Desarrollo de elementos para un sistema NWP orientado al corto y muy corto plazo (NWP-NWC) [Presentación]

(1)

Desarrollo de Elementos para un Sistema NWP-NWC

Carlos Geijo Guerrero,

Jefe Servicio Modelos de Mesoescala y Esp.

Área de Modelización/Dirección Desarrollo y Aplicaciones

VI Simposio Nacional de Predicción "Antonio Mestre"

(2)

VI Simposio Nacional de Predicción "Antonio Mestre"

Carlos Geijo , Madrid 18/09/2018 2



Mejorar las predicciones a corto y muy corto plazo generadas mediante sistemas NWP, en otras

palabras, mejorar la predicción de fenómenos meteorológicos intrínsicamente menos predecibles

(antelación, precisión y exactitud)



Predicciones potencialmente útiles (experiencia con NWC) para la gestión de situaciones de

riesgo (e.g. incendios forestales)



Integrar elementos (e.g. observaciones y productos ) de NowCasting en el flujo de generación

de análisis y predicciones numéricas. Ventajas de esta integración: “lo mejor de ambos”



Ámbito propio de sistemas NWP en área limitada. Reorganización de la producción entorno a

conceptos como pronta disponibilidad y adaptabilidad a la situación.



AEMET es un centro de referencia a escala Europea en NowCasting (NWC-SAF)



Supone un desafío considerable, científico, técnico, y de organización de la producción

(3)

“GAP” entre NWC y NWP



NWC, adaptabilidad y eficiencia, pero

• alcance muy limitado debido a la rápida pérdida

de capacidad predictiva de las extrapolaciones

empleadas

• predicciones limitadas solo a algunos parámetros

(e.g. precipitación)



NWP, representación mucho más completa de la

dinámica y del estado de la atmósfera en su

totalidad, pero limitaciones en el proceso de

inicialización:

• insuficiente frecuencia de actualización, (e.g.

múltiples fuentes de observación ->“cut-off

time”),

(4)

NowCasting

NWP

Error del Modelo

Caracterización &

Reducción

Reducción en el Error de las CI

Nuevos tipos

de Observaciones

Ciclos de Asim.

muy Frequentes

(Nuevos) Algoritmos



Interpolación Estadística

(e.g. 3D-VAR)



Nudging



Métodos Variacionales con

Ligaduras



Métodos “del Adjunto”

(e.g. 4D-VAR)



Kalman Filters basados en

Ensembles (e.g. LETKF)

Carlos Geijo , Madrid 18/09/2018 VI Simposio Nacional de Predicción "Antonio Mestre" 4

Inicialización de LAM,

cambio en la prioridad BC -> OBS

(5)

FIELD ALIGNMENT

:

Corrección de Errores de Posición

Ravela S., Emmanuel K. and McLaughlin D. (2007)

(

)

(

) ( )

(

)

1

(

)

(

)

1

(

)

(

)

3

( )

(

, )

(0, )

1

1 |

|

exp

( )

2

f

T

T _f _f

DVAR

P X

N X

B

Y

X

N

R

P X Y

P Y X P X

X

Y

R

X

Y

X

B

X

J

X

ε ε

− −

=

+

−

→

−

=

−



Introduce una

representación explícita de los errores de posición

( ) en el conjunto de variables de control del análisis

_q



(

, |

)

(

|

,

) (

|

) ( )

exp

(

_FA

( , )

)

P X q Y





P Y X q P X q P q



→

−

J

X q



La solución que maximiza “el posteriori” (i.e. minimiza J

_FA

) , en la “versión secuencial” de su algoritmo, conduce a la

ecuación del “Field Alignment”

( )

1 (

)

1

2 (

)

f

T

f

p r q

w

q w

q

X

R

−

Y

X

= −





(6)

FIELD ALIGNMENT

:

Corrección de Errores de Posición

La ecuación FA se puede resolver trabajando en un dominio extendido aprovechando sus simetrías. De esta

manera es posible diagonalizar el operador en el espacio de números de onda y evitar su sing. para

El campo de forzamiento se extiende haciendo impar en la dirección x, par en la dirección y.

será impar en y, par en x. Como la solución preserva esta simetría, la deformación no pasa los bordes, y

no es necesariamente nula en promedio dentro de cada caja

K



K



=

0 

(

_x

,

_y

)

F



=

F F

F

_x

y

F

x

F

⇒

F

_y

⇒

(

q q

_x

,

_y

)

(

k

 

=

0)

≠

0 

(7)

FIELD ALIGNMENT

:

Corrección de Errores de Posición

(8)

FIELD ALIGNMENT

:

(9)

FIELD ALIGNMENT

:

Corrección de Errores de Posición

Mediante Asimilación de Imágenes Radar

El operador de observaciones, un ingrediente esencial

( )

(

)

1 2

1

(

f

)

T T f

0 w

q w

q

X

H R

−

H X

Y

∆ +

∇ ∇ ⋅ +

∇

− =



(

, ,

,

)

;

(

, ,

,

)

1 ( , ,

,

)

( , ,

)

;

( , ,

,

) ( , ,

)

lev

T

lev PPI

H

H i j lev PPI

H X

H i j lev PPI X i j lev

H X

H i j lev PPI X i j PPI

=

∑

(10)

FIELD ALIGNMENT

:

Corrección de Errores de Posición

Mediante Asimilación de Imágenes Radar

(11)

FIELD ALIGNMENT

:

(12)

FIELD ALIGNMENT

:

Verificación con datos HYMEX –SOP1 (septiembre-noviembre 2012)

(13)

FIELD ALIGNMENT

:

(14)

FIELD ALIGNMENT

:

Verificación con datos HYMEX –SOP1 (septiembre-noviembre 2012)

• Verificación de predicciones de viento

Error

≡

< (Fcst – Radar)

2

_>

1/2

PPI=0.5

+ < (Fcst – Radar)

2

>

1/2PPI=1.4

(15)

FIELD ALIGNMENT

:

(16)

Ligaduras Variacionales (VC)

Técnica variacional de filtrado de ruido en las condiciones iniciales



Aspecto de evidente relevancia para sistemas enfocados a la predicción a corto y muy

corto plazo



Actualmente HARMONIE-AROME utiliza balances estadísticos en sus análisis que no

incluyen la dinámica no-hidrostática. Además, la intermitencia de los fenómenos

mesoescalares detrae significación a covarianzas multivariable obtenidas por estos

métodos estadísticos



Algoritmos como el “Field Alignment” o como las técnicas de localización aplicadas a

(17)

Ligaduras Variacionales (VC)

Técnica variacional de filtrado de ruido en las condiciones iniciales

El punto de partida de este método es la consideración de la parte Semi-Implícita (SI) de

la dinámica HARMONIE-AROME (i.e. ALADIN-NH) como un enunciado preciso de qué

balances dinámicos deben observarse en los análisis

donde “M” denota el SI

∫

−

+

−

•

=

ξ o k k k c k o k k o k

x

Mx

w

x

w

x

J

(

)

2 2

(18)

Ligaduras Variacionales (VC)

Técnica variacional de filtrado de ruido en las condiciones iniciales

El problema de encontrar el mínimo de esta función de coste conduce a un problema de

condiciones de contorno (Boundary Value Problem) que puede resolverse usando

funciones de Green (GF)

donde

;

o

;

c

w

M M

x

w x

w d

w

+

_{∆ + ∆ =}

₌

_{( )}

( )

0 ( )

0

0 gw

gw

ξ

gw

ξ

∆

= ∆

= ∆∂

=

(

,

)

;

(

,

, ,

)

T T

s o b o b o b s o s b

x

gw

D

T

π

d

gw

D

T

π

(19)

Ligaduras Variacionales (VC)

Técnica variacional de filtrado de ruido en las condiciones iniciales

Las GF de este problema presentan una serie de propiedades que permiten establecer

interesantes analogías entre ellas y funciones de co-varianza.

Geijo,C. Escribà, P “Variational Constraints for Data Assimilation in ALADIN-NH Dynamics”

ALADIN-HIRLAM Newsletters

. 2018, 11, p. 13-26.doi: 10.13140/RG.2.2.13096.47367

Geijo, C., 2018 “ANNEX to Variational Constraints for Data Assimilation in ALADIN-NH Dynamics”.

(20)

Ligaduras Variacionales (VC)

Técnica variacional de filtrado de ruido en las condiciones iniciales

Este algoritmo ha sido testeado en cuatro contextos diferentes



Con observaciones sintéticas obtenidas por diferencia de dos predicciones



Con correcciones al campo de viento obtenidas por Field Alignment a partir de

pseudo-imágenes de radar



Con un ensemble de análisis obtenidos por LETKF y observaciones convencionales



Con incrementos de análisis 3D-VAR con observaciones convencionales y en modo

(21)

Ligaduras Variacionales (VC)

Técnica variacional de filtrado de ruido en las condiciones iniciales

(22)

Ligaduras Variacionales (VC)

Técnica variacional de filtrado de ruido en las condiciones iniciales

(23)

Ligaduras Variacionales (VC)

Técnica variacional de filtrado de ruido en las condiciones iniciales

(24)

Ligaduras Variacionales (VC)

Técnica variacional de filtrado de ruido en las condiciones iniciales

Filtrado de análisis obtenidos mediante LETKF

FG + VCFilt [ LETKF_analysis – FG ]

(25)

Ligaduras Variacionales (VC)

Técnica variacional de filtrado de ruido en las condiciones iniciales

(26)

Ligaduras Variacionales (VC)

Técnica variacional de filtrado de ruido en las condiciones iniciales

(27)

Ligaduras Variacionales (VC)

Técnica variacional de filtrado de ruido en las condiciones iniciales

(28)



La extensión de productos de predicción numérica a fenómenos con tiempos de predecibilidad

cortos o muy cortos (NWP-NWC) aparece como una extensión natural para sistemas NWP en

área limitada



Actualmente hay varias iniciativas en progreso en este campo en el marco europeo

HIRLAM-ALADIN-LACE. (ZAMG, DMI,… )



AEMET, como centro de referencia en NWC, está en una buena posición para participar en este

proceso



Entre los retos técnicos se encuentra el ensayo de nuevas técnicas de asimilación. En esta

ponencia se han presentado dos de ellas : “Field Alignment”, una técnica de corrección de

errores de posición mediante asimilación de imágenes radar, y “Variational Constraints”, un

algoritmo de filtrado de ruido en las condiciones iniciales. Ambos desarrollos se realizan sobre

la base del sistema NWP HARMONIE-AROME