Los avances en la predicción numérica del tiempo meteorológico

Por Francisco R. Villatoro, el 3 septiembre, 2015. Categoría(s): Ciencia • Física • Historia • Informática • Nature • Noticias • Physics • Science ✎ 15

Dibujo20150903  Physical processes of importance to weather prediction - nature14956-f2

Abbe (1901) y Bjerknes (1904) propusieron que las leyes de la física se podrían usar para pronosticar el tiempo. Los avances científicos y tecnológicos permiten pronosticar a 6 días con la misma precisión que a 5 días hace diez años o a 4 días hace 20 años. Richardson (1922) propuso la predicción numérica del tiempo: resolver mediante ordenador las ecuaciones de Navier-Stokes (incluyendo el efecto de la rotación de la Tierra) junto a las leyes de la termodinámica para los gases ideales para pronosticar los cambios espaciotemporales del viento, presión, densidad y temperatura de la atmósfera.

Charney, Fjoertoft, von Neumann (1950) usaron por primera vez un ordenador en Princeton para post-predecir el tiempo y Bolin (1955) lo usó en Estocolmo para predecirlo. Pero fueron necesarios los supercomputadores de la década de los 1970 para que las predicciones numéricas fueran fiables. Hoy en día se usa una jerarquía de muchos modelos acoplados con diferente nivel de complejidad que cubren las proyecciones globales del clima, la predicción meteorológica mundial y la modelización de área local para la predicción meteorológica de alta fiabilidad.

Nos lo cuenta el artículo de revisión (review) de Peter Bauer, Alan Thorpe, Gilbert Brunet, «The quiet revolution of numerical weather prediction,» Nature 525: 47–55, 03 Sep 2015, doi: 10.1038/nature14956.

Dibujo20150903 A measure of forecast skill at 3- 5- 7- 10-day ranges - nature14956-f1

Esta figura muestra la mejora en el acierto de la predicción (forecast skill) a tres días (azul), cinco días (rojo), siete días (amarillo) y diez días (gris) tanto en el hemisferio norte (curva más oscura superior) como en el hemisferio sur (curva más clara inferior). Se mide el porcentaje de acierto comparando la predicción con la observaciones atmosféricas a una altura de 500-hPa (hectopascales). Los valores superiores al 60% se consideran predicciones útiles y los superiores al 80% son de muy alta precisión. En estas mejoras no sólo han influido los avances en supercomputación y modelado atmosférico, sino también la mejora en la calidad de los datos obtenidos gracias a la cobertura mediante satélites meteorológicos.

La figura que abre esta entrada resume los procesos físicos más importantes que hoy en día se incorporan en los modelos de predicción numérica. Muchos de estos procesos no se pueden resolver en detalle (pues se requiere llegar a escalas moleculares), pero se incorporan de forma aproximada mediante correlaciones. Estas mejoran conforme lo hace nuestra comprensión en detalle de los procesos físicos.

Dibujo20150903 Schematic diagram of 36-h ensemble forecasts over the UK - nature14956-f3

Uno de los grandes avances ha sido el uso de técnicas de predicción por conjuntos (ensemble forecast). Poincaré (1914) reconoció que las predicciones precisas en sistemas no lineales son casi imposibles por el hoy llamado efecto mariposa: pequeñas perturbaciones en las condiciones iniciales tienen un enorme impacto en las predicciones a largo tiempo. Thompson (1957) realizó las primeras estimaciones cuantitativas del crecimiento de los errores iniciales durante el pronóstico. Pero todo el mundo recuerda a Lorenz (1963) que introdujo el efecto mariposa y ofreció una comprensión holística del problema, lo que hoy llamamos teoría del caos (determinista). Predecir el tiempo meteorológico más allá de 15 días parecía una empresa imposible de abordar.

Dibujo20150903 Schematic of the ensemble analysis and forecast cycle - nature14956-f4

La solución práctica han sido los modelos de conjuntos. Las observaciones tienen cierto rango de incertidumbre (que depende del tipo de medida). Dentro de ese rango se construye un conjunto de condiciones iniciales perturbadas de forma aleatoria que se hace evolucionar de forma independiente. Las primeras estimaciones se obtienen interpretando las tendencias observadas en el conjunto de todas las soluciones. Conforme se van obteniendo nuevos datos se descartan las soluciones que se desvían demasiado y se reinician los modelos.

Aplicando una técnica estadística de agregación de resultados se obtiene una única predicción probabilística de consenso, de gran robustez y de gran precisión, incluso a muchos días vista. Más aún, usando métodos estadísticos bayesianos (que calculan probabilidades a posteriori a partir de las probabilidades a priori) los modelos están sometidos a un proceso constante de autocorrección conforme se recaban nuevas observaciones. En los modelos de conjuntos también se usan técnicas de la teoría de control óptimo que permiten minimizar la incertidumbre.

Dibujo20150903 CPU and power requirements as a function of NWP model resolution - nature14956

La predicción numérica del tiempo tiene una gran ventaja respecto a las demás disciplinas científicas: sus resultados son evaluados de forma objetiva y diaria en todo el mundo. Por ello el éxito o el fracaso de los pronósticos se conoce con precisión y se pueden evaluar en tiempo real todas las mejoras en los modelos. Cada día se recaban unos diez millones de observaciones que se usan para las condiciones iniciales para los modelos. En el Centro Europeo de Previsiones Meteorológicas a Medio Plazo (ECMWF por European Centre for Medium-Range Weather Forecasts) se calcula una nueva predicción cada 12 horas usando una malla tetradimensional de 650 millones de nodos con una resolución espacial máxima de 16 km y un paso de tiempo de 10 minutos sobre un periodo de 10 días (1440 pasos de tiempo). Las simulaciones ensemble para 50 condiciones iniciales con una resolución máxima entre 30 y 60 km y pasos de tiempo de 30 minutos se usan para predecir en intervalos entre 15 y 30 días.

La evolución de la meteorología ha estado ligada a la de la informática de alto rendimiento y a la de los sistemas de observación usando satélites. Aún hay muchos retos científicos y tecnológicos que resolver para alcanzar en un futuro resoluciones en espacio de un kilómetro y en tiempo de un minuto (cruciales para una correcta descripción de la convección en la atmósfera). Hay mucho que estudiar en el tratamiento de las incertidumbres inherentes a los modelos que promedian la física y la parametrizan (por ejemplo, para el modelado de las plumas convectivas que requieren escalas menores de 1 km). También en los procesos químicos y físicos relacionados con el acoplamiento entre la atmósfera y el océano, la superficie de la tierra y el hielo (terrestre y marino).

Dibujo20150903  Key challenge areas for NWP in the future - nature14956

También hay retos tecnológicos. Hoy en día se usan los supercomputadores que se encuentran en el top 20 de los 500 sistemás más potentes y que son capaces de ejecutar operaciones en el régimen de los petaflops (mil billones de operaciones en punto flotante por segundo). El futuro de la meteorología numérica requiere que la ley de Moore se siga cumpliendo en las próximas décadas, algo que muchos consideran poco razonable. Habrá que buscar alternativas como la computación masivamente paralela (al ritmo actual, en diez años habría que usar sistemas con cerca de un millón de procesadores). El consumo energético de los supercomputadores será uno de los factores que limiten los progresos.

La revolución silenciosa de la predicción numérica del tiempo ha requerido una combinación científica, observacional y tecnológica cuya continuidad supone grandes desafíos. Retos científicos y tecnológicos interdisciplinares e interdependientes. Si tienes acceso, te recomiendo la lectura del artículo de revisión que ha aparecido en Nature, porque la predicción numérica del tiempo es un tema que nos afecta a todos, todos los días.



15 Comentarios

    1. Félix, el término «puff» se usa poco, pero viene a ser un «borbotón» o una «bocanada» o una «pulsación» (a veces se habla de turbulencia pulsada por «puff turbulence»). El artículo que citas habla de generación de turbulencia en una tubería (donde el efecto de la cizalla en la pared es el dominante). El trabajo de Björn Hof se centra en la aparición de la turbulencia de un fluido pulsado (como la sangre en una vena impulsada por el corazón) y por ello sostiene que los «borbotones» son importantes (en el marco de una teoría de percolación y formación de patrones espaciotemporales). Pero hay muchos otros tipos de turbulencia que no se explican de esta forma.

      ¿Qué es la turbulencia? En rigor no lo sabemos (algo así como caos espaciotemporal en un fluido). ¿Qué la origina? No lo sabemos (quien lo descubra recibirá un millón de dólares). ¿Qué modelos hay? En los últimos 50 años se han desarrollado muchísimos modelos diferentes, pero todavía no conocemos el definitivo. En las aplicaciones prácticas se usan correlaciones que combinan resultados experimentales y computacionales con análisis dimensional; estas correlaciones funcionan muy bien para la turbulencia ya desarrollada, pero fallan explicando la transición hacia la turbulencia (por fortuna, en muchas aplicaciones es poco relevante).

      La hipótesis de los «puffs» es bien conocida por los expertos (Björn Hof ha publicado en Science, Nature, Annual Review of Fluid Mechanics, etc.), pero hay muchos otros tipos de turbulencia en los que no aplica y muchos otros modelos de turbulencia alternativos para dichos casos. Una revisión en detalle nos llevaría demasiado lejos.

      Sobre el trabajo de Hof te recomiendo leer «Turbulence Transition in Pipe Flow,» Annu. Rev. Fluid Mech. 39: 447–468 (2007) [PDF gratis].

      Te recomiendo leer Diego Córdoba, «Las matemáticas de los fluidos: torbellinos, gotas y olas,» La Gaceta de la RSME 8: 53-83 (2005) [PDF gratis].

      Saludos
      Francis

  1. Una duda, o meta-duda, un poco off-topic. Sé que el término «predicción numérica del tiempo» es de origen anglófono («numerical weather prediction»), pero lingüísticamente me pierdo un poco entre «digital» y «numérico» (los francófonos pasan del primero). Entiendo que digital, es, precisamente, tratar o representar valores como entidades discretas, es decir, numéricas, en contraposición a un espectro continuo (analógico), ¿pero numérico no es precisamente lo mismo?

    O vamos, que no veo el matiz entre «numérico» y «digital». Si es que lo hay.

    1. En español se habla de «métodos numéricos», «cálculo numérico» y «análisis numérico» para referirse al cálculo/análisis relativo a calcular con números, algo que hoy en día se hace con ordenadores/calculadoras/computadoras. También se habla de métodos computacionales, física computacional, meteorología computacional, ingeniería computacional, etc., para referirse más o menos a lo mismo (pero con un foco en la aplicación concreta).

      El término «digital» en español se suele usar en ingeniería para diferenciar entre «sistemas analógicos» y «sistemas digitales» en un contexto de teoría de la señal, pero no se suele usar en matemáticas, física o aplicaciones específicas.

      Aún así, como siempre, hay excepciones a todas las acepciones.

      Saludos
      Francis

  2. Con una computadora cuantica en un futuro, se podria hacer predicciones del tiempo meteorologico a 14 dias como con una clasica de zettaflops? o con una cuantica se podrian predecir a mas de 14 dias?

    1. Benjamin, los ordenadores cuánticos tendrán un límite físico al número de cubits que pueden usar (no sabemos cuál, pero pon 1000, 10000, o similar); más allá de ese límite el ordenador cuántico se volverá clásico. Por tanto, nunca habrá ordenadores cuánticos que puedan calcular una predicción meteorológica. Los ordenadores cuánticos serán «oráculos» (término técnico) para superordenadores clásicos. Su uso estará restringido a simular sistemas cuánticos usando superordenadores, no creo que nadie conciba su uso en meteorología numérica.

      La simulación de un sistema clásico usando un ordenador cuántico nunca puede violar las leyes que rigen dicho sistema clásico. La dependencia respecto a las condiciones iniciales no puede ser violada, luego un ordenador cuántico no puede superar el límite (sean 14 días) de un ordenador clásico.

      1. Vaya… ¿entonces todo el bombo que se les da a los ordenadores cuánticos es más que nada una exageración de los periodistas y el cine? Pensé que serían algo que nos cambiaría más la vida.

        1. Antonio, la química, la farmacología y la física de materiales acabarán siendo revolucionadas por los ordenadores cuánticos. ¡Te parece poco! Hoy en día es imposible calcular la física cuántica de una molécula de pocos átomos. Gracias a los ordenadores cuánticos se podrá calcular la física cuántica de proteínas formadas por miles de átomos. ¡El potencial es enorme!

  3. Francis

    Suponiendo que siga aumentando el poder de computo de las computadoras ya sean opticas o variantes de las actuales (nanotubos de carbono etc) se podria predecir el tiempo meteorologico a meses de antelacion o existe un limite teorico en la fisica o matematica ? Cual es el tiempo maximo si tenemos la cappacidad de calculo que querramos?_

  4. Consulta, sabes si hay análisis de este tipo para la predicción de sismos, conozco algunos casos serios de estudios de la universidad de chile(dpto geofisica) y rumores que los hay en japón, pero no encuentro su literatura y con el ultimo sismo en chile los predictologos hacen nata.

    1. Hector, entendemos bastante bien las causas de los terremotos (tras más de 100 años de estudio) pero tenemos muy poca información sobre el interior de la Tierra (incluso a escala local). Por ello predecir terremotos es muy difícil, rayando lo imposible. Sobre los japoneses, busca las referencias en este artículo Seiya Uyeda, «Current affairs in earthquake prediction in Japan,» Journal of Asian Earth Sciences, AOP 07 Jul 2015, doi: 10.1016/j.jseaes.2015.07.006; también te recomiendo Mitsuyuki Hoshiba, Shigeki Aoki, «Numerical Shake Prediction for Earthquake Early Warning: Data Assimilation, Real‐Time Shake Mapping, and Simulation of Wave Propagation,» Bulletin of the Seismological Society of America, AOP May 2015, doi: 10.1785/0120140280; pero hay muchos más artículos fáciles de localizar en Google Scholar.

Deja un comentario