07 Sistema Automático para la Predicción de Desastres Meteorológicos en las Ciudades.docx

Sistema Automático para la Predicción de Desastres Meteorológicos

en las Ciudades

César Augusto Ramírez Gámez

Juan Carlos Cuevas Tello

Resumen

El clima se ha convertido en un elemento de estudio continuo debido al cambio que está sufriendo y como ha afectado a la población. Muchos países cuentan con grandes organizaciones dedicadas a la predicción del estado del clima. En México estamos comenzando a dar los primeros pasos, por que los sistemas actuales son muy generales y abarcan en su mayoría estudios que engloban a todo el país. El objetivo de esta investigación es el poder obtener una predicción de la temperatura, el viento y la precipitación específicamente del Estado de San Luis Potosí y su capital. Para poder llegar a este objetivo se utiliza el modelo matemático WRF, el cuales se distingue por ser abierto, paralelizable y con aportaciones constantes de sus desarrolladores para mejorarlo. Instituciones de E.U.A. y Europa lo han implementado, principalmente para la protección contra desastres naturales y en México la CONAGUA y la UdeG hacen uso de él. Este trabajo describe una metodología para poder instalar y configurar el WRF. La confiabilidad del modelo se estudia a través de comparaciones contra datos reales y otros sistemas de predicción, obteniendo resultados muy favorables.

Abstract

The weather is under continuous investigation due to the fact that it is changing constantly and how this affects us. Many countries have enormous organizations dedicated to predict the weather. In México, we are starting up with the first steps because the actual systems are general and cover the whole country, not specific areas. The aim of this investigation is to obtain a prediction of temperature, wind and precipitation specifically for the State of San Luis Potosí and its capital. In order to raise this goal, a mathematic model, the WRF, is used. The WRF is open software that works in parallel and is constantly improved by theirs developers. USA and Europe institutions’ have implement it, with the main idea of been protected against natural disasters. In Mexico the CONAGUA and the UdeG use it. In this investigation, we propose a methodology to install and

1_{Maestro en Ingeniería de la Computación por la UASLP. Profesor Hora-Clase en la Facultad de Ingeniería}

de la UASLP. crgamez@uaslp.mx

2_{Doctor en Ciencias de la Computación por la Universidad de Birmingham, UK. Profesor Investigador de}

configure the model WRF. Furthermore, the reliability of this model is compared with real data and other forecast information against the WRF prediction, getting satisfactory results.

1.- Introducción

Actualmente algunos factores climáticos están alterando drásticamente el bienestar del ser humano dentro del planeta. Las sequías, tornados, inundaciones, entre otros, son causantes de cientos de muertes tanto de plantas y animales como de personas, ya sea directa o indirectamente. Pronosticar dichos fenómenos brinda la posibilidad de esquivar todos esos percances.

Sin embargo, predecir los fenómenos climáticos es complicado ya que es necesario analizar gran cantidad de información tomando como base lo acontecido en años anteriores y los datos proporcionados por estaciones meteorológicas y satélites artificiales que están en un monitoreo constante de la superficie terrestre (J. O. C. y Ayala, 2002), agregando a esto las variaciones súbitas del clima que en ocasiones pareciera no siguen regla alguna.

Existen muchos trabajos de investigación incluso organizaciones enormes que se dedican al estudio del pronóstico climatológico, y gran parte de ellos se soportan en modelos matemáticos que en base a las leyes físicas que rigen el clima y a procesar una gran cantidad de información dan un estimado de los valores que tomarán las variables climáticas.

En México el uso de modelos matemáticos no ha sido aprovechado, ya que conlleva mezclar conocimientos en dos áreas de la ciencia, la meteorología y la informática.

El objetivo principal de este artículo es presentar una metodología para la instalación y configuración del modelo WRF para pronosticar el clima en una zona geográfica en particular.

Como caso de estudio, en este artículo se presenta una comparación de los resultados del WRF para el estado de San Luis Potosí y algunos municipios contra reportes del clima reales generados por estaciones meteorológicas y sitios destinados al pronóstico del clima. Esta comparación permite corroborar las virtudes que ofrece el modelo, conocer sus desventajas, y saber si puede aplicarse a regiones de mediana escala, con características diferentes a los países donde ya se ha empleado.

sin embargo en este trabajo solo se puso en marcha el modelo experimentando con la predicción de tres variables, precipitación, presión atmosférica y viento solo en el Estado de San Luis Potosí.

En la Sección 2 de este artículo se presenta el estado del arte en modelos de predicción climática. En la Sección 3 se describe el modelo WRF y en la Sección 4 describe la metodología para la puesta en marcha del modelo WRF. La Sección 5 muestra su configuración para estudiar el estado y la ciudad de San Luis Potosí. La Sección 6 presenta los resultados y conclusiones y al final el trabajo futuro y referencias.

2.- Estado del arte de los Modelos Matemáticos para Predicción.

El comportamiento de la atmósfera se rige por una serie de leyes físicas que pueden ser representadas por ecuaciones matemáticas que al resolverse es posible obtener una descripción de las variables que conforman el clima a futuro. Esto es lo que ha llevado a la gente de ciencia a buscar modelos matemáticos que permitan resolver dichas ecuaciones y obtener una predicción del clima. Algunos de los modelos más usados en la actualidad se mencionan a continuación.

Sistema de Prediction Global (The Global Forecast System, GFS). Es un sistema de asimilación de datos espectrales y modelo de predicción. El modelo produce predicciones cada seis horas, a las 00, 06, 12 y 18 UTC. Las gráficas producidas por el GFS están basadas en una red de 70km y están disponibles en incrementos de 3 horas. Además el GFS produce predicciones de 27km y de hasta 192 horas, pero estas no son convertidas a imágenes. La resolución vertical es de 64 capas con una tope de 0.2 hPa (Alpert, Gayno, et al, 2006). La estructura del modelo es computacionalmente eficiente y está listo para el Marco del Modelado del Sistema Terrestre (Earth System Modeling Framework, ESMF) (H. Wei, 2010).

Centro Europeo para la Predicción del Clima de Mediano Rango (European Centre for Medium-Range Weather Forecasts, ECMWF). Su eficiencia en las ganancias en conjunto con el poder en el centro de cómputo ha permitido el incrementar la resolución vertical y horizontal del modelo, para poder brindar predicciones de rango mediano y larga escala más exactas. La resolución horizontal actual es de aproximadamente 60 kilómetros y 62 niveles verticales y ha jugado un papel líder en el uso de datos satelitales para predicciones numéricas del clima.

Modelo de Mesoescala de quinta generación (The Fifth Generation Mesoescale Model, MM5). Es desarrollado por la NCAR y la Universidad de Pensilvania (PSU), es un modelo de área limitada, no-hidrostático o hidrostático pero solo en la versión 2 (MM5, 2012).

Está conformado por varios programas, TERRAIN y REGRID interpolan horizontalmente los datos terrestres e isobáricos desde una malla latitud longitud, hasta variables de alta resolución en proyecciones Mercator, Lambert o polar estereográfica. Los datos interpolados se perfeccionan con observaciones desde una superficie de red estándar mediante el programa RAWINS. La interpolación vertical la realiza el programa INTERPF. Sus principales características son:

 Globalmente relocalizable

 Tres proyecciones de mapa (Polar estereográfica, Lamber y Mercator).

 Soporta diferentes latitudes verdaderas.

 Resolución variable de la geografía (Es posible obtener una nueva resolución global de 30”).

 Capacidad de flexibilidad y múltiples anidamientos.

 Puede correr anidamientos de una y dos vías.

 Anidamientos y nidos dinámicos.

 Un dominio anidado puede iniciar y terminar en cualquier momento.

 Datos de entrada reales

 Usa rutinas de observación.

 Se acopla con otros modelos globales y regionales.

 Opciones avanzadas de parametrización física.

 Paralelizable, ya sea en sistemas de memoria compartida o memoria distribuida.

3. Modelo de investigación del clima y predicción (WRF)

Antes de presetar la metodología para instalar el modelo WRF se introduce la parte teórica del mismo.

3.1 ¿Qué es el WRF?

versión que se maneja para esta investigación es la 3.1, sin embargo el 6 de abril del 2011 se liberó la versión 3.3.

3.2 Características Principales

Existen dos principales módulos encargados de la resolución de las ecuaciones, WRF de investigación avanzada (Advanced Research WRF, ARW), desarrollado principalmente en la NCAR, y el Modelo de Mesoescala No-Hidrostático (NonHidrostatic Mesoscale Model, NMM) desarrollado en la NCEP.

Características principales del modelo WRF-ARW (Kieu,2008):

 Ecuaciones: Euler no hidrostática con opciones hidrostáticas en tiempo de ejecución.

 Variables de pronóstico: Los componentes de velocidad u y v en coordenadas cartesianas, velocidad vertical w, perturbación potencial de temperatura, perturbación geopotencial y perturbación de la presión superficial del aire seco. De forma opcional, la energía kinética y cualquier número de variables escalares como la relación de vapor de agua, relación de precipitación/nieve, relación nubes/hielo y rutas y especies químicas.

 Coordenadas Verticales: seguimiento terrestre, presión hidrostática. La parte superior del modelo es una constante de presión superficial.

 Grid Horizontal: Arakawa C-grid escalonada.

 Condiciones Iniciales: 3 dimensiones para datos reales y una, dos y tres dimensiones para datos idealizados. Capacidad de una inicialización con filtrado digital.

 Condiciones de los límites inferiores: Físicos o libre de desplazamiento.

 Rotación terrestre: Términos Coriolis completos incluidos.

 Mapa de la esfera: Cuatro proyecciones son polar esteorográfica, Lambert, Mercator y Latitud y Longitud.

 Anidamiento: Interactiva de una vía, interactiva de dos vías y anidamiento dinámico. Múltiples niveles y radios enteros.

3.3 Componentes del WRF

Como se puede ver en la Figura 1, el WRF está compuesto de varios elementos, agrupados en

cuatro conjuntos (Wang, Bruyère, et al, 2010):

2. WPS. (Weather Research and Forecast Preprocessing System). A partir de los datos de entrada genera archivos de salida que son entendidos por el modelo WRF para hacer la predicción.

3. WRF-ARW. Se trata en si del modelo encargado de la predicción.

4. Post-procesamiento y visualización. Son programas que permiten visualizar mediante gráficas las predicciones que el WRF brinda.

Figura 1. Esquema del WRF

De las secciones que muestra la figura 1, las sombreadas son las que se estudiaron e implementaron.

3.4 Instalación del WRF

Existen ya manuales y referencias diversas de cómo instalar el modelo, sin embargo para conseguirlo es necesario buscar en varias fuentes, contactar otros investigadores y hacer diversas deducciones, el conjunto de esta información es la que se menciona en esta sección.

El WRF se instaló en un equipo con procesador intel celeron y 1Gb de ram, sin hacer uso del paralelismo (modo single), a pesar de instalarlo sobre Rocks, con la idea de revisar los problemas que se van presentando al instalar. Para poder instalar WRF se necesita contar previamente con los siguientes compiladores (Wang, Bruyère, et al, 2010): GCC++, gFortran y Perl 5 o superior.

nombre de WRF model tar file (Version 3.1), partiendo de aquí los pasos a seguir son (Wang,

Bruyère, et al, 2010):

 Descomprimir el archivo descargado. Esto se debe hacer en un directorio sin problemas de espacio en disco duro o de permisos.

 Colocarse dentro de la carpeta mencionada. $ cd WRFV3

 Ejecutar la siguiente instrucción desde consola: $./configure serial.

 En algunas ocasiones el WRF no encuentra la ruta donde está instalada la biblioteca del netCDF, entonces se le indica dicha ruta.

 En la siguiente pantalla se seleccionó la opción 1 para que se instalara de forma serial haciendo uso de los compiladores gcc y gfortran.

 Por último el nivel de anidamiento que tendremos, es posible utilizar la opción 0 ó 1.

 La siguiente instrucción a ejecutar para trabajo en casos reales es : $./compile em_real >& compile.log

4 Metodología para la puesta en marcha del WRF.

Este modelo matemático como cualquiera de los conocidos requiere de un conjunto de datos climáticos iniciales que permitan brindar una predicción, en esta etapa se busca ejecutar el modelo con datos de prueba, ya que se conoce que son funcionales y que salida debería darnos.

4.1 Preprocesamiento

El modelo se ejecuta primero alimentando con datos al WPS, para después continuar ejecutando el WRF con los archivos de salida que genera el WPS. La Figura 2 permite entender mejor el funcionamiento del WPS (Wang, Bruyère, et al, 2010), para después explicar el trabajo realizado en cada sección.

Figura 2. Esquema del WPS

4.1.1 El Programa Geogrid

Una de las funciones de este programa es definir el dominio sobre el que se está haciendo la predicción, este dominio está definido explícitamente en el archivo namelist.wps, el cual está dividido en cuatro secciones, una de ellas sirve para dar parámetros de configuración que comparten los tres programas que forman el WPS, y una más por cada uno de dichos componentes.

Otra de sus funciones es la de interpolar datos de diferentes fuentes geográficas, las cuales se descargan de http://www.mmm.ucar.edu/wrf/users/download/get_sources.html el archivo de datos geográficos en todas las resoluciones disponibles (30” ó 0.926km, 2’ ó 3.704km, 5’ ó 9.26km, y 10’ ó 18.52). La ruta a la cual deben copiarse dependerá de la ruta que se define dentro del archivo namelist.wps, y en ese mismo directorio descomprimir el archivos de datos geográficos.

Al ser Geogrid el encargado de procesar datos geográficos, y como estos no varían con el tiempo, solo es necesario ejecutarlo la primera vez.

4.1.2 El Programa Ungrib

Es parte de preprocesamiento que se requiere para obtener los datos que el WRF necesita para correr. Ungrib se encarga de leer archivos GRIB y convertirlos en archivos más simples con un formato intermedio. Los archivo GRIB contienen datos meteorológicos que van cambiando con el tiempo, y son diferentes variables las que se encuentran dentro de ellos. Para poder correr el Ungrib es requerido:

1. Que el archivo namelist.wps este correctamente configurado, esto abarca la sección de &share, a la que accedan los tres programas del WPS, y la sección &ungrib, en la cual, en este caso, los parámetros deben quedar establecidos de la siguiente manera:

&ungrib

out_format = 'WPS' prefix = 'FILE'

2. Crear una liga simbólica hacia la tabla que el formato de datos requiera. Debido a que los archivos descargados tienen el formato AWIPSF, la liga se genera mediante la instrucción:

$ln -sf ungrib/Variable_Tables/Vtable.AWIP Vtable

3. Ungrib busca archivos con los nombres GRIBFILEAAA, GRIBFILEAAB, etc.. por tal motivo se debe generar links hacia los archivos GRIB obtenidos. Para ello se usa:

$./link_grib.csh ruta/de/los/datos/prefijo 4. Por ´ultimo se ejecuta el comando:

$./ungrib.exe

Existe la posibilidad de que el archivo de salida que brinda no contenga la información de todos los archivos usados debido a que corresponden al rango de tiempo marcado en el archivo de configuración namelist.wps. El resto de los archivos generados que no están en el rango se eliminan.

4.1.3 El Programa Metgrid.

Su función es la de interpolar horizontalmente los datos extraídos por el programa Ungrid dentro del dominio definido por Geogrid.exe. Para ejecutar el programa Metgrid primero los dos programas anteriores deben terminar sin errores. Para ejecutar el programa Metgrid, situarse dentro del directorio de WPS y ejecutar:

Con esto concluye la instalación del WPS. Sin embargo, aun cuando los programas Geogrid y Ungrib se ejecuten exitosamente, no asegura que los datos podrán interpolarse, en este caso lo que se recomienda es buscar un conjunto diferente de datos climáticos de entrada. Al terminar su ejecución con éxito se genera un archivo met grib + fecha por cada periodo de tiempo que espere pronosticar. Es importante considerar que la ruta donde se van a generar estos archivos met se indica dentro del archivo de configuración namelist.wps:

opt_geogrid_tbl_path = '/root/Desktop/WRF/WPS/Output/SanLuisNest/'

4.2 Procesamiento

Para comenzar es posible seleccionar una de dos opciones, crear una liga simbólica de los archivos met* generados en la sección anterior en la carpeta de instalación de real.exe y wrf.exe o copiar esos archivos en este mismo directorio. La ruta de la carpeta donde encontramos los dos programas es:

../WRF/WRFV3/test/em_real

Dentro esta el archivo de configuración namelist.input, el cual está dividido en varias secciones, cada sección contiene una serie de variables inicializadas con sus valores por default, y que en algunos casos se tienen que modificar para que el sistema funcione. Las secciones principales que se tuvieron que manejar fueron &time control, para el manejo de los periodos de tiempo inicial y final, y &domains, para definir las coordenas y dimensiones de los dominios.

Las variables que llevan el prefijo run marcan hasta por cuanto tiempo se requiere hacer la predicción, siempre limitados por la fecha inicial de los datos descargados, determinada por las variables con prefijo start, y la fecha final, indicada por las variables con prefijo end. Interval seconds fija el periodo de tiempo que existe entre los archivos de entrada generados. Mientras tanto, history interval marca los periodos de tiempo que se esperan en la predicción resultante, que en este caso es de 180 minutos, es decir, brindará pronósticos cada 3 horas.

$ncdump -v Times ruta\nombre_del_archivo_met*

Otra forma de poder revisar el contenido de los archivos met, y establecer con seguridad que están correctos es a través de la interfaz gráfica que genera ncview, se ejecuta de la siguiente manera: $ncview ruta\nombre_del_archivo_met*

4.2.1 El Programa Real

Este programa se encarga de establecer los límites en los niveles verticales y en los bordes para el modelo WRF y preparar la información para generar la predicción. El comando para ejecutarlo, y poder obtener la información resultante en un archivo es:

$./real.exe >& real.out

Si la ejecución fue exitosa se crean dos archivos, wrfinput d01 y wrfbdy d01, y el archivo real.out almacena todos los mensajes, incluyendo aquellos de error, que pudiera enviar el programa.

4.2.3 El Programa WRF

Por último se ejecuta el programa Wrf, encargado de aplicar las ecuaciones finales del modelo. Este programa es el que exige más recursos del equipo de cómputo, el procesamiento de información de un día le tomo al equipo que estamos usando un promedio 15 horas poder procesarla. La ejecución del programa, con la opción de la generación de un archivo de texto con la información de salida se lleva a cabo con el siguiente comando:

$./wrf.exe >& wrf.out

Este comando almacena en un archivo de texto (wrf.out) toda la información que el programa Wrf genera al procesar la información.

4.3 Postprocesamiento

En esta etapa se grafican los resultado obtenidos, que realmente son archivos wrfout más la fecha de predicción. Estos archivos pueden ser procesados por diversas herramientas. Como se mostró en la Figura 1, el postprocesamiento puede llevarse a cabo por: Vapor, NCL, ARWpost, RIP4 y WPP.

De los anteriormente mencionados los de uso mayor uso son NCL y RIP4. Como primera opción se optó por usar NCL por su adaptación natural al modelo WRF. NCL es un lenguaje abierto desarrollado por la NCAR (National Center for Atmospheric Research) para el procesamiento y visualización de datos científicos. NCL puede correr de forma interactiva o por lotes, creando un script (NCL, 2011). Para iniciar con las pruebas se utilizó el programa ejemplo que está dentro de la

5 Metodología para la adaptación del WRF al Estado de San Luis Potosí

5.1 Información Climatológica

Los datos del clima se descargaron de La National Oceanic and Atmosferic Administration, que maneja servidores donde almacena temporalmente datos tanto de reanálisis como de predicción, a dichos servidores les nombra NOMADS ( NOAA Operational Model ArchiveDistribution System), y en la dirección http://nomads.ncdc.noaa.gov se encuentra un almacén de datos grande que se actualiza diariamente y que está en formato grib1. Estos datos se reciben de un sistema que se alimenta con los servicio de difusión satelital del National Weather Service. El sistema, de nombre Sistema de Ingestión NOAAPORT (NOAAPORT Ingest System), se compone de una antena exterior conectada a un programa ingestor por medio de un receptor satelital. La antena solo recibe la información, que es convertida a un formato digital que el programa ingestor procesa y convierte en archivos binarios, además, estos archivos binarios ya contienen de cierta manera datos de una predicción, pero de una resolución muy baja, que después el WRF analiza, creando predicciones con una muy alta definición (UNISYS, 2012).

Con la finalidad de poder analizar el contenido de los archivos GFS el WRF genera dos utilerías que se encuentran dentro de la carpeta wps/utils. Estas utilerías son g1print.exe y g2print.exe, dependiendo si el formato es grib1 o grib2 respectivamente. La sintaxis para usar el comando es:

$./comando ruta_del_archivo

El comando envía a pantalla la información del archivo, en forma de tabla, donde una de las columnas indica a que periodo de fechas pertenece, y otra de ellas señala las horas de pronóstico a las que se refiere. Si esta columna tiene un valor de 0 quiere decir que es un archivo para reanálisis, no para predicción.

Para descargar los datos se emplea un script, creado en la NCEP y que permite parametrizar la descarga, pudiendo seleccionar aquellas variables climáticas con las que se quiere trabajar. El comando contiene varios parámetros y para la primera descarga de datos quedo de la siguiente manera:

$perl get_gfs.pl data 2011011300 0 96 3 TMP 11 UGRD:VGRD:RH:HGT:PRES:PRMSL:SOILW: LAND:RAINC:RAINNC all .

5.2 Etapa de Preprocesamiento

Ahora es necesario configurar el sistema para que la predicción sea sobre el estado de San Luis Potosí. Para eso primero se tiene que modificar el archivo namelist.wps y es posible auxiliarse del programa WRF Domain Wizard for LEAD y se encuentra en la siguiente dirección: http://www.wrfportal.org/DomainWizardForLEAD.html. Los pasos a seguir para generar el archivo namelist.wps son:

1. Dar doble clic al archivo que se descarga. 2. La primer pantalla pregunta:

 Computer: se refiere al nombre de la computadora, ya que es posible ejecutar la aplicación en un equipo remoto a la ubicación del WRF.

 WPS Programs: En el directorio donde está instalado el WPS.

 Geography: La ubicación de los datos geográficos.

 Domains: La carpeta donde se generara el archivo namelist.wps de configuración. 3. Seleccionar si se desea crear o abrir un dominio.

4. Si fue creado el siguiente paso será asignar un nombre y una descripción al dominio, en la ruta que dimos para Domains se generar a una carpeta con dicho nombre. Si la opción seleccionada fue abrir, entonces nos presenta una lista de los dominios que hemos creado, seleccionamos el que nos interese y damos clic en continuar (next).

5. Cuando se crea un dominio por primera vez nos presenta un mapa en la ventana del lado izquierdo y en el lado derecho una ventana con tres opciones. A continuación se describe la primera de ellas,

6. Domain, para dejar en secciones posteriores la descripción de las otras pestañas.

 Scale: La escala con la que se visualiza el mapa.

 Political Boundaries: Si se muestra o no la división política (Solo de EUA).

 Center: Cual de los dos lados del mapa se usará como centro

 Type. El tipo de proyección a usar. Por las condiciones del proyecto y la dimensión geográfica el tipo de proyección recomendada es Lambert.

 Standard Lon, True Lat 1, True Lat 2, Centerpoint Lon y Centerpoin Lat: Se refieren a las coordenadas de la zona geográfica con la que se va a trabajar.

 Horizontal Dimension x. Cuanto mide el dominio en X.

 Horizontal Dimension y. Cuanto mide el dominio en Y.

Lo más sencillo es dibujar las coordenadas que se requieres a través de un rectángulo. El otro parámetro importante es el tipo de proyección que se va a usar, en este caso será una proyección Lambert, adecuada para zonas geográficas pequeñas.

Con esto se termina de generar el archivo namelist.wps el cual debe reemplazar al que se encuentra ya en la carpeta del WPS. Algunas variables adicionales tienen que ser modificadas para que coincidan con la información climática que se está manejando, estas son:

 Start date: La fecha de inicio de la información.

 end_date: La fecha hasta donde el conjunto de datos abarca.

 interval_seconds: Dependiendo de este valor la información se segmentará en archivos con ese tamaño en tiempo.

 pre_x: Normalmente el resultado que manda Ungrib es un conjunto de archivos, cada uno del tamaño que se le indica con interval_seconds, cada archivo llevará por nombre el prefijo pre_x más la fecha inicial que abarca ese archivo.

Los comandos g1print.exe y g2print.exe proporcionan la información de los dos primeros datos en caso de no estar completamente seguros.

Existen tablas de variables, conocidas como vTables, ya definidas con valores por default, dentro del directorio de instalación de WPS, en ungrib/Variable tables. Para este trabajo de investigación se redefinió la tabla vtable.GFS+TROP para que solo contenga las variables más indispensables, quedando como se muestra a continuación:

GRIB1 Param Level Type From Level1 To Level2 Met Name met Units Metgrid Description GRIB2 Discp GRIB2 Catgy GRIB2 Param GRIB2 Level

11 100 * TMP K Temperature 0 0 0 100

33 100 * UU m s-1 U 0 2 2 100

34 100 * VV m s-1 V 0 2 3 100

52 100 * RH % Relative Humidity _{0 1 1 100}

11 105 2 TMP K Temperature at 2 m _{0 0 0 103}

52 105 2 RH % Relative Humidity

at 2 m 0 1 1 103

33 105 10 UU Ms-1 U at 10 m 0 2 2 103

34 105 10 VV Ms-1 V at 10 m 0 2 3 103

54 200 * PWAT kg/

m2

Presipitable water _{0 0 0 0}

Para terminar con la etapa de preprocesamiento se tienen que correr los tres módulos que la componen, Geogrid, Ungrib y Metgrid de la forma que se mencionó en el capítulo anterior Al finalizar se deberán haber creado les archivos met em* que se usan para la siguiente etapa.

5.3 Etapa de Procesamiento

Para avanzar se tienen que copiar los archivos con prefijo met em de la etapa anterior a la carpeta de instalación del WRF, en las subcarpetas test/em_ real. También es posible copiarlos en la subcarpeta run, ya que existe un link de los dos programas que se requieren para procesar los datos. Una tercera opción es crear un link simbólico hacia la ruta donde están ubicados los archivos. Antes de ejecutar estos programas se debe configurar el archivo namelist.input, este existe realmente en la carpeta wrf3v/test/em real, y como se va a editar es necesario hacerlo directamente en esta carpeta.

Toda la configuración de los datos son en base a lo que el conjunto de datos climáticos contiene. Los valores observados van a servir para poder editar otras variables del archivo namelist.input. Antes de avanzar a la etapa de procesamiento se revisará un tema que ayuda a mejorar la aproximación que hace el WRF del clima.

5.3.1 Anidamientos

Un nido en un dominio definido dentro de otro, y que se pueden correr simultáneamente. Un anidamiento permite realizar ejecuciones de una resolución alta con un costo computacional menor, así como obtener un resultado más exacto, lo cual brinda beneficios directos. El esquema de anidamiento se muestra en la Figura 3, en dicha Figura se cuenta con dos niveles de anidamiento y el dominio padre. El nido 2 abarca el estado completo de San Luis Potosí, con una resolución de 30” mientras que el nido 3 busca obtener la información solo de la capital del estado.

Para que estos anidamientos se reflejen en la predicción es necesario modificar tanto el archivo namelist.wps, como el archivo namelist.input, y tomar en cuenta que el anidamiento debe ser en una relación 1:3.

(Centerpoint Lon = -100.186 y Centerpoint Lat = 22.673). La resolución que se maneja para el dominio principal es de 2’. El tipo de proyección se mantiene como Lambert. Los nidos se crean en esa misma pantalla, pero en la opción Nests.

Figura 3. Esquema del anidamiento

Los cambios más importantes en los archivos de configuración para cuestiones de anidamiento se reflejan en las siguientes variables:

1. max_dom. Debido a que tenemos 3 dominios, el valor se establece en 3

2. start date y end dat. Se forman 3 columnas, cada columna para alguno de los dominios. La relación columna - dominio se establece del dominio principal al más interno con la columna más a la izquierda hasta la más a la derecha.

3. parent id. Cada dominio debe establecer cuál es su padre.

4. parent id ratio. La relación que existe entre el nido y su padre en extensión y resolución. 5. i parent start y j parent start. La posición en la que empieza el dominio con respecto a su

padre.

7. e_we y e_sn. Índices finales en X (oeste-este) y Y (sur-norte).

8. geog_data_res. La resolución de cada dominio, que mantiene la relación citada.

En namelist.input muchas de las variables trabajarán ahora con tres columnas, y en dx y dy, se debe conservar la relación de 3 a 1 en los kilómetros que abarca cada dominio.

sf_sfclay_physics = 1, 1, 1, sf_surface_physics = 2, 1, 1, bl_pbl_physics = 1, 1, 1, num_soil_layers = 4,

Con esta configuración el modelo brinda resultados con un comportamiento cercano al clima real del periodo de tiempo evaluado. El WRF da sus resultados en el formato UTC [24], y en México se una UTC-5 o UTC-6, lo que genera un desfase se corrige en el script encargado de generar la gráfica con los resultados.

5.4 Etapa de Postprocesamiento

Para obtener los resultados deseados se realizaron varios cambios al script base del NCL que se mencionó en el capítulo anterior:

 Graficar solo dos variables en un inicio, la temperatura y el viento. Para esto solo se suprime la sección de opciones de traficación de la misma, y se quita contour_psl de wrf_map_overlays.

 Graficar todos los tiempos precedidos, añadiendo un ciclo que recorre toda la lista de tiempos que da wrf user_list_times.

 Visualizar los bordes del estado de San Luis Potosí debido a que el NCL por default puede graficar la división política de Estados Unidos de América. Para llevar a cabo el cambio se tiene que cambiar la base de datos a la que hace referencia NCL y establecer el color y ancho de las líneas que intervienen en la división política de México.

 Visualizar 5 puntos en rojo dentro del mapa del Estado de San Luis Potosí e imprimir en pantalla la temperatura de puntos geográficos específicos.

6. Resultados y Conclusiones

6.1 Gráficas Obtenidas

Figura 4. Predicción del dominio principal Figura 5. Predicción del dominio anidado

La Figura 4 muestra una predicción de la temperatura y viento del dominio principal, que solo se usa como base para manejar una resolución mayor en los dominios anidados, por lo cual no brinda información muy certera. Podemos observar que la temperatura está representada por diversas coloraciones y la dirección del viento por flechas. En la Figura 5 se muestra el pronóstico del domino anidado #3, de la capital del estado de San Luis Potosí.

Figura 6. Predicción del dominio anidado de la precipítación

Figura 7. Predicción del dominio anidado #2 con estaciones meteorológicas

6.2 Cotejo de resultados

Para comprobar la veracidad de los resultados que el WRF genera se establece compararlos contra datos de estaciones meteorológicas automáticas (EMA’s), y de otros sistema de predicción del clima. La información de las EMA’s de las cuales se extrajeron los datos está disponibles en el sitio del Servicio Nacional Meteorológico (SMN, 2012), y su principal ventaja es que permiten obtener la información que registran de forma rápida, además de que la pone a disposición del público en general.

En cuanto a otros sistemas de predicción, uno de los de mayor uso es el Weather Channel, y fue el que se utilizó para las comparaciones (Weather, 2012).

Con el análisis de la Figura 8 es posible verificar que los resultados del WRF se muestran más próximos a la línea de la estación meteorológica que los datos proporcionados por el Weather Channel. Son 43 horas en total y solo en 8 de ellas el WRF es superado.

Figura 8. Comparación de la hora 15 a la 43 de Predicción

Estación Latitud Longitud Altura(mts) San Luis Potosí 22.1758 -100.985 1870 Matehuala 23.64 -100.6575 1626 CD. Fernández 21.936 -100.0216 1009 Naranjo 22.5888 -99.3305 284

Matlapa 21.325 -98.8155 133

La tendencia del WRF es seguir la misma línea que se forma tomando la temperatura de las EMA’s, sin embargo en todas las gráficas se presenta el mismo detalle, las temperaturas más extremas que se reportan no las alcanza la predicción, incluso se llegan a generar diferencias de hasta 10°C.

Figura 9. Comparación de 72 horas en varios puntos geográficos

Es importante mencionar que el tiempo que le toma a el equipo que se está usando generar una predicción para un periodo de 4 días es de aproximadamente 100 horas, alrededor de 4.5 días. El proceso para revisar la predicción del modelo WRF en cuanto a la precipitación vario un poco. Mientras que otros sistemas de predicción solo reportan probabilidades de lluvia, el WRF da su pronóstico en base a los milímetros de agua esperados en determinadas zonas geográficas, por lo que solo se comparó la información contra las EMA’s.

Las EMA’s permiten extraer su información con tres tipos de muestreo diferente, cada 10 minutos, cada 60 minutos o cada 24 horas. En el caso de la temperatura se utilizó un muestreo de cada 60 minutos, en cambio con la precipitación se emplearon los dos primeros.

Desde el día 26-11-2011 a las 23:00 hasta el día 27-11-2011 a las 22 hrs. las EMA’s de Matehuala, S.L.P., El Naranjo y Matlapa reportaron diferentes cantidades de lluvia en diversos horarios. Se opta por descargar datos para proveer al WRF y realizar un pronóstico a 7 y 4 días de la fecha en que llovió, con la finalidad de comparar los cambios en la predicción a mayor tiempo.

El día 15-01-2012 se observa que llueve en la ciudad de San Luis Potosí, alrededor de las 19:00hrs. Esto sirve como caso para analizar. La predicción se generó a 5 días. Entonces al ejecutar el modelo y obtener la predicción se observa que efectivamente coincide con el periodo de lluvia presenciado, además la EMA de El Naranjo también reporta precipitación, la Figura 10 muestra los resultados de sumar los valores de cada hora de la EMA contra lo que reporta el WRF.

Figura 10. Gráfica comparativa de la precipitación en El Naranjo

7. Conclusiones y alcances

Podemos concluir hasta este punto que el modelo WRF brinda predicciones confiables, presenta la ventaja de poder instalarse desde equipos caseros hasta en clúster o supercomputadoras y además están disponibles como software abierto.

Otro punto importante, enfocando al estado de San Luis Potosí, es que no existe ningún otro servicio que brinde una predicción de más de 3 días, hasta ahora con el WRF se logró un pronóstico aceptable hasta por cinco días y medio, pudiendo revisar a lo largo de este resultado la temperatura hora por hora, e incluso revisarla de forma gráfica, y si fuera necesario obtener el dato de un punto geográfico en particular partiendo de su latitud y longitud. Además se tiene la posibilidad de predecir otras variables climáticas, no solo las mencionadas en este trabajo de investigación, que pudieran ser útiles en diversas áreas.

Los inconvenientes del modelo son principalmente la demanda de recursos de cómputo para el procesamiento y que aún falta un resultado más exacto, pero hay que considerar que no existe un sistema que ofrezca un pronóstico 100% confiable. Agregar a esto las complicaciones que se tienen al instarlo y adaptarlo, por lo que se expone en este trabajo de investigación.

Este trabajo de investigación contribuye entonces con todos los elementos necesarios para poder hacer uso del modelo WRF: la instalación y puesta en marcha, los pasos necesarios para adaptarlo a una zona geográfica en especial, las herramientas existentes a la fecha que sirven de apoyo tanto para la puesta en marcha como para análisis de resultados y finaliza con una serie de gráficas de los resultados generados con dicho modelo contrastándolos contra datos reales y de otros sistemas, aportando una opción muy valiosa en predicción climática, para la cual prácticamente solo queda pendiente la instalación sobre una plataforma de procesamiento en paralelo que brinde mejores tiempos para obtener una predicción.

Al momento el sistema se alimenta y brinda los resultados a un solo

usuario, el

administrador, y procesa la información en una sola PC, siguiendo un esquema como se muestra en la Figura 11.

.

Los alcances a los que pudiera llegarse con el modelo del WRF son muchos:

 Instalar el modelo en un clúster o incluso en una grid, con la finalidad de que se ejecute de forma paralela y revisar dos cosas, el tiempo de ejecución para poder generar una predicción y si hay mejoras en el resultado de la misma y automatizar el proceso para obtener una predicción, para poder acceder al resultado dese un sitio WEB, siguiendo un esquema como en la Figura 12.

 Alimentar el WRF con datos de otras fuentes de datos climáticos, que a pesar de no haber encontrado otras, no se descarta la posibilidad de que en un futuro surjan más.

 Realizar un trabajo conjunto en otras áreas, como la agricultura de precisión, la investigación del cambio climático, o departamentos como la SEGAM (Secretaria de Ecología y Gestión Ambiental), Protección Civil, por mencionar algunas, que pudiesen aprovechar las bondades del modelo.

7. Bibliografía

Wei Wang, Cindy Bruyère, et al (2010), ARW version 3 Modeling System User's Guide, MMM and UCAR.

H. Wei (2010), Product Description Document:NCEP Model Analyses and Forecasts, NCEP, consultado el 17 de mayo del 2011, disponible en http://www.nws.noaa.gov/infoservicechanges/ NCEPMAF091107.pdf

K. D. Darren, Kevin J. Barker, et al (2008), “Analysis of the weather research and forecasting (wrf) model on large-scale systems”, Computing: Architectures, Algorithms and Applications, pp. 89–98.

C. Q. Kieu (2008), “Theoretical and numerical studies of tropical cyclone development” tesis para obtener el grado de doctor en ciencias atmosféricas y oceanicas de la Universidad de Maryland, College Park.

M. I. Jordan Alpert, George Gayno, et al ( 2006), Technical Procedures Bulletin for the T382, Global Forecast System, NCEP. Consultado el 14 de Septiembre del 2011, disponible en http://www.emc.ncep.noaa.gov/gc_wmb/ Documentation/TPBoct05/T382.TPB.FINAL.htm J. O. C. y Ayala Francisco Javier (2002), Riesgos Naturales, Mexico, Editorial Ariel.

Páginas Electrónicas

LA Grid, Latin-American Grid (2011), consultado el 25 de mayo del 2011, disponible en: http://latinamericangrid.org.

SMN, Servicio Meteorológico Nacional (2012), consultado el 10 de enero del 2012, disponible en: http://smn.cna.gob.mx/

The Weather Channel en español (2012), consultado el 29 de diciembre del 2011, disponible en: http://espanol.weather.com/

ECMRWF, European Centre for Medium-Range Weather Forecasts (2011), consultado el 14 de Julio 2011, disponible en: http://www.ecmwf.int.

MM5 Community Model. Fifth-generation mesoscale model (2012), consultado el 21 de febrero del 2012, disponible en: http://www.mmm.ucar.edu/mm5/mm5-home.html

NCL, NCAR Command Language (2011), consultado el 14 de octubre del 2011, disponible en: http://www.ncl.ucar.edu/