6): 2525-2544. Código bibliográfico : 2015JAtS ... 72.2525C . doi : 10.1175 / JAS-D-14-0250.1 . ISSN 0022-4928 .
- ^ Berner, Judith; Achatz, Ulrich; Batté, Lauriane; Bengtsson, Lisa; De La Cámara, Álvaro; Christensen, Hannah M .; Colangeli, Matteo; Coleman, Danielle RB; Crommelin, Daan (19 de julio de 2016). "Parametrización estocástica: hacia una nueva visión de los modelos meteorológicos y climáticos". Boletín de la Sociedad Meteorológica Estadounidense . 98 (3): 565. arXiv : 1510.08682 . Código bibliográfico : 2017BAMS ... 98..565B . doi : 10.1175 / BAMS-D-15-00268.1 . ISSN 0003-0007 . S2CID 33134061 .
- ^ Buizza, R .; Milleer, M .; Palmer, TN (1 de octubre de 1999). "Representación estocástica de las incertidumbres del modelo en el sistema de predicción de conjuntos ECMWF". Revista trimestral de la Royal Meteorological Society . 125 (560): 2887–2908. Código bibliográfico : 1999QJRMS.125.2887B . doi : 10.1002 / qj.49712556006 . ISSN 1477-870X .
- ^ Zhou, Binbin y Jun Du (febrero de 2010). "Predicción de niebla de un sistema de predicción de conjunto de mesoescala multimodelo" (PDF) . Clima y pronóstico . 25 (1): 303. Código Bibliográfico : 2010WtFor..25..303Z . doi : 10.1175 / 2009WAF2222289.1 . Consultado el 2 de enero de 2011 .
- ^ Cane, D. y M. Milelli (12 de febrero de 2010). "Técnica multimodelo SuperEnsemble para pronósticos cuantitativos de precipitación en la región de Piemonte" . Riesgos naturales y ciencias del sistema terrestre . 10 (2): 265. Código Bibliográfico : 2010NHESS..10..265C . doi : 10.5194 / nhess-10-265-2010 .
- ^ Vandenbulcke, L .; et al. (2009). "Técnicas de superconjunto: aplicación a la predicción de la deriva de superficie" (PDF) . Progreso en Oceanografía . 82 (3): 149-167. Código bibliográfico : 2009PrOce..82..149V . doi : 10.1016 / j.pocean.2009.06.002 .
- ^ a b Warner, Thomas Tomkins (2010). Predicción numérica del tiempo y el clima . Prensa de la Universidad de Cambridge . págs. 266-275. ISBN 978-0-521-51389-0.
- ^ Palmer, TN; GJ Shutts; R. Hagedorn; FJ Doblas-Reyes; T. Jung; M. Leutbecher (mayo de 2005). "Representación de la incertidumbre del modelo en la predicción meteorológica y climática". Revista anual de ciencias terrestres y planetarias . 33 : 163-193. Código Bibliográfico : 2005AREPS..33..163P . doi : 10.1146 / annurev.earth.33.092203.122552 .
- ^ Leutbecher, M .; Palmer, TN (20 de marzo de 2008). "Predicción por conjuntos". Revista de Física Computacional . Predicción del tiempo, clima y eventos extremos. 227 (7): 3515–3539. Código Bibliográfico : 2008JCoPh.227.3515L . doi : 10.1016 / j.jcp.2007.02.014 .
- ^ Gneiting, Tilmann; Balabdaoui, Fadoua; Raftery, Adrian E. (1 de abril de 2007). "Pronósticos probabilísticos, calibración y nitidez". Revista de la Sociedad Real de Estadística, Serie B . 69 (2): 243–268. CiteSeerX 10.1.1.142.9002 . doi : 10.1111 / j.1467-9868.2007.00587.x .
- ^ Jewson, S; Brix, A; Ziehmann, C (2004). "Un nuevo modelo paramétrico para la evaluación y calibración de pronósticos de temperatura de conjunto de rango medio". Letras de ciencia atmosférica . 5 (5): 96–102. arXiv : física / 0308057 . Código bibliográfico : 2004AtScL ... 5 ... 96J . doi : 10.1002 / asl.69 . S2CID 118358858 .
- ^ Jewson, S; Ziehmann, C (2004). "Utilización de pronósticos por conjuntos para predecir el tamaño de los cambios de pronóstico, con aplicación al valor de swap meteorológico en riesgo" . Letras de ciencia atmosférica . 4 (1–4): 15–27. doi : 10.1016 / S1530-261X (03) 00003-3 .
Otras lecturas
- Ian Roulstone y John Norbury (2013). Invisible in the Storm: el papel de las matemáticas en la comprensión del clima . Prensa de la Universidad de Princeton. ISBN 978-0691152721.
enlaces externos
- Página de investigación de TIGGE
- Archivo de datos de seguimiento de ciclones tropicales TIGGE en NCAR
- Página de investigación de THORPEX