Corrección del BIAS del pronóstico de temperatura mínima y máxima del modelo GFS

• Autores: Righetti, Silvina Andrea; Hobouchian, María Paula; García Skabar, Yanina
• Año de publicación: 2019
• Idioma: español castellano
• Tipo de recurso: informe técnico
• Materia: PRONÓSTICO NUMÉRICO; ERROR SISTEMÁTICO; GFS; TEMPERATURA; KALMAN FILTER
• Institución: Servicio Meteorológico Nacional

Fil: García Skabar, Yanina. Servicio Meteorológico Nacional. Gerencia de Investigación, Desarrollo y Capacitación. Departamento de Investigación y Desarrollo; Argentina. Consejo Nacional de Investigaciones Científicas y Técnicas. Instituto Franco Argentino sobre Estudios del Clima y sus Impactos; Argentina.
Fil: Hobouchian, María Paula. Servicio Meteorológico Nacional. Gerencia de Investigación, Desarrollo y Capacitación. Departamento de Investigación y Desarrollo; Argentina.
Fil: Righetti, Silvina Andrea. Servicio Meteorológico Nacional. Gerencia de Investigación, Desarrollo y Capacitación. Departamento de Investigación y Desarrollo. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales. Departamento de Ciencias de la Atmósfera y los Océanos; Argentina.
En el presente trabajo se describe la metodología desarrollada por el Departamento de Investigación y Desarrollo del Servicio Meteorológico Nacional (SMN) para realizar la corrección del error sistemático en la predicción numérica de la temperatura del aire. La necesidad de un post procesamiento del pronóstico numérico motivó el estudio de esta línea de trabajo y la aplicación de un método estadístico adecuado para realizar dicha tarea. La metodología seleccionada es la denominada Regresión Adaptada basada en el filtro de Kalman (RAKF). El desafío comenzó con la corrección de los pronósticos de temperatura mínima, máxima y de las 21 HOA del modelo global de pronóstico GFS con datos desde mayo de 2016. Se realizaron sucesivas pruebas experimentales y comparaciones con la red de estaciones meteorológicas disponibles para Argentina hasta obtener la metodología que se encontró automatizada hasta marzo de 2018, cuando por problemas de conexión a la base de datos se vio interrumpida. La validación de la metodología mostró resultados favorables en la corrección de los 3 pronósticos de temperatura analizados, siendo más notable y útil su aplicación en el caso del pronóstico de la temperatura mínima (mayor sesgo observado) y menos importante para el pronóstico de la temperatura de las 21 HOA. En los 3 casos, la metodología RAKF logra valores del BIAS en torno a cero, de RMSE entre 1,5 y 2°C, un porcentaje de aciertos entre 80 y 85 % y un valor cercano a cero en el porcentaje de desaciertos extremos. A futuro, se debería continuar este estudio para seguir mejorando su aplicación, incorporar otras variables meteorológicas para corregir y estudiar la componente del error aleatorio en el post procesamiento estadístico. A su vez, se espera adecuar esta metodología para corregir los errores sistemáticos de los pronósticos numéricos del modelo regional WRF-4km disponible en el SMN.
This paper describes the methodology developed by the Research and Development Department of the National Meteorological Service (SMN, for its initials in Spanish) to perform the correction of systematic error in the numerical prediction of air temperature. The study of this line of work and the application of an adequate statistical method to perform this task was motivated by the need for post-processing the numerical forecast. The selected methodology is called Adapted Regression based on the Kalman filter (RAKF, for its initials in Spanish). This challenge began with the correction of the minimum, maximum and 21 LT temperature forecasts of the global forecast model GFS with data from May 2016. Successive experimental tests and comparisons were made with the network of meteorological stations available for Argentina until obtaining the methodology that was automated until March 2018, when due to problems of connection to the database its performance was interrupted. The validation of the methodology showed favorable results in the correction of the three temperature forecasts analyzed. Its application is more notable and useful in the case of the forecast of the minimum temperature (greater bias observed) and less important for the forecast of the 21 LT temperature. In the three cases, the RAKF methodology achieves BIAS values around zero, RMSE values between 1.5 and 2°C, a percentage of hits between 80 and 85% and a value close to zero in the percentage of large errors. In the future, this study should be continued in order to improve its application, incorporate other meteorological variables to correct and study the component of the random error in the post-statistical processing. At the same time, it is expected to adapt this methodology to correct the systematic errors of the numerical forecasts of WRF-4km regional model available in SMN.