Apoyo en la toma de decisiones en agricultura a través de las Mesas Técnicas ...
J. Bustamante - Ensemble Prediction
1. 03-08 de março de 2013
Cachoeira Paulista
IV Workshop Latino-Americano em
Modelagem de Tempo e Clima Utilizando o
Modelo Regional Eta
Aspectos Físicos e Numéricos
Previsão por Conjunto
Josiane Ferreira Bustamante
2. Dois motivos principais:
1) Os modelos de previsão de tempo não são perfeitos:
descrição matemática da atmosfera é incompleta;
2) A atmosfera é caótica:
característica intrínseca de alguns sistemas dinâmicos;
Previsibilidade atmosférica é o grau de acurácia com que é possível prever o
estado futuro da atmosfera
Por que a previsibilidade da atmosfera é limitada?
IV Worketa
Previsibilidade da atmosfera
3. IV Worketa
O que é “caos” ?
caos → desordem
Definição de “caos” nas ciências
atmosféricas:
“Sensibilidade de um processo às
condições iniciais (Lorenz, 1963, 1965,
1969)”
Não conhecemos o estado real da
atmosfera;
Os erros presentes nas condições
iniciais crescem ao longo do prazo
de integração;
Decaimento da qualidade da
previsão com o avanço do prazo
de previsão
Limita o prazo de previsão de
tempo (15 dias)
Atmosfera é um sistema caótico
4. Pequenos erros na forma
como interpretamos o
estado atual da
atmosfera levam a
grandes erros/diferenças
na previsão
Em geral, até 3 dias a frente podemos usualmente prever acuradamente o
padrão geral da atmosfera
Além de 3 dias o caos torna-se um fator importante
Condição Inicial A Condição Inicial B
Previsão A para o
dia 4
Previsão B para o
dia 4
IV Worketa
5. Como incluir as incertezas em nossas previsões numéricas?
Todas as previsões são incertas.
Principais fontes de incertezas:
Condições Iniciais
Modelos Imperfeitos
Comportamento Caótico da Atmosfera
IV Worketa
6. Estados iniciais ligeiramente errôneos podem levar a resultados que não serão
verificados
A importância dos estados iniciais nos erros cometidos nas previsões numéricas.
Previsões Determinísticas
Uma única condição inicial
Previsões Probabilísticas devem indicar o que sabemos e o que não sabemos sobre o estado
futuro da atmosfera
Previsões Probabilísticas são projetadas para capturar as probabilidades de ocorrência dos
eventos e o range de incerteza inerente a cada situação prevista
Previsões Probabilísticas
IV Worketa
7. Característica Previsão Determinística Previsão por Conjunto
Incertezas na
Condição Inicial
Sistemas de assimilação de dados são preparados para
minimizar os erros das condições iniciais.
As incertezas nas condições iniciais podem
ser consideradas, determinando os erros
potenciais mais importantes (ou seja, de
crescimento mais rápido) para a
subseqüente previsão do modelo e
convertendo-os em perturbações razoáveis
para a condição inicial.
Previsibilidade
Atmosférica
Não pode ser obtida a partir de previsões
determinísticas. Pode ser inferida incompletamente a
partir do grau de consistência entre previsões
consecutivas do mesmo modelo.
Pode ser obtida a partir da taxa de
crescimento do espalhamento dos membros
do conjunto.
Incerteza no
Modelo:
Dinâmica
Apenas um método numérico pode ser utilizado.
Múltiplos métodos numéricos podem ser
usados, por exemplo: espectral, ponto de
grade, ponto de grade com diferentes
ajustes.
Incerteza no
Modelo: Física
Apenas um conjunto de parametrizações físicas pode ser
usado (ex.: um esquema de precipitação convectiva)
Múltiplas combinações de parametrizações
físicas podem ser usadas (ex.: dois esquemas
de precipitação convectiva)
Previsões Determinísticas X Previsões por ConjuntoIV Worketa
8. • Explorar as incertezas: previsões numéricas com maior eficácia do que uma única
previsão determinística
• Previsões por ensemble capturam probabilidades de ocorrência e intervalos de
incerteza da previsão
• O emprego da técnica de previsão por conjunto em combinação com modelos de alta
resolução pode tornar as previsões de eventos severos mais eficientes
IV Worketa
9. instante previsão previsão
inicial intermediária final
Técnica de previsão por conjuntos: diminuir o impacto da incerteza do estado inicial da
atmosfera na previsão final, tomando um conjunto de estados iniciais ligeiramente
diferentes da análise inicial e gerando uma saída do modelo para cada um dos estados
desse conjunto.
Cada execução do modelo é determinística, mas o conjunto de previsões tomadas a partir
de estados inicias ligeiramente diferentes da análise fornece uma descrição do caráter
caótico da atmosfera.
Obtido o conjunto de previsões, utilizam-se ferramentas estatísticas para tratar as
informações resultantes.
IV Worketa
10. Ensemble boa qualidade Ensemble baixa qualidade
C - previsão
controle
C
T
T - estado real da
atmosfera
A
A - ensemble
médio
P
+
P+ - pert. positiva
P
-
P- - pert. negativa
P
+
P
-
A
C
T
IV Worketa
11. • Incertezas da Condição Inicial
• Incerteza dos Modelos (Dinâmica e Física)
• Múltiplos Modelos
• Múltiplas Análises
• Combinação de diferentes metodologias
IV Worketa
12. • Singular Vector (ECMWF; Molteni et al., 1996) Operacional desde 1992
Desenvolvido para médio prazo
51 membros: 50 perturbados e um controle (sem perturbações na análise)
• Breeding (NCEP; Toth and Kalnay, 1993) Operacional desde 1992
Desenvolvido para médio prazo, mas são válidos também para curto prazo
15-membros: 14 membros perturbados mais uma rodada de controle
• Observações perturbadas (CMC; Houtekamer et al., 1996) Operacional desde 1998
Desenvolvido para médio prazo, mas também é aplicável para curto prazo
16-membros (8 a partir de cada sistema – CI/Física):
• Perturbações baseadas em EOF (CPTEC; Coutinho, 1999) Operacional desde 2001
Desenvolvido para médio prazo
15-membros: 14 membros perturbados mais uma rodada de controle
• ETKF (Met Office; Wang and Bishop, 2003)
Ensemble Transform Kalman Filter usado para global/regional e curto-médio-prazo no Met
Office
Principais Técnicas de Previsão por Conjunto
13. Membro 1
SPE Modelo Global
Condição
Inicial
Perturbação
randômica
T e V
7
1..
.
Roda o modelo
EOF das
diferenças
Perturbação
Ótima
Condição Inicial +
Perturbação Ótima
Previsões
até
36 horas
CI
perturbada 1
Previsões
até
36 horasPrevisões
até
36 horas
Perturbação
randômica
T e V
Roda o modeloPerturbação
randômica
T e V
Roda o modelo
7
1..
.
7
1..
.
Condição Inicial +
Perturbação ÓtimaCondição Inicial +/-
Perturbação Ótima
14
1 . .
.
CI
perturbada 1
CI
perturbada n
14
1..
.
Membro 2
Membro 14
Previsão
Controle
Roda o
modelo
Roda o
modelo
Sistema de Previsão por Ensemble do CPTEC (SPE)
SPE operacional no CPTEC:
Resolução T126L28
Duas vezes ao dia (00 e 12 UTC)
Prazo de previsão 15 dias
15 membros
IV Worketa
14. Membro
Controle
CPTEC
Análise de
Cluster
Previsão 240
horas
Previsão 240
horas
Previsão 240
horas
Previsão 240
horas
15 membros SPE
Previsão por conjunto utilizando o modelo Eta
40km 38 níveis
Membro
Contorle
Previsão 240
horas
Membro
Contorle
Previsão 240
horas
Membro 1
CPTEC
Membro 3
CPTEC
Membro 2
CPTEC
Membro 4
CPTEC
Seleciona 4 membros
representativos
Condição
Inicial e de
contorno
lateral para
rodar o
modelo Eta
Versão do modelo Eta
Parametrizações Convectiva/Microfísica Prazo de Previsão
Membro 2
BMJ/Ferrier
Membro 3
BMJ/Ferrier
Membro 4
BMJ/Ferrier
Membro 5
BMJ/Ferrier
Membro 6
BMJ/Zhao
Membro 7
BMJa/ZhaoEm avaliação
Membro 1
BMJ/Ferrier
Previsão 240
horas
IV Worketa
15. Modelo Eta
40km
Eta 5km
BMJ/Ferrier
Condição Inicial e de
contorno lateral para
rodar o modelo Eta
Previsão 72h
Operacional no CPTEC:
Modelo Eta: resolução 5 km / 50 níveis
2 vezes ao dia (00 e 12 UTC)
Prazo de integração 72 horas
5 membros
Previsão por conjunto utilizando o modelo
Eta 5km 50 níveis
Modelo Eta
40km
Eta 5km
BMJ/Zhao
Previsão 72h
Modelo
Global GFS
Eta 5km
BMJ/Ferrier
Previsão 72h
Modelo
Global GFS
Eta 5km
KF/Zhao
Previsão 72h
Modelo
Global GFS
Eta 5km
KFfm/Zhao
Previsão 72h
Versão do modelo Eta
Parametrizações
Convectiva/Microfísica
Prazo de Previsão
IV Worketa
16. Principais Produtos da Previsão por Conjunto
Previsão por conjunto:
Ensembles representam a melhor forma de lidar com a inceteza e pode nos dar uma
indicação do risco associado a previsão
Significa rodar numerosas previsões (alto custo computacional)
Implica em grande quantidade de informações a serem processadas
Como podemos codensar e extrair as informações mais úteis?
IV Worketa
17. Produtos do SPE do Modelo Global do CPTEC
http://previsaonumerica.cptec.inpe.br/#
Neste tipo de gráfico agrupamos aquelas
previsões que são similares
Deve ser usado para obter a variabilidade
Ele dá uma idéia de quão provável são as
soluções alternativas
T+120h
T+15 dias
ClustersIV Worketa
18. Ensemble médio e Espalhamento
Tp2m – T+24h PNMM – T+72h
IV Worketa
Muito compacto, mas pode filtrar
informações úteis!
Ensemble médio fornece melhores
previsões do que o controle
Espalhamento do ensemble:
Medida da incerteza
O ensemble médio fornece uma boa informação da evolução mais provável da atmosfera em
escalas sinóticas
Também, quanto menor o espalhamento na previsão, é mais provável que aquela previsão seja
verificada
Alta incerteza na previsão indica baixa previsibilidade
19. Produtos do SPE do Modelo Global do CPTEC http://previsaonumerica.cptec.inpe.br/#
Diagramas espagueti
Plota os contornos de alguns valores para uma variável de interesse
Apresentam TODOS os membros do ensemble
Útil para se obter uma idéia da incerteza associada à previsão
IV Worketa
20. Produtos do SPE do Modelo Global do CPTEC
Probabilidades de exceder um limiar
Muito útil para eventos extremos
A probabilidade é calculada contando o número de membros do ensemble que
excedem um limiar escolhido dividido pelo número total de membros do
ensemble
IV Worketa
21. Produto do SPE do CPTECProduto do SRPES do CPTEC
Plumas: evolução temporal para uma
localidade específica.
IV Worketa
22. Produtos da Previsão por Conjunto utilizando o modelo Eta
Eta 40km
5 Membros
BMJ/Ferrier
1 Membro
BMJ/Zhao
T+48h
IV Worketa
26. Produtos do SRPES do CPTEC utilizando o modelo Eta
Eta 5km
M1
BMJ/Ferrier/
CPTEC
M2
BMJ/Ferrie/
GFS
M3
BMJ/ZHAO/
CPTEC
M4
KF/Ferrier/
GFS
M5
KFfm/Ferrier
/GFS
IV Worketa
28. + 300 mm
em 12h
22/0218Z
23/0206Z
22/0218Z
23/0206Z
IV Worketa
29. Resultados de Previsões por
conjunto utilizando o modelo Eta
SREPT
SREPCI SREPF
IV Worketa
SREPCI
OBS: 238 mm
Previsto: 100-150
mm
SREPF
OBS: 238 mm
Previsto: 150-200
mm
30. Previsão de Probabilidade: dado um limiar pré-estabelecido pode-se estimar quais regiões
que tem maior probabilidade de ocorrência de uma determinada variável acima do limiar.
> 1 mm > 5 mm
> 25 mm > 50 mm > 75 mm
> 10 mm
Resultados de Previsões por
conjunto utilizando o modelo Eta
IV Worketa
31. Previsões de Probabilidade
Precip > 1mm Precip > 10mm Precip > 50mm
OBSERVAÇÕES
ENSEMBLE
Resultados de Previsões por conjunto
utilizando o modelo Eta
IV Worketa
32. RMSE
x
Espalhamento
Temp Umes
Temp Umes
72h RMSE ~ 1,2
90h RMSE ~ 1,2
36h RMSE ~ 0,9
54h RMSE ~ 0,9
60h RMSE ~ 1,7
108h RMSE ~ 1,7
36h RMSE ~ 1,4
66h RMSE ~ 1,4
Resultados de Previsões por
conjunto utilizando o modelo Eta
IV Worketa
34. 03-08 de março de 2013
Cachoeira Paulista
IV Workshop Latino-Americano em
Modelagem de Tempo e Clima Utilizando o
Modelo Regional Eta
Aspectos Físicos e Numéricos
Previsão Sazonal
Josiane Ferreira Bustamante
35. Influência da ITCZ
800W 00 200E
200N
00
200S
200N
00
200S
(B)
(A)
WET
A
COOLER SST
WARMER SST
ITCZ
A
ITCZ
A
A
COOLER SST
WARMER SST
DRY
Gradiente
Meridional da
Anomalia da TSM OBS: 17-25 Novembro 1999
OLR SSTA
Zona de Convergência
do Atlântico Sul
Previsões Numéricos Sazonais ou Climáticas
Os modelos de previsões sazonais são representações numéricas das equações fundamentais que
descrevem o comportamento do sistema climático e a interação entre seus componentes:
atmosfera, oceano, criosfera, biosfera.
IV Worketa
36. Modelos Sazonais operacionais no CPTEC
AGCM 1.7
T062L28
KUO, RAS, GRELL
Anomalia da TSM prevista, Anomalia da TSM persistida
15 membros cada parametrização: 90 membros no total
6 meses de previsão
CGCM 2.3 (BESM)
T062L28, GRELL CPTEC AGCM
L20 MOM3 OGCM
10 membros
4,5 meses de previsão
Eta
40 km resolução espacial e 38 níveis na vertical
Condições de contorno lateral: T062L28, Kuo
5 membros
4 meses de previsão
IV Worketa
37. Previsões Sazonais do Modelo Global do CPTEC
Parametrização
Convectiva: Kuo
Parametrização
Convectiva: RAS
http://clima1.cptec.inpe.br/gpc/
IV Worketa
39. Previsões Sazonais com modelos regionais (Downscaling)
Downscaling é uma metodologia
que fornece informações
climáticas de alta resolução a
partir de modelos climáticos
globais com resolução
relativamente baixa.
Downscaling esta técnica possibilita
uma melhor representação da
topografia e da circulação
atmosférica local.
300 km
60 km
IV Worketa
40. Características do Modelo
•Convecção
1. Esquema convectivo Betts-
Miller-Janjic
• Microfísica
1. Esquema de microfísica de
Zhao
2. Esquema de Microfísica de
Ferrier
• Turbulência
Mellor Yamada 2.5, MO
superfície, funções de Paulson
• Radiação
GFDL
• Esquema de superfície
Esquema NOAH, 4 camadas no
solo
• Domínio
América do Sul, maior parte América
Central e oceanos adjacentes
•Resolução
40 km/38 níveis;
•Grade do modelo
Arakawa E grid and Lorenz grid
• Coordenada Vertical
(Mesinger, 1984)
•Variáveis Prognósticas
T, q, u, v, ps, TKE, cloud water/ice,
hydrometeors
IV Worketa
41. • Condições iniciais
NCEP T062L28 para os dias 13, 14, 15, 16, 17 /06/2008, as 1200 UTC para cada
mês. Total de 120 membros para cada mês do ano
• Condições de contorno lateral
Modelo AGCM do CPTEC T062L28, 6/6h
Modelo OGCM do CPTEC T062L28, 6/6h
• Condição de contorno inferior:
Anomalia de TSM persistida, atualizada diariamente durante a
integração ou TSM prevista pelo OGCM
Umidade do solo climatológica
Albedo sazonal
• Prazo de Integração: 4,5 meses
• Resolução do Modelo: 40km/38nívies
• Período: de 2001 até 2010 (Eta-AGCM), de 1998 até 2007 (Eta-OGCM)
Climatologia do Modelo Eta Sazonal 40kmIV Worketa
42. AGCM
T062L28
Previsão
4,5meses
Previsão 4,5
meses
Previsão 4,5
meses
Previsão 4,5
meses
Climatologia do modelo Eta 40km 38 níveis – 10 anosIV Worketa
AGCM
T062L28
Previsão 4,5
meses
OGCM
T062L28
Previsão 4,5
meses
AGCM
T062L28
AGCM
T062L28
AGCM
T062L28
AGCM
T062L28
Condição Inicial e de contorno
lateral para rodar o modelo Eta
Versão do modelo Eta
Parametrizações Convectiva/Microfísica
Prazo de Previsão
Membro 2
BMJ/Zhao
Membro 3
BMJ/Zhao
Membro 4
BMJ/Zhao
Membro 5
BMJ/Zhao
Membro 6
BMJa/Ferrier
Membro 7
BMJa/Zhao
Membro 1
BMJ/Zhao
Previsão
4,5 meses
CI dia 13
CI dia 14
AGCM
T062L28
Previsão 4,5
meses
Membro 8
KF/Ferrier
AGCM
T062L28
Previsão 4,5
meses
Membro 9
KFfm/Ferrier
CI dia 15
CI dia 16
CI dia 17
CI dia 15
CI dia 15
CI dia 15
CI dia 15
O
P
E
R
A
C
I
O
N
A
L
C
O
N
S
T
R
U
Ç
Ã
O
D
E
S
E
N
V
O
L
V
I
M
E
N
T
O
43. Previsões válidas para trimestre NDJ
Precipitação Trimestral
Anomalia Trimestral
Ensemble médio Climatologia
47. RMSE - DJFM December January February
South America 6,59 6,84 6,82
South-Center
Region
5,96 5,87 5,68
North region 7,67 7,75 7,87
Northeast
Region
4,56 6,63 6,72
RMSE - JJAS December January February
South America 4,23 3,86 3,64
South-Center
Region
2,48 2,27 2,14
North region 6,16 5,70 5,47
Northeast
Region
2,73 2,22 1,71
IV Worketa Precipitação Prevista - Erros Sistemáticos
Erro Médio
Período
Chuvoso
Período Seco
RMSE – Período Chuvoso RMSE – Período Seco
54. IV Worketa
Precipitação Mensal Prevista
Eta_Ferr x Eta_Zhao
BMJ/Ferrier BMJ/Zhao BMJ/Ferrier-BMJ/Zhao
Precipitação
Mensal
Observada
Abril 2001
55. IV Worketa
Precipitação Mensal Prevista
Eta_Ferr x Eta_Zhao
BMJ/Ferrier BMJ/Zhao BMJ/Ferrier-BMJ/Zhao
Precipitação
Mensal
Observada
Maio 2001
56. 0
50
100
150
jul ago set out
Previsão X Climatologia Observada X Climatologia do Modelo
Precipitação Mensal (mm)
prev med
clim_obs
clim_mod
0
20
40
60
80
100
120
140
jul ago set out
Previsões de cada membro - 200806
Precipitação Mensal (mm) mb1
mb2
mb3
mb4
mb5
prev med
IV Worketa
Precipitação Mensal Prevista
57. -60
-40
-20
0
20
40
jul ago set out
Anomalia das Previsões
(cada membro)
anom_m1
anom_m2
anom_m3
anom_m4
anom_m5
Anomalia =Previsão do membro – Climatologia do Modelo
0
20
40
60
80
100
jul ago set out
Probabilidade da Anomalia Prevista
abaixo normal
normal
acima normal
Acima da normal: anomalia > 10mm
Normal: -10 mm > anomalia > 10 mm
Abaixo da normal: anomalia < -10 mm
IV Worketa
Precipitação Mensal Prevista