Revista Cubana de Meteorología 27, Apr-Jun , ISSN: 2664-0880
Artículo Original
 
Evaluación del pronóstico a mediano plazo de la componente atmosférica del SPNOA con datos de estaciones meteorológicas del INSMET
Evaluation of the medium-range forecasts of the atmospheric component of the SPNOA with data from meteorological stations of INSMET
 

iDEnrique Omar Sánchez Pérez1Departamento de Procesos Físicos, Instituto de Ciencias del Mar, Cuba*✉:enrique@icimar.cu

Lourdes Álvarez Escudero2Departamento de Procesos Físicos, Instituto de Ciencias del Mar, Cuba

iDAdrian Luis Ferrer Hernández2Departamento de Procesos Físicos, Instituto de Ciencias del Mar, Cuba

 

1Departamento de Procesos Físicos, Instituto de Ciencias del Mar, Cuba

2Centro de Física de la Atmósfera, Instituto de Meteorología, Cuba

 

*Autor para correspondencia: Enrique Omar Sánchez Pérez. Email: enrique@icimar.cu

 

RESUMEN

En la actualidad es de gran importancia la evaluación de los pronósticos numéricos del tiempo, debido a que es esta una forma muy eficiente de mejorar la exactitud de los mismos. En el presente trabajo se realizó la verificación del pronóstico medio del tiempo a mediano plazo para Cuba, entre 2015-2017, dado por el modelo de pronóstico numérico mesoescalar WRF (Weather Research and Forecasting), utilizado actualmente como la componente atmosférica del Sistema de Predicción Numérica Océano Atmósfera (SPNOA), sistema implementado en el Instituto de Meteorología (INSMET). Fueron escogidos, como patrón para la comparación, los datos de las observaciones de todas las estaciones meteorológicas del INSMET en el periodo 2015-2017, correspondientes a las variables atmosféricas: presión atmosférica ajustada al nivel medio del mar, temperatura del aire a 2 m, velocidad del viento a 10 m, humedad relativa a 2 m y acumulado de precipitación en superficie. Se utilizó la metodología de verificación celda-punto, donde se calcularon estadígrafos para caracterizar la habilidad de pronóstico con dicho modelo. Se obtuvo que el modelo WRF representa con mayor habilidad a la presión atmosférica ajustada al nivel medio del mar con un valor absoluto máximo de error relativo medio de 0,1 %, 6,8 % en la temperatura del aire a 2 m, 32,9 % en la humedad relativa, 60,8 % en la velocidad del viento a 10 m y 386,8 % en el acumulado de precipitaciones en superficie, siendo esta última la variable meteorológica que el modelo pronostica con menor habilidad.

Palabras Claves: 
Pronóstico a mediano plazo; Verificación puntual; WRF; Weather Research and Forecasting.
 
ABSTRACT

Currently, the evaluation of numerical weather forecasts is very important because it is a very efficient way to improve the accuracy of them. In the present investigation was made the verification of the medium-term mean weather forecast for Cuba, in 2015-2017, given by the numerical mesoscale forecast model WRF (Weather Research and Forecasting), which is currently used as the atmospheric component of the Numerical Atmospheric Ocean Prediction System (SPNOA), which was implemented in the Institute of Meteorology (INSMET). The data of the observations of all the INSMET meteorological stations in the period 2015-2017, corresponding to the atmospheric variables, were taken as a standard for comparison: mean sea level pressure, temperature at 2 m, wind speed at 10 m, relative humidity at 2 m and accumulated precipitation on the surface. The cell-point verification methodology was used, where statisticians were calculated to characterize the forecasting ability with that model. It was obtained that the WRF model represents with greater ability the atmospheric pressure at mean sea level with a maximum absolute value of relative error of 0.1%, 6.8% in the air temperature at 2 m, 32.9% in relative humidity, 60.8% in the wind speed at 10 m and 386.8% in the accumulated surface rainfall, the latter being the meteorological variable that the model predicts with the least ability.

Key words: 
Medium-term Forecasting; Point-to-Point Verification; WRF.
 
 
 
INTRODUCCIÓN

Para la predicción numérica del tiempo, en el Instituto de Meteorología de Cuba, se encuentra operativo el Sistema de Predicción Numérica Océano-Atmósfera (SPNOA). El sistema se basa en la combinación de un modelo atmosférico a mesoescala de última generación WRF (Weather Research and Forecasting), dos modelos de oleaje WAVEWATCH III (Third generation wave model, WW3), SWAN (Simulating Wave Nearshore) y un modelo de circulación oceánica ROMS (Regional Ocean Modeling System). Pronostica las principales variables atmosféricas y oceánicas (Pérez-Bello et al., 2019Pérez-Bello, A., Mitrani-Arenal, I., Díaz-Rodríguez, O. O., Wettre, C., & Hole, L. R. (2019). A numerical prediction system combining ocean , waves and atmosphere models in the Inter-American Seas and Cuba. 25(1), 109-120.), para un periodo de 84 horas y su esquema de corrida empieza por la solución de la componente atmosférica (WRF) que alimenta los modelos oceánicos, aunque no incluye una retroalimentación de los parámetros oceánicos sobre la componente atmosférica una vez que avanza la corrida del modelo.

Sin embargo, el desempeño de la componente atmosférica del SPNOA solo ha sido evaluada puntualmente para algunas variables meteorológicas y haciendo mayor énfasis en casos con presencia de ciclones tropicales (Pérez-Bello et al., 2019Pérez-Bello, A., Mitrani-Arenal, I., Díaz-Rodríguez, O. O., Wettre, C., & Hole, L. R. (2019). A numerical prediction system combining ocean , waves and atmosphere models in the Inter-American Seas and Cuba. 25(1), 109-120.). Por ello se hace necesario conocer cómo se comporta esta componente atmosférica ante otros tipos de eventos sinópticos y determinar los errores sistemáticos del mismo, lo cual puede ayudar a realizar correcciones del pronóstico mediante técnicas de post-procesamiento estadístico. Para esto se requiere de una verificación más completa de sus predicciones para variables como presión atmosférica ajustada al nivel medio del mar, temperatura del aire a 2 m, humedad relativa a 2 m, velocidad del viento a 10 m y acumulado de precipitación en superficie. Estas variables meteorológicas por su importante influencia en el comportamiento de los fenómenos atmosféricos y el estado diario de la atmósfera, son de interés por parte de los pronosticadores, la población y usuarios especializados como la Unión Eléctrica de Cuba, el Ministerio de la Agricultura, el Instituto de Recursos Hidráulicos y otros.

Para la presente investigación se traza como objetivo principal: evaluar el pronóstico numérico de las variables meteorológicas, obtenidas del modelo WRF en el SPNOA, con los registros de observaciones meteorológicas en los puntos determinados por la Red Nacional de Estaciones Meteorológicas del INSMET (Instituto de Meteorología). En específico, analizar el comportamiento promedio de las variables meteorológicas observadas y pronosticadas para un rango de 84 horas promedio de las simulaciones realizadas diariamente entre 2015-2017; calcular los errores del pronóstico medio nacional del modelo; analizar la significación de los errores obtenidos en la calidad del pronóstico numérico; determinar la relación de linealidad entre los valores medios pronosticados y los valores medios observados en cada plazo de estudio; comparar el comportamiento de los errores del pronóstico numérico, entre las dos corridas diarias promedio del modelo y entre sus dos dominios de resolución espacial.

Materiales y métodos
Fuentes de información

Las condiciones iniciales y de frontera se generaron a partir de los datos del modelo global GFS (Global Forecast System) con una resolución espacial de 0.5 º, para los ciclos de inicialización de las 00:00 y 12:00 UTC, con rangos de pronósticos de hasta 72 horas. Los datos iniciales del modelo GFS son tomados 2 veces al día de forma operativa por el sistema SPNOA desde la dirección web http://nomads.ncep.noaa.gov para inicializar el modelo y realizar las simulaciones como se describe en la Figura 2.1.

 
Figura 2.1.  Etapas en la ejecución del modelo WRF y su posterior verificación
 

Los datos de observaciones meteorológicas utilizados para la evaluación se obtuvieron en la base de datos del Centro del Clima del INSMET; estos corresponden a las observaciones realizadas por la red de estaciones meteorológicas del Instituto de Meteorología cuyas ubicaciones se precisan en la Figura 2.2.

 
Figura 2.2.  Red de estaciones meteorológicas de Cuba
 

Variables y periodo de estudio

Las variables meteorológicas analizadas fueron: la presión atmosférica ajustada al nivel medio del mar, temperatura del aire a 2 m, velocidad del viento a 10 m, humedad relativa a 2 m y acumulados de precipitación en superficie.

El modelo genera dos secuencias de pronóstico de 72 horas en cada día con horarios de inicio de las corridas del modelo a las 00:00 UTC y 12:00 UTC. Se obtuvieron 25 plazos por cada corrida del modelo para cada día en el periodo 2015-2017 (24 plazos de pronósticos y los campos de análisis de la inicialización), con diferencias de tres horas entre cada plazo consecutivo en una misma corrida. Fueron promediados todos los pronósticos obtenidos en cada día, haciendo coincidir los plazos con igual hora, lo que permitió obtener dos pronósticos promedio de 72 horas representativos del periodo de análisis, uno con inicio a las 00:00 UTC y otro a las 12:00 UTC. La unión de los 25 plazos promedios de cada corrida del modelo brinda un pronóstico diario medio de 84 horas a partir de las 00:00 UTC (29 plazos de pronóstico contando una vez los que coinciden en horario).

De manera similar, los datos observados en cada una de las estaciones meteorológicas fueron distribuidos en 29 plazos, haciéndolos coincidir con los horarios de las corridas del modelo. Estos valores obtenidos por cada uno de los días de análisis fueron promediados, lo que brindó el comportamiento de las variables meteorológicas analizadas en 84 horas promedio de observaciones representativas del periodo 2015-2017.

Configuración del WRF.

La componente atmosférica del SPNOA está constituida por el núcleo dinámico ARW del modelo WRF (versión 3.3.1) (Publicada en julio, 2009), con dos dominios anidados uno exterior y otro interior con resoluciones espaciales de 18 y 6 km respectivamente (Figura 3) para un total de 84 horas pronosticadas con intervalos de salidas cada 3 horas.

 
Figura 2.3.  Dominios de la configuración del modelo WRF de SPNOA
 

Método de verificación

La metodología empleada fue la celda-punto (Figura 2.4), utilizada cuando se dispone de una base de datos de observaciones puntuales (mediciones directas) provenientes de estaciones meteorológicas, sondeos atmosféricos, boyas y torres de gradiente. (Díaz Esteban & Díaz Rodríguez, 2012Díaz Esteban, Y., & Díaz Rodríguez, O. (2012). Evaluación del pronóstico numérico del tiempo a corto plazo para Cuba con el modelo de mesoescala MM5V3.)

 
Figura 2.4.  Esquema que representa el método de verificación celda-punto.
 

Se utilizó una interpolación lineal para las variables continuas, presión atmosférica ajustada al nivel medio del mar, temperatura del aire a 2 m, humedad relativa a 2 m y velocidad del viento a 10 m, e interpolación utilizando vecino más cercano para la variable discontinua, acumulado de precipitación en superficie.

Estadígrafos para la validación del pronóstico de las variables.

Para la validación presentada se optó por utilizar estadígrafos tales como la raíz del error medio cuadrático (RMSE), el error absoluto medio (MAE), el error relativo medio (MRE), la correlación de Pearson y el sesgo (BIAS). Estos estadígrafos permiten medir la precisión de la simulación (Apéndice A : Metodología Para La Evaluación Del Modelo de Pronóstico Meteorológico, 2005; Jolliffe & Stephenson, 2003Jolliffe, I. T. (University of A., & Stephenson, D. B. (University of R. (Eds.). (2003). Forescast verification. A practitioner’s guide in atmospheric science.).

El análisis de los resultados de las medias aritméticas de las variables meteorológicas de estudio durante los tres años, brinda una vista panorámica de cómo se comporta la media de las variables meteorológicas de estudio para toda Cuba. El análisis del sesgo muestra en qué plazos el modelo tiende a sobrestimar o subestimar el valor observado de la variable en igual horario.

Para la realización del presente trabajo, en la comparación con los datos de las estaciones meteorológicas del INSMET, fueron extraídas las variables estudiadas a partir de las salidas del modelo WRF en formato NetCDF, donde para cada punto de estación se emplearon métodos de interpolación lineal o vecino más cercano de acuerdo al tipo de variable. En el caso de los datos de observaciones se revisaron y filtraron los datos, principalmente la variable de presión atmosférica ajustada al nivel medio del mar y acumulado de precipitación en superficie, dado a que en la base de datos de observaciones se detectaron valores con inconsistencias físicas y fueron necesarios desecharlos y dejar de comparar con el pronóstico del modelo. Una vez obtenido todos los resultados de las interpolaciones en cada variable meteorológica, para cada estación y para cada plazo de tiempo en los pronósticos numéricos, se procedió a comparar estos con los valores de las observaciones meteorológicas previamente revisados. Posteriormente, fueron aplicados los estadígrafos anteriormente expuestos, lo cual permitió obtener los gráficos y tablas que se muestran en el presente trabajo.

Todos los métodos de filtrado y organización de los datos para su posterior evaluación, fueron implementados por el autor y colaboradores en lenguaje de programación Python 2.7.

Resultados
Evaluación puntual del pronóstico en 84 horas para todas las estaciones meteorológicas del país entre 2015-2017
Presión atmosférica ajustada al nivel medio del mar (PNM)

La presión atmosférica ajustada al nivel medio del mar, presenta una marcha diaria caracterizada por dos mínimos, 09:00 UTC y 21:00 UTC, y dos máximos, 15:00 UTC y 03:00 UTC (Instituto de Meteorología, 2006), lo cual coincide en las 84 horas de los días promedio en estudio. El modelo logra representar la mencionada marcha subestimando los valores de presión para todo el periodo. El mejor valor representado es el mínimo de las 21:00 horas. El máximo promedio de las 03:00 UTC es pronosticado en un plazo de 3 horas posterior al máximo observado promedio. Los valores extremos son pronosticados con los mayores errores (Anexo A1[a]; Figura 3.1.1).

El sesgo (BIAS) evidencia la tendencia del modelo a subestimar los valores máximos promedios pronosticados respecto a los valores promedios observados de la variable meteorológica en su marcha diaria y sobreestimar los mínimos; en ambos casos los valores de sesgo no sobrepasan el valor absoluto de 1 hPa para ningún plazo de pronóstico, por lo que realiza una buena representación numérica media de la variable. El sesgo de la variable meteorológica, para diferentes resoluciones y para corridas del modelo con diferentes horas de inicialización, no presenta diferencias significativas entre sí para todos los plazos de pronóstico de la presión atmosférica medida. Lo anterior demuestra que la precisión con la que el modelo puede predecir esta variable meteorológica es independiente de las resoluciones tomadas, así como de la hora de inicialización del mismo (Anexo A2[a]).

El error absoluto medio (MAE) de la variable meteorológica presenta valores menores a 1 hPa para todos los plazos de pronóstico para las dos corridas del modelo. (Anexo A3[a]).

 
Figura 3.1.1.  Promedios de PNM
 

Los valores de raíz del error medio cuadrático (RMSE) evidencia que en los plazos de las 00:00 y 03:00 UTC es donde el modelo presenta menor habilidad de pronóstico de la variable meteorológica, siendo el segundo el horario donde ocurre el segundo pico máximo de presión en el día. En los plazos con los mayores valores de RMSE existe una tendencia a su disminución, mientras la tendencia es al aumento en los restantes plazos, en la medida que el modelo avanza en el tiempo de pronóstico (Anexo A5[a]; Figura 3.1.2).

El error relativo medio (MRE) muestra valores menores de 0,1 % para todos los plazos de estudio, ello indica que los valores pronosticados son muy cercanos a los valores observados y, por tanto, con muy buena certidumbre. Existe una ligera tendencia al aumento del valor de MRE con el transcurso del tiempo de pronóstico, más no es significativa para el plazo de 84 horas de análisis (Anexo A5[a]).

La correlación de Pearson muestra valores entre 0,15 y 0,39. Ello indica una relación directa entre los valores observados promedio y los valores pronosticados en su comportamiento, aunque con una débil linealidad. Los mayores valores de correlación ocurren a las 06:00 y 12:00 UTC, con la característica de que el valor de correlación de las 12:00 UTC disminuye con el avance del periodo de tiempo del pronóstico medio. Los menores valores de correlación ocurren al comienzo de cada inicialización y se mantienen a las 00:00 UTC en cada uno de los días del pronóstico medio (Anexo A6[a]).

 
Figura 3.1.2.  Raíz del error cuadrático medio de PNM
 

Temperatura del aire a 2 m (T 2 m)

En Cuba el máximo de temperatura ocurre alrededor del mediodía, 18:00 UTC, y las mínimas se registran al final de la madrugada, entre las 09:00 y las 12:00 UTC (Lecha et al., 1994Lecha, L. B., Paz, L. R., & Lapinel Pedroso, B. (1994). El clima de Cuba (F. J. Caper & M. E. Zulueta (Eds.)). Editorial Academia.). La variación de la temperatura observada en un día promedio entre 2015 y 2017 sigue la marcha del sol con un mínimo promedio a las 09:00 UTC y un máximo promedio a las 18:00 UTC. Los valores de la temperatura promedio del aire se encuentran entre 22 y 30ºC. El modelo subestima los valores numéricos de la variable en los plazos más cálidos del día y la sobrestima en los horarios más fríos. Los mayores errores promedio de sobrestimación tienen valor entre 0,3 - 1,6 ºC y ocurren a las 12:00 UTC, plazo inmediato posterior al del horario en que se observa el mínimo de la variable meteorológica en el día promedio. Los máximos errores por subestimación son del -0,8 ºC y ocurren entre las 21:00 y las 00:00 UTC, los dos plazos inmediatos posteriores a donde se observa el máximo de la variable en su marcha diaria (Anexo A1[b] y A2[b]; Figura 3.2.1).

El mayor valor de error absoluto medio es de 1,5 ºC en el primer plazo de la corrida con inicialización a las 12:00 UTC. Para el resto de los plazos, los mayores valores de error absoluto medio son de ~0,80 ºC y se obtienen entre las 18:00 y las 00:00 UTC en cada uno de los días promedio dentro del periodo de 84 horas de pronóstico. Los menores valores de MAE (~0,1 ºC) ocurren a las 03:00 y las 06:00 UTC (Anexo A3[b]).

La raíz del error medio cuadrático tiene su mayor valor en el rango de 1,0 a 1,7 ºC. Estos máximos promedios ocurren al inicio de cada corrida del modelo y luego se mantienen a las 00:00 UTC en los siguientes plazos del pronóstico medio. De acuerdo a los bajos valores de RMSE, absoluto y cuadrático, se puede considerar una muy buena aproximación promedio la que da el modelo en su pronóstico (Anexo A4[b])

 
Figura 3.2.1.  Promedios de T 2 m
 

El error relativo medio en el pronóstico medio de la variable meteorológica tiene un valor absoluto inferior a 4% del valor observado para la mayoría de los plazos, con la excepción del primer plazo de la corrida del modelo que iniciada a las 12:00 UTC, de ~7%. Los máximos valores de error relativo medio por subestimación (~4%) se aprecian a las 00:00 UTC y los máximos valores por sobreestimación (~2%) a las 12:00 UTC (Anexo A5[b]).

 
Figura 3.2.3.  Correlación de Pearson de T 2 m
 

La correlación Pearson del modelo en el pronóstico de la variable meteorológica temperatura del aire a 2 m oscila entre 0,3 y 0,7 de un máximo de uno; siendo por tanto esta la variable que mayor relación de linealidad muestra en su pronóstico medio respecto al promedio de valores observados en 84 horas. Los mínimos valores de correlación son se aprecian a las 15:00 UTC y a las 00:00 UTC. El horario de las 15:00 UTC coincide con el plazo inmediato anterior a aquel en donde se observa el máximo valor promedio de la variable en su marcha diaria y el de las 00:00 UTC es el plazo donde el valor de MRE es mayor en los tres días promedio de pronóstico. Las mayores correlaciones se aprecian entre las 06:00 y las 12:00 UTC, los plazos donde se observa el valor mínimo de temperatura. (Anexo A6[b]; Figura 3.2.3).

Velocidad del viento a 10 m (Vv 10 m)

La velocidad del viento sigue una marcha diaria con máximo en el plazo de pronóstico de las 21:00 UTC y mínima a las 09:00 UTC. Los valores extremos promedio pronosticados coinciden en horario con los valores promedio observados, excepto en el primer día de pronóstico de la corrida iniciada a las 00:00 UTC que se obtiene a las 18:00 UTC. Los valores máximos promedio observados son de ~12,6 km/h, mientras que los promedios pronosticados son de ~5,4 km/h; los mínimos promedios observados (~4,1 km/h) y los pronosticados (~3,4 km/h) son más cercanos entre sí en su valor (Anexo A1[c]; Figura 3.3.1).

 
Figura 3.3.1.  Promedios de Vv 10 m
 

Esta variable meteorológica es subestimada por el modelo en su pronóstico promedio de 84 horas para todos los plazos de análisis. El mayor valor de subestimación ocurre a las 21:00 UTC, donde el valor medio pronosticado llega a ser 7 unidades inferior al valor medio observado. Los menores subestimados se aprecian a las 09:00 UTC, horario en que se observan los menores valores de velocidad del viento (Anexo A2[c]).

El error absoluto medio se entre 0,5 y 7,3 km/h, aproximadamente. El mayor valor de MAE se aprecia en el horario donde se pronostica la máxima velocidad promedio del viento y el menor valor en el horario donde se pronostica la mínima velocidad promedio (Anexo A3[c]).

La raíz del error medio cuadrático presenta valores entre 1,6 y 7,7 km/h; en correspondencia con el error absoluto medio. Las altas velocidades promedio presentan los mayores valores de RMSE, entre las 18:00 y las 21:00 UTC (Anexo A4[c]).

La significación del error es alta, con valores absolutos de MRE entre el 10 y el 60 % de del valor promedio observado. Se evidencia una elevada subestimación de los valores pronosticados respecto a los valores observados, principalmente en los plazos donde se observan las mayores velocidades promedio del viento. (Anexo A5[c]; Figura 3.3.2).

 
Figura 3.3.2.  Error relativo medio de Vv 10 m
 

La correlación presenta valores máximos de ~0,56. La relación entre los valores observados y los pronosticados es directa, para todos los plazos analizados, y con una linealidad de poca a ligera (Anexo A6[c]).

Humedad relativa a 2 m (Hr 2 m)

Para la humedad relativa y la temperatura del aire coinciden los valores extremos promedio en horario, aunque inversamente. De esta forma, los máximos de la variable meteorológica son de esperar entre las 09:00 y las 12:00 UTC y los mínimos a las 18:00 UTC (Lecha et al., 1994Lecha, L. B., Paz, L. R., & Lapinel Pedroso, B. (1994). El clima de Cuba (F. J. Caper & M. E. Zulueta (Eds.)). Editorial Academia.). En el presente estudio, la humedad relativa tiene su máximo medio a las 09:00 UTC y un mínimo medio a las 18:00 UTC, tanto observados como pronosticados. El valor medio observado se encuentra entre 58 y 95%, mientras el pronosticado lo hace entre 77 y 96% (Anexo A[d]; Figura 3.4.1).

La variable es sobrestimada para todos los plazos en las 84 horas de pronóstico, con la excepción del primer plazo de pronóstico de la corrida del modelo, iniciada a las 12:00 UTC. El mayor valor de sesgo es de aproximadamente 19% y ocurre a las 18:00 UTC, horario en que se pronostica el mínimo de humedad (Anexo A2[d]).

El error absoluto medio se encuentre en el rango de 2 a 20 % de humedad relativa. Los mayores errores ocurren a las 18:00 UTC y los menores a las 12:00 UTC. (Anexo A3[d]).

 
Figura 3.4.1.  Promedios de Hr 2 m
 

La raíz del error medio cuadrático no presenta considerables diferencias numéricas respecto al error absoluto medio, lo cual se traduce en que existe persistencia en los errores promedios analizados o que los errores en los diferentes días de pronóstico de la variable meteorológica son muy similares entre sí, lo cual evidencia que el modelo no pronostica con gran exactitud la humedad, sobre todo los mínimos (Anexo A4[d]).

La significación del error en el valor pronosticado es alta, con valores de MRE de 3 a 33 % de sobrestimación del valor observado. Los mayores valores de error relativo medio, entre 20 y 33 %, se encuentran en las 15:00 y las 21:00 UTC, horarios en se pronostican los mínimos promedio de humedad relativa (Anexo A5[d]; Figura 3.4.2).

 
Figura 3.4.2.  Error relativo medio de Hr 2 m
 

La correlación de Pearson presenta valores entre 0 y 0,6. La mayoría de los plazos presenta valores de correlación inferiores a 0,4 lo que evidencia una baja relación lineal entre los valores pronosticados y observados. Los menores valores de correlación ocurren entre las 00:00 y las 03:00 UTC, mientras que los de mayor linealidad ocurren a las 18:00 UTC, coincidiendo con el horario de máximo promedio de la variable meteorológica. La relación de linealidad tiende a la disminución en la medida que avanzan los plazos de pronóstico en el tiempo, para ambas corridas y dominios (Anexo A6[d]).

Acumulado de precipitación en superficie (APS)

Los promedios de acumulados de precipitación en superficie siguen una marcha diaria con valores máximos observados a las 00:00 UTC y pronosticados a las 21:00 UTC. Los valores mínimos se aprecian a las entre las 09:00 y las 12:00 UTC. Los valores de acumulado de precipitación oscilan en el rango de 0 a 2,5 mm/3h, pronosticados, y de 0 a 1,3 mm/3h, observados (Anexo A1[e]; Figura 3.5.1).

 
Figura 3.5.1.  Promedios del APS
 

El sesgo de los valores pronosticados es positivo en la mayoría de los plazos de análisis; ello indica que predomina la sobrestimación de los valores de precipitación dados por el modelo respecto a los observados. Los mayores valores de sobrestimación ocurren en los dos plazos de pronóstico precedentes al máximo valor observado, 18:00 y 21:00 UTC, con valores entre 0,4 y 1,4 mm/3h. Los restantes plazos presentan valores de sesgo muy cercanos al cero, lo que se traduce en una mejor calidad del pronóstico, aunque ha de tenerse en cuenta que son horarios con bajos acumulados promedio observados y pronosticados. Se observa un máximo de subestimación de los valores observados en los primeros plazos de cada corrida y otros valores poco significativos en horarios de las 00:00 y 03:00 UTC (Anexo A2[e]).

El error absoluto medio se encuentra en el rango de 0 a 1,6 mm/3h. Los mayores valores se aprecian en el primer plazo de las corridas y en los horarios 18:00 y 21:00 UTC, con un pico máximo en las primeras 24 horas, aproximadamente ~1,5 mm/3h. Los valores de error absoluto medio disminuyen en la medida que avanzan los plazos de pronóstico con máximos secundarios entre 0,7 y 0,9 mm/3h en las próximas 24 y 48 horas (Anexo A3[e]).