Parte II: Métodos de Predicción Estacional,Downscaling y Ajustes de Pronósticos Regionales

Walter E. BaethgenLatin America and the Caribbean Regional Program IRI: International Research Institute for Climate and SocietyThe Earth Institute Columbia University

baethgen@iri.columbia.edu

(Adaptado de N. Ward, IRI)

http://ccnmtl.columbia.edu/projects/climate/

Gestión de Riesgos Climáticos en el Sector Agropecuario (IRI-INMET). Brasilia, Diciembre 2007

Clima Estacional a Escalas Regional y Local

Sistema Climático Global

Esquema del Sistema Climático Global (Adaptado del IPCC, 1995).

Pronósticos Climáticos Estacionales: Métodos

1. Modelos de Atmósfera (GCMs) con TSM dadas

(Ejercicio2)

2. GCMs Atmosféricos forzados con TSM predichas

3. Modelos de Alta Resolución (Anidados, Resolución

Variable)

4. Transformaciones estadísticas de salidas de

Modelos

5. Pronósticos estadísticos directamente de índices

clave

Global Climate ModelsModelos de Circulación General / Modelos Climáticos Globales (GCMs)

Modelos acoplados de océano – atmósfera tienen potencial de sermejorados considerablemente

Monitoreo de 500m de profundidad del Océano

Desde que se mideTemperaturas del Océanoen profundidad se ha podido predecir El Niño3 a 6 meses

Ejemplo: Pacífico sub-superficial a lo largo del Ecuador

Es ésta una situación que puede llevar a un El Niño?

Cómo responder a esta pregunta?

Pronósticos de las TSM Nino3 de un modelo acoplado océano-atmósfera

Pronósticos Nino3.4 de otro modelo acoplado océano-atmósfera

Pronósticos de El Niño de IRI

Pronósticos Climáticos Estacionales: Métodos

1. Modelos de Atmósfera (GCMs) con TSM dadas (Ejercicio2)

•2. GCMs Atmosféricos forzados con TSM

predichas

• 3. Modelos de Alta Resolución (Anidados, Resolución

Variable)

• 4. Transformaciones estadísticas de salidas de

Modelos

• 5. Pronósticos estadísticos directamente de índices

clave

Example of GCM Prediction of East Africa Rainfall from SST

América del Sur:6 Modelosen OND

América del Sur:6 Modelosen FMA

Diferentes modelos tienen “Skill”diferentes en Diferentes estaciones

Cuál (es) elegir?

Solamente el de mayor “Skill”?

Una Combinación?

Qué Combinación?

Ranked Probability Skill Score (RPSS) for 2m TemperatureJan-Feb-Mar 1950-1995

Ranked Probability Skill Score (RPSS) for 2m TemperatureJan-Feb-Mar 1950-1995

Combining models reduces deficiencies of individual models

Diferentes modelos tienen “Skill”diferentes en Diferentes estaciones

Cuál (es) elegir?

Solamente el de mayor “Skill”?

Una Combinación?

Qué Combinación?

•Varios Modelos es mejor que cualquier modelo individual(Comparar con modelos que predicen precios de granos: unos mejor para Asia, Am. Norte,etc.)

•“Ponderar” los Modelos en diferentes regiones y estacionessegún su “Skill”

10

30 12

30

24

1224

242410

FORECAST SST

TROP. PACIFIC (multi-models, dynamical and statistical)

TROP. ATL, INDIAN (statistical)

EXTRATROPICAL (damped persistence)

GLOBAL ATMOSPHERIC

MODELS

ECPC(Scripps)

ECHAM4.5(MPI)

CCM3.6(NCAR)

NCEP(MRF9)

NSIPP(NASA)

COLA2

GFDL

ForecastSST

Ensembles3/6 Mo. lead

PersistedSST

Ensembles3 Mo. lead

IRI DYNAMICAL CLIMATE FORECAST SYSTEM

POSTPROCESSING

MULTIMODELENSEMBLING

PERSISTED

GLOBAL

SST

ANOMALY

2-tiered

OCEAN ATMOSPHERE

30

Pronósticos Climáticos Estacionales: Métodos

• 1. Acoplados de Océano-Tierra-Atmósfera (GCMs)

• 2. GCMs Atmosféricos forzados con TSM predichas

• 3. Modelos de Alta Resolución (Anidados, Resolución

Variable)

• 4. Transformaciones estadísticas de salidas de

Modelos

• 5. Pronósticos estadísticos directamente de índices

clave

Downscaling Dinámico

Ejemplo del uso de un Modelo Climático Regional con la salida de un Modelo Climático Global.

Vientos superficiales a un pasotemporal

Grilla delModelo

Pronósticodel Modelo

1997 Menos1998

Observaciones1997 Menos

1998

Patrones de Lluvia Dic-Feb – Ejemplo de El Niño MENOS La Niña

Downscaling Dinámico

Pronósticos Climáticos Estacionales: Métodos

• 1. Acoplados de Océano-Tierra-Atmósfera (GCMs)

• 2. GCMs Atmosféricos forzados con TSM predichas

• 3. Modelos de Alta Resolución (Anidados, Resolución Variable)

• 4. Transformaciones estadísticas de salidas de

Modelos

Downscaling estadístico de salidas de GCM es uno de estos

métodos

• 5. Pronósticos estadísticos directamente de índices

clave

Corrección de Sesgos de lluvias del GCM

Excelente variación entreaños, pero el modelogeneralmente es muy seco

Calcular el sesgo medio,y sumarlo a las prediccionesdel modelo cada año

Ejemplo más Elemental

Corrección de Sesgos de lluvias del GCM

Excelente variación entreaños, pero el modelogeneralmente es muy seco

Calcular el sesgo medio,y sumarlo a las prediccionesdel modelo cada año

Ejemplo más Elemental

Climate Predictability Tool

Herramienta muy efectiva para Downscaling y otrosAnálisis Estadísticos

http://portal.iri.columbia.edu/ IRI Tools

Wind index predicts Sri Lanka Rainfall at 20km resolution

Elevation is contour lines

Correlation skill (multipliedby 10) – darker orange/brownindicates more skill

Skill is found to be relatedto the topography

Un paso más: De Clima a Agricultura

Combinar Información Climática en productos que sean más útiles para la agricultura

Lluvia Capacidad Balance Temperaturas Alm. Agua de Agua

+ =

GCM, RCM,Estadísticos

Caracterizaciónde Suelos

Trabajos conjuntos IRI con INMET, CPTEC, FUNCEME

Forecast Skill (shading)Forecast and observedOver NE Kenya

GCM index predicts East Africa Vegetation at 25km resolution

Now is seen more clearly as a tailoring methodology for risk management

Example: Forecasting streamflow using ECHAM 4.5 in the ONDJF wet season

(statistical downscaling, persisted SST, 12 scenarios)

0

50

100

150

200

250

300

350

400

1968 1978 1988 1998Year

Str

eam

flo

w (

MC

M)

ONDJF-obsONDJF-pred

ONDJF Forecast – produced in October(can be updated monthly)

Angat reservoir, Philippines

NDVI (Nov 2007)

Balance Agua (Nov 2007)

PRONOSTICOESTACIONAL deLLUVIAS yTEMPERATURAS Balance Agua

(Pron DJF 08)

NDVI (Pron. DJF 08)

CLIMATE DYNAMICAL DOWNSCALING PREDICTION SYSTEM FOR NORDESTE

PERSISTED GLOBAL SST ANOMALIES

ECHAM4.5 AGCM (T42)

AGCM INITIAL CONDITIONS

UPDATED ENSEMBLES (10+)WITH OBSERVED SSTs

Persisted SSTA ensembles 1 Mo. lead

Predicted SSTA ensembles 1-4 Mo. lead

10

10

PostProcessing

NCEP RSM97(60km)

HISTORICAL DATA•Extended Simulations•Observations

PREDICTED SST ANOMALIES

Tropical Pacific Ocean(LDEO Dynamical Model)(NCEP Dynamical Model) (NCEP Statistical CA Model)

Tropical Atlantic Ocean(CPTEC Stat. CCA Model)Tropical Indian Ocean

(IRI Statistical CCA Model)Extratropical Oceans

(Damped Persistence)

IRI FUNCEME

IRI Approach: (1) REGIONAL PARTNERSHIPS

Other IRI Products“Forecasts in context”