La evolución de la predicción estacional

La predicción estacional se originó a comienzos de la década de los 90. Inicialmente, las predicciones operacionales estaban totalmente basadas en modelos emṕirico/estadísticos (habitualmente, modelos de regresión lineal con retraso) que permitían predecir los cambios en los promedios estacionales basándose en las anomalías de la temperatura superficial del mar (SST) con varios meses de antelación. Sin embargo, durante los años 90, los modelos acoplados atmósfera-océano y, posteriormente, los Modelos Globales de Circulación (GCMs) que incluyen otros elementos del sistema climático como el suelo y el hielo oceánico, empezaron a utilizarse para la predicción estacional operacional.

En la actualidad, tanto las dos aproximaciones, empírico/estadística y dinámica, son utilizadas y, habitualmente, combinadas, para generar las predicciones estacionales, que son de vital importancia para la correcta toma de decisiones en agricultura, seguridad alimentaria, energía, recursos hídricos, transporte, turismo, salud y otros muchos sectores socioeconómicos, ayudando así a afrontar mejor los riesgos relacionados con el clima.

Predicción estacional
bg

Prepárate para la nueva era de los servicios climáticos,
desde la predicción meteorológica a la predicción climática.

El estado del arte de la predicción estacional

Predicciones estacionales operacionales

Proporcionar predicciones operacionales de largo plazo (desde un mes hasta dos años en adelante) a una escala global requiere una enorme cantidad de recursos computacionales además de un conocimiento muy especializados. Por esta razón, existen sólo unos pocos centros en el mundo que produzcan este tipo de predicciones, los GPCs designados por la Organización Meteorológica Mundial (WMO).

Las predicciones generadas por estos centros se utilizan para elaborar predicciones estacionales de consenso —con un importante valor socioeconómico— mediante multi-modelos de predicción a largo plazo (los LC-LRFMME de la WMO) que ponen en contacto a los productores de predicciones con foros locales y regionales como los Centros Climáticos Regionales (RCCs), el RCOF), o los Servicios Nacionales Meteorológicos e Hidrológicos (NMHSs) y socios privados.

Además de los doce GPCs designados, otros centros importantes que proporcionan predicciones estacionales a escala global son el IRI y el APCC de la APEC.

Hacia los servicios climáticos

Hoy en día, no existen muchos casos de uso de predicciones estacionales operacionales en aplicaciones prácticas [1], lo que se explica por la dificultad de los usuarios para integrar estas predicciones en sus sistemas de ayuda a la toma de decisión —para ser útil, la información climática debe ser personalizada para cubrir las necesidades de los usuarios:

Los retos para avanzar hacia un mejor uso de las predicciones climáticas a escala estacional para ayudar a la toma de decisiones implican una interacción más eficaz entre los científicos del sector climático y los responsables de la toma de decisiones con el usuario final, permitiendo así una evaluación de la capacidad predictiva de todo el sistema de predicción, de inicio a fin, en aplicaciones del mundo real.

Para reducir la brecha entre los científicos, los responsables políticos y usuarios finales, los servicios climáticos tienen como objetivo mejorar la visualización de las predicciones, su difusión pública y la información existente sobre las regiones, las variables y los momentos del año en que puede esperar una predictibilidad adecuada.

La comunidad internacional creó el GFCS para promover el desarrollo de servicios climáticos operacionales a escala nacional e internacional, especialmente en países en vías de desarrollo (ver un listado), donde los usuarios disponen de información experta así como ayuda para seleccionar y utilizar correctamente la información climática.

En Europa, algunos proyectos previos —por ejemplo., QWeCI, CLIM-RUN, ECLISE— y los recientes —EUPORIAS and SPECS— han contribuido al desarrollo de los servicios climáticos. En particular, uno de los objetivos de EUPORIAS es evaluar y documentar la posibilidad de comercialización de los servicios climáticos en la actualidad en EUROPA, por otra parte SPECS tiene como objetivo mejorar el rol de Europa en la provisión de servicios climáticos de acuerdo a los protocolos de la WMO creando ejemplos de productos a medida para los GPCs y participando en su transferencia a los RCCs y NHMSs de todo el mundo. Predictia participa en EUPORIAS contribuyendo al desarrollo de los servicios climáticos en Europa.

Los Servicios Climáticos en Europa: Copernicus

Con una financiación inicial de 87 millones de euros, la Unión Europea ha lanzado recientemente el Programa Copernicus. Una de los seis servicios temáticos que cubre este programa,el Copernicus Climate Change Service (C3S), es desarrollado por el European Centre for Medium-Range Weather Forecasts (ECMWF) y se espera que sea operacional en el año 2018. Siguiendo una política de datos abiertos, dará acceso a un multi-modelo de predicción estacional que contendrá un importante número de los modelos más modernos. Como resultado, la nueva era de los servicios climáticos está a punto de llegar, ¡prepárate!

Más allá del estado del arte de la predicción estacional

Además de la falta de accesibilidad y entendimiento por parte de los usuarios finales [2], las principales barreras percibidas están relacionadas con la falta de predictibilidad en ciertas regiones y estaciones. A pesar de los grandes avances logrados en la última década, los sistemas de predicción actuales tienen una capacidad limitada en escalas estacionales [3] [4]. Entre otros, esto se debe a su limitada resolución espacial (horizontal y vertical), el uso de esquemas numéricos inexactos (físicas simplificadas) y un conocimiento limitado de los complejos procesos del sistema climático.

Además del desarrollo de nuevos modelos que pueden considerar resoluciones más finas y describir mejor los diferentes componentes del sistema climático —el foco está especialmente en la estratosfera— y su acoplamiento, algunas de las aproximaciones que están bajo investigación para solventar estas limitaciones se basan en el uso de mejores condiciones iniciales para la superficie terrestre [5], la humedad del suelo, el hielo oceánico [6] y la cobertura de nieve [7].

Además, aunque se sabe que el fenómeno de El Niño (ENSO) es el factor principal para la predictibilidad en escalas de tiempo estacionales [8], otros procesos como la oscilación de Madden-Julian Oscillation UK Met Office, GloSea5, ha mostrado una prometedora capacidad predictiva de la Oscilación del Atlántico Norte (NAO) debida a un importante incremento de la resolución [9], aunque existe aún un debate al respecto [10].

Por último, la exploración de metodologías para combinar eficientemente conjuntos de multi-modelos y de técnicas de regionalización estadística —para aumentar la resolución de las predicciones hasta llegar a predicciones locales— debe continuar [4].

Referencias

  1. Coelho C.A.S. and S.M.S. Costa, 2010. Challenges for integrating seasonal climate forecasts in user applications. Current Opinions in Environmental Sustainability.Vol. 2, Issue 5-6, December 2010, 317-325. [+]
  2. M.C. Lemos, C.J. Kirchhoff, V. Ramprasad. 2012. Narrowing the climate information usability gap. Nat. Clim. Change, 2 (2012), pp. 789–794 [+]
  3. C. Lázaro, M.J. Fernandes, A.M.P. Santos, P. Oliveira. 2005. Seasonal and interannual variability of surface circulation in the Cape Verde region from 8 years of merged T/P and ERS-2 altimeter data. Remote Sensing of Environment, 98 (1), pp. 45–62 [doi:10.1016/j.rse.2005.06.005 [+]
  4. Committee on Assessment of Intraseasonal to Interannual Climate Prediction and Predictability, Board on Atmospheric Sciences and Climate, Division on Earth and Life Studies; National Research Council. 2010. Assessment of Intraseasonal to Interannual Climate Prediction and Predictability. National Academies Press. ISBN: 9780309161343[+]
  5. Koster, R. D., et al. 2010. Contribution of land surface initialization to subseasonal forecast skill: First results from a multi-model experiment. Geophys. Res. Lett., 37, L02402, doi:10.1029/2009GL041677. [+]
  6. Holland, M. M., D. A. Bailey, and S. Vavrus. 2011. Inherent sea ice predictability in the rapidly changing Arctic environment of the Community Climate System Model, version 3, Clim. Dyn., 36, 1239–1253, doi:10.1007/s00382-010-0792-4. [+]
  7. Cohen and Jones. 2011. A new index for more accurate winter predictions, Geophysical Research Letters, 38, L21701, doi: 10.1029/2011GL049626. [+]
  8. Manzanas, R. and Frias, M. D. and Cofiño, A. S. and Gutierrez, J. M., 2014. Validation of 40 year multimodel seasonal precipitation forecasts: The role of ENSO on the global skill, Journal of Geophysical Research: Atmospheres, 119, 1708–1719, doi:10.1002/2013JD020680. [+]
  9. Scaife AA, et al. 2014. Skilful long range prediction of European and North American winters. Geophys. Res. Letts. 2014;41:2514–1519. doi: 10.1002/2014GL059637. [+]
  10. W. Shi, N. Schaller, D. MacLeod, T. Palmer, and A. Weisheimer. 2015. Impact of hindcast length on estimates of seasonal climate predictability. Geophys. Res. Lett., Feb 2015. [+]
  11. Bridgman, Howard A.; Bridgman, Howard A.; Oliver, John E. 2006. The Global Climate System: Patterns, Processes, and Teleconnections. Cambridge University Press. p. 33. ISBN 9781139455732. [+]
vídeo con nubes de Barry Lenard

¡Trabaja con Predictia! Contacta con nosotros para saber cómo: