J. Bustamante - Ensemble Prediction
Upcoming SlideShare
Loading in...5
×
 

Like this? Share it with your network

Share

J. Bustamante - Ensemble Prediction

on

  • 997 views

 

Statistics

Views

Total Views
997
Views on SlideShare
424
Embed Views
573

Actions

Likes
0
Downloads
1
Comments
0

6 Embeds 573

http://dapa.ciat.cgiar.org 564
http://ciat.cgiar.org 2
http://ciatcorporate.staging.wpengine.com 2
http://dapablog.local 2
http://webcache.googleusercontent.com 2
http://translate.googleusercontent.com 1

Accessibility

Categories

Upload Details

Uploaded via as Adobe PDF

Usage Rights

© All Rights Reserved

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Processing…
Post Comment
Edit your comment

J. Bustamante - Ensemble Prediction Presentation Transcript

  • 1. 03-08 de março de 2013Cachoeira PaulistaIV Workshop Latino-Americano emModelagem de Tempo e Clima Utilizando oModelo Regional EtaAspectos Físicos e NuméricosPrevisão por ConjuntoJosiane 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 oestado futuro da atmosferaPor que a previsibilidade da atmosfera é limitada?IV WorketaPrevisibilidade da atmosfera
  • 3. IV WorketaO que é “caos” ?caos → desordemDefinição de “caos” nas ciênciasatmosféricas:“Sensibilidade de um processo àscondições iniciais (Lorenz, 1963, 1965,1969)”Não conhecemos o estado real daatmosfera;Os erros presentes nas condiçõesiniciais crescem ao longo do prazode integração;Decaimento da qualidade daprevisão com o avanço do prazode previsãoLimita o prazo de previsão detempo (15 dias)Atmosfera é um sistema caótico
  • 4. Pequenos erros na formacomo interpretamos oestado atual daatmosfera levam agrandes erros/diferençasna previsão Em geral, até 3 dias a frente podemos usualmente prever acuradamente opadrão geral da atmosfera Além de 3 dias o caos torna-se um fator importanteCondição Inicial A Condição Inicial BPrevisão A para odia 4Previsão B para odia 4IV 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 AtmosferaIV Worketa
  • 6. Estados iniciais ligeiramente errôneos podem levar a resultados que não serãoverificadosA importância dos estados iniciais nos erros cometidos nas previsões numéricas.Previsões DeterminísticasUma única condição inicialPrevisões Probabilísticas devem indicar o que sabemos e o que não sabemos sobre o estadofuturo da atmosferaPrevisões Probabilísticas são projetadas para capturar as probabilidades de ocorrência doseventos e o range de incerteza inerente a cada situação previstaPrevisões ProbabilísticasIV Worketa
  • 7. Característica Previsão Determinística Previsão por ConjuntoIncertezas naCondição InicialSistemas de assimilação de dados são preparados paraminimizar os erros das condições iniciais.As incertezas nas condições iniciais podemser consideradas, determinando os errospotenciais mais importantes (ou seja, decrescimento mais rápido) para asubseqüente previsão do modelo econvertendo-os em perturbações razoáveispara a condição inicial.PrevisibilidadeAtmosféricaNão pode ser obtida a partir de previsõesdeterminísticas. Pode ser inferida incompletamente apartir do grau de consistência entre previsõesconsecutivas do mesmo modelo.Pode ser obtida a partir da taxa decrescimento do espalhamento dos membrosdo conjunto.Incerteza noModelo:DinâmicaApenas um método numérico pode ser utilizado.Múltiplos métodos numéricos podem serusados, por exemplo: espectral, ponto degrade, ponto de grade com diferentesajustes.Incerteza noModelo: FísicaApenas um conjunto de parametrizações físicas pode serusado (ex.: um esquema de precipitação convectiva)Múltiplas combinações de parametrizaçõesfísicas podem ser usadas (ex.: dois esquemasde precipitação convectiva)Previsões Determinísticas X Previsões por ConjuntoIV Worketa
  • 8. • Explorar as incertezas: previsões numéricas com maior eficácia do que uma únicaprevisão determinística• Previsões por ensemble capturam probabilidades de ocorrência e intervalos deincerteza da previsão• O emprego da técnica de previsão por conjunto em combinação com modelos de altaresolução pode tornar as previsões de eventos severos mais eficientesIV Worketa
  • 9. instante previsão previsãoinicial intermediária finalTécnica de previsão por conjuntos: diminuir o impacto da incerteza do estado inicial daatmosfera na previsão final, tomando um conjunto de estados iniciais ligeiramentediferentes da análise inicial e gerando uma saída do modelo para cada um dos estadosdesse conjunto.Cada execução do modelo é determinística, mas o conjunto de previsões tomadas a partirde estados inicias ligeiramente diferentes da análise fornece uma descrição do carátercaótico da atmosfera.Obtido o conjunto de previsões, utilizam-se ferramentas estatísticas para tratar asinformações resultantes.IV Worketa
  • 10. Ensemble boa qualidade Ensemble baixa qualidadeC - previsãocontroleCTT - estado real daatmosferaAA - ensemblemédioP+P+ - pert. positivaP-P- - pert. negativaP+P-ACTIV Worketa
  • 11. • Incertezas da Condição Inicial• Incerteza dos Modelos (Dinâmica e Física)• Múltiplos Modelos• Múltiplas Análises• Combinação de diferentes metodologiasIV Worketa
  • 12. • Singular Vector (ECMWF; Molteni et al., 1996) Operacional desde 1992Desenvolvido para médio prazo51 membros: 50 perturbados e um controle (sem perturbações na análise)• Breeding (NCEP; Toth and Kalnay, 1993) Operacional desde 1992Desenvolvido para médio prazo, mas são válidos também para curto prazo15-membros: 14 membros perturbados mais uma rodada de controle• Observações perturbadas (CMC; Houtekamer et al., 1996) Operacional desde 1998Desenvolvido para médio prazo, mas também é aplicável para curto prazo16-membros (8 a partir de cada sistema – CI/Física):• Perturbações baseadas em EOF (CPTEC; Coutinho, 1999) Operacional desde 2001Desenvolvido para médio prazo15-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 MetOfficePrincipais Técnicas de Previsão por Conjunto
  • 13. Membro 1SPE Modelo GlobalCondiçãoInicialPerturbaçãorandômicaT e V71...Roda o modeloEOF dasdiferençasPerturbaçãoÓtimaCondição Inicial +Perturbação ÓtimaPrevisõesaté36 horasCIperturbada 1Previsõesaté36 horasPrevisõesaté36 horasPerturbaçãorandômicaT e VRoda o modeloPerturbaçãorandômicaT e VRoda o modelo71...71...Condição Inicial +Perturbação ÓtimaCondição Inicial +/-Perturbação Ótima141 . ..CIperturbada 1CIperturbada n141...Membro 2Membro 14PrevisãoControleRoda omodeloRoda omodeloSistema de Previsão por Ensemble do CPTEC (SPE)SPE operacional no CPTEC:Resolução T126L28Duas vezes ao dia (00 e 12 UTC)Prazo de previsão 15 dias15 membrosIV Worketa
  • 14. MembroControleCPTECAnálise deClusterPrevisão 240horasPrevisão 240horasPrevisão 240horasPrevisão 240horas15 membros SPEPrevisão por conjunto utilizando o modelo Eta40km 38 níveisMembroContorlePrevisão 240horasMembroContorlePrevisão 240horasMembro 1CPTECMembro 3CPTECMembro 2CPTECMembro 4CPTECSeleciona 4 membrosrepresentativosCondiçãoInicial e decontornolateral pararodar omodelo EtaVersão do modelo EtaParametrizações Convectiva/Microfísica Prazo de PrevisãoMembro 2BMJ/FerrierMembro 3BMJ/FerrierMembro 4BMJ/FerrierMembro 5BMJ/FerrierMembro 6BMJ/ZhaoMembro 7BMJa/ZhaoEm avaliaçãoMembro 1BMJ/FerrierPrevisão 240horasIV Worketa
  • 15. Modelo Eta40kmEta 5kmBMJ/FerrierCondição Inicial e decontorno lateral pararodar o modelo EtaPrevisão 72hOperacional no CPTEC:Modelo Eta: resolução 5 km / 50 níveis2 vezes ao dia (00 e 12 UTC)Prazo de integração 72 horas5 membrosPrevisão por conjunto utilizando o modeloEta 5km 50 níveisModelo Eta40kmEta 5kmBMJ/ZhaoPrevisão 72hModeloGlobal GFSEta 5kmBMJ/FerrierPrevisão 72hModeloGlobal GFSEta 5kmKF/ZhaoPrevisão 72hModeloGlobal GFSEta 5kmKFfm/ZhaoPrevisão 72hVersão do modelo EtaParametrizaçõesConvectiva/MicrofísicaPrazo de PrevisãoIV Worketa
  • 16. Principais Produtos da Previsão por ConjuntoPrevisão por conjunto:Ensembles representam a melhor forma de lidar com a inceteza e pode nos dar umaindicação do risco associado a previsãoSignifica rodar numerosas previsões (alto custo computacional)Implica em grande quantidade de informações a serem processadasComo podemos codensar e extrair as informações mais úteis?IV Worketa
  • 17. Produtos do SPE do Modelo Global do CPTEChttp://previsaonumerica.cptec.inpe.br/# Neste tipo de gráfico agrupamos aquelasprevisões que são similares Deve ser usado para obter a variabilidade Ele dá uma idéia de quão provável são assoluções alternativasT+120hT+15 diasClustersIV Worketa
  • 18. Ensemble médio e EspalhamentoTp2m – T+24h PNMM – T+72hIV Worketa Muito compacto, mas pode filtrarinformações úteis! Ensemble médio fornece melhoresprevisões do que o controle Espalhamento do ensemble: Medida da incertezaO ensemble médio fornece uma boa informação da evolução mais provável da atmosfera emescalas sinóticasTambém, quanto menor o espalhamento na previsão, é mais provável que aquela previsão sejaverificadaAlta 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 previsãoIV Worketa
  • 20. Produtos do SPE do Modelo Global do CPTECProbabilidades de exceder um limiar Muito útil para eventos extremos A probabilidade é calculada contando o número de membros do ensemble queexcedem um limiar escolhido dividido pelo número total de membros doensembleIV Worketa
  • 21. Produto do SPE do CPTECProduto do SRPES do CPTECPlumas: evolução temporal para umalocalidade específica.IV Worketa
  • 22. Produtos da Previsão por Conjunto utilizando o modelo EtaEta 40km5 MembrosBMJ/Ferrier1 MembroBMJ/ZhaoT+48hIV Worketa
  • 23. http://previsaonumerica.cptec.inpe.br/#Eta 40km5 MembrosBMJ/Ferrier1 MembroBMJ/ZhaoT+240hIV Worketa Produtos da Previsão por Conjunto utilizando o modelo Eta
  • 24. http://previsaonumerica.cptec.inpe.br/#Eta 5kmM1BMJ/Ferrier/CPTECM2BMJ/Ferrie/GFSM3BMJ/ZHAO/CPTECM4KF/Ferrier/GFSM5KFfm/Ferrier/GFST+48hIV Worketa Produtos da Previsão por Conjunto utilizando o modelo Eta
  • 25. Precipitação Intensa sobre a Serra do MarRegião da Baixada Santista+ 300 mmem 12hIV Worketa
  • 26. Produtos do SRPES do CPTEC utilizando o modelo EtaEta 5kmM1BMJ/Ferrier/CPTECM2BMJ/Ferrie/GFSM3BMJ/ZHAO/CPTECM4KF/Ferrier/GFSM5KFfm/Ferrier/GFSIV Worketa
  • 27. Linhas emverde: KFLinhas emazul: BMJLinhavermelha:EnsembleMédioIV Worketa
  • 28. + 300 mmem 12h22/0218Z23/0206Z22/0218Z23/0206ZIV Worketa
  • 29. Resultados de Previsões porconjunto utilizando o modelo EtaSREPTSREPCI SREPFIV WorketaSREPCIOBS: 238 mmPrevisto: 100-150mmSREPFOBS: 238 mmPrevisto: 150-200mm
  • 30. Previsão de Probabilidade: dado um limiar pré-estabelecido pode-se estimar quais regiõesque tem maior probabilidade de ocorrência de uma determinada variável acima do limiar.> 1 mm > 5 mm> 25 mm > 50 mm > 75 mm> 10 mmResultados de Previsões porconjunto utilizando o modelo EtaIV Worketa
  • 31. Previsões de ProbabilidadePrecip > 1mm Precip > 10mm Precip > 50mmOBSERVAÇÕESENSEMBLEResultados de Previsões por conjuntoutilizando o modelo EtaIV Worketa
  • 32. RMSExEspalhamentoTemp UmesTemp Umes72h RMSE ~ 1,290h RMSE ~ 1,236h RMSE ~ 0,954h RMSE ~ 0,960h RMSE ~ 1,7108h RMSE ~ 1,736h RMSE ~ 1,466h RMSE ~ 1,4Resultados de Previsões porconjunto utilizando o modelo EtaIV Worketa
  • 33. ZCASFrentesETS BIAS00,10,20,30,40,50,60,254 2,54 6,35 12,7 19,05 25,4 38,1 50,82682 1993 1436 942 660 495 262 136ETSCategoria (mm)No Observaçõessreptsrephsrepf00,10,20,30,40,50,60,254 2,54 6,35 12,7 19,05 25,4 38,1 50,87364 5902 4579 3299 2368 1813 1011 594ETSCategoria (mm)No Observaçõessreptsrephsrepf00,20,40,60,811,21,41,61,822,22,40,254 2,54 6,35 12,7 19,05 25,4 38,1 50,87364 5902 4579 3299 2368 1813 1011 594BIASCategoria (mm)No Observaçõessreptsrephsrepf00,20,40,60,811,21,41,61,822,22,40,254 2,54 6,35 12,7 19,05 25,4 38,1 50,82682 1993 1436 942 660 495 262 136BIASCategoria (mm)No ObservaçõessreptsrephsrepfResultados de Previsões porconjunto utilizando o modelo EtaIV Worketa
  • 34. 03-08 de março de 2013Cachoeira PaulistaIV Workshop Latino-Americano emModelagem de Tempo e Clima Utilizando oModelo Regional EtaAspectos Físicos e NuméricosPrevisão SazonalJosiane Ferreira Bustamante
  • 35. Influência da ITCZ800W 00 200E200N00200S200N00200S(B)(A)WETACOOLER SSTWARMER SSTITCZAITCZAACOOLER SSTWARMER SSTDRYGradienteMeridional daAnomalia da TSM OBS: 17-25 Novembro 1999OLR SSTAZona de Convergênciado Atlântico SulPrevisões Numéricos Sazonais ou ClimáticasOs modelos de previsões sazonais são representações numéricas das equações fundamentais quedescrevem 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 previsãoIV Worketa
  • 37. Previsões Sazonais do Modelo Global do CPTECParametrizaçãoConvectiva: KuoParametrizaçãoConvectiva: RAShttp://clima1.cptec.inpe.br/gpc/IV Worketa
  • 38. RainfallSea SurfaceTemperatureV.2.3(2012)V.1.0(2009)V.2.3–V.1.0BESM-OA2.3Seasonal Prediction Skill EvolutionPredictability IncreaseV.2.3V.1.0DifferenceAnomaly correlation, CGCM 10 members, 1981-2007, IC JUNE run at INPE’s CRAY XE6, GMAO/CPTECPrevisões Sazonais do Modelo AcopladoIV Worketa
  • 39. Previsões Sazonais com modelos regionais (Downscaling)Downscaling é uma metodologiaque fornece informaçõesclimáticas de alta resolução apartir de modelos climáticosglobais com resoluçãorelativamente baixa.Downscaling esta técnica possibilitauma melhor representação datopografia e da circulaçãoatmosférica local.300 km60 kmIV Worketa
  • 40. Características do Modelo•Convecção1. Esquema convectivo Betts-Miller-Janjic• Microfísica1. Esquema de microfísica deZhao2. Esquema de Microfísica deFerrier• TurbulênciaMellor Yamada 2.5, MOsuperfície, funções de Paulson• RadiaçãoGFDL• Esquema de superfícieEsquema NOAH, 4 camadas nosolo• DomínioAmérica do Sul, maior parte AméricaCentral e oceanos adjacentes•Resolução40 km/38 níveis;•Grade do modeloArakawa E grid and Lorenz grid• Coordenada Vertical(Mesinger, 1984)•Variáveis PrognósticasT, q, u, v, ps, TKE, cloud water/ice,hydrometeorsIV Worketa
  • 41. • Condições iniciaisNCEP T062L28 para os dias 13, 14, 15, 16, 17 /06/2008, as 1200 UTC para cadamês. Total de 120 membros para cada mês do ano• Condições de contorno lateralModelo AGCM do CPTEC T062L28, 6/6hModelo OGCM do CPTEC T062L28, 6/6h• Condição de contorno inferior:Anomalia de TSM persistida, atualizada diariamente durante aintegração ou TSM prevista pelo OGCMUmidade do solo climatológicaAlbedo 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. AGCMT062L28Previsão4,5mesesPrevisão 4,5mesesPrevisão 4,5mesesPrevisão 4,5mesesClimatologia do modelo Eta 40km 38 níveis – 10 anosIV WorketaAGCMT062L28Previsão 4,5mesesOGCMT062L28Previsão 4,5mesesAGCMT062L28AGCMT062L28AGCMT062L28AGCMT062L28Condição Inicial e de contornolateral para rodar o modelo EtaVersão do modelo EtaParametrizações Convectiva/MicrofísicaPrazo de PrevisãoMembro 2BMJ/ZhaoMembro 3BMJ/ZhaoMembro 4BMJ/ZhaoMembro 5BMJ/ZhaoMembro 6BMJa/FerrierMembro 7BMJa/ZhaoMembro 1BMJ/ZhaoPrevisão4,5 mesesCI dia 13CI dia 14AGCMT062L28Previsão 4,5mesesMembro 8KF/FerrierAGCMT062L28Previsão 4,5mesesMembro 9KFfm/FerrierCI dia 15CI dia 16CI dia 17CI dia 15CI dia 15CI dia 15CI dia 15OPERACIONALCONSTRUÇÃODESENVOLVIMENTO
  • 43. Previsões válidas para trimestre NDJPrecipitação TrimestralAnomalia TrimestralEnsemble médio Climatologia
  • 44. 44PrevisãoAgo2012PrevisãoSet2012PrevisãoOut2012PrevisãoNov2012Climat.AgoClimat.SetClimat.OutClimat.NovAnomaliaAgo2012AnomaliaSet2012AnomaliaOut2012AnomaliaNov2012IV Worketa Climatologia da Precipitação
  • 45. IV WorketaPrecipitação Prevista
  • 46. IV WorketaPrecipitação Prevista
  • 47. RMSE - DJFM December January FebruarySouth America 6,59 6,84 6,82South-CenterRegion5,96 5,87 5,68North region 7,67 7,75 7,87NortheastRegion4,56 6,63 6,72RMSE - JJAS December January FebruarySouth America 4,23 3,86 3,64South-CenterRegion2,48 2,27 2,14North region 6,16 5,70 5,47NortheastRegion2,73 2,22 1,71IV Worketa Precipitação Prevista - Erros SistemáticosErro MédioPeríodoChuvosoPeríodo SecoRMSE – Período Chuvoso RMSE – Período Seco
  • 48. JulhoJaneiroModelo EtaReanáliseERA-InterimIV Worketa Climatologia Vento 250 hPa
  • 49. Eta-AGCM Eta-OGCM GPCPComparação da Climatologia 2001-2007Eta-AGCM x Eta-OGCMJaneiroFevereiroJaneiroFevereiroJaneiroFevereiroIV Worketa
  • 50. Eta-AGCM Eta-OGCM GPCPComparação da Climatologia 2001-2007Eta-AGCM x Eta-OGCMMarçoAbrilMarçoAbrilMarçoAbrilIV Worketa
  • 51. Dezembro2001Eta-AGCM Eta-CGCMIV WorketaEta-AGCM Eta-CGCMJaneiro2002Precipitação Mensal Prevista - Erros Médio
  • 52. IV WorketaPrecipitação Mensal PrevistaEta_Ferr x Eta_ZhaoBMJ/Ferrier BMJ/Zhao BMJ/Ferrier-BMJ/ZhaoPrecipitaçãoMensalObservadaFevereiro 2001
  • 53. BMJ/FerrierIV WorketaPrecipitação Mensal PrevistaEta_Ferr x Eta_ZhaoBMJ/Ferrier BMJ/Zhao BMJ/Ferrier-BMJ/ZhaoPrecipitaçãoMensalObservadaMarço 2001
  • 54. IV WorketaPrecipitação Mensal PrevistaEta_Ferr x Eta_ZhaoBMJ/Ferrier BMJ/Zhao BMJ/Ferrier-BMJ/ZhaoPrecipitaçãoMensalObservadaAbril 2001
  • 55. IV WorketaPrecipitação Mensal PrevistaEta_Ferr x Eta_ZhaoBMJ/Ferrier BMJ/Zhao BMJ/Ferrier-BMJ/ZhaoPrecipitaçãoMensalObservadaMaio 2001
  • 56. 050100150jul ago set outPrevisão X Climatologia Observada X Climatologia do ModeloPrecipitação Mensal (mm)prev medclim_obsclim_mod020406080100120140jul ago set outPrevisões de cada membro - 200806Precipitação Mensal (mm) mb1mb2mb3mb4mb5prev medIV WorketaPrecipitação Mensal Prevista
  • 57. -60-40-2002040jul ago set outAnomalia das Previsões(cada membro)anom_m1anom_m2anom_m3anom_m4anom_m5Anomalia =Previsão do membro – Climatologia do Modelo020406080100jul ago set outProbabilidade da Anomalia Previstaabaixo normalnormalacima normalAcima da normal: anomalia > 10mmNormal: -10 mm > anomalia > 10 mmAbaixo da normal: anomalia < -10 mmIV WorketaPrecipitação Mensal Prevista