De Wikipedia, la enciclopedia libre
Saltar a navegación Saltar a búsqueda
Para una cobertura más amplia de este tema, consulte Modelo atmosférico .
Se muestra una cuadrícula para un modelo meteorológico numérico. La cuadrícula divide la superficie de la Tierra a lo largo de meridianos y paralelos, y simula el grosor de la atmósfera apilando celdas de la cuadrícula lejos del centro de la Tierra. Un recuadro muestra los diferentes procesos físicos analizados en cada celda de la cuadrícula, como advección, precipitación, radiación solar y enfriamiento radiativo terrestre.
Los modelos meteorológicos utilizan sistemas de ecuaciones diferenciales basados ​​en las leyes de la física , que son en detalle el movimiento de fluidos , la termodinámica , la transferencia radiativa y la química , y utilizan un sistema de coordenadas que divide el planeta en una cuadrícula 3D. Los vientos , la transferencia de calor , la radiación solar , la humedad relativa , los cambios de fase del agua y la hidrología de la superficie se calculan dentro de cada celda de la cuadrícula, y las interacciones con las celdas vecinas se utilizan para calcular las propiedades atmosféricas en el futuro.

La predicción numérica del tiempo ( NWP ) utiliza modelos matemáticos de la atmósfera y los océanos para predecir el tiempo en función de las condiciones meteorológicas actuales. Aunque se intentó por primera vez en la década de 1920, no fue hasta la llegada de la simulación por computadora en la década de 1950 que las predicciones meteorológicas numéricas produjeron resultados realistas. Se ejecutan varios modelos de pronóstico mundial y regional en diferentes países de todo el mundo, utilizando como entradas las observaciones meteorológicas actuales transmitidas por radiosondas , satélites meteorológicos y otros sistemas de observación.

Los modelos matemáticos basados ​​en los mismos principios físicos se pueden utilizar para generar pronósticos meteorológicos a corto plazo o predicciones climáticas a largo plazo; estos últimos se aplican ampliamente para comprender y proyectar el cambio climático . Las mejoras realizadas a los modelos regionales han permitido mejoras significativas en la trayectoria de ciclones tropicales y los pronósticos de la calidad del aire ; sin embargo, los modelos atmosféricos funcionan mal en los procesos de manejo que ocurren en un área relativamente restringida, como los incendios forestales .

Manipular los vastos conjuntos de datos y realizar los complejos cálculos necesarios para la predicción numérica del tiempo moderna requiere algunas de las supercomputadoras más poderosas del mundo. Incluso con el poder cada vez mayor de las supercomputadoras, la habilidad de pronóstico de los modelos meteorológicos numéricos se extiende a solo unos seis días. Los factores que afectan la precisión de las predicciones numéricas incluyen la densidad y la calidad de las observaciones utilizadas como entrada para los pronósticos, junto con las deficiencias en los propios modelos numéricos. Se han desarrollado técnicas de posprocesamiento como las estadísticas de salida del modelo (MOS) para mejorar el manejo de errores en las predicciones numéricas.

Un problema más fundamental radica en la naturaleza caótica de las ecuaciones diferenciales parciales que gobiernan la atmósfera. Es imposible resolver estas ecuaciones con exactitud y los pequeños errores crecen con el tiempo (se duplica aproximadamente cada cinco días). El conocimiento actual es que este comportamiento caótico limita los pronósticos precisos a aproximadamente 14 días, incluso con datos de entrada precisos y un modelo impecable. Además, las ecuaciones diferenciales parciales utilizadas en el modelo deben complementarse con parametrizaciones de radiación solar , procesos húmedos (nubes y precipitación ), intercambio de calor., suelo, vegetación, agua superficial y los efectos del terreno. En un esfuerzo por cuantificar la gran cantidad de incertidumbre inherente que queda en las predicciones numéricas, los pronósticos por conjuntos se han utilizado desde la década de 1990 para ayudar a medir la confianza en el pronóstico y obtener resultados útiles en el futuro más lejos de lo que sería posible de otra manera. Este enfoque analiza múltiples pronósticos creados con un modelo de pronóstico individual o múltiples modelos.

Historia [ editar ]

Artículo principal: Historia de la predicción numérica del tiempo.
El panel de control principal de ENIAC en la Escuela de Ingeniería Eléctrica Moore operado por Betty Jennings y Frances Bilas .

La historia de la predicción numérica del tiempo comenzó en la década de 1920 gracias a los esfuerzos de Lewis Fry Richardson , quien utilizó procedimientos desarrollados originalmente por Vilhelm Bjerknes [1] para producir manualmente un pronóstico de seis horas para el estado de la atmósfera en dos puntos de Europa central. , tardando al menos seis semanas en hacerlo. [1] [2] No fue hasta el advenimiento de la computadora y las simulaciones por computadora que el tiempo de cálculo se redujo a menos que el período de pronóstico en sí. El ENIAC se utilizó para crear los primeros pronósticos meteorológicos por computadora en 1950, basados ​​en una aproximación muy simplificada de las ecuaciones que rigen la atmósfera. [3] [4]En 1954, el grupo de Carl-Gustav Rossby en el Instituto Meteorológico e Hidrológico Sueco utilizó el mismo modelo para producir el primer pronóstico operacional (es decir, una predicción de rutina para uso práctico). [5] La predicción meteorológica numérica operativa en los Estados Unidos comenzó en 1955 bajo la Unidad Numérica Conjunta de Predicción del Tiempo (JNWPU), un proyecto conjunto de la Fuerza Aérea , la Armada y la Oficina Meteorológica de los Estados Unidos . [6] En 1956, Norman Phillips desarrolló un modelo matemático que podía representar de manera realista patrones mensuales y estacionales en la troposfera; este se convirtió en el primer modelo climático exitoso . [7][8] Tras el trabajo de Phillips, varios grupos comenzaron a trabajar para crear modelos de circulación general . [9] El primer modelo climático de circulación general que combinó procesos oceánicos y atmosféricos se desarrolló a fines de la década de 1960 en el Laboratorio de Dinámica de Fluidos Geofísicos de la NOAA . [10]

A medida que las computadoras se han vuelto más poderosas, el tamaño de los conjuntos de datos iniciales ha aumentado y se han desarrollado modelos atmosféricos más nuevos para aprovechar la potencia informática adicional disponible. Estos modelos más nuevos incluyen procesos más físicos en las simplificaciones de las ecuaciones de movimiento en simulaciones numéricas de la atmósfera. [5] En 1966, Alemania Occidental y Estados Unidos comenzaron a producir pronósticos operativos basados ​​en modelos de ecuaciones primitivas , seguidos por el Reino Unido en 1972 y Australia en 1977. [1] [11] El desarrollo de modelos (regionales) de área limitada facilitó los avances en la predicción de las trayectorias de los ciclones tropicalesasí como la calidad del aire en las décadas de 1970 y 1980. [12] [13] A principios de la década de 1980, los modelos comenzaron a incluir las interacciones del suelo y la vegetación con la atmósfera, lo que condujo a pronósticos más realistas. [14]

El resultado de los modelos de pronóstico basados ​​en la dinámica atmosférica no puede resolver algunos detalles del clima cerca de la superficie de la Tierra. Como tal, en las décadas de 1970 y 1980 se desarrolló una relación estadística entre la salida de un modelo meteorológico numérico y las condiciones subsiguientes en el suelo, conocida como estadísticas de salida de modelo (MOS). [15] [16] A partir de la década de 1990, los pronósticos de conjuntos de modelos se han utilizado para ayudar a definir la incertidumbre del pronóstico y para ampliar la ventana en la que el pronóstico meteorológico numérico es viable en el futuro más lejos de lo que sería posible de otra manera. [17] [18] [19]

Inicialización [ editar ]

Los aviones de reconocimiento meteorológico, como este WP-3D Orion , proporcionan datos que luego se utilizan en pronósticos meteorológicos numéricos.

La atmósfera es fluida . Como tal, la idea de la predicción meteorológica numérica es muestrear el estado del fluido en un momento dado y usar las ecuaciones de dinámica de fluidos y termodinámica para estimar el estado del fluido en algún momento en el futuro. El proceso de ingresar datos de observación en el modelo para generar condiciones iniciales se llama inicialización . En tierra, los mapas del terreno disponibles en resoluciones de hasta 1 kilómetro (0,6 millas) a nivel mundial se utilizan para ayudar a modelar las circulaciones atmosféricas dentro de regiones de topografía accidentada, con el fin de representar mejor características como vientos de pendiente descendente, olas de montañay nubosidad relacionada que afecta la radiación solar entrante. [20] Las principales entradas de los servicios meteorológicos nacionales son las observaciones de dispositivos (llamados radiosondas ) en globos meteorológicos que miden varios parámetros atmosféricos y los transmite a un receptor fijo, así como a satélites meteorológicos . La Organización Meteorológica Mundial actúa para estandarizar la instrumentación, las prácticas de observación y la sincronización de estas observaciones en todo el mundo. Las estaciones informan cada hora en los informes METAR , [21] o cada seis horas en los informes SYNOP . [22] Estas observaciones están espaciadas irregularmente, por lo que son procesadas pormétodos de asimilación de datos y análisis objetivo, que realizan control de calidad y obtienen valores en ubicaciones utilizables por los algoritmos matemáticos del modelo. [23] A continuación, los datos se utilizan en el modelo como punto de partida para un pronóstico. [24]

Se utilizan diversos métodos para recopilar datos de observación para su uso en modelos numéricos. Los sitios lanzan radiosondas en globos meteorológicos que se elevan a través de la troposfera y llegan hasta la estratosfera . [25] La información de los satélites meteorológicos se utiliza cuando no se dispone de fuentes de datos tradicionales. Comercio proporciona informes de pilotos a lo largo de rutas de aviones [26] e informes de barcos a lo largo de rutas de envío. [27] Los proyectos de investigación utilizan aviones de reconocimiento para volar dentro y alrededor de los sistemas meteorológicos de interés, como los ciclones tropicales . [28] [29] Los aviones de reconocimiento también vuelan sobre los océanos abiertos durante la temporada fría hacia sistemas que causan una incertidumbre significativa en la orientación del pronóstico, o se espera que tengan un gran impacto de tres a siete días en el futuro sobre el continente río abajo. [30] El hielo marino comenzó a inicializarse en modelos de pronóstico en 1971. [31] Los esfuerzos para involucrar la temperatura de la superficie del mar en la inicialización del modelo comenzaron en 1972 debido a su papel en la modulación del clima en latitudes más altas del Pacífico. [32]

Computación [ editar ]

Artículo principal: modelo atmosférico
Un gráfico de pronóstico del pronóstico de 96 horas de 850 mbar de altura geopotencial y temperatura del Sistema de pronóstico global

Un modelo atmosférico es un programa de computadora que produce información meteorológica para tiempos futuros en ubicaciones y altitudes determinadas. Dentro de cualquier modelo moderno hay un conjunto de ecuaciones, conocidas como ecuaciones primitivas , que se utilizan para predecir el estado futuro de la atmósfera. [33] Estas ecuaciones, junto con la ley de los gases ideales, se utilizan para desarrollar los campos escalares de densidad , presión y temperatura potencial y el campo vectorial de la velocidad del aire (viento) de la atmósfera a lo largo del tiempo. Ecuaciones de transporte adicionales para contaminantes y otros aerosolestambién se incluyen en algunos modelos de alta resolución de ecuaciones primitivas. [34] Las ecuaciones utilizadas son ecuaciones diferenciales parciales no lineales que son imposibles de resolver exactamente a través de métodos analíticos, [35] con la excepción de unos pocos casos idealizados. [36] Por tanto, los métodos numéricos obtienen soluciones aproximadas. Los diferentes modelos utilizan diferentes métodos de solución: algunos modelos globales y casi todos los modelos regionales utilizan métodos de diferencias finitas para las tres dimensiones espaciales, mientras que otros modelos globales y algunos modelos regionales utilizan métodos espectrales para las dimensiones horizontales y métodos de diferencias finitas en la vertical. [35]

Estas ecuaciones se inicializan a partir de los datos del análisis y se determinan las tasas de cambio. Estas tasas de cambio predicen el estado de la atmósfera a corto plazo en el futuro; el incremento de tiempo para esta predicción se denomina paso de tiempo . Este estado atmosférico futuro se utiliza luego como punto de partida para otra aplicación de las ecuaciones predictivas para encontrar nuevas tasas de cambio, y estas nuevas tasas de cambio predicen la atmósfera en un paso de tiempo aún más hacia el futuro. Este paso de tiempo se repite hasta que la solución alcanza el tiempo de pronóstico deseado. La duración del paso de tiempo elegido dentro del modelo está relacionada con la distancia entre los puntos en la cuadrícula computacional y se elige para mantener la estabilidad numérica . [37] Los intervalos de tiempo para los modelos globales son del orden de decenas de minutos, [38] mientras que los intervalos de tiempo para los modelos regionales están entre uno y cuatro minutos. [39] Los modelos globales se ejecutan en diferentes momentos en el futuro. El UKMET modelo unificado se ejecuta seis días en el futuro, [40] mientras que el Centro Europeo para el Corto Plazo previsión del Tiempo ' Sistema de Pronóstico integrado y Medio Ambiente de Canadá ' s Global Modelo Multiescala Ambiental tanto se quedan a día diez en el futuro, [41 ] y el modelo del Sistema de Pronóstico Global ejecutado por el Centro de Modelado Ambientalse ejecuta dieciséis días en el futuro. [42] El resultado visual producido por una solución de modelo se conoce como gráfico de pronóstico o prog . [43]

Parametrización [ editar ]

Campo de cúmulos , que están parametrizados porque son demasiado pequeños para ser incluidos explícitamente en la predicción numérica del tiempo.
Artículo principal: Parametrización (clima)

Algunos procesos meteorológicos son demasiado pequeños o demasiado complejos para incluirlos explícitamente en los modelos numéricos de predicción del tiempo. La parametrización es un procedimiento para representar estos procesos relacionándolos con variables en las escalas que resuelve el modelo. Por ejemplo, las cuadrículas en los modelos meteorológicos y climáticos tienen lados que miden entre 5 kilómetros (3 millas) y 300 kilómetros (200 millas) de longitud. Una nube cúmulo típica tiene una escala de menos de 1 kilómetro (0,6 millas) y requeriría una cuadrícula aún más fina que esta para ser representada físicamente por las ecuaciones del movimiento de los fluidos. Por lo tanto, los procesos que tales nubesrepresentan son parametrizados, mediante procesos de diversa sofisticación. En los primeros modelos, si una columna de aire dentro de una cuadrícula modelo era condicionalmente inestable (esencialmente, la parte inferior era más cálida y húmeda que la parte superior) y el contenido de vapor de agua en cualquier punto dentro de la columna se saturaba, entonces se volcaría (la el aire cálido y húmedo comenzaría a ascender), y el aire en esa columna vertical se mezcló. Los esquemas más sofisticados reconocen que solo algunas partes de la caja pueden convencer y que ocurren arrastre y otros procesos. Los modelos meteorológicos que tienen cuadrículas con tamaños entre 5 y 25 kilómetros (3 y 16 millas) pueden representar explícitamente nubes convectivas, aunque necesitan parametrizar la microfísica de las nubes que ocurren a una escala más pequeña.[44] La formación denubes agran escala (tipo estrato ) tiene una base más física; se forman cuando la humedad relativa alcanza algún valor prescrito. Deben tenerse en cuenta los procesos de escala de subred. En lugar de asumir que las nubes se forman al 100% de humedad relativa, la fracción de nubes puede relacionarse con un valor crítico de humedad relativa menor al 100%, [45] reflejando la variación de la escala de subcuadrícula que ocurre en el mundo real.

La cantidad de radiación solar que llega al suelo, así como la formación de gotitas de nubes, ocurren a escala molecular, por lo que deben parametrizarse antes de que puedan incluirse en el modelo. El arrastre atmosférico producido por las montañas también debe parametrizarse, ya que las limitaciones en la resolución de los contornos de elevación producen subestimaciones significativas del arrastre. [46] Este método de parametrización también se realiza para el flujo de energía superficial entre el océano y la atmósfera, con el fin de determinar temperaturas realistas de la superficie del mar y el tipo de hielo marino que se encuentra cerca de la superficie del océano. [47] Se tiene en cuenta el ángulo solar y el impacto de múltiples capas de nubes. [48] El tipo de suelo, el tipo de vegetación y la humedad del suelo determinan cuánta radiación entra en el calentamiento y cuánta humedad se extrae a la atmósfera adyacente, por lo que es importante parametrizar su contribución a estos procesos. [49] Dentro de los modelos de calidad del aire, las parametrizaciones tienen en cuenta las emisiones atmosféricas de múltiples fuentes relativamente pequeñas (por ejemplo, carreteras, campos, fábricas) dentro de cuadrículas específicas. [50]

Dominios [ editar ]

Se muestra una sección transversal de la atmósfera sobre el terreno con una representación de coordenadas sigma. Los modelos de mesoescala dividen la atmósfera verticalmente utilizando representaciones similares a la que se muestra aquí.

El dominio horizontal de un modelo es global , que cubre toda la Tierra, o regional , que cubre solo una parte de la Tierra. Los modelos regionales (también conocidos como modelos de área limitada o LAM) permiten el uso de un espaciado de cuadrícula más fino que los modelos globales porque los recursos computacionales disponibles se concentran en un área específica en lugar de estar esparcidos por todo el mundo. Esto permite que los modelos regionales resuelvan explícitamente fenómenos meteorológicos de menor escala que no se pueden representar en la cuadrícula más gruesa de un modelo global. Los modelos regionales utilizan un modelo global para especificar condiciones en el borde de su dominio ( condiciones de frontera) con el fin de permitir que los sistemas de fuera del dominio del modelo regional se muevan a su área. La incertidumbre y los errores dentro de los modelos regionales son introducidos por el modelo global utilizado para las condiciones de frontera del borde del modelo regional, así como errores atribuibles al modelo regional en sí. [51]

Sistemas de coordenadas [ editar ]

Coordenadas horizontales [ editar ]

La posición horizontal puede expresarse directamente en coordenadas geográficas ( latitud y longitud ) para modelos globales o en coordenadas planas de proyección de mapa para modelos regionales. El servicio meteorológico alemán está utilizando para su modelo ICON global (modelo de circulación global icosaédrica no hidrostática) una cuadrícula basada en un icosaedro regular . Las celdas básicas de esta cuadrícula son triángulos en lugar de las cuatro celdas de las esquinas en una cuadrícula tradicional de latitud y longitud. La ventaja es que, a diferencia de una latitud-longitud, las celdas tienen el mismo tamaño en todas partes del mundo. La desventaja es que las ecuaciones en esta cuadrícula no rectangular son más complicadas.

Coordenadas verticales [ editar ]

La coordenada vertical se maneja de varias formas. El modelo de Lewis Fry Richardson de 1922 utilizó la altura geométrica ( ) como coordenada vertical. Los modelos posteriores sustituyeron la coordenada geométrica por un sistema de coordenadas de presión, en el que las alturas geopotenciales de las superficies de presión constante se convierten en variables dependientes , simplificando enormemente las ecuaciones primitivas. [52] Esta correlación entre los sistemas de coordenadas se puede hacer ya que la presión disminuye con la altura a través de la atmósfera terrestre . [53] El primer modelo utilizado para los pronósticos operativos, el modelo barotrópico de una sola capa, utilizó una sola coordenada de presión en el nivel de 500 milibares (aproximadamente 5.500 m (18.000 pies)), [3]y por tanto era esencialmente bidimensional. Los modelos de alta resolución, también llamados modelos de mesoescala , como el modelo de investigación y pronóstico del tiempo, tienden a utilizar coordenadas de presión normalizadas denominadas coordenadas sigma . [54] Este sistema de coordenadas recibe su nombre de la variable independiente utilizada para escalar las presiones atmosféricas con respecto a la presión en la superficie, y en algunos casos también con la presión en la parte superior del dominio. [55]

Estadísticas de salida del modelo [ editar ]

Artículo principal: Estadísticas de salida del modelo

Debido a que los modelos de pronóstico basados ​​en las ecuaciones de la dinámica atmosférica no determinan perfectamente las condiciones meteorológicas, se han desarrollado métodos estadísticos para intentar corregir los pronósticos. Se crearon modelos estadísticos basados ​​en los campos tridimensionales producidos por modelos meteorológicos numéricos, observaciones de superficie y las condiciones climatológicas para ubicaciones específicas. Estos modelos estadísticos se conocen colectivamente como las estadísticas de salida del modelo (MOS), [56] y fueron desarrollados por el Servicio Meteorológico Nacional para su serie de modelos de predicción del tiempo a finales de 1960. [15] [57]

Las estadísticas de salida del modelo difieren de la técnica de progresión perfecta , que asume que la salida de la guía de predicción numérica del tiempo es perfecta. [58] MOS puede corregir los efectos locales que el modelo no puede resolver debido a una resolución de cuadrícula insuficiente, así como a los sesgos del modelo. Debido a que MOS se ejecuta según su respectivo modelo global o regional, su producción se conoce como posprocesamiento. Los parámetros de pronóstico dentro de MOS incluyen temperaturas máximas y mínimas, porcentaje de probabilidad de lluvia dentro de un período de varias horas, cantidad de precipitación esperada, probabilidad de que la precipitación se congele en la naturaleza, probabilidad de tormentas eléctricas, nubosidad y vientos superficiales. [59]

Conjuntos [ editar ]

Artículo principal: Predicción por conjuntos
Arriba : Simulación del modelo de investigación y pronóstico meteorológico (WRF) de las pistas del huracán Rita (2005). Abajo : La propagación del pronóstico de conjunto de múltiples modelos de NHC.

En 1963, Edward Lorenz descubrió la naturaleza caótica de las ecuaciones de dinámica de fluidos involucradas en la predicción del tiempo. [60] Los errores extremadamente pequeños en la temperatura, los vientos u otras entradas iniciales dadas a los modelos numéricos se amplificarán y duplicarán cada cinco días, [60] haciendo imposible que los pronósticos a largo plazo (los realizados con más de dos semanas de anticipación) puedan predecir el estado de la atmósfera con cualquier grado de habilidad de pronóstico . Además, las redes de observación existentes tienen poca cobertura en algunas regiones (por ejemplo, sobre grandes masas de agua como el Océano Pacífico), lo que introduce incertidumbre en el verdadero estado inicial de la atmósfera. Mientras que un conjunto de ecuaciones, conocido comoLas ecuaciones de Liouville , existen 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. [61] Estas incertidumbres limitan la precisión del modelo de pronóstico a unos cinco o seis días en el futuro. [62] [63]

Edward Epstein reconoció en 1969 que la atmósfera no se podía describir completamente con una sola ejecución de pronóstico debido a la incertidumbre inherente, y propuso usar un conjunto de simulaciones estocásticas de Monte Carlo para producir medias y variaciones para el estado de la atmósfera. [64] Aunque este ejemplo temprano de un conjunto demostró habilidad, en 1974 Cecil Leith demostró que producían pronósticos adecuados solo cuando la distribución de probabilidad del conjunto era una muestra representativa de la distribución de probabilidad en la atmósfera. [sesenta y cinco]

Desde la década de 1990, los pronósticos por conjuntos se han utilizado operativamente (como pronósticos de rutina) para tener en cuenta la naturaleza estocástica de los procesos meteorológicos, es decir, para resolver su incertidumbre inherente. Este método implica analizar múltiples pronósticos creados con un modelo de pronóstico individual mediante el uso de diferentes parametrizaciones físicas o condiciones iniciales variables. [61] A partir de 1992 con pronósticos conjuntos preparados por el Centro Europeo de Pronósticos Meteorológicos a Mediano Plazo (ECMWF) y los Centros Nacionales de Predicción Ambiental., los pronósticos de conjuntos de modelos se han utilizado para ayudar a definir la incertidumbre del pronóstico y para ampliar la ventana en la que el pronóstico meteorológico numérico es viable en el futuro más lejos de lo que sería posible de otra manera. [17] [18] [19] El modelo ECMWF, el Sistema de predicción por conjuntos, [18] utiliza vectores singulares para simular la densidad de probabilidad inicial , mientras que el conjunto NCEP, el Sistema global de predicción por conjuntos, utiliza una técnica conocida como reproducción de vectores . [17] [19] La Oficina Meteorológica del Reino Unido ejecuta pronósticos conjuntos globales y regionales en los que se producen perturbaciones en las condiciones iniciales utilizando un filtro de Kalman .[66] Hay 24 miembros de conjunto en el Sistema de predicción de conjuntos global y regional de Met Office (MOGREPS).

En un enfoque basado en un solo modelo, el pronóstico de conjunto generalmente se evalúa en términos de un promedio de los pronósticos individuales con respecto a una variable de pronóstico, así como el grado de acuerdo entre varios pronósticos dentro del sistema de conjunto, representado por su dispersión general. La propagación del conjunto se diagnostica mediante herramientas como los diagramas de espagueti , que muestran la dispersión de una cantidad en las tablas 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 extensión del conjunto sea demasiado pequeña para incluir el clima que realmente ocurre, lo que puede llevar a que los pronosticadores diagnostiquen erróneamente la incertidumbre del modelo; [67]este problema se vuelve particularmente severo para los pronósticos del tiempo con diez días de anticipación. [68] Cuando la dispersión del conjunto es pequeña y las soluciones de pronóstico son consistentes dentro de múltiples ejecuciones del modelo, los pronosticadores perciben más confianza en la media del conjunto y en el pronóstico en general. [67] A pesar de esta percepción, una relación de dispersión de habilidades es a menudo débil o no se encuentra, ya que las correlaciones de dispersión de error son normalmente menores de 0,6 y solo en circunstancias especiales oscilan entre 0,6 y 0,7. [69] La relación entre la dispersión por conjuntos y la habilidad de pronóstico varía sustancialmente dependiendo de factores tales como el modelo de pronóstico y la región para la cual se hace el pronóstico.

De la misma manera que se pueden utilizar muchos pronósticos de un solo modelo para formar un conjunto, también se pueden combinar varios modelos para producir un pronóstico de conjunto. Este enfoque se denomina pronóstico de conjuntos de modelos múltiples y se ha demostrado que mejora los pronósticos en comparación con un enfoque basado en un solo modelo. [70] Los modelos dentro de un conjunto de múltiples modelos pueden ajustarse para sus diversos sesgos, que es un proceso conocido como pronóstico de superensamble . Este tipo de pronóstico reduce significativamente los errores en la salida del modelo. [71]

Aplicaciones [ editar ]

Modelado de la calidad del aire [ editar ]

Ver también: Modelado de dispersión atmosférica

El pronóstico de la calidad del aire intenta predecir cuándo las concentraciones de contaminantes alcanzarán niveles peligrosos para la salud pública. La concentración de contaminantes en la atmósfera está determinada por su transporte , o velocidad media de movimiento a través de la atmósfera, su difusión , transformación química y deposición en el suelo . [72] Además de la fuente de contaminantes y la información del terreno, estos modelos requieren datos sobre el estado del flujo de fluido en la atmósfera para determinar su transporte y difusión. [73] Condiciones meteorológicas como inversiones térmicaspuede evitar que el aire de la superficie se eleve, atrapando contaminantes cerca de la superficie, [74] lo que hace que los pronósticos precisos de tales eventos sean cruciales para el modelado de la calidad del aire. Los modelos de calidad del aire urbano requieren una malla computacional muy fina, que requiere el uso de modelos meteorológicos de mesoescala de alta resolución; A pesar de esto, la calidad de la guía meteorológica numérica es la principal incertidumbre en los pronósticos de la calidad del aire. [73]

Modelado climático [ editar ]

Ver también: Modelo climático global

Un modelo de circulación general (GCM) es un modelo matemático que se puede utilizar en simulaciones por computadora de la circulación global de una atmósfera planetaria o un océano. Un modelo de circulación general atmosférica (AGCM) es esencialmente lo mismo que un modelo de predicción meteorológica numérica global, y algunos (como el que se utiliza en el modelo unificado del Reino Unido) se pueden configurar tanto para pronósticos meteorológicos a corto plazo como para predicciones climáticas a largo plazo. . Junto con el hielo marino y los componentes de la superficie terrestre, los AGCM y los GCM oceánicos (OGCM) son componentes clave de los modelos climáticos globales y se aplican ampliamente para comprender el clima y proyectar el cambio climático.. Para aspectos del cambio climático, una variedad de escenarios de emisiones químicas artificiales se pueden incorporar a los modelos climáticos para ver cómo un efecto invernadero mejorado modificaría el clima de la Tierra. [75] Las versiones diseñadas para aplicaciones climáticas con escalas de tiempo de décadas a siglos fueron creadas originalmente en 1969 por Syukuro Manabe y Kirk Bryan en el Laboratorio de Dinámica de Fluidos Geofísicos en Princeton, Nueva Jersey . [76] Cuando se ejecutan durante varias décadas, las limitaciones computacionales significan que los modelos deben usar una grilla gruesa que deja sin resolver las interacciones de menor escala. [77]

Modelado de la superficie del océano [ editar ]

NOAA Wavewatch III pronóstico de viento y oleaje de 120 horas para el Atlántico norte
Artículos principales: pronóstico del tiempo marino , dinámica oceánica y modelo de olas de viento

La transferencia de energía entre el viento que sopla sobre la superficie de un océano y la capa superior del océano es un elemento importante en la dinámica de las olas. [78] La ecuación de transporte de ondas espectrales se utiliza para describir el cambio en el espectro de ondas sobre la topografía cambiante. Simula la generación de ondas, el movimiento de las ondas (propagación dentro de un fluido), la acumulación de ondas , la refracción , la transferencia de energía entre ondas y la disipación de ondas. [79] Dado que los vientos superficiales son el mecanismo de fuerza principal en la ecuación de transporte de ondas espectrales, los modelos de ondas oceánicas utilizan información producida por modelos numéricos de predicción meteorológica como entradas para determinar cuánta energía se transfiere de la atmósfera a la capa en la superficie del océano. Junto con la disipación de energía a través de capas blancas y la resonancia entre las olas, los vientos superficiales de los modelos meteorológicos numéricos permiten predicciones más precisas del estado de la superficie del mar. [80]

Pronóstico de ciclones tropicales [ editar ]

Ver también: Modelo de pronóstico de ciclones tropicales

La predicción de ciclones tropicales también se basa en datos proporcionados por modelos meteorológicos numéricos. Existen tres clases principales de modelos de guía de ciclones tropicales : Los modelos estadísticos se basan en un análisis del comportamiento de las tormentas utilizando la climatología y correlacionan la posición y la fecha de una tormenta para producir un pronóstico que no se basa en la física de la atmósfera en ese momento. Los modelos dinámicos son modelos numéricos que resuelven las ecuaciones que gobiernan el flujo de fluidos en la atmósfera; se basan en los mismos principios que otros modelos numéricos de predicción del tiempo de área limitada, pero pueden incluir técnicas computacionales especiales, como dominios espaciales refinados que se mueven junto con el ciclón. Los modelos que utilizan elementos de ambos enfoques se denominan modelos estadístico-dinámicos. [81]

En 1978, comenzó a funcionar el primer modelo de seguimiento de huracanes basado en la dinámica atmosférica, el modelo de malla fina móvil (MFM). [12] Dentro del campo de la predicción de la trayectoria de ciclones tropicales , a pesar de la guía de modelos dinámicos en constante mejora que se produjo con un mayor poder computacional, no fue hasta la década de 1980 cuando la predicción numérica del tiempo mostró habilidad , y hasta la década de 1990 cuando superó sistemáticamente las estadísticas o modelos dinámicos simples. [82] Las predicciones de la intensidad de un ciclón tropical basadas en la predicción numérica del tiempo continúan siendo un desafío, ya que los métodos estadísticos continúan mostrando una mayor habilidad que la guía dinámica.[83]

Modelado de incendios forestales [ editar ]

Ver también: modelado de incendios forestales
Un modelo simple de propagación de incendios forestales

A escala molecular, hay dos procesos de reacción principales en competencia involucrados en la degradación de la celulosa , o combustibles de madera, en los incendios forestales . Cuando hay poca humedad en una fibra de celulosa, se produce la volatilización del combustible; este proceso generará productos gaseosos intermedios que finalmente serán la fuente de combustión . Cuando hay humedad, o cuando se aleja suficiente calor de la fibra, se produce la carbonización . La cinética químicaAmbas reacciones indican que hay un punto en el que el nivel de humedad es lo suficientemente bajo — y / o las velocidades de calentamiento lo suficientemente altas — para que los procesos de combustión se vuelvan autosuficientes. En consecuencia, los cambios en la velocidad, la dirección, la humedad, la temperatura o la tasa de caída del viento en diferentes niveles de la atmósfera pueden tener un impacto significativo en el comportamiento y el crecimiento de un incendio forestal. Dado que el incendio forestal actúa como una fuente de calor para el flujo atmosférico, el incendio forestal puede modificar los patrones de advección locales , introduciendo un circuito de retroalimentación entre el fuego y la atmósfera. [84]

Un modelo bidimensional simplificado para la propagación de incendios forestales que utilizó la convección para representar los efectos del viento y el terreno, así como la transferencia de calor radiativo como el método dominante de transporte de calor, condujo a sistemas de reacción-difusión de ecuaciones diferenciales parciales . [85] [86] Los modelos más complejos unen modelos meteorológicos numéricos o modelos de dinámica de fluidos computacionales con un componente de incendios forestales que permiten estimar los efectos de retroalimentación entre el fuego y la atmósfera. [84] La complejidad adicional en la última clase de modelos se traduce en un aumento correspondiente en los requisitos de energía de sus computadoras. De hecho, un tratamiento tridimensional completo de la combustión mediante simulación numérica directa a escalas relevantes para el modelado atmosférico no es práctico en la actualidad debido al costo computacional excesivo que requeriría tal simulación. Los modelos meteorológicos numéricos tienen una habilidad de pronóstico limitada en resoluciones espaciales de menos de 1 kilómetro (0,6 millas), lo que obliga a modelos complejos de incendios forestales a parametrizar el incendio para calcular cómo los vientos serán modificados localmente por el incendio forestal, y utilizar esos vientos modificados para determinar el velocidad a la que el fuego se propagará localmente. [87] [88] [89] Aunque modelos comoFIRETEC de Los Alamos resuelve las concentraciones de combustible y oxígeno , la cuadrícula computacional no puede ser lo suficientemente fina para resolver la reacción de combustión, por lo que se deben hacer aproximaciones para la distribución de temperatura dentro de cada celda de la cuadrícula, así como para las velocidades de reacción de combustión en sí mismas.

Ver también [ editar ]

  • Física atmosférica
  • Termodinámica atmosférica
  • Modelo de pronóstico de ciclones tropicales
  • Tipos de modelos atmosféricos

Referencias [ editar ]

  1. ↑ a b c Lynch , Peter (marzo de 2008). "Los orígenes de la predicción meteorológica por computadora y el modelado climático" (PDF) . Revista de Física Computacional . 227 (7): 3431–44. Código bibliográfico : 2008JCoPh.227.3431L . doi : 10.1016 / j.jcp.2007.02.034 . Archivado desde el original (PDF) el 8 de julio de 2010 . Consultado el 23 de diciembre de 2010 .
  2. ^ Lynch, Peter (2006). "Predicción del tiempo por proceso numérico". La aparición de la predicción meteorológica numérica . Prensa de la Universidad de Cambridge . págs.  1 –27. ISBN 978-0-521-85729-1.
  3. ^ a b Charney, Jule ; Fjørtoft, Ragnar ; von Neumann, John (noviembre de 1950). "Integración numérica de la ecuación de vorticidad barotrópica" . Tellus . 2 (4): 237. Bibcode : 1950TellA ... 2..237C . doi : 10.3402 / tellusa.v2i4.8607 .
  4. ^ Cox, John D. (2002). Vigilantes de tormentas . John Wiley & Sons, Inc. pág. 208 . ISBN 978-0-471-38108-2.
  5. ^ a b Harper, Kristine; Uccellini, Louis W .; Kalnay, Eugenia; Carey, Kenneth; Morone, Lauren (mayo de 2007). "2007: 50 aniversario de la predicción meteorológica numérica operativa" . Boletín de la Sociedad Meteorológica Estadounidense . 88 (5): 639–650. Código bibliográfico : 2007BAMS ... 88..639H . doi : 10.1175 / BAMS-88-5-639 .
  6. ^ Instituto Americano de Física (25 de marzo de 2008). "Modelado de circulación general atmosférica" . Archivado desde el original el 25 de marzo de 2008 . Consultado el 13 de enero de 2008 .
  7. ^ Phillips, Norman A. (abril de 1956). "La circulación general de la atmósfera: un experimento numérico". Revista trimestral de la Royal Meteorological Society . 82 (352): 123-154. Código bibliográfico : 1956QJRMS..82..123P . doi : 10.1002 / qj.49708235202 .
  8. ^ Cox, John D. (2002). Vigilantes de tormentas . John Wiley & Sons, Inc. pág. 210 . ISBN 978-0-471-38108-2.
  9. ^ Lynch, Peter (2006). "Las Integraciones ENIAC". La aparición de la predicción meteorológica numérica . Prensa de la Universidad de Cambridge . pp.  206 -208. ISBN 978-0-521-85729-1.
  10. ^ Administración Nacional Oceánica y Atmosférica (22 de mayo de 2008). "El primer modelo climático" . Consultado el 8 de enero de 2011 .
  11. ^ Leslie, LM; Dietachmeyer, GS (diciembre de 1992). "Predicción numérica del tiempo de área limitada en tiempo real en Australia: una perspectiva histórica" (PDF) . Revista Meteorológica Australiana . 41 (SP): 61–77 . Consultado el 3 de enero de 2011 .
  12. ↑ a b Shuman, Frederick G. (septiembre de 1989). "Historia de la predicción numérica del tiempo en el Centro Meteorológico Nacional" . Clima y pronóstico . 4 (3): 286-296. Código Bibliográfico : 1989WtFor ... 4..286S . doi : 10.1175 / 1520-0434 (1989) 004 <0286: HONWPA> 2.0.CO; 2 .
  13. ^ Steyn, DG (1991). Modelización de la contaminación atmosférica y su aplicación VIII, Volumen 8 . Birkhäuser. págs. 241–242. ISBN 978-0-306-43828-8.
  14. ^ Xue, Yongkang; Fennessey, Michael J. (20 de marzo de 1996). "Impacto de las propiedades de la vegetación en la predicción del clima de verano de Estados Unidos" (PDF) . Revista de Investigaciones Geofísicas . 101 (D3): 7419. Código Bibliográfico : 1996JGR ... 101.7419X . CiteSeerX 10.1.1.453.551 . doi : 10.1029 / 95JD02169 . Archivado desde el original (PDF) el 10 de julio de 2010 . Consultado el 6 de enero de 2011 .  
  15. ↑ a b Hughes, Harry (1976). Guía de pronóstico de estadísticas de salida del modelo (PDF) . Centro de Aplicaciones Técnicas Ambientales de la Fuerza Aérea de los Estados Unidos. págs. 1-16.
  16. ^ Mejor, DL; Pryor, SP (1983). Sistemas de estadísticas de salida del modelo de servicio meteorológico aéreo . Air Force Global Weather Central. págs. 1–90.
  17. ^ a b c 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 . 
  18. ^ a b c "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 .
  19. ^ a b c 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 Bibliográfico : 1996QJRMS.122 ... 73M . doi : 10.1002 / qj.49712252905 .
  20. ^ Stensrud, David J. (2007). Esquemas de parametrización: claves para comprender los modelos numéricos de predicción meteorológica . Prensa de la Universidad de Cambridge. pag. 56. ISBN 978-0-521-86540-1.
  21. ^ Centro nacional de datos climáticos (20 de agosto de 2008). "Clave para las observaciones meteorológicas de superficie METAR" . Administración Nacional Oceánica y Atmosférica . Consultado el 11 de febrero de 2011 .
  22. ^ "Formato de datos SYNOP (FM-12): observaciones sinópticas de superficie" . UNISYS . 2008-05-25. Archivado desde el original el 30 de diciembre de 2007.
  23. ^ Krishnamurti, TN (enero de 1995). "Predicción numérica del tiempo". Revisión anual de mecánica de fluidos . 27 (1): 195–225. Código Bibliográfico : 1995AnRFM..27..195K . doi : 10.1146 / annurev.fl.27.010195.001211 .
  24. ^ "El sistema de asimilación de datos variables de WRF (WRF-Var)" . Corporación Universitaria de Investigaciones Atmosféricas . 2007-08-14. Archivado desde el original el 14 de agosto de 2007.
  25. ↑ Gaffen, Dian J. (7 de junio de 2007). "Observaciones de radiosondas y su uso en investigaciones relacionadas con SPARC" . Archivado desde el original el 7 de junio de 2007.
  26. ^ Ballish, Bradley A .; V. Krishna Kumar (noviembre de 2008). "Diferencias sistemáticas en las temperaturas de las aeronaves y radiosondas" (PDF) . Boletín de la Sociedad Meteorológica Estadounidense . 89 (11): 1689-1708. Código Bibliográfico : 2008BAMS ... 89.1689B . doi : 10.1175 / 2008BAMS2332.1 . Consultado el 16 de febrero de 2011 .
  27. ↑ National Data Buoy Center (28 de enero de 2009). "El plan de buques de observación voluntaria (VOS) de la OMM" . Administración Nacional Oceánica y Atmosférica . Consultado el 15 de febrero de 2011 .
  28. ^ Ala 403 (2011). "Los cazadores de huracanes" . 53 ° Escuadrón de Reconocimiento Meteorológico . Archivado desde el original el 24 de junio de 2012 . Consultado el 30 de marzo de 2006 .
  29. ↑ Lee, Christopher (8 de octubre de 2007). "Drone, los sensores pueden abrir camino hacia el ojo de la tormenta" . The Washington Post . Consultado el 22 de febrero de 2008 .
  30. ^ Administración Nacional Oceánica y Atmosférica (12 de noviembre de 2010). "NOAA despacha avión de investigación de alta tecnología para mejorar los pronósticos de tormentas de invierno" . Consultado el 22 de diciembre de 2010 .
  31. ^ Stensrud, David J. (2007). Esquemas de parametrización: claves para comprender los modelos numéricos de predicción meteorológica . Prensa de la Universidad de Cambridge . pag. 137. ISBN 978-0-521-86540-1.
  32. ^ Houghton, John Theodore (1985). El clima global . Archivo de Cambridge University Press. págs. 49–50. ISBN 978-0-521-31256-1.
  33. ^ Pielke, Roger A. (2002). Modelado meteorológico de mesoescala . Prensa académica . págs.  48 –49. ISBN 978-0-12-554766-6.
  34. ^ Pielke, Roger A. (2002). Modelado meteorológico de mesoescala . Prensa académica . pp.  18 -19. ISBN 978-0-12-554766-6.
  35. ↑ a b Strikwerda, John C. (2004). Esquemas de diferencias finitas y ecuaciones diferenciales parciales . SIAM. págs. 165-170. ISBN 978-0-89871-567-5.
  36. ^ Pielke, Roger A. (2002). Modelado meteorológico de mesoescala . Prensa académica . pag. 65 . ISBN 978-0-12-554766-6.
  37. ^ Pielke, Roger A. (2002). Modelado meteorológico de mesoescala . Prensa académica . pp.  285 -287. ISBN 978-0-12-554766-6.
  38. ^ Sunderam, VS; van Albada, G. Dick; Peter, MA; Sloot, JJ Dongarra (2005). Computational Science - ICCS 2005: 5th International Conference, Atlanta, GA, USA, 22-25 de mayo de 2005, Actas, Parte 1 . Saltador. pag. 132. ISBN 978-3-540-26032-5.
  39. ^ Zwieflhofer, Walter; Kreitz, Norbert; Centro Europeo de Previsiones Meteorológicas a Medio Plazo (2001). Desarrollos en teracomputación: actas del noveno taller del ECMWF sobre el uso de la computación de alto rendimiento en meteorología . World Scientific. pag. 276. ISBN 978-981-02-4761-4.CS1 maint: varios nombres: lista de autores ( enlace )
  40. ^ Chan, Johnny CL y Jeffrey D. Kepert (2010). Perspectivas globales sobre ciclones tropicales: de la ciencia a la mitigación . World Scientific. págs. 295-296. ISBN 978-981-4293-47-1. Consultado el 24 de febrero de 2011 .
  41. ^ Holton, James R. (2004). Introducción a la meteorología dinámica, Volumen 1 . Prensa académica. pag. 480. ISBN 978-0-12-354015-7. Consultado el 24 de febrero de 2011 .
  42. ^ Marrón, Molly E. (2008). Sistemas de alerta temprana y datos de teledetección . Sistemas de alerta temprana de hambrunas y datos de percepción remota . Saltador. pag. 121. bibcode : 2008fews.book ..... B . ISBN 978-3-540-75367-4. Consultado el 24 de febrero de 2011 .
  43. ^ Ahrens, C. Donald (2008). Fundamentos de la meteorología: una invitación a la atmósfera . Aprendizaje Cengage. pag. 244. ISBN 978-0-495-11558-8.
  44. ↑ Narita, Masami y Shiro Ohmori (6 de agosto de 2007). "3.7 Mejora de los pronósticos de precipitación mediante el modelo operativo no hidrostático de mesoescala con la parametrización convectiva de Kain-Fritsch y la microfísica de nubes" (PDF) . XII Congreso de Procesos de Mesoescala . Consultado el 15 de febrero de 2011 .
  45. ↑ Frierson, Dargan (14 de septiembre de 2000). "El esquema de parametrización de la nube de diagnóstico" (PDF) . Universidad de Washington . págs. 4-5. Archivado desde el original (PDF) el 1 de abril de 2011 . Consultado el 15 de febrero de 2011 .
  46. ^ Stensrud, David J. (2007). Esquemas de parametrización: claves para comprender los modelos numéricos de predicción meteorológica . Prensa de la Universidad de Cambridge. pag. 6. ISBN 978-0-521-86540-1.
  47. ^ McGuffie, K. y A. Henderson-Sellers (2005). Una cartilla de modelado climático . John Wiley e hijos. pag. 188. ISBN 978-0-470-85751-9.
  48. ^ Melʹnikova, Irina N. y Alexander V. Vasilyev (2005). Radiación solar de onda corta en la atmósfera terrestre: cálculo, observación, interpretación . Saltador. págs. 226–228. ISBN 978-3-540-21452-6.
  49. ^ Stensrud, David J. (2007). Esquemas de parametrización: claves para comprender los modelos numéricos de predicción meteorológica . Prensa de la Universidad de Cambridge. págs. 12-14. ISBN 978-0-521-86540-1.
  50. ^ Baklanov, Alexander, Sue Grimmond, Alexander Mahura (2009). Modelos meteorológicos y de calidad del aire para áreas urbanas . Saltador. págs. 11-12. ISBN 978-3-642-00297-7. Consultado el 24 de febrero de 2011 .CS1 maint: multiple names: authors list (link)
  51. ^ Warner, Thomas Tomkins (2010). Predicción numérica del tiempo y el clima . Prensa de la Universidad de Cambridge . pag. 259. ISBN 978-0-521-51389-0.
  52. ^ Lynch, Peter (2006). "Las ecuaciones fundamentales". La aparición de la predicción meteorológica numérica . Prensa de la Universidad de Cambridge . págs.  45 –46. ISBN 978-0-521-85729-1.
  53. ^ Ahrens, C. Donald (2008). Fundamentos de la meteorología: una invitación a la atmósfera . Aprendizaje Cengage. pag. 10. ISBN 978-0-495-11558-8.
  54. ^ Janjic, Zavisa; Gall, Robert; Pyle, Matthew E. (febrero de 2010). "Documentación científica para NMM Solver" (PDF) . Centro Nacional de Investigaciones Atmosféricas . págs. 12-13. Archivado desde el original (PDF) el 23 de agosto de 2011 . Consultado el 3 de enero de 2011 .
  55. ^ Pielke, Roger A. (2002). Modelado meteorológico de mesoescala . Prensa académica . pp.  131 -132. ISBN 978-0-12-554766-6.
  56. ^ Baum, Marsha L. (2007). Cuando la naturaleza golpea: desastres climáticos y la ley . Grupo editorial Greenwood. pag. 189. ISBN 978-0-275-22129-4.
  57. ^ Glahn, Harry R .; Lowry, Dale A. (diciembre de 1972). "El uso de estadísticas de salida del modelo (MOS) en la predicción meteorológica objetiva" . Revista de meteorología aplicada . 11 (8): 1203–1211. Código bibliográfico : 1972JApMe..11.1203G . doi : 10.1175 / 1520-0450 (1972) 011 <1203: TUOMOS> 2.0.CO; 2 .
  58. ^ Gultepe, Ismail (2007). Nubes de capa límite y niebla: visibilidad y pronóstico de niebla . Saltador. pag. 1144. ISBN 978-3-7643-8418-0. Consultado el 11 de febrero de 2011 .
  59. ^ Barry, Roger Graham; Chorley, Richard J. (2003). Atmósfera, tiempo y clima . Prensa de psicología. pag. 172. ISBN 978-0-415-27171-4. Consultado el 11 de febrero de 2011 .
  60. ↑ a b Cox, John D. (2002). Vigilantes de tormentas . John Wiley & Sons, Inc. págs.  222–224 . ISBN 978-0-471-38108-2.
  61. ↑ a b Manousos, Peter (19 de julio de 2006). "Sistemas de predicción de conjuntos" . Centro de Predicción Hidrometeorológica . Consultado el 31 de diciembre de 2010 .
  62. ^ Weickmann, Klaus; Jeff Whitaker; Andres Roubicek; 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 . Archivado desde el original el 28 de mayo de 2010 . Consultado el 16 de febrero de 2007 .
  63. ^ Chakraborty, Arindam (octubre de 2010). "La habilidad de los pronósticos de mediano plazo del ECMWF durante el año de la convección tropical 2008" . Revisión mensual del clima . 138 (10): 3787–3805. Código bibliográfico : 2010MWRv..138.3787C . doi : 10.1175 / 2010MWR3217.1 .
  64. ^ Epstein, ES (diciembre de 1969). "Predicción dinámica estocástica". Un Tellus . 21 (6): 739–759. Bibcode : 1969Tell ... 21..739E . doi : 10.1111 / j.2153-3490.1969.tb00483.x .
  65. ^ 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 .
  66. ^ "MOGREPS" . Met Office . Archivado desde el original el 22 de octubre de 2012 . Consultado el 1 de noviembre de 2012 .
  67. ↑ 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.
  68. ^ Palmer, TN ; Shutts, GJ; Hagedorn, R .; Doblas-Reyes, FJ; Jung, T .; Leutbecher, M. (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 .
  69. ^ Grimit, Eric P .; Mass, Clifford F. (octubre de 2004). "Redefinición de la relación de habilidades de extensión de conjunto desde una perspectiva probabilística" (PDF) . Universidad de Washington . Archivado desde el original (PDF) el 12 de octubre de 2008 . Consultado el 2 de enero de 2010 .
  70. ^ Zhou, Binbin; Du, Jun (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 .
  71. ^ Bastón, D .; Milelli, M. (12 de febrero de 2010). "Técnica multimodelo SuperEnsemble para pronósticos cuantitativos de precipitación en la región de Piemonte" (PDF) . Riesgos naturales y ciencias del sistema terrestre . 10 (2): 265. Código Bibliográfico : 2010NHESS..10..265C . doi : 10.5194 / nhess-10-265-2010 . Consultado el 2 de enero de 2011 .
  72. ^ Daly, Aaron y Paolo Zannetti (2007). Contaminación del aire ambiental (PDF) . La Escuela Árabe de Ciencia y Tecnología y el Instituto EnviroComp. pag. 16 . Consultado el 24 de febrero de 2011 .
  73. ↑ a b Baklanov, Alexander; Rasmussen, Alix; Fay, Barbara; Berge, Erik; Finardi, Sandro (septiembre de 2002). "Potencial y deficiencias de los modelos numéricos de predicción del tiempo en el suministro de datos meteorológicos para la predicción de la contaminación atmosférica urbana". Contaminación del agua, el aire y el suelo: enfoque . 2 (5): 43–60. doi : 10.1023 / A: 1021394126149 . S2CID 94747027 . 
  74. ^ Marshall, John; Plumb, R. Alan (2008). Dinámica de la atmósfera, los océanos y el clima: un texto introductorio . Ámsterdam: Elsevier Academic Press. págs.  44 –46. ISBN 978-0-12-558691-7.
  75. ^ Oficina australiana de estadísticas (2005). Anuario, Australia, número 87 . pag. 40 . Consultado el 18 de febrero de 2011 .
  76. ^ Celebración 200 de la Administración Nacional Oceánica y Atmosférica (22 de mayo de 2008). "El primer modelo climático" . Administración Nacional Oceánica y Atmosférica . Consultado el 20 de abril de 2010 .
  77. ^ Bridgman, Howard A., John E. Oliver, Michael H. Glantz (2006). El sistema climático global: patrones, procesos y teleconexiones . Prensa de la Universidad de Cambridge. págs. 284-289. ISBN 978-0-521-82642-6. Consultado el 18 de febrero de 2011 .CS1 maint: multiple names: authors list (link)
  78. ^ Chalikov, DV (agosto de 1978). "La simulación numérica de la interacción viento-ola". Revista de Mecánica de Fluidos . 87 (3): 561–82. Código bibliográfico : 1978JFM .... 87..561C . doi : 10.1017 / S0022112078001767 .
  79. ^ Lin, Pengzhi (2008). Modelado numérico de ondas de agua . Prensa de psicología. pag. 270. ISBN 978-0-415-41578-1.
  80. ^ Bender, Leslie C. (enero de 1996). "Modificación de la física y la numérica en un modelo de olas oceánicas de tercera generación" . Revista de tecnología atmosférica y oceánica . 13 (3): 726–750. Código Bibliográfico : 1996JAtOT..13..726B . doi : 10.1175 / 1520-0426 (1996) 013 <0726: MOTPAN> 2.0.CO; 2 .
  81. ^ Centro Nacional de Huracanes (julio de 2009). "Resumen técnico de los modelos de intensidad y seguimiento del Centro Nacional de Huracanes" (PDF) . Administración Nacional Oceánica y Atmosférica . Consultado el 19 de febrero de 2011 .
  82. ↑ Franklin, James (20 de abril de 2010). "Verificación del pronóstico del Centro Nacional de Huracanes" . Centro Nacional de Huracanes . Consultado el 2 de enero de 2011 .
  83. ^ Rappaport, Edward N .; Franklin, James L .; Ávila, Lixion A .; Baig, Stephen R .; Beven II, John L .; Blake, Eric S .; Burr, Christopher A .; Jiing, Jiann-Gwo; Juckins, Christopher A .; Knabb, Richard D .; Landsea, Christopher W .; Mainelli, Michelle; Mayfield, Max; McAdie, Colin J .; Pasch, Richard J .; Sisko, Christopher; Stewart, Stacy R .; Tribble, Ahsha N. (abril de 2009). "Avances y desafíos en el Centro Nacional de Huracanes". Clima y pronóstico . 24 (2): 395–419. Código Bibliográfico : 2009WtFor..24..395R . CiteSeerX 10.1.1.207.4667 . doi : 10.1175 / 2008WAF2222128.1 . 
  84. ↑ a b Sullivan, Andrew L. (junio de 2009). "Modelado de propagación de incendios de superficie forestal, 1990-2007. 1: Modelos físicos y cuasi-físicos". Revista internacional de incendios forestales . 18 (4): 349. arXiv : 0706.3074 . doi : 10.1071 / WF06143 . S2CID 16173400 . 
  85. ^ Asensio, MI y L. Ferragut (2002). "En un modelo de incendio forestal con radiación". Revista Internacional de Métodos Numéricos en Ingeniería . 54 (1): 137-157. Código bibliográfico : 2002IJNME..54..137A . doi : 10.1002 / nme.420 .
  86. ^ Mandel, Jan, Lynn S. Bennethum , Jonathan D. Beezley, Janice L. Coen , Craig C. Douglas, Minjeong Kim y Anthony Vodacek (2008). "Un modelo de incendios forestales con asimilación de datos". Matemáticas y Computación en Simulación . 79 (3): 584–606. arXiv : 0709.0086 . Código bibliográfico : 2007arXiv0709.0086M . doi : 10.1016 / j.matcom.2008.03.015 . S2CID 839881 . CS1 maint: multiple names: authors list (link)
  87. ^ Clark, TL, MA Jenkins, J. Coen y David Packham (1996). "Un modelo de fuego atmosférico acoplado: número de Froude convectivo y digitación dinámica" . Revista internacional de incendios forestales . 6 (4): 177-190. doi : 10.1071 / WF9960177 .CS1 maint: multiple names: authors list (link)
  88. ^ Clark, Terry L., Marry Ann Jenkins, Janice Coen y David Packham (1996). "Un modelo de fuego atmosférico acoplado: retroalimentación convectiva sobre la dinámica de la línea de fuego" . Revista de meteorología aplicada . 35 (6): 875–901. Código Bibliográfico : 1996JApMe..35..875C . doi : 10.1175 / 1520-0450 (1996) 035 <0875: ACAMCF> 2.0.CO; 2 .CS1 maint: multiple names: authors list (link)
  89. ^ Rothermel, Richard C. (enero de 1972). "Un modelo matemático para predecir la propagación del fuego en los incendios forestales" (PDF) . Servicio Forestal de los Estados Unidos . Consultado el 28 de febrero de 2011 .

Lectura adicional [ editar ]

  • Beniston, Martin (1998). De la turbulencia al clima: investigaciones numéricas de la atmósfera con una jerarquía de modelos . Berlín: Springer. ISBN 978-3-540-63495-9.
  • Kalnay, Eugenia (2003). Modelado atmosférico, asimilación de datos y previsibilidad . Modelado atmosférico . Prensa de la Universidad de Cambridge. pag. 364. bibcode : 2002amda.book ..... K . ISBN 978-0-521-79629-3.
  • Roulstone, Ian y Norbury, John (2013). Invisible in the Storm: el papel de las matemáticas en la comprensión del clima . Prensa de la Universidad de Princeton. ISBN 978-0691152721.
  • Thompson, Philip (1961). Análisis y predicción numérica del tiempo . Nueva York: The Macmillan Company.
  • Departamento de Comercio de Estados Unidos; Oceánico Nacional; Administración atmosférica; Servicio Meteorológico Nacional, eds. (1979). Manual N ° 1 del Servicio Meteorológico Nacional - Productos de fax . Washington, DC: Departamento de Comercio.

Enlaces externos [ editar ]

  • Actualización de la supercomputadora NOAA
  • Supercomputadoras NOAA
  • Laboratorio de Recursos del Aire
  • Centro de Meteorología Numérica y Oceanografía de la Flota
  • Centro Europeo de Previsiones Meteorológicas a Medio Plazo
  • Oficina Meteorológica del Reino Unido