Verificación de los pronósticos semanales de precipitación y temperatura media generados con la técnica de regresión por análogos

• Autores: Aldeco, Laura Soledad; de Elia, Ramón; Ruiz, Juan José
• Año de publicación: 2025
• Idioma: español castellano
• Tipo de recurso: informe técnico
• Materia: Pronóstico semanal
• Institución: Servicio Meteorológico Nacional

Fil: Aldeco, Laura Soledad. Servicio Meteorológico Nacional; Argentina.
Fil: de Elía, Ramón. Servicio Meteorológico Nacional; Argentina.
Fil: Ruiz, Juan Jose. Consejo Nacional de Investigaciones Científicas y Técnicas. Oficina de Coordinación Administrativa Ciudad Universitaria. Centro de Investigaciones del Mar y la Atmósfera. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales. Centro de Investigaciones del Mar y la Atmósfera; Argentina
El objetivo de este trabajo es documentar el proceso de generación de los pronósticos semanales de precipitación y temperatura media generados mediante la técnica de regresión por análogos y analizar su desempeño entre 2021 y 2023. En febrero de 2019 el Servicio Meteorológico Nacional (SMN) comenzó a generar de forma operativa pronósticos semanales de precipitación y temperatura media para las semanas 1 (días 1 a 7) y 2 (días 8 a 14). Para implementarlos, se utilizaron pronósticos cuyos errores fueron parcialmente corregidos con la técnica de regresión por análogos, dadas las ventajas documentadas que representa usar esta técnica respecto de utilizar las salidas de modelos sin calibrar. Para la generación y calibración de dichos pronósticos se utilizaron datos observados de estaciones de la red del SMN y la base de pronósticos retrospectivos del modelo GEFS, ambos en el período 2000-2019. La verificación en el caso de la precipitación se realizó para los umbrales de 5 mm y 30 mm de precipitación acumulada semanal. Para ello se construyeron tablas de contingencia y se calcularon algunos índices derivados de la misma: el Bias en la frecuencia, la probabilidad de detección y el Equitable Threat Score. Para verificar la temperatura media se calculó la raíz del Error Cuadrático Medio (RMSE) y la correlación entre anomalías pronosticadas y observadas para ambas semanas de pronóstico, en el período 2021-2023. Al mismo tiempo, se comparó el desempeño de los pronósticos generados con la técnica de regresión por análogos con el desempeño de los pronósticos sin calibrar. Los resultados muestran que, tanto para la precipitación acumulada como -de manera más notable- para la temperatura media, la calibración mediante la regresión por análogos reduce el error de los pronósticos, en ambas semanas. De esta manera se obtienen pronósticos de mejor calidad que si se utilizaran las salidas del modelo sin post-procesamiento alguno.
This work aims to assess the generation of the weekly forecasts of precipitation and mean temperature built using the analogs technique, and to analyze the performance of these forecasts. The National Meteorological Service (NMS) of Argentina has been generating operational precipitation and mean temperature forecasts for week 1 (days 1 to 7) and week 2 (days 8 to 14) since February 2019. To achieve this, the analog regression technique was used given the documented advantages of using this technique over using the non-calibrated model outputs. The technique was applied to surface stations data from the NMS observation network and to GEFS retrospective forecasts database, both within the 2000-2019 period. Verification was made for 5 mm and 30 mm thresholds of weekly accumulated precipitation, using some scores associated to the contingency table: Bias in Frequency, Probability of Detection and Equitable Threat Score. In the case of weekly mean temperature, the scores used were Correlation of Anomalies and Root Mean Squared Error, in 2021-2023 period. Also, the performance of the forecasts generated using the analog regression technique was compared with the performance of the non-calibrated forecasts. The results show that, for both accumulated precipitation and –to a greater extent-- mean temperature, calibration using analog regression reduces the error of the non- calibrated forecasts in both weeks. Consequently, better quality forecasts are obtained compared to using the model outputs without any post-processing.