You are on page 1of 48

Pronsticos a corto y largo plazo, y de cambio de clima: Qu es posible segn la ciencia?

Eugenia Kalnay
University of Maryland
High Level Task Force for the Global Framework for Climate Services

15ava Reunin de la Asociacin Regional III de la OMM Bogot, 22-29 Septiembre 2010 Gracias por las imgenes de Geert Jan Van Oldenborgh (KNMI) y Joe Casola de la National Academy of Sciences

Pronsticos a mediano plazo, estacionales y de cambio de clima: cmo son posibles?


Charney introdujo el pronstico numrico del tiempo en 1950 Lorenz en 1963 mostr que hay un lmite de dos semanas para predecir el tiempo, an teniendo modelos y observaciones perfectas. Hay una contradiccin entre el limite de dos semanas y predicciones de meses? Es posible hacer proyecciones de cambio de clima?

ca. 1974

Charney

Lorenz

Pronsticos a mediano plazo, estacionales y de cambio de clima: por qu son posibles?


Cuando Lorenz mostr que debido al caos no se puede pronosticar el tiempo ms de dos semanas, los pronsticos en el HN tenan validez por menos de dos das. En el HS menos de un da. En ese momento la teora del caos solo tena inters acadmico. Pero la ciencia ha progresado muchsimo ahora nos estamos acercando al lmite de Lorenz

Pronsticos del tiempo: tiles si AC>60%

Lorenz (1963) introdujo la idea del caos, que limita a unos 15 das la predecibilidad del tiempo. En 1960, el pronstico a dos das era inservible en el HN, a un solo da en el HS Ahora son tiles por ms de una semana!

Las mejoras del pronstico numrico se deben a: Mejoras del modelo Mejoras de las observaciones Mejoras de la asimilacin de datos (4D-Var, y pronto EnKF) Los pronsticos para el HS son tan buenos como para el HN!

Pronstico Numrico del Tiempo


Creamos modelos para simular la atmsfera Las inestabilidades aumentan los errores del pronstico (CAOS). Los modelos necesitan condiciones iniciales (el anlisis de hoy) Las condiciones iniciales tienen errores Los errores crecen debido a las inestabilidades y a los errores del modelo TRUTH

FORECAST

Pronsticos de Ensamble
Creamos ensambles de pronsticos para simular la incertidumbre de los pronsticos. Debemos incluir: Incertidumbres en las condiciones iniciales (los errores en el anlisis de hoy) Incertidumbres en los modelos (deficiencias de los modelos)
FORECAST 2

FORECAST 3

FORECAST 1

Asimilacin de datos: Debemos continuar


mejorando observaciones, anlisis y modelos

OBSERVATIONS

forecasts

ANALYSIS

MODEL

ASIMILACION DE DATOS
forecast time observations

analysis

El anlisis combina el pronstico con las observaciones

ERA-Interim (4D-Var) vs. ERA-40 (3D-Var) (Dee, 2009)

ERA-Interim y ERA-40 usaron exactamente las mismas observaciones as que las mejoras reflejan 5 aos de desarrollo del modelo y asimilacin de datos.

DATA ASSIMILATION: EnKF


forecast time observations

analysis

Ensemble Kalman Filter


ensemble of forecasts ensemble of analyses observations

time

El anlisis combina el pronstico con las observaciones. Los ensambles dan la incertidumbre del pronstico y del anlisis: Dan la matriz de covariance del error entre todas las variables.

El EnKF da la incertidumbre en el anlisis!


(ALERA: AFES-LETKF Experimental Reanalysis)

and Takemasa Miyoshi

Cmo es posible pronosticar a largo plazo, ms all de la barrera de dos semanas?


Lorenz mostr que no es posible pronosticar ms de dos semanas porque la escala de las ondas de tiempo es de unos 5 das. Pero El Nio y la Oscilacin del Sur (ENSO) tiene una escala de tiempo mucho ms larga (aos). Esto introduce una fuente de predecibilidad ms all del lmite de dos semanas. Permiten predecir anomalas del clima, pero no predecir el tiempo.

Fuentes de predecibilidad
a largo plazo
El Nio y Oscilacin del Sur (ENSO, 6-12 meses) Oscilacin de Madden y Julian (MJO, 1-2 meses) Memoria de la tierra (e.g., humedad del suelo, nieve, 2-4 semanas) Volcanes que llegan a la estratsfera (1-2 aos) Memoria del ocano acoplado a la atmsfera (meses) Cambio de clima: algunas tendencias son claramente predecibles

MJO (verano austral)

El lmite de predecibilidad del tiempo es slo 2 semanas.


Que nos permite hacer pronsticos a largo plazo, o del impacto del cambio de clima? Hay otras fuentes de predecibilidad ms all de 2 semanas! Por ejemplo:
Humedad del suelo

2-4 semanas Escalas de tiempo 1-2 aos

Lluvia

2 semanas

Humedad del Suelo


El Nio Oscilacin del Sur (ENSO)

Otros ejemplos de fuentes de predecibilidad ms all de 2 semanas:


Erupciones volcnicas
Global Mean Temperature Anomaly (C)

meses a aos

1-2 meses

Oscilaciones de Madden-Julian (invierno austral)


20 das antes

Years After Eruption

10 das antes

Propagacion de anomalas estratosfricas

Durante el MJO mximo

2-3 semanas

Podemos predecir el impacto del cambio de clima?


El impacto de cambio de clima antropognico es tambien una fuente de predecibilidad a largo plazo (pero sera preferible no tener esta fuente!) Temperaturas record en 135 aos Procesos no estacionarios en el verano del HN (fros record en Bolivia y Argentina)

Prediccin de El Nio-Osc. del Sur


ENSO es una inestabilidad de la atmsfera acoplada al ocano. Tambin hay caos, pero ahora las escalas de tiempo de El Nio son estacionales, no de das. Como ocurri con el pronstico del tiempo, los mtodos estadsticos solan ser mejores que los modelos dinmicos acoplados para pronosticar ENSO. Esto se debe a que los mtodos estadsticos estn basados en un modelo perfecto: la naturaleza. Ahora, igual que con el pronstico del tiempo, los modelos dinmicos acoplados de la atmsfera y el ocano han mejorado tanto que los pronsticos dinmicos son mejores que los pronsticos estadsticos.

Progreso en la Prediccin de ENSO


! Las observaciones de las
boyas TAO/TRITON han sido cruciales en el progreso en los pronsticos de ENSO. ! Los modelos dinmicos eran mucho peores que los estadsticos. Ahora son mejores. ! El uso de ensambles de multimodelos tambin ayuda al pronstico.
19

Errors in Nino3.4 Predictions since 1962

Prediccin de ENSO, Mayo 2010

Pronsticos de modelos dinmicos

Pronsticos de modelos estadsticos

Prediccin de ENSO, Mayo 2010

Pronsticos de modelos dinmicos

Pronsticos de modelos estadsticos

Predicciones de ENSO (6 meses)

Los pronsticos dinmicos tienen conviccin!

Los pronsticos estadsticos se apagan con el tiempo

Quines predicen mejor ENSO?

NCEP CFS

ECMWF

Dos modelos acoplados dinmicos muy buenos: NCEP y ECMWF Dos modelos estadsticos muy buenos: CPC Anlogo Construdo y CPC Markov

CPC CA

CPC Markov

Podemos predecir el impacto del cambio de clima?


El impacto de cambio de clima antropognico es tambien una fuente de predecibilidad a largo plazo (pero sera preferible no tener esta fuente!) Temperaturas record en 135 aos Procesos no estacionarios en el verano del HN (fros record en Bolivia y Argentina)

Podemos predecir el impacto del cambio de clima?


El impacto de cambio de clima antropognico es tambin una fuente de predecibilidad a largo plazo (Pero ojal no la tuvieramos!)

Procesos no estacionarios: la tendencia es predecible

Podemos predecir el impacto del cambio de clima?


El impacto de cambio de clima antropognico es tambin una fuente de predecibilidad a largo plazo (Pero ojal no la tuvieramos!)

Procesos no estacionarios: la tendencia es predecible


JAL Pilot Kobayashi picture on 29 Aug 2007

Cmo podemos usar ENSO para predecir lluvias?


(Fuente: GJVO, KNMI)

En Julio y Agosto haba una Nia Fuerte (-1.5C anomala): Si la correlacin es roja (<0), esperamos lluvias fuertes

Anomalas de precipitacin en Julio y Agosto


(Fuente: GJVO, KNMI)

Anomalas de precipitacin en Julio y Agosto

Hay bastante acierto, especialmente en Mxico, Centroamrica, parte de Sudamrica, Indonesia y Australia

(Fuente: GJVO, KNMI)

Verificaciones de pronstico de ensamble


En Marzo el ensamble estaba de acuerdo que El Nio pasara a ser La Nia. En Junio el ensamble est confuso.
(Fuente: GJVO, KNMI)

Buen pronstico

Confusin del ensamble

IRI: pronsticos probabilsticos de ENSO


El pronstico en Agosto 10 asegura que hasta Marzo 11 seguir La Nia. Despus retorna a los probabilidades climatolgicas.

Pronsticos tormentas tropicales, Oct10-Marzo11


El ensamble multimodelo europeo predice una frecuencia de tormentas tropicales similar a las correlaciones de las tormentas con ENSO, excepto en el Pacfico Norte
(Fuente: GJVO, KNMI)

Verificacin del pronstico estacional de PNM


La anomala estacional (JJA2010) de la presin del nivel del mar del ensemble verifica razonablemente en el Pacfico y en la Antrctica, pero no en los continentes.
(Fuente: GJVO, KNMI)

Verificacin del pronstico estacional de T2m


La anomala (JJA2010) de la temperatura de superficie del ensemble est muy bien pronosticada, por lo menos en signo, excepto en Australia, Siberia y oeste de EEUU. Esta calidad de pronstico est asociada con la fuerte Nia.
(Fuente: GJVO, KNMI)

Verificacin del pronstico estacional de lluvias


La anomala (JJA2010) de lluvias del ensamble es razonable (ej., ms lluvia en Centroamerica, sequas en Sudamrica). Pronosticar lluvias a largo plazo es mucho ms dificil que pronosticar temperatura.

(Fuente: GJVO, KNMI)

Podemos predecir el impacto del cambio de clima?


Modelo de ECMWF forzado por crecientes temperaturas del mar Cambio de T2m Resolucin T159 ~ 100km Cambio de lluvias

Resolucin T1270 ~ 15km

Fuente: Jim Kinter

Podemos predecir el impacto del cambio de clima?


El impacto de cambio de clima antropognico es una importante fuente de predecibilidad a largo plazo. Tenemos confianza en ciertas proyecciones:

Podemos predecir el impacto del cambio de clima?


El impacto de cambio de clima antropognico es una importante fuente de predecibilidad a largo plazo. Tenemos confianza en ciertas proyecciones: "Habr ms calentamiento en el HN que en el HS, ms calentamiento en latitudes altas que en las tropicales, (ya estamos observando estos cambios).

Podemos predecir el impacto del cambio de clima?


El impacto de cambio de clima antropognico es una importante fuente de predecibilidad a largo plazo. Tenemos confianza en ciertas proyecciones: "Habr ms calentamiento en el HN que en el HS, ms calentamiento en latitudes altas que en las tropicales, (ya estamos observando estos cambios). "Las lluvias aumentarn en las zonas lluviosas y disminuirn en las zonas secas. (los ricos se hacen ms ricos) "Habr ms variabilidad y mayores extremos

Podemos predecir el impacto del cambio de clima?


El impacto de cambio de clima antropognico es una importante fuente de predecibilidad a largo plazo. Tenemos confianza en ciertas proyecciones: "Habr ms calentamiento en el HN que en el HS, ms calentamiento en latitudes altas que en las tropicales, (ya estamos observando estos cambios). "Las lluvias aumentarn en las zonas lluviosas y disminuirn en las zonas secas. (los ricos se hacen ms ricos) "Habr ms variabilidad y mayores extremos El hielo en el Artico esta en vas de desaparicin

Podemos predecir el impacto del cambio de clima?


El impacto de cambio de clima antropognico es una importante fuente de predecibilidad a largo plazo. Tenemos confianza en ciertas proyecciones: "Habr ms calentamiento en el HN que en el HS, ms calentamiento en latitudes altas que en las tropicales, (ya estamos observando estos cambios). "Las lluvias aumentarn en las zonas lluviosas y disminuirn en las zonas secas. (los ricos se hacen ms ricos) "Habr ms variabilidad y mayores extremos El hielo en el Artico esta en vas de desaparicin Los extremos climticos que hemos visto recientemente son compatibles con las predicciones de cambio de clima (ej., inundaciones en Pakistn, fros en Sud Amrica).

Podemos predecir el impacto del cambio de clima?


El impacto de cambio de clima antropognico es una importante fuente de predecibilidad a largo plazo. Tenemos confianza en ciertas proyecciones: "Habr ms calentamiento en el HN que en el HS, ms calentamiento en latitudes altas que en las tropicales, (ya estamos observando estos cambios). "Las lluvias aumentarn en las zonas lluviosas y disminuirn en las zonas secas. (los ricos se hacen ms ricos) "Habr ms variabilidad y mayores extremos El hielo en el Artico esta en vas de desaparicin Los extremos climticos que hemos visto recientemente son compatibles con las predicciones de cambio de clima (ej., inundaciones en Pakistn, fros en Sud Amrica). Pero no se puede hacer proyecciones a escalas pequeas debido a la variacin natural.

Resumen Pronstico del tiempo: 2 semanas de lmite de predecibilidad (Lorenz, 1963). Los errores del pronstico crecen debido a inestabilidades y de errores del modelo.

Resumen Pronstico del tiempo: 2 semanas de lmite de predecibilidad (Lorenz, 1963). Los errores del pronstico crecen debido a inestabilidades y de errores del modelo. Hemos aprendido a usar ensambles para el caos.

Resumen Pronstico del tiempo: 2 semanas de lmite de predecibilidad (Lorenz, 1963). Los errores del pronstico crecen debido a inestabilidades y de errores del modelo. Hemos aprendido a usar ensambles para el caos. Inestabilidades acopladas (El Nio): duran ms. Los mtodos estadsticos eran mejores que los modelos dinmicos, ahora los modelos son mejores

Resumen Pronstico del tiempo: 2 semanas de lmite de predecibilidad (Lorenz, 1963). Los errores del pronstico crecen debido a inestabilidades y de errores del modelo. Hemos aprendido a usar ensambles para el caos. Inestabilidades acopladas (El Nio): duran ms. Los mtodos estadsticos eran mejores que los modelos dinmicos, ahora los modelos son mejores Projecciones de cambio de clima: forzadas por los gases de invernadero y el uso de la tierra. Son ms predecibles si los escenarios usados para el forzante son razonables.

Resumen Pronstico del tiempo: 2 semanas de lmite de predecibilidad (Lorenz, 1963). Los errores del pronstico crecen debido a inestabilidades y de errores del modelo. Hemos aprendido a usar ensambles para el caos. Inestabilidades acopladas (El Nio): duran ms. Los mtodos estadsticos eran mejores que los modelos dinmicos, ahora los modelos son mejores Projecciones de cambio de clima: forzadas por los gases de invernadero y el uso de la tierra. Son ms predecibles si los escenarios usados para el forzante son razonables. Los modelos y observaciones an pueden mejorar mucho.

Todava hay mucho que hacer en el pronstico del tiempo y del clima: Debemos continuar mejorando las clima observaciones, anlisis y modelos acoplados.

OBSERVATIONS

forecasts

ANALYSIS

MODEL

Muchas Gracias!

You might also like