Por John McHenry, Jefe Científico de Baron
Proporcionar apoyo a la toma de decisiones para una amplia gama de sectores sociales y económicos sensibles a las condiciones meteorológicas es una parte vital de la inteligencia meteorológica crítica que Baron ofrece a sus clientes. La tecnología y la capacidad para abordar problemas en tiempo real, en tiempo presente y a escala de previsión mediante sistemas de apoyo a la toma de decisiones multiescala, multimodelo y multimétodo son cruciales para mitigar las amenazas a la seguridad económica y personal, un componente central de la misión global de Baron. En este artículo se examina la amplia variedad de tecnologías de previsión clasificadas en general como sistemas de apoyo a la toma de decisiones y se documentan casos de uso representativos en los que los sistemas DSS operativos de Baron han proporcionado orientación práctica.
Antes de hablar de la tecnología, conviene señalar que ninguna de las tecnologías de previsión de DSS de Baron se considera "estándar". Baron adopta un enfoque orientado al cliente, determinando primero sus necesidades, requisitos y deseos. A continuación, construye una solución en torno al contexto del cliente: lo que necesita para utilizar y difundir la inteligencia meteorológica crítica derivada de un DSS de Baron. Aunque Baron cuenta con más de 100 años-persona de experiencia en el desarrollo e implantación de sistemas de previsión DSS basados en modelos, la empresa está acostumbrada a trabajar también con modelos preferidos por el cliente. A menudo, éste es el mejor enfoque, porque muchos clientes ya tienen conocimientos y experiencia en torno a sus sistemas de modelización locales, pero pueden no tener la capacidad o los recursos para integrarlos en el DSS operativo, del que carecen. De este modo, Baron pone sobre la mesa el afán tanto de "trabajar en contexto" como de proporcionar sus propias soluciones de modelización altamente sofisticadas cuando y donde sea necesario.
La Figura 1 muestra una visión general de un DSS conceptual que representa los que Baron ha puesto en práctica. El DSS comienza con la ingesta, Q/A e integración de los conjuntos de datos de observación necesarios para la inicialización/asimilación del modelo de previsión o la posterior evaluación (fuera de línea), calibración y mejora del modelo. Baron garantiza que la calidad de las observaciones sea la adecuada antes de aceptarlas en una base de datos relacional convencional o similar, en función del tamaño y el tipo de conjunto de datos. Una vez disponibles, las observaciones de calidad garantizada se suministran a los componentes de modelización del DSS en tiempo real.
A continuación, se integra el sistema de modelización de la previsión, que suele constar de un ciclo de asimilación y un ciclo de previsión. Por ejemplo, en el sistema de asimilación de datos terrestres de Baron (BLDAS), se proporcionan y actualizan cada media hora el QPE derivado del radar operativo y corregido por el medidor y otras variables forzantes. El BLDAS sigue entonces el ritmo del reloj mientras proporciona las condiciones iniciales necesarias para lanzar las ejecuciones del modelo de previsión. Esto garantiza que el modelo de previsión comience con el mejor estado inicial posible, lo que es crucial para aplicaciones hidrológicas, agrícolas, de carreteras u otras aplicaciones de previsión. El DSS también proporciona estaciones de trabajo y pantallas utilizadas por el personal del cliente para interpretar la información de previsión y las orientaciones resultantes del DSS.
Baron ofrece varias opciones para difundir amenazas y avisos, incluida su aplicación Safety Net, ampliamente utilizada. Normalmente, el archivo del DSS proporciona repositorios de productos de observación, previsión de modelos y previsión para reproducir, estudiar y evaluar completamente los casos operativos. Esto permite al cliente mejorar posteriormente el rendimiento del DSS en función de métricas objetivas, incluidas medidas categóricas, discretas y de área-categórica. Baron también proporciona un subsistema de calibración personalizado de extremo a extremo que interactúa plenamente con su DSS de modelado de previsiones hidrológicas, así como formación y manuales del sistema de extremo a extremo.
Clases de modelos de previsión y vínculos entre modelos en un entorno DSS
La mayoría de las aplicaciones de previsión del DSS, incluidas las que podrían denominarse "modelos de aplicación autónoma (SAMS)", requieren algún tipo de modelo de predicción meteorológica numérica (NWP) o entradas NWP. La amplia experiencia de Baron con el modelo Weather Research and Forecasting (WRF) (Figura 2), sus sistemas de asimilación de datos (DA) y su predecesor MM5 le permite responder a muchas de las necesidades actuales de los clientes en materia de NWP.
Los científicos de Baron están muy familiarizados con la física, la dinámica y los esquemas DA de los modelos, lo que permite personalizarlos y mejorar los parámetros. Por ejemplo, las modificaciones del esquema convectivo Kain-Fritsch (Kain, 2004) reducen la formación espuria de ciclones tropicales, y las alteraciones de los esquemas LSM, PBL y microfísicos mejoran el acoplamiento tierra-atmósfera y la conservación hidrometeorológica.
Baron también emplea estrategias de optimización de código que mejoran los tiempos de ejecución con respecto a las versiones de código liberadas por la comunidad. Esto es crucial para obtener el máximo valor del hardware que también puede tener que comprarse como parte de la implementación del DSS, lo que resulta en ahorros significativos para el cliente o en cargas de trabajo mejoradas en comparación con las versiones de modelos liberadas por la comunidad. Baron también proporciona soluciones de previsión deterministas y basadas en conjuntos del NCEP GFS a escala reducida y puede desplegar modelos regionales a mesoescala como sistemas de conjuntos. Esto incluye la implementación de modelos NWP desarrollados en países o consorcios fuera de Estados Unidos.
El modelo NWP implementado alimenta y está acoplado a otros modelos de aplicación, como los de calidad del aire, hidrología o varios SAMS basados en la superficie terrestre dentro de muchas aplicaciones del DSS de Baron. Por ejemplo, durante más de una década, Baron ha proporcionado orientación operativa para la previsión de la calidad del aire a numerosos clientes estadounidenses (McHenry et al., 2004; Figura 3). Esto requiere la ejecución de un sistema de modelización tripartito "débilmente acoplado" (NWP, emisiones y modelo de transporte químico, como el modelo Community Multiscale Air Quality (CMAQ) de la EPA de EE.UU.) o un sistema de modelización integrado más estrechamente acoplado como WRF-Chem.
Además, el reciente desarrollo por parte de Baron de la asimilación variacional de la información sobre la profundidad óptica de los aerosoles del satélite de la NASA (MODIS) en la plataforma de modelización CMAQ (McHenry et al., 2013; Figura 4) permite que el modelo realice mejoras significativas en la capacidad de previsión de partículas en función de la calidad de las estimaciones derivadas del satélite. Uno de los principales retos de las predicciones AQ-DSS de alta precisión son las estimaciones dinámicas de las emisiones, que requieren una atención casi continua a las actualizaciones. Los científicos de Baron desarrollaron el sistema de procesamiento Sparse-Matrix Operator Kernel Emissions (SMOKE, Coats y Houyoux, 1996) para la Agencia de Protección Medioambiental de EE.UU. con el fin de abordar este problema, y Baron utiliza una versión en tiempo real de ese sistema para proporcionar emisiones a sus modelos operativos de calidad del aire.
Como se ha indicado anteriormente, los NWP también se utilizan, en combinación con las observaciones, para impulsar una amplia variedad de sistemas de modelización hidrológica y basados en la superficie terrestre. En Estados Unidos, el BLDAS se ejecuta de forma nativa con una resolución espacial de 1 km en todo el CONUS utilizando QPE de entrada a esa misma escala. Esto representa la mayor implementación operativa de un LDAS de muy alta resolución disponible (McHenry y Olerud, 2015). Además de la hidrología de los caudales, las versiones de asimilación y previsión del BLDAS se utilizan como base para los SAMS de agricultura, estado de las carreteras (Figura 5), meteorología de incendios (Figura 6) y amenaza de inundaciones repentinas.
Para aplicaciones agrícolas, BLDAS proporciona datos de entrada para modelos de maduración de maíz y soja, así como modelos de secado posterior a la maduración. Los modelos de maduración de cultivos, que funcionan en modo de conjunto, permiten una interpretación probabilística de la maduración y de las fechas óptimas de previsión de cosecha, lo que permite a los agricultores planificar o protegerse contra probabilidades tempranas o tardías de maduración de los cultivos y de posibilidad de cosecha. Aunque el maíz y la soja son los principales cultivos objetivo en EE.UU., la base de datos Baron aplicada en BLDAS permite estimar las condiciones de humedad y temperatura del suelo para más de 90 variedades diferentes de cultivos en sus lugares de crecimiento, incluyendo tanto anuales como perennes.
El sistema de modelización de firmes Baron también utiliza datos de BLDAS y otros datos y modelos de observación para proporcionar estimaciones en tiempo real de la temperatura del firme, el contenido de agua (congelada o no) y las condiciones de conducción. Este sistema está disponible desde hace varios años a través del servicio XM NavWeather en muchos modelos de automóviles OEM de Estados Unidos. NavWeather proporciona información práctica directamente al conductor para anticiparse mejor a las malas condiciones de conducción.
Proporcionar orientación de alta resolución en tiempo real sobre la amenaza de crecidas repentinas es todo un reto, sobre todo cuando la cobertura geográfica debe ser completa y los productos deben actualizarse rápidamente. Baron ha desplegado un sistema de orientación sobre crecidas repentinas denominado Rapid Early Flash-flood EXamination (REFLEX) SAM. REFLEX combina las cantidades de escorrentía local-directa (dentro de la celda cuadriculada) con el enrutamiento de la escorrentía a través de una red de arroyos de celda cuadriculada a celda cuadriculada que es aplicable hasta seis horas de escorrentía aguas arriba que se acumularía en cada celda cuadriculada objetivo. Al ejecutar el modelo de escorrentía con retardo durante 30 años históricos y guardar los resultados cada media hora, se capturan las estadísticas de eventos extremos para cada celda de la cuadrícula en el dominio de modelización, y luego se utilizan como punto de referencia frente a la escorrentía acumulada en tiempo real/previsión. Recientes estudios de casos en el sudeste de EE.UU. han demostrado que, en dos fenómenos ocurridos cerca de la zona de Raleigh-Durham, en el estado de Carolina del Norte, REFLEX estimó un importante potencial de amenaza de inundaciones repentinas mucho antes de que se produjeran los avisos de inundación repentina (figuras 7 y 8).
Baron completó la instalación del Sistema de Modelización de Previsiones Hidrológicas (HFMS) para el Programa Rumano de Reducción de Aguas Destructivas (DESWAT), que ya lleva tres años operativo en todo el país. Un reciente estudio de caso publicado por Matreata et al. (2013) evaluó el modelo de previsión explícita de caudales de Baron (designado NOAH-R en ese documento) funcionando a una resolución de 100 metros para un evento de inundación repentina que se produjo en la cuenca del río Calnau los días 24 y 25 de julio de 2011. Las descargas máximas en las dos estaciones hidrométricas de la cuenca correspondieron a periodos de retorno de 20-100 años. La distribución espacial y temporal del intenso episodio de precipitaciones fue indicada correctamente por el subsistema de extrapolación por radar Baron Hydro FutureScan, mientras que el modelo de caudal explícito predijo bastante bien el hidrograma observado (figura 9). Como señalan Matreata et al., otros productos reticulares proporcionados por el sistema Baron (estado de humedad del suelo, escorrentía superficial, escorrentía subsuperficial) son "muy útiles como información complementaria y/o de apoyo durante el proceso de alerta de crecidas repentinas. Pueden ser especialmente útiles para estimar mejor la gravedad de la inundación prevista".
Inteligencia meteorológica crítica
Los sistemas de apoyo a la toma de decisiones basados en modelos de previsión Baron están contribuyendo de forma significativa a proporcionar la información meteorológica crítica necesaria en un amplio espectro de decisiones sensibles a las condiciones meteorológicas. En futuros artículos se detallarán las distintas clases de DSS disponibles y las ventajas que aportan a los clientes actuales y potenciales.
Referencias
Coats, C.J. y M.R. Houyoux, 1996: "Fast Emissions Modeling with the Sparse Matrix Operator Kernel Emissions Modeling System", presentado en "The Emissions Inventory: Key to Planning, Permits, Compliance, and Reporting".Air and Waste Management Association, Nueva Orleans, LA, septiembre de 1996.
Kain, J.S., 2004: The Kain-Fritsch Convective Parameterization: An Update. J. Appl. Meteor, 43, 170-181.
Matreata, S., Baciu, O., Apostu, D., y M. Matreata, 2013: Evaluación del sistema rumano de previsión de crecidas repentinas - un estudio de caso en la cuenca del río Calnau. Die Bodenkultur 64(3-4), 2013, pp. 67-72.
McHenry, J.N., W.F. Ryan, N.L. Seaman, C.J. Coats Jr., J. Pudykeiwicz, S. Arunachalam, y J.M. Vukovich, 2004: A Real-Time Eulerian Photochemical Model Forecast System: Overview and Initial Ozone Forecast Performance in the NE US corridor. Bull. Amer. Met. Soc. 85, 4, 525-548.
McHenry, J.N. y D.T. Olerud, 2015: Use of a Real-Time High-Resolution CONUS LDAS to initialize land-surface states in operational NWP models: case studies, results and challenges. 29th Conference on Hydrology; 95th Annual Meeting of the American Meteorological Society, Phoenix, AR, 4-8 de enero de 2015.
