310 likes | 316 Views
This article explores the representation and interpretation of meteorological information, including the use of isolines and weather maps. It discusses the challenges of representing complex data and highlights the importance of expert analysis in creating accurate and meaningful weather maps.
E N D
Tema 1b Análisis en Meteorología
Preguntas claves: • ¿cómo representamos la información? • ¿qué son y como dibujamos isolineas? • ¿qué son los mapas del tiempo? • ¿cómo leemos un mapa del tiempo?
Red de estaciones de Sinópticas en Superficie Cada estación reporta: Ta, Td, ff, dd, Pres, tiempo actual, tiempo pasado (3h), nubes, tendencia presión,...
Demasiada (?) información para poner en un mapa...necesitamos una manera eficiente de representarla... ww:Tiempo presente
Empleando los códigos anteriores, la información meteorológica de las estaciones se despliega en un mapa... • Estas observaciones puntuales son la “realización” de campos atmosféricos continuos (T, pnm, u, v, etc.) en los cuales existen rasgos importantes (frenes, anticiclones, vaguadas, jets, etc.). Para visualizar esos rasgos necesitamos representar los campos meteorologicos: • Trazado manual de isolineas mapas del tiempo (metodo subjetivo) análisis • Análisis objetivo matrices 3D (metodo objetivo: AD) mapas del tiempo y entrada a modelos de pronóstico
Las observaciones puntuales permiten realizar una interpolación espacial (2D) de distintas variables escalares. La representación grafica de esa interpolación emplea isolíneas que conectan puntos con valores seleccionados. En meteorología las isolineas más importantes son: Isotermas = igual temperatura Isobaras = igual presión Isotacas = igual magnitud viento Interpolación 3D Isolíneas Observaciones
996 hPa 994 hPa 994 hPa 995 hPa 995 hPa 1000 hPa 1000 hPa 995 hPa 995 hPa 1000 hPa 1000 hPa 1002 hPa 1002 hPa 1005 hPa 1005 hPa 1005 hPa 1005 hPa 1005 hPa 1005 hPa 1008 hPa 1008 hPa • Consideraciones en el trazado de isolineas: • Las isolineas tienden a ser suaves, excepto donde el análisis experto identifique rasgos de mesoesacala • Las isolineas no se interesctan. • “Ondas cortas” en las isolineas deben eliminarse. • Análisis experto puede determinar observaciones incorrectas • Isolineas deben ser matemáticamente y físicamente correctas X 996 hPa
Mapa de Observaciones Carta del tiempo
Carta del tiempo (solo isolíneas)
Trazado de isolineas en regiones con pocos datos es particularmente complejo. En estos casos, datos obtenidos por satélites pueden ayudar. ?
Sistemas computacionales ayudan y simplifican notablemente la confección de mapas del tiempo, pero analistas humanos aun tiene trabajo (reconocimiento de patrones)
Análisis meteorológico de superficie Empleando las isobaras e isotermas, junto a imágenes satelitales, el meteorólogo identifica rasgos importantes en los campos de presión y temperatura: Centros de baja presión (B, L) Centros de alta presión (H, A) Frentes fríos y cálidos
Análisis de Altura Se construye empleando las mediciones a un mismo nivel de presión (por ejemplo 500 hPa). Los contornos corresponden a la altura de esa superficie isobárica. Completamente equivalente a dibujar isobaras a un determinado nivel de altura (e.g., 5000 m) También se indica zonas de viento fuerte (corrientes en chorro en altura)
Obs. Superficie Prod. Sat. En resumen.... Análisis Mapa sinóptico Carta del tiempo
Análisis Mapa sinóptico
Análisis Mapa sinóptico
Análisis objetivo requiere de una técnica de Asimilación de Datos (AD) observaciones MatriceS 3D Modelo AD Solo obs… observaciones Obs+Mod MatriceS 3D Modelo AD Pronóstico de corto plazo (6-12 hr) Modelo • El MNP provee de una estimación inicial del campo • Consistencia dinámica • Advección de información a zonas pobres en datos • Continuidad temporal
Metodos de ajuste de superficies (x,y) = a0 + a1x + a2x2 + b1y + b2y2 + … Los coeficientes ai y bi se obtiene de un ajuste de mínimos cuadrados. • 12.2.1.4 ADVANTAGES AND DISADVANTAGES OF SURFACE FITTING • Surface fitting is an attractive method for small numbers of observations, especially when the observing network is fixed. No background (first guess) field is required. It is possible to account for observational error. There are several disadvantages: • No incorporation of information from a background field is possible. Thus, the meteorological knowledge about the situation is ignored. • One must be wary of underfitting, overfitting, or using the wrong set of functions. If the data are underfit (not enough functions in the polynomial expansion), important details resolved by the data may be lost in the analysis. If the data are overfit (too many functions), variability in the analysis may have no meteorological significance. Gradients between observing sites may be completely unrealistic. • In data sparse areas or outside the domain of observations, surface fitting can lead to implausible functional values. • Surface fitting is computationally expensive when large numbers of observations are considered. In some cases, the problem is ill-conditioned (numerically unstable).
d D Método de las Correcciones (Cressman) Estación i Zf: First guess en el punto de grilla Zoi: Observación en la estación i Zfi: First Guess interpolado a estación i Eh = Zfi-Zoi Corrección requerida en el punto de grilla: Ch = -W*Eh, …. Zfinal = Zf + Ch Donde W = (D2-d2) / (D2 + d2) si d<D y W=0 si d>D El método se aplica sucesivamente, partiendo con D grande y luego reduciéndolo
The advantages of the Cressman scheme: • The method is simple and computationally fast. (The speed depends upon the number of scans.) • The method incorporates forecast information in the background field. (The forecast is the source of the first guess.) • The disadvantages are: • The Cressman scheme is not well-suited for diverse observations because observational error is not accounted for. • It does not account for the distribution of observations relative to each other. • The scale (detail) of the result varies with observation density. • There is no obvious way to analyze the wind field based upon height observations. • Optimum scan radii have to be determined by trial and error.
Interpolación Optima • (De amplio uso en la actualidad) • Similar al esquema de Cressman, la IO emplea observaciones y First Guess. La grilla inicial es interpolada a las estaciones en forma lineal, y luego se minimizan los errores mediante un ajuste de mínimos cuadrados: • = fg + A*[Oi – FGi] La matriz A de determina en forma estadística (sustituye a W en el caso de Cressman)
The advantages of optimal interpolation include several shared by other techniques. For example: • differentiation among observing systems and incorporation of error information specific to each • ability to estimate one variable from observation of another • use of the analysis method for quality control of the observations • The disadvantages of this method are: • more expensive computationally than other commonly used methods • Scale-dependent correlation models require a long history of numerical forecasts for accurate determination of empirical coefficients. • not designed for best performance during extreme events.
Recently Developed Analysis Techniques • This section discusses three recent trends in four dimensional data assimilation: • Adaptive filtering (Kalman Filter) - The Kalman filter is a generalization of optimum interpolation. In optimum interpolation, the statistics of forecast error are fixed; in the Kalman filter, the error statistics evolve with time. • 2. Bayesian approach to data assimilation - finding the most probable atmospheric state by maximizing the probability density function • 3. Nudging - A prediction model is "pushed" gently either toward observations or an analysis of observations by including an extra term in the dynamical equations.
Nudging (De amplio uso para inicialización de modelos de mesoescala) Da/Dt = F(a,t) + G(t)*wi*(ai-a) Donde a es una variable pronósticada, F(a,t) es el forzamiento del modelo, G(t) es un coeficiente de nudging, wi es un factor de peso, ai es un valor observado y a es el valor interpolado del modelo. • The nudging term is time dependent; it forces the model every time step-more when the observations are current and less at earlier and later times. The advantages of nudging are: • Approximate balance is maintained in the model. • Physical processes are easily accommodated in the model. • Asynoptic data are incorporated at the appropriate times. • The main disadvantage of nudging is that it lacks a solid theoretical foundation
Table 1. Main features of datasets commonly used in climate studies
Global Historical Climate Network (GHCN) Mean Temperature Precipitation All stations (anytime, any length) Century-long stations (Ti<1905, Tf>1995, missdata<20%)
Reanalysis?! Because analysis are produced in real-time, some data is not assimilated, but it was archived. In the 90’s the NCEP-NCAR (USA) began a major project in which they re-run their assimilation system with all the available data. The result is the widely used “Reanalysis” data, including many fields (air temperature, wind, pressure) on a regular 2.5°x2.5° lat-lon grid, from 1948 to present every 6 hours (also available daily, monthly and long-term-mean means). Fields are 2- or 3-Dimensional. Preferred data format: NetCDF. Freely available.
Reanalysis Reanalysis system also includes a meteorological model from which precipitation and other not-observed variables (e.g., vertical motion) are derived. Reanalysis data is great for studying interannual and higher frequency variability. Interdecadal variability and trends are not so well depicted (we don’t trust much before the 70’s, particularly in the SH). European Center (ECMWF) did a similar effort (ERA-15 and ERA-40). Higher horizontal resolution (1.25°x1.25°), but harder to get.