Verificación del pronóstico numérico del modelo WRF para La Habana, Artemisa y Mayabeque. Estudio de casos

Área y casos de estudio

El territorio que abarca las provincias La Habana, Artemisa y Mayabeque, se caracteriza por un alto desarrollo económico, una alta densidad poblacional (solo La Habana cuenta con más de dos millones de habitantes) y un constante flujo de pasajeros. La región posee la mayor densidad de estaciones meteorológicas del país, con un total de diez. Estas razones, unido a la elevada ocurrencia de fenómenos meteorológicos y su impacto en la población, hacen que dicha región haya sido seleccionada para el desarrollo de la presente investigación.

La región de estudio fue dividida, para un mejor análisis, en tres zonas: costa norte, interior y costa sur (Figura 1). Esta división se realizó adaptando la regionalización del país establecida por Barcia et al. (2012)Barcia, S., Ballester, M., Cedeño, Y., García, E., González, J., & Regueira, V. (2012). Variabilidad espacio-temporal de las variables que intervienen en los pronósticos a corto plazo en Cuba. Informe de Proyecto: "Evaluación de los Pronósticos del Tiempo", Instituto de Meteorología., que toma en cuenta la influencia o no del régimen de brisas marinas, así como el comportamiento de las temperaturas extremas.

Fueron seleccionados para la investigación tres casos de estudio en los que se verificará el comportamiento del modelo (Tabla 1). El criterio de selección se basó en, a partir de las simulaciones del modelo disponibles, escoger casos que comprendieran diferentes tipos de fenómenos de escala sinóptica o de mesoescala que afectaron a la región de estudio, y determinar el comportamiento del modelo en cada una de las situaciones. Las variables meteorológicas analizadas fueron: presión atmosférica ajustada al nivel medio del mar, temperatura del aire a 2 metros, velocidad del viento a 10 metros y humedad relativa a 2 metros.

Configuración del modelo WRF

Se empleó el modelo de pronóstico numérico WRF con el núcleo dinámico ARW (Advanced Research WRF) en su versión 3.9. Para las simulaciones fueron utilizados dos dominios anidados. El dominio externo (dominio 1) fue construido con una resolución horizontal de 12 kilómetros y temporal de tres horas, mientras que el dominio anidado (dominio 2) fue diseñado con una resolución horizontal de cuatro kilómetros y temporal de una hora (Figura 2). Para la verificación fue utilizado el dominio de mayor resolución (4 km) para realizar un estudio más detallado de los fenómenos mesoescalares presentes en los casos de estudio.

Para las condiciones iniciales y de frontera fueron empleados datos de pronóstico del modelo global GFS (Global Forecast System), con resolución espacial de 0.25º y temporal de tres horas, a partir del horario de las 0000 UTC, con 36 horas de pronóstico, de las cuales solo serán empleadas 30 horas en la evaluación, descartando las seis primeras horas como parte del autoajuste del modelo.

Se probaron tres combinaciones de parametrizaciones de microfísica y cúmulo: esquema de microfísica WRF Single-Moment-5-class y esquema de cúmulos Grell-Freitas (WSM5-GF), esquema de microfísica Morrison double-moment (Morrison 2-M) y esquema de cúmulos no activado, y esquema de microfísica Lin et al. y esquema de cúmulos Kain-Fritcsh (Lin-KF). La Tabla 2 muestra algunas características de la configuración del WRF empleada.

Verificación puntual

Una vez concluidas las corridas se analizó la efectividad de las simulaciones efectuadas por el WRF mediante la comparación de la salida del modelo con las mediciones reales de las variables objeto de estudio. Para ello se empleó la metodología de verificación celda-punto, que permite comparar los valores de las observaciones puntuales con los valores pronosticados correspondientes a la celda donde se sitúa la observación. Se utilizó una interpolación lineal para obtener valores en todos los puntos donde hay observación.

Se promediaron los datos de las estaciones por cada zona (costa norte, interior y costa sur), y se tomaron las salidas del dominio de menor resolución (4 km) cada tres horas para hacerlas coincidir con las observaciones de las estaciones meteorológicas. Para la verificación del pronóstico de las variables se calcularon diversos índices estadísticos, con vista a determinar los errores del pronóstico para los casos de estudio seleccionados.

Fueron calculados el sesgo (BIAS) (1 $BIAS=\sum _{i=1}^N\frac{\left(P_i-O_i\right)}{N}$ ), el error absoluto medio (MAE) (2 $MAE=\sum _{i=1}^N\frac{\left|P_i-O_i\right|}{N}$ ), y el coeficiente de correlación de Pearson (3 $pcor=\frac{\sum _{i=1}^N\left(O_i-\stackrel{-}{O}\right)\left(P_i-\stackrel{-}{P}\right)}{std\left(O\right) std\left(P\right)}$ ). También se empleó el error relativo medio (MRE) (4 $MRE=\frac{1}{N}\sum _{i=1}^N\frac{\left(P_i-O_i\right)}{O_i}*100$ ) solo para la velocidad del viento, donde la significación del error fue alta en la mayoría de los casos. Estos estadígrafos permiten medir la precisión de la simulación, que es el promedio del grado de correspondencia entre pares individuales de valores pronosticados (P) y valores observados (O).

Donde:

$P_i$ es el valor pronosticado para el punto $i$

$O_i$ es el valor observado en el punto $i$

$\stackrel{-}{P}$ es el promedio de los valores pronosticados

$\stackrel{-}{O}$ es el promedio de los valores observados

$N$ es el número de valores analizados

$std$ es la desviación estándar

Caso de estudio: 21 de agosto de 2017

Sobre Cuba predominaba la influencia de las altas presiones oceánicas en superficie, imponiendo vientos de región este. El tránsito por los mares al sur de Cuba de una onda tropical (remanentes de la depresión tropical Harvey) inducía un flujo cálido y húmedo del segundo cuadrante en niveles bajos y medios que, en combinación con una baja fría superior sobre el este del golfo de México, el calentamiento diurno y las condiciones de inestabilidad presentes en el aire superior, favoreció la actividad convectiva en el horario de la tarde.

La presión atmosférica a nivel del mar presentó una marcha diaria caracterizada por mínimos a las 09:00 y las 18:00 UTC, y máximos entre a las 15:00 UTC y 03:00 UTC. Dicha marcha es reflejada por el modelo con ciertas dificultades, pronosticando de manera pronunciada el mínimo a las 21:00 UTC (Figura 3a). Todas las configuraciones tienden a subestimar el valor de la variable en gran parte del plazo de pronóstico, sobre todo a partir del segundo mínimo, que se refleja en los valores negativos de BIAS (Figura 3b), siendo Lin-KF la configuración que más dista del comportamiento real de la variable.

Al analizar las medidas de error, se aprecia que, a pesar de que las correlaciones son relativamente inferiores (valores entre 0.40 y 0.73) (Figura 3d) respecto a cómo el modelo se comporta generalmente con esta variable, los valores de MAE son pequeños y pocos significativos (entre 0.32 y 0.86 hPa, excepto para la configuración Lin-KF que presentó valores entre 0.77 y 1.42 hPa) (Figura 3c). La configuración que arroja los menores errores y mayores correlaciones es WSM5-GF, mientras que la costa sur es la de mayores errores.

La temperatura del aire presentó una marcha diaria caracterizada por mínimos a las 09:00 y 00:00 UTC y un máximo entre las 18:00 UTC. El modelo refleja el comportamiento de la variable, sobrestimando los valores a partir de las 18:00 UTC en adelante. Las mayores diferencias del modelo con respecto al comportamiento real de la variable se dan en el horario de las 00:00 UTC, coincidiendo con el valor mínimo de la temperatura (Figura 4a). Entre las configuraciones no existe una marcada diferencia, siendo WSM5-GF la de menores errores y mayores correlaciones. En todos los casos las correlaciones lineales son altas, con valores entre 0.87 y 0.94 (Figura 4d). Tanto el BIAS como el MAE aumentan de costa norte a costa sur, siendo, siendo esta última la de mayor significación del error (Figura 4b y 4c). Este resultado puede deberse a condiciones locales propias de la región, donde se producen intercambios a nivel de mesoescala que no son simulados por el modelo. También puede influir en el resultado el hecho de contar con solo dos estaciones, que además se encuentran alejadas de la costa, por lo que existe una combinación de condiciones de interior y costa sur.

El modelo reflejó con dificultad el comportamiento de la variable velocidad del viento, sobrestimando en gran medida los valores en todo el plazo de pronóstico y pronosticando un segundo máximo a las 21:00 UTC que no ocurrió en la realidad. Las mayores diferencias entre el pronóstico y el comportamiento real de la variable se dan en los horarios alejados de este máximo (Figura 5a). En todos los casos la significación del error es alta, con valores de MRE entre 224 y 621%. La configuración WSM5-GF presenta los menores valores de BIAS y MAE excepto para la costa sur (Figuras 5b y 5c). Las correlaciones presentan valores entre 0.39 y 0.58 para la costa norte, y entre 0.60 y 0.93 para el resto de la región (Figura 5d). El error aumenta de costa norte a costa sur, siendo la costa sur la de mayores dificultades en el pronóstico de esta variable.

La humedad relativa presentó un mínimo a las 18:00 UTC y máximos a las 9:00 y 00:00 UTC. El modelo refleja el comportamiento de la variable, sobrestimando los valores entre las 09:00 y las 18:00 UTC (Figura 6a). El BIAS presenta valores entre -0.02 y 0.87 %, excepto para la configuración Morrison 2-M, que mostró un BIAS negativo de -0.59 % para la región interior (Figura 6b). No existen diferencias significativas entre las tres configuraciones del modelo, con valores de MAE entre 2.87 y 4.91 % (Figura 6c). Los mayores errores se concentran hacia las costas, siendo mayor en la costa sur. La correlación es alta (entre 0.93 y 0.96), por lo que el modelo refleja en buena medida el comportamiento de la variable mediante una relación lineal (Figura 6d). Los altos valores de correlación, así como los errores poco significativos, evidencian el buen desempeño del modelo en la simulación de la variable humedad relativa en este caso de estudio.

Caso de estudio: 25 de octubre de 2017

A las 12:00 UTC, en el nivel de superficie, se extendía un frente frío desde una baja extratropical localizada sobre las inmediaciones de Nueva York, cruzando por las Bahamas septentrionales y la región occidental de Cuba (por delante una línea de tormentas eléctricas), hasta el golfo de Honduras. El paso de este sistema dio lugar a la influencia de las altas presiones de origen continental, imponiendo vientos de región norte.

La presión atmosférica a nivel del mar presentó una marcha diaria caracterizada por mínimos a las 09:00 y 21:00 UTC, y máximos a las 15:00 y 03:00 UTC. El valor de la presión presenta una tendencia al aumento posterior al paso del frente frío, con la llegada de las altas presiones de origen continental (Figura 7a). Dicha marcha es reflejada por el modelo, subestimando el valor máximo a las 15:00 UTC, fundamentalmente hacia la costa sur donde se obtienen valores de BIAS negativos (entre -0.07 y -0.21 hPa) (Figura 7b), y sobrestimando los valores a partir de las 06:00 UTC del día siguiente. Existen diferencias poco significativas entre las configuraciones del modelo y entre las regiones, siendo la costa norte la de mayores errores en el pronóstico, con valores de MAE entre 0.38 y 0.51 hPa (Figura 7c). Lin-KF resultó ser la mejor configuración para la costa norte y la zona interior, mientras que las correlaciones son altas en todos los casos (superiores a 0.90) (Figura 7d). Las altas correlaciones y los errores pequeños evidencian que el modelo es hábil en el pronóstico de la variable para este caso de estudio.

La temperatura del aire presentó una marcha diaria caracterizada por un mínimo a las 09:00 UTC, un máximo a las 18:00 UTC, y luego un descenso paulatino producto a la llegada de la masa de aire del anticiclón continental. El modelo refleja en buena medida este comportamiento, con una subestimación del valor de la variable entre las 18:00 y las 03:00 UTC (Figura 8a). Existen diferencias poco significativas entre las configuraciones. Los mayores errores tienen lugar hacia las costas, siendo la costa norte la de mayores errores, con valores de MAE entre 1.48 y 1.61 °C y de BIAS entre -1.48 y -1.61 °C. Los valores negativos de BIAS muestran que se subestima la variable en el interior y en la costa norte (Figuras 8b y 8c). Los errores pocos significativos y las correlaciones altas en todos los casos (entre 0.86 y 0.97) (Figura 8d), evidencian la habilidad del modelo en el pronóstico de la variable.

La velocidad del viento presentó una marcha diaria caracterizada por mínimos a las 06:00 y 09:00 UTC, y un máximo a las 15:00. El modelo refleja este comportamiento sobrestimando en buena medida el valor de la variable en todo el plazo de pronóstico, siendo las 18:00 UTC el horario de mayor sobrestimación cuando se pronostica un máximo que no ocurrió en la realidad (Figura 9a). Al analizar las medidas de error (BIAS y MAE) se aprecia que no existen diferencias significativas entre las configuraciones, siendo Morrison 2-M la configuración con mejores resultados para la costa norte y la zona interior (Figuras 9c y 9d). Las mejores correlaciones se dan hacia el interior y la costa sur (valores entre 0.86 y 0.98) (Figura 9d), sin embargo, la costa norte es la de mejor pronóstico por la baja significación de los errores, con valores de MRE entre 14.96 y 33.23 %. Hacia la zona interior el MRE toma valores entre 296.68 y 371.77 %.

La humedad relativa presentó una marcha diaria caracterizada por valores máximos a las 09:00 y 03:00 UTC, y un valor mínimo a las 18:00 UTC. El modelo refleja este comportamiento sobrestimando el valor de la variable (Figura 10a). Al analizar las medidas de error se aprecia que Lin-KF presenta los menores valores de BIAS (entre 0.65 y 8.76 %) y MAE (entre 4.69 y 8.97 %) (Figuras 10b y 10c). El error aumenta de costa sur a costa norte, siendo, por tanto, la costa norte la de mayor significación del error, precisamente hacia donde se dan las mayores precipitaciones al paso del frente frío. En todos los casos, las correlaciones son altas, con valores entre 0.84 y 0.94, lo que muestra que el modelo refleja bien el comportamiento de la variable a través de una relación lineal (Figura 10d).

Caso de estudio: 8 de octubre de 2018

A las 18:00 UTC el huracán Michael, categoría 1 en la escala Saffir-Simpson, ejercía su influencia sobre la región occidental de Cuba. El centro del sistema se ubicaba al oeste de la provincia de Pinar del Río, próximo al Cabo de San Antonio, y se encontraba bien estructurado en la vertical.

La presión atmosférica a nivel del mar presentó una marcha diaria caracterizada por una tendencia a la disminución del valor de la variable por la aproximación del huracán Michael, con valores mínimos a las 09:00 y a las 21:00 UTC, y máximos a las 12:00 y 03:00 UTC. Dicha marcha es reflejada por el modelo, subestimando el valor de la variable en todo el plazo de pronóstico, siendo la configuración Lin-KF la que mejor se aproxima al comportamiento real. Las mayores diferencias entre el pronóstico y la observación se dan en los horarios de los máximos (Figura 11a). Al analizar las medidas de error, se aprecia que los menores valores de BIAS (entre -0.29 y 0.70 hPa) y de MAE (entre 0.59 y 0.70 hPa) los posee la configuración Lin-KF (Figuras 11b y 11c), que a su vez posee las mejores correlaciones, con valores entre 0.83 y 0.87 (Figura 11d). El error aumenta ligeramente de costa norte a costa sur, siendo esta última la región donde el modelo tiene menor habilidad.

La temperatura del aire presentó una marcha diaria caracterizada por un mínimo a las 09:00 UTC y un máximo a las 18:00 UTC, para luego mantenerse con muy poca variación, producto a la nubosidad asociada al ciclón tropical. El modelo refleja este comportamiento, pero sobrestimando el valor de la variable, siendo significativa esta sobrestimación en el horario entre las 15:00 y las 00:00 UTC (Figura 12a). Al analizar las medidas de error se aprecia que existen diferencias pocos significativas entre las configuraciones, siendo Lin-KF la de menores valores de BIAS (entre 1.07 y 1.53 °C) y MAE (entre 1.07 y 1.60 °C) (Figuras 12b y 12c), y al mismo tiempo la de menores correlaciones. Los mayores errores tienen lugar hacia las costas, fundamentalmente hacia la costa sur. El índice de correlación presenta valores entre 0.88 y 0.97, por lo que el modelo refleja bien el comportamiento de la variable mediante una relación lineal (Figura 12d).

La velocidad del viento presentó una marcha diaria caracterizada por un mínimo a las 09:00 UTC, y un máximo a las 00:00 UTC. El modelo refleja con dificultades este comportamiento, sobrestimando en buena medida el valor de la variable en todo el plazo de pronóstico, y desplazando el máximo hacia las 21:00 UTC (Figura 13a). La significación del error es alta con valores de MRE entre 37.56 y 202.56%. Los errores son mayores hacia la zona interior, con valores de BIAS y de MAE entre 4.36 y 4.64 m/s, mientras que no existen diferencias significativas entre las configuraciones del modelo (Figuras 13b y 13c). Las correlaciones presentan valores entre 0.80 y 0.92, por lo que se refleja bien el comportamiento de la variable mediante una relación lineal (Figura 13d).

La humedad relativa se mantuvo por encima del 89 % durante todo el plazo de pronóstico, con mínimos a las 18:00 y las 03:00 UTC, y máximos a las 09:00 y 21:00 UTC. El modelo reflejó con ciertas dificultades este comportamiento, sobrestimando el valor de la variable durante todo el plazo de pronóstico, siendo significativa esta sobrestimación entre las 18:00 y las 00:00 UTC (Figura 14a). No existen diferencias significativas entre las configuraciones del modelo, siendo Lin-KF mejor para el pronóstico en la zona interior y la costa sur, con valores de BIAS entre -2.95 y -5.92 % (Figura 14b). El MAE presenta valores entre 4.10 y 9.77 % (Figura 14c), mientras que las correlaciones presentan valores entre 0.60 y 0.73 hacia la zona interior, y entre 0.33 y 0.50 hacia las costas, lo que demuestra las dificultades del modelo en la representación del comportamiento de la variable mediante una relación lineal (Figura 14d).