Verificación de pronósticos por ensamble en alta resolución generados a partir del Sistema de Asimilación de Datos y Pronóstico Numérico del Servicio Meteorológico Nacional en dos casos de estudio

Dan Yañez; Maria Eugenia Dillon; Paula Maldonado; Yanina Garcia Skabar

doi:10.24215/1850468Xe034

Autores/as

Dan Yañez Universidad de Buenos Aires, Argentina
Maria Eugenia Dillon Servicio Meteorológico Nacional, Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET), Argentina
Paula Maldonado Servicio Meteorológico Nacional, Argentina
Yanina Garcia Skabar Servicio Meteorológico Nacional, Argentina

DOI:

https://doi.org/10.24215/1850468Xe034

Palabras clave:

pronóstico por ensambles, análisis regionales, SAP.SMN

Resumen

En este trabajo se busca evaluar el desempeño de los pronósticos probabilísticos en alta resolución (4 km) generados a partir del Sistema de Asimilación de datos y Pronóstico numérico del Servicio Meteorológico Nacional de Argentina (SAP.SMN) y estudiar el impacto de las condiciones iniciales en los mismos, considerando pronósticos inicializados a partir de un ensamble de análisis regionales (AReg) y de análisis globales (SAP.SMN-ENS). Se seleccionaron 2 casos de estudio para analizar el desempeño de ambos pronósticos, caracterizados por el desarrollo de convección húmeda profunda y precipitación intensa sobre el centro-este de Argentina y Uruguay, ocurridos el 26-27 de febrero y el 6-7 de marzo de 2022. Para verificar los pronósticos probabilísticos se utilizaron datos de estimación cuantitativa de precipitación por satélite SQPE-OBS, reflectividad máxima de radares de banda C, datos de estaciones convencionales y radiosondeos. En líneas generales, se puede considerar que AReg mostró un mejor desempeño para el caso 1 y SAP.SMN-ENS lo hizo en el caso 2, indicando un impacto significativo de las condiciones iniciales en el desempeño del pronóstico. En ambos casos de estudio, ambos experimentos logran representar adecuadamente los sistemas convectivos respecto de los datos de radar, con ciertas diferencias en la posición e intensidad de los mismos, dando como resultado una subestimación de la precipitación acumulada en 24 horas en las zonas de máxima precipitación estimada por SQPE-OBS. Estos resultados son alentadores respecto de la inclusión de observaciones locales en la condición inicial de los pronósticos numéricos en alta resolución del SAP.SMN-ENS y motivan a seguir avanzando en el desarrollo de un sistema regional de asimilación de datos que permita mejorar la precisión de los pronósticos, investigando aspectos como la configuración y la estrategia de asimilación.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Alvarez Imaz, M., 2022: Estudio del impacto de la configuración del modelo WRF en pronósticos determinísticos y probabilísticos para un caso de iniciación de la convección en las Sierras de Córdoba, Argentina. Tesis doctoral, FCEyN, UBA.

https://hdl.handle.net/20.500.12110/tesis_n7211_AlvarezImaz

Arruti, A., P. Maldonado, M. Rugna, M. Sacco, J. Ruiz, L. Vidal, 2021: Sistema de control de calidad de datos de radar en el Servicio Meteorológico Nacional - Parte I: Descripción del algoritmo. Nota Técnica SMN 2021-86. http://hdl.handle.net/20.500.12160/1537

Bechis, H., V. Galligani, M.A. Imaz, M. Cancelada, I. Simone, F. Piscitelli, P. Maldonado, P. Salio, S. Nesbitt, 2022: A case study of a severe hailstorm in Mendoza, Argentina, during the relampago-cacti field campaign. Atmospheric Research 271, 106127. https://doi.org/10.1016/j.atmosres.2022.106127

Berner, J., S.Y. Ha, J.P. Hacker, A. Fournier, C. Snyder, 2011: Model uncertainty in a mesoscale ensemble prediction system: Stochastic versus multiphysics representations. Mon. Wea. Rev. 139, 1972–1995. https://doi.org/10.1175/2010MWR3595.1

Bowler, N.E., A. Arribas, K.R. Mylne, K.B. Robertson, S.E. Beare, 2008: The MOGREPS short-range ensemble prediction system. Q. J. R. Meteorol. Soc. 134, 703–722. https://doi.org/10.1002/qj.234

Chen, S.H. and W.Y. Sun, 2002: A one-dimensional time dependent cloud model. J. Meteor. Soc. Japan., 80(1), 99–118. https://doi.org/10.2151/jmsj.80.99.

Dillon, M.E., y coautores, 2021: A rapid refresh ensemble based data assimilation and forecast system for the RELAMPAGO field campaign. Atmos. Res. https://doi.org/10.1016/j.atmosres.2021.105858.

Dillon, M.E., C. Matsudo, Y. García Skabar, M. Sacco y M. Alvarez Imaz, 2020: Implementación del sistema de pronóstico numérico en el HPC: Configuración del ensamble. Nota Técnica SMN 2020-79. http://hdl.handle.net/20.500.12160/1403

Dillon, M.E., García Skabar, Y., Kalnay, E., Ruiz, J. y Collini, E., 2019: Sensibilidad de un sistema de asimilación de datos por ensambles a diferentes configuraciones, implementado en el sur de Sudamérica. Revista Meteorológica, V. 44 No.2, P. 15-34, 2019.

Dillon, M.E., Y. Garcia Skabar, M. Nicolini, 2013: Desempeño del pronóstico de modelos de alta resolución, en un área limitada: análisis de la estación de verano 2010-2011. Meteorológica, 38(2), 69-89.

Epstein, E.S., 1969: Stochastic-dynamic prediction. Tellus, 21, 739-759. https://doi.org/10.1111/j.2153-3490.1969.tb00483.x

Evensen, G. F.C. Vossepoel, P.J. van Leeuwen, 2022: Data Assimilation Fundamentals, Springer. https://doi.org/10.1007/978-3-030-96709-3

Evensen, G., 1994: Sequential data assimilation with a nonlinear quasi-geostrophic model using Monte Carlo methods to forecast error statistics, J. Geophys. Res., 99, 143-162. https://doi.org/10.1029/94JC00572

Geer, A.J., y coautores, 2018: All-sky satellite data assimilation at operational weather forecasting centres. Q. J. R. Meteorol. Soc. 144, 1191–1217. https://doi.org/10.1002/qj.3202

Gustafsson, N., y coautores, 2018: Survey of data assimilation methods for convective-scale numerical weather prediction at operational centres. Q. J. R. Meteorol. Soc. 144, 1218–1256. https://doi.org/10.1002/qj.3179

Harnisch, F. and C. Keil, 2015: Initial conditions for convective-scale ensemble forecasting provided by ensemble data assimilation, Mon. Wea. Rev., 143, 1583-1600. https://doi.org/10.1175/MWR-D-14-00209.1

He, J., y coautores, 2019: Development and Evaluation of an Ensemble‐Based Data Assimilation System for Regional Reanalysis Over the Tibetan Plateau and Surrounding Regions. Journal of Advances in Modeling Earth Systems, 11(8), 2503–2522. https://doi.org/10.1029/2019MS001665

Helmus, J. and Collis, S., 2016: The Python ARM Radar Toolkit (Py-ART), a library for working with weather radar data in the Python programming language. Journal of Open Research Software, 4 (1). http://doi.org/10.5334/jors.119

Hersbach, H., y coautores, 2023: ERA5 hourly data on pressure levels from 1940 to present. Copernicus Climate Change Service (C3S) Climate Data Store (CDS). https://doi.org/10.24381/cds.bd0915c6

Hong, S.Y., and J.O.J. Lim, 2006: The WRF single–moment 6–class microphysics scheme (WSM6). J. Korean Meteor. Soc., 42, 129–151.

Hong, S.Y., Y. Noh, J. Dudhia, 2006: A new vertical diffusion package with an explicit treatment of entrainment processes. Mon. Wea. Rev., 134, 2318–2341. https://doi.org/10.1175/MWR3199.1

Hobouchian, M.P., y coautores, 2021: Ajuste de la estimación de precipitación satelital IMERG con observaciones pluviométricas en Argentina. Nota Técnica SMN 2021-105. http://hdl.handle.net/20.500.12160/1694

Huffman, G.J., y coautores, 2020: Integrated Multi-satellite Retrievals for the Global Precipitation Measurement (GPM) Mission (IMERG). Satellite Precipitation Measurement. Advances in Global Change Research, 67, Springer. https://doi.org/10.1007/978-3-030-24568-9_19

Hunt, B.R., E.J. Kostelich, I. Szunyogh, 2007: Efficient data assimilation for spatiotemporal chaos: a local ensemble transform Kalman filter. Phys. D: Nonlinear Phenom. 230, 112–126. https://doi.org/10.1016/j.physd.2006.11.008

Iacono, y coautores, 2008: Radiative forcing by long–lived greenhouse gases: Calculations with the AER radiative transfer models. J. Geophys. Res., 113, D13103. https://doi.org/10.1029/2008JD009944

Janjic, Z. I., 1994: The Step–Mountain Eta Coordinate Model: Further developments of the convection, viscous sublayer, and turbulence closure schemes. Mon. Wea. Rev., 122, 927–945. https://doi.org/10.1175/1520-0493(1994)122<0927:TSMECM>2.0.CO;2

Janjic, Z. I., 2002: Nonsingular implementation of the Mellor-Yamada Level 2.5 Scheme in the NCEP Meso model. NCEP Office Note No. 437, 61 pp.

Jimenez, P.A., y coautores, 2012: A revised scheme for the WRF surface layer formulation. Mon. Wea. Rev., 140, 898–918. https://doi.org/10.1175/MWR-D-11-00056.1

Kalnay, E., 2003: Atmospheric Modeling, Data Assimilation and Predictability. Cambridge University Press, 341 págs. https://doi.org/10.1017/CBO9780511802270

Magnusson, L., y coautores, 2022: Skill of Medium-Range Forecast Models Using the Same Initial Conditions. Bull. Amer. Meteor. Soc., 103, E2050–E2068. https://doi.org/10.1175/BAMS-D-21-0234.1

Maldonado, P., 2023: Implementación y evaluación de un sistema de asimilación de datos de radar meteorológico en escala convectiva para el desarrollo de un sistema de pronóstico por ensambles a muy corto plazo. Tesis de doctorado, DCAO, FCEyN, UBA.

https://hdl.handle.net/20.500.12110/tesis_n7321_Maldonado

Maldonado, P., y coautores, 2022: Sistema de asimilación de datos y pronóstico numérico del Servicio Meteorológico Nacional: componente experimental. Características y ajustes. XIV Congreso Argentino de Meteorología. 7 al 11 de noviembre, 2022.

Maldonado, P., J. Ruiz, C. Saulo, 2020: Parameter sensitivity of the WRF–LETKF system for assimilation of radar observations: Imperfect-model observing system simulation experiments; American Meteorological Society; Wea. Forecasting, 35, 4, 5-2020, 1345-13620882-8156. https://doi.org/10.1175/WAF-D-19-0161.1

Matsudo, C., y coautores, 2022: Sistema de asimilación de datos y pronóstico numérico del Servicio Meteorológico Nacional: componente operativa. XIV Congreso Argentino de Meteorología. 7 al 11 de noviembre, 2022.

Matsudo, C., y Salio, P., 2011: Severe weather reports and proximity to deep convection over Northern Argentina. Atmospheric research, 100 (4), 523–537. https://doi.org/10.1016/j.atmosres.2010.11.004

Mezher, R., M. Doyle, and V. Barros, 2012: Climatology of hail in Argentina. Atmospheric research, 114, 70–82. http://doi.org/10.1016/j.atmosres.2012.05.020

Miyoshi, T., M. Kunii, 2011: The local ensemble transform Kalman filter with the Weather Research and Forecasting Model: Experiments with real observations. Pure Appl. Geophys., 169, 321–333. https://doi.org/10.1007/s00024-016-1269-0

Niu, G.Y., y coautores, 2011: The community Noah land surface model with multiparameterization options (Noah–MP): 1. Model description and evaluation with local–scale measurements. J. Geophys. Res., 116, D12109. https://doi.org/10.1029/2010JD015140

Roberts, N.M. and H. Lean, 2008: Scale-selective verification of rainfall accumulations from high-resolution forecasts of convective events. Mon. Wea. Rev., 136, 78–97. https://doi.org/10.1175/2007MWR2123.1

Roebber, P.J., 2009: Visualizing multiple measures of forecast quality. Wea. Forecasting, 24, 601-608. https://doi.org/10.1175/2008WAF2222159.1

Salio, P., M. Nicolini, E.J. Zipser, 2007: Mesoscale convective systems over southeastern South America and their relationship with the South American low-level jet. Mon. Wea. Rev. https://doi.org/10.1175/MWR3305.1

Saucedo, M., 2016: Estudio de los efectos de diferentes fuentes de error sobre la calidad de los análisis generados por un sistema de asimilación por filtros de Kalman. Tesis de doctorado, DCAO, FCEyN, UBA. https://hdl.handle.net/20.500.12110/tesis_n5939_Saucedo

Schumacher, V., A. Fernánde., F. Justino, A. Comin, 2020: WRF high resolution dynamical downscaling of precipitation for the Central Andes of Chile and Argentina. Frontiers in Earth Science, 328. https://doi.org/10.3389/feart.2020.00328

Schwartz, C., J. Poterjoy, J. Carley, D. Dowell, G. Romine, K. Ide, 2022: Comparing Partial and Continuously Cycling Ensemble Kalman Filter Data Assimilation Systems for Convection-Allowing Ensemble Forecast Initialization. Wea. Forecasting, 37, 85–112. https://doi.org/10.1175/WAF-D-21-0069.1

Shin, H.H., and S.Y. Hong, 2015: Representation of the subgrid-scale turbulent transport in convective boundary layers at gray-zone resolutions. Mon. Wea. Rev., 143, 250-271. https://doi.org/10.1175/MWR-D-14-00116.1

Skamarock, W., J. Klemp, J. Dudhi, D. Gill, Z. Liu, J. Berner, X.Y. Huang, 2019: A description of the advanced research WRF model version 4. National Center for Atmospheric Research: Boulder, CO, USA, 145(145), 550.

Su, C.H., y coautores, 2019: BARRA v1.0: the Bureau of Meteorology Atmospheric high-resolution Regional Reanalysis for Australia, Geosci. Model Dev., 12, 2049–2068.

Trapp, R.J., y coautores, 2020: Multiple-Platform and Multiple-Doppler Radar observations of a Supercell Thunderstorm in South America during RELAMPAGO. Monthly Weather Review 148, 3225–3241. https://doi.org/10.1175/MWR-D-20-0125.1

Warner, T.T., R.A. Peterson, R.E. Treadon, 1997: A tutorial on lateral boundary conditions as a basic and potentially serious limitation to regional numerical weather prediction. Bull. Amer. Meteor. Soc., 78, 2599–2617.

DOI: https://doi.org/10.1175/1520-0477(1997)078<2599:ATOLBC>2.0.CO;2.

Wilks, D.S., 1995: Statistical Methods in the Atmospheric Sciences. Academic Press, San Diego, 467 p.

Yañez, D., 2023: Validación de pronósticos probabilísticos en alta resolución generados a partir del Sistema de Asimilación de Datos y Pronóstico Numérico del Servicio Meteorológico Nacional. Tesis de licenciatura, DCAO, FCEyN, UBA.

Zhou, X., Y. Zhu, D. Hou, Y. Luo, J. Peng, R. Wobus, 2017: Performance of the New NCEP Global Ensemble Forecast System in a parallel Experiment. Weather Forecast. 32, 1989–2004. DOI: https://doi.org/10.1175/WAF-D-17-0023.1.

Zipser, E.J., D.J. Cecil, C. Liu, S. Nesbitt, D. Yorty, 2006: Where are the most intense thunderstorms on earth? Bulletin of the American Meteorological Society, 87 (8), 1057–1072. DOI: https://doi.org/10.1175/BAMS-87-8-1057.