Evaluación del pronóstico cuantitativo de la precipitación del SisPI2.0
Barra lateral del artículo
Contenido principal del artículo
Resumen
El Sistema de Pronóstico Inmediato, más conocido como SisPI, ofrece datos de viento, temperatura, precipitación, radiación solar y otras variables meteorológicas a muy corto plazo. La primera versión del modelo (SisPI1.0) sufrió cambios en su configuración interna: modificación en las parametrizaciones de radiación solar, incorporación de la parametrización de “shallow convection” y ampliación del plazo de pronóstico hasta 48 horas. Los cambios dieron lugar a su segunda versión (SisPI2.0), operativa experimentalmente desde septiembre del 2020, en el Instituto de Meteorología (INSMET). El SisPI2.0 debía ser evaluado para conocer los efectos de los cambios realizados, en especial, para conocer su habilidad para pronosticar cuantitativamente la precipitación. Era necesario investigar, además, la calidad de su pronóstico respecto al SisPI1.0, y la habilidad para simular el estado del tiempo con 48 horas de antelación. El estudio realiza la verificación espacial del pronóstico del SisPI2.0 a partir de las observaciones del GPM, y la selección de cuatro casos de estudio del período lluvioso de 2021. Se empleó el MODE como método de evaluación. El pronóstico de la precipitación de SisPI2.0 resultó ser más efectivo en la identificación de objetos que el de SisPI1.0, pero cuantitativamente cometen similares errores, además el SisPI2.0 sugiere tener buena habilidad para pronosticar la precipitación con un plazo de hasta 48 horas de antelación.
Descargas
Detalles del artículo
Esta obra está bajo licencia internacional Creative Commons Reconocimiento-NoComercial 4.0.
Aquellos autores/as que tengan publicaciones con esta revista, aceptan los términos siguientes de la Licencia CC Reconocimiento-NoComercial 4.0 Internacional (CC BY-NC 4.0):
Usted es libre de:
- Compartir — copiar y redistribuir el material en cualquier medio o formato
- Adaptar — remezclar, transformar y crear a partir del material
El licenciador no puede revocar estas libertades mientras cumpla con los términos de la licencia.
Bajo las condiciones siguientes:
- Reconocimiento — Debe reconocer adecuadamente la autoría, proporcionar un enlace a la licencia e indicar si se han realizado cambios. Puede hacerlo de cualquier manera razonable, pero no de una manera que sugiera que tiene el apoyo del licenciador o lo recibe por el uso que hace.
- NoComercial — No puede utilizar el material para una finalidad comercial.
- No hay restricciones adicionales — No puede aplicar términos legales o medidas tecnológicas que legalmente restrinjan realizar aquello que la licencia permite.
La revista no se responsabiliza con las opiniones y conceptos emitidos en los trabajos, son de exclusiva responsabilidad de los autores. El Editor, con la asistencia del Comité de Editorial, se reserva el derecho de sugerir o solicitar modificaciones aconsejables o necesarias. Son aceptados para publicar trabajos científico originales, resultados de investigaciones de interés que no hayan sido publicados ni enviados a otra revista para ese mismo fin.
La mención de marcas comerciales de equipos, instrumentos o materiales específicos obedece a propósitos de identificación, no existiendo ningún compromiso promocional con relación a los mismos, ni por los autores ni por el editor.
Citas
Cabrera, E. B. (2016). Evaluación de imágenes satelitales de precipitaciónes GPM (Global Precipitation Measurement) a escala mensual para el Azuay.
Cabrera and Sánchez (s.f.). FICHA TÉCNICA DESCRIPTIVA. Universidad del Azuay. Facultad de Ciencia y Tecnología, Ingeniería Civil y Gerencia en Construcciones.
Chen, X., Yuan, H., and Xue, M. (2018). Spatial spread‐skill relationship in terms of agreement scales for precipitation forecasts in a convection‐allowing ensemble. Quarterly Journal of the Royal Meteorological Society, 144(710), 85-98.
Gilleland, E., and Gilleland, M. E. (2022). Package ‘SpatialVx’. framework, 15, 51-64.
Hou, A. Y., Kakar, R. K., Neeck, S., Azarbarzin, A. A., Kummerow, C. D., Kojima, M., Oki, R., Nakamura, K., and Iguchi, T. (2014). The Global Precipitation Measurement Mission. Bulletin of the American Meteorological Society, 95(5), 701-722. https://doi.org/10.1175/BAMS-D-13-00164.1
Huffman, G. J., Stocker, E. F., Bolvin, D. T., Nelkin, E. J., and Tan, J. (2019). GPM IMERG final precipitation L3 half hourly 0.1 degree x 0.1 degree V06. Goddard Earth Sciences Data and Information Services Center (GES DISC): Greenbelt, MD, USA.
Jung, Y., and Lin, Y.-L. (2016). Assessment of a regional-scale weather model for hydrological applications in South Korea. Environ. Nat. Resour. Res, 6(2), 28-41.
Liu, J.-Q., Li, Z.-L., and Wang, Q.-Q. (2021). Quantitative Precipitation Forecasting Using an Improved Probability-Matching Method and Its Application to a Typhoon Event. Atmosphere, 12(10), 1346.
Moreno, S., González, C. M., and Ferrer, A. L. (2017). Verificación del pronóstico cuantitativo de la precipitación del modelo WRF para las provincias Artemisa, Mayabeque y La Habana. Revista Cubana de Meteorología, 23(2), 148-163.
Palma, G. M., and Silva, M. A. (2018). Improving the quantitative precipitation forecast: A ddeplearning approach.
Park, S., and Park, S. K. (2021). A micro-genetic algorithm (GA v1. 7.1 a) for combinatorial optimization of physics parameterizations in the Weather Research and Forecasting model (v4. 0.3) for quantitative precipitation forecast in Korea. Geoscientific Model Development, 14(10), 6241-6255.
Roberts, N. (2008). Assessing the spatial and temporal variation in the skill of precipitation forecasts from an NWP model. Meteorological Applications: A journal of forecasting, practical applications, training techniques and modelling, 15(1), 163-169.
Roberts, N. M., and Lean, H. W. (2008). Scale-selective verification of rainfall accumulations from high-resolution forecasts of convective events. Monthly Weather Review, 136(1), 78-97.
Sierra, M., Borrajero, I., Ferrer, A., Morfa, Y., Morejón, Y., and Hinojosa, M. (2017). Estudios de sensibilidad del SisPI a cambios de la PBL, la cantidad de niveles verticales y las parametrizaciones de microfísica y cúmulos, a muy alta resolución. Informe Científico de resultado, La Habana, Cuba: Instituto de Meteorología, 26p.,[Consulted: 15 septiembre, 2020].
Sierra, M., Ferrer, A., Hernández, R., González, Y., Cruz, R., Borrajero, I., and Rodríguez, C. (2015). Sistema automático de predicción a mesoescala de cuatro ciclos diarios. Informe de Resultado, Instituto de Meteorología: La Habana, Cuba.
Sierra, M., Medina, J., Sille, J., Fuentes, A., Alfonso, S., and Gascon, T. (2022). Verification by Multiple Methods of Precipitation Forecast from HDRFFGS and SisPI Tools during the Impact of the Tropical Storm Isaias over the Dominican Republic. Atmosphere, 13(3), 495.
Sukovich, E. M., Ralph, F. M., Barthold, F. E., Reynolds, D. W., and Novak, D. R. (2014). Extreme quantitative precipitation forecast performance at the Weather Prediction Center from 2001 to 2011. Weather and forecasting, 29(4), 894-911.
Surcel, M., Zawadzki, I., and Yau, M. (2015). A study on the scale dependence of the predictability of precipitation patterns. Journal of the Atmospheric Sciences, 72(1), 216-235.
Wang, C.-C. (2015). The more rain, the better the model performs-The dependency of quantitative precipitation forecast skill on rainfall amount for typhoons in Taiwan. Monthly Weather Review, 143(5), 1723-1748.
Wardah, T., Kamil, A., Sahol Hamid, A., and Maisarah, W. (2011). Quantitative precipitation forecast using MM5 and WRF models for Kelantan River basin. Int. J. Geol. Environ. Eng, 5, 712-716.
Warner, T. T. (2010). Numerical weather and climate prediction. cambridge university press.
Westreicher, G. (s. f.). Cuartil. Economipedia. Recuperado 14 de noviembre de 2022, de https://economipedia.com/definiciones/cuartil.html
Yu, X., Park, S. K., Lee, Y. H., and Choi, Y. S. (2013). Quantitative precipitation forecast of a tropical cyclone through optimal parameter estimation in a convective parameterization. SOLA, 9, 36-39.
Zahraei, A., Hsu, K., Sorooshian, S., Gourley, J. J., Hong, Y., and Behrangi, A. (2013). Short-term quantitative precipitation forecasting using an object-based approach. Journal of hydrology, 483, 1-15.
Zhang, H., and Pan, L. (2022). Diagnostic Analysis of Multimodel Rainstorm Forecast for Cases Based on MODE Method. Atmosphere, 13(7), 1047.