Dice el refrán que nunca llueve igual para todos, y la verdad es que todos miramos el tiempo atmosférico de formas diferentes. Los agricultores reciben esperanzados las predicciones de lluvia, mientras que su principal preocupación son fenómenos meteorológicos extremos como las heladas. Los urbanistas diseñan ciudades adaptadas a condiciones climáticas específicas, y sus decisiones afectan al día a a día de miles de personas durante décadas. Los investigadores en meteorología Los investigadores están más interesados en reproducir determinadas condiciones y procesos, para entender mejor su funcionamiento.
En Predictia manejamos datos climáticos para proporcionar estos conocimientos y el de muchos otros sectores. Sin embargo, en muchos de los servicios que ofrecemos hay nexo común: el modelo Weather Research and Forecasting (o WRF, para abreviar por sus siglas en inglés). Un modelo meteorológico de última generación que cubre escalas que van desde unos pocos metros hasta miles de kilómetros. En este post queremos hablar un poco más sobre este modelo y el mundo de posibilidades que abre.
WRF: Un modelo versátil y robusto
El primer aspecto destacable de WRF es que se trata de un modelo numérico. Eso significa que se basa en modelos matemáticos de la atmósfera y los océanos para predecir el tiempo meteorológico, a partir de las condiciones actuales. Fue desarrollado a finales de los 90, como una asociación de colaboración entre el Centro Nacional de Investigación Atmosférica (NCAR) y la Administración Nacional Oceánica y Atmosférica (NOAA) estadounidenses. El modelo tiene licencia de dominio público, lo que ha creado una gran comunidad en torno a WRF, que lo sigue mejorando constantemente. Según el último recuento, cuenta con más de 30.000 usuarios registrados en más de 150 países.
Una de las principales fortalezas del modelo es la amplia gama de escalas que cubre: desde unos pocos metros hasta miles de kilómetros. Esto permite la reproducción tanto de fenómenos meteorológicos muy localizados (como las islas de calor urbano), como de fenómenos a mayor escala (como los huracanes). Esta amplia variedad de posibilidades es posible gracias a dos núcleos dinámicos: el núcleo ARW (Advanced Research WRF) y el núcleo NMM (Nonhydrostatic Mesocale Model). Además, WRF cuenta con diferentes módulos configurables que cubren diferentes aplicaciones. WRF-Urban, por ejemplo, tiene en cuenta parámetros urbanos como la altura de los edificios o el almacenamiento de calor, lo que permite reproducir los entornos urbanos. El módulo WRF-Chem combina meteorología y química para estudiar la emisión, transporte, mezcla y transformación química de trazas de gases y aerosoles. Estos dos módulos son tan solo dos ejemplos, ya que WRF es complejo y está lleno de funcionalidades, lo que nos permiten desarrollar una amplia gama de aplicaciones.
Cómo modelizar eventos meteorológicos del pasado para crear ciudades más resilientes
En julio de 2019, Europa sufrió una de las peores olas de calor en su historia, batiendo récords de temperatura en Bélgica, Alemania, Luxemburgo, los Países Bajos y el Reino Unido. En Francia, cerca de 1.500 muertes se atribuyeron a la ola de calor. Algunas áreas metropolitanas como París fueron las que más sufrieron, y las ciudades se volvieron más calientes que sus alrededores rurales. Es lo que se conoce como el efecto isla de calor urbano. ¿Qué habría cambiado si las ciudades se hubieran construido de manera diferente? Tejados verdes, plantación de árboles, estacionamientos verdes, un uso más eficiente de la energía… Medidas como estas se están implementando por toda Europa como estrategias de mitigación y adaptación contra el cambio climático. Pero la adaptación al cambio climático no es una situación de "todo vale". Lo que en una ciudad constituye una medida eficaz podría ser una mala adaptación en otra. Una forma de evaluar la idoneidad de estas medidas es crear gemelos digitales de ciudades: modelos digitales de las ciudades, donde se pueden cambiar diferentes parámetros urbanos, y estimar los efectos que tienen dichos cambios.
En este ámbito WRF tiene mucho que ofrecer. ¿Recuerdas el módulo urbano del que hablamos antes? Altura media de los edificios, detalles sobre el uso del terreno, cambios en los niveles de tráfico... Todos estos aspectos se pueden codificar como parámetros dentro del modelo. Al reproducir el paisaje urbano actual en WRF, podemos validar la configuración del modelo, comparando los resultados con registros meteorológicos pasados. Una vez verificado el modelo, es hora de jugar con él. Los cambios en el paisaje urbano (techos verdes, reducción de tráfico, aumento de zonas verdes...) se traducen en un cambio de los parámetros de WRF. Esto permite a los planificadores urbanos evaluar las medidas planificadas en su contexto específico, antes de acometer cambios reales en la ciudad.
Predicciones meteorológica de alta resolución
Atascos en las carreteras debido a fuertes lluvias, aumento del consumo eléctrico por demanda de aire acondicionado, cultivos arruinados por una helada inesperada. El tiempo atmosférico afecta nuestra vida cotidiana, y tener pronósticos lo más precisos posible beneficia a toda nuestra sociedad. Además, aunque la previsión meteorológica que solemos ver en la televisión da solo una previsión para cada ubicación, las condiciones meteorológicas dentro de la ciudad varían mucho , especialmente en las áreas metropolitanas de ciudades como París, Madrid o Londres. Sin embargo, muchas empresas necesitan más detalles. Un buen ejemplo es el servicio que ofrecemos al Metro de Madrid.
WRF nos permite proporcionar pronósticos meteorológicos detallados que cubren las diferentes estaciones de su red de Metro. Esto proporciona a la institución información clave:
- Temperatura: si bien mantener una temperatura estable dentro de las estaciones subterráneas es importante para la comodidad de los pasajeros, la calefacción y la refrigeración de estas infraestructuras consumen mucha energía. Al disponer de previsiones de temperatura detalladas en toda la red, Metro de Madrid es capaz de desarrollar una proyección de la energía necesaria, ayudando a reducir el consumo energético.
- Precipitación: las fuertes lluvias representan uno de los grandes disruptores de los servicios de metro, ya que el agua puede inundar las estaciones, no solo retrasando el servicio o deteniéndolo por completo, sino provocando graves daños a la infraestructura. Por lo tanto, tener predicciones detalladas sobre los niveles de precipitación en la red informa a los administradores de la red con anticipación, para que puedan poner las bombas de agua en funcionamiento.
- Humedad relativa: cuando se une a las bajadas de temperatura, el nivel de humedad en el aire representa un peligro para el transporte ferroviario, debido a la formación de láminas de escarcha en los rieles.
Unimos estas previsiones con un módulo de alerta, por lo que cuando un valor supera los umbrales validados, este servicio permite a Metro Madrid estar al tanto de lo que se avecina, para ofrecer un mejor servicio.
Estos ejemplos son solo una parte de lo que es posible gracias a WRF. Otros ejemplos incluyen estudios de ubicación para energías renovables (solar y eólica) o pronósticos de índices específicos del sector (como temperatura aparente para el turismo, espesor de nieve en el suelo para transporte o temperatura del suelo para instalaciones subterráneas). Y estos somos solo nosotros. Investigadores, empresas e instituciones públicas de todo el mundo utilizan WRF para muchas más aplicaciones. Todo esto, impulsado por un modelo en el dominio público y la comunidad de apoyo detrás de él. ¿No es asombroso?