Un solo pronóstico no basta: por qué necesitamos ensambles para pronosticar el tiempo Meteored.mx

Cada vez que se realiza un pronóstico del tiempo, muy probablemente se utiliza un modelo numérico.
Pero ¿se utiliza toda la información posible proveniente de ese modelo? Los pronósticos del tiempo hoy dependen fuertemente de la predicción numérica.
Los modelos numéricos son una parte esencial para predecir el tiempo y el clima.
Sin ellos es imposible imaginar los avances en predicciones a corto, mediano y largo plazo, ni mucho menos las proyecciones climáticas para fines de siglo.
Sin embargo, la información proveniente de modelos numéricos posee varias fuentes de incertidumbre.
Conocer y reducir esas incertidumbres es tarea primordial a la hora de realizar pronósticos meteorológicos confiables.
Artículo relacionadoModelos de predicción numérica y su uso en la meteorología En ese contexto, una muy buena práctica es no basar los pronósticos en una sola corrida de un modelo, sino analizar conjuntos de corridas y, idealmente, comparar la información entre distintos modelos para obtener escenarios más robustos y confiables.
Un problema de condiciones inicialesEl pronóstico numérico del tiempo depende fuertemente de las condiciones iniciales: lo que se observa hoy influye en lo que ocurrirá más adelante.
A medida que pasa el tiempo, esa influencia disminuye, pero nunca desaparece por completo, marcando siempre la evolución futura de la atmósfera.
La evolución desde esa condición inicial hasta un tiempo futuro dependerá de muchas cosas, entre ellas la aleatoriedad de un sistema tan caótico como la atmósfera.
Mientras más observaciones, precisas y de calidad, tengamos de esas condiciones iniciales, mejor podremos pronosticar el futuro.
Esquema de un pronóstico numérico por ensambles.
Múltiples condiciones iniciales dan un rango de posibilidades de pronóstico.
Pero medir en todos los lugares del mundo todas las variables necesarias para que los modelos de pronóstico funcionen bien no es tarea fácil.
Se requieren estaciones de superficie, embarcaciones, globos radiosondas, satélites, boyas, etc.
Lo que inevitablemente hace de este proceso uno muy susceptible a errores o fallas.
Pero, no queremos que los pronósticos estén influenciados por esos posibles errores.
Por ello es que se introducen miembros de ensamble.
Simulaciones hermanas en un mismo modelo que tienen como diferencia las condiciones iniciales.
En cada miembro se introduce una pequeña perturbación aleatoria y se corre el modelo.
Este procedimiento se realiza decenas de veces.
Con los miembros de ensamble, al ser múltiples, se puede realizar estadística y conocer cosas como la dispersión que tiene el modelo, la probabilidad de observar cierto valor, extremos, y por sobre todo tener una estimación de lo que el modelo considera “variabilidad”.
Ese rango “natural” que sirve de margen físico para las diferentes variables.
Artículo relacionadoEl poder de la Climatología: cómo la Estadística Multivariante separa lo humano de lo natural en el calentamiento globalEntonces, pensemos en un ejemplo.
Digamos que ahora mismo, en promedio, tenemos una temperatura de 15°C y que para mañana el pronóstico del modelo indica una temperatura de 32°C.
Es un cambio bastante grande.
Si cambiar esos 15°C por valores similares cercanos, digamos 13, 14, 16 o 17°C, genera pronósticos de 30, 31 o 33°C, quiere decir que ese cambio grande se produce independiente de las variaciones en las condiciones iniciales.
Es un cambio real, que se debe a razones físicas y no es algo aleatorio o debido sólo a ese valor inicial.
Ahora podemos tener una mayor seguridad en el pronóstico.
El problema de los extremosPronosticar extremos es siempre un problema.
La mera definición de extremo es complicada: es algo inusual.
Esto hace que tener una climatología robusta de extremos sea bastante complejo.
Para los modelos de pronóstico siempre es difícil capturar los extremos, ya que muchas veces dependen de parámetros o escalas que no son bien representados en los modelos.
Pero si además de eso usamos sólo una corrida o el promedio de las corridas de un modelo, es aún peor.
Miremos un ejemplo.
La siguiente figura muestra el pronóstico de precipitaciones para una localidad cualquiera, extraído del modelo ECMWF.
Se ve que los distintos miembros del ensamble están de acuerdo en que lloverá, pero difieren bastante en la cantidad.
Algunos miembros muestran que lloverá poco, en cambio, otros muestran mucha más lluvia.
Pronóstico de precipitaciones usando los miembros del ensamble del modelo ECMWF.
A modo de ejemplo.
Fuente: ECMWF, Meteologix.
Si usamos el promedio para resumir la información, diríamos que lloverán 29 mm.
Notar que si hubiésemos usado la corrida principal del modelo (Main run), aquella que no incorpora ninguna perturbación inicial, habríamos dicho sólo 15 mm.
Artículo relacionadoLos modelos de brillo de las nubes marinas muestran consecuencias inesperadas de la geoingeniería climáticaAhora la pregunta es ¿cuál es la probabilidad de tener un evento fuerte en este caso? Un par de miembros del ensamble dicen que puede llover más 70 mm; eso es significativamente más que los 29 mm del promedio.
Entonces la ocurrencia de un evento fuerte no es descartable, es poco probable, sí (solo 3 miembros de los 52), solo un ~5% de probabilidad.
Pero no es cero o totalmente descartable.
Teniendo en consideración que los eventos fuertes o extremos tienen, por ddefinición,ocurrencias muy bajas, un 5% de probabilidad se debe tomar con precaución.
Si no hubiésemos usado miembros de ensamble, un pronóstico de 80 mm se vería como algo "fuera de rango" o "imposible", cuando en realidad no es así.
Por estas y otras razones es que siempre es necesario mirar el resultado de los distintos miembros de un modelo, para tener un panorama completo de las posibilidades dentro del pronóstico que se quiere realizar.