EVOLUCI╙N DE LA PREDICCI╙N OPERATIVA EN EL INM. TENDENCIAS PARA LOS PR╙XIMOS A╤OS.
En esta comunicaci≤n se revisa la evoluci≤n de la predicci≤n operativa en el INM durante los ·ltimos cinco a±os y se rese±an las caracterφsticas de la situaci≤n actual haciendo especial referencia a los objetivos conseguidos y a los puntos crφticos que a·n condicionan el ≤ptimo desarrollo de la misma. Se exponen a continuaci≤n cuales deben ser las lφneas bßsicas de evoluci≤n durante los pr≤ximos a±os y los objetivos especφficos a conseguir de acuerdo con la polφtica definida por la Direcci≤n del INM. En este marco, asφ como en el mas general de evoluci≤n de los servicios meteorol≤gicos desarrollados y a la vista de las nuevas tecnologφas disponibles, se presenta una reflexi≤n sobre el papel del predictor operativo en el futuro y de los pasos a dar para asegurar el necesario valor a±adido de Θste en la diagnosis y en la vigilancia y predicci≤n a muy corto plazo de los fen≤menos atmosfΘricos adversos.
CLASIFICACION AUTOMATICA DE SONDEOS. SITUACIONES DE MAL TIEMPO EN EL MEDITERRANEO OCCIDENTAL
El anßlisis de los datos de los radiosondeos que tiene por objetivo determinar la probabilidad de desarrollo de convecci≤n y estimar la potencia de las nubes y fen≤menos meteorol≤gicos asociados puede ser enfocado como el estudio global del radiosondeo, identificando configuraciones generalmente asociadas a determinados fen≤menos meteorol≤gicos. Con este punto de vista y, puesto que en el Mediterrßneo son frecuentes los fen≤menos violentos asociados a la convecci≤n, nuestro objetivo serß determinar posibles relaciones entre la estructura vertical de la atm≤sfera y los fen≤menos adversos "simultßneos". Se dispone para esto de 366 sondeos de Palma de Mallorca correspondientes a situaciones convectivas y de 23 de buen tiempo. Las tΘcnicas de "clustering" permiten agrupar individuos de rasgos semejantes cuando estßn definidos por un grupo de variables independientes que los describen. Aplicar esta tΘcnica a los sondeos anteriores definidos por una serie de variables (estructura tΘrmica y de humedades, CAPE y helicidad) nos darß una clasificaci≤n automßtica y objetiva de los mismos.
CAMPOS Y TRAYECTORIAS SOBRE SUPERFICIES ISENTROPICAS EN SAIDAS
Los conceptos te≤ricos relacionados con el anßlisis isentr≤pico, aunque conocidos desde hace tiempo, han ido cayendo en desuso en las prßcticas operativas durante las ·ltimas dΘcadas, quizßs debido a que la generaci≤n de mapas isentr≤picos en tiempo real no es una tarea simple. Entre las principales ventajas que presenta el estudio sobre superficies isentr≤picas, con respecto al sistema clßsico con la presi≤n como coordenada vertical, podrφan destacarse, en primer lugar, el hecho de que las estructuras meteorol≤gicas de escala sin≤ptica presentan un cierto grado conservaci≤n cuando se trata de estudiar su evoluci≤n sobre superficies isentr≤picas (los efectos diabßticos tienden a alejar a la atm≤sfera de esta evoluci≤n ideal). En segundo lugar, el cßlculo de trayectorias sobre estas superficies es una herramienta bßsica para poder seguir la evoluci≤n de las diferentes masas de aire fuera de la capa limite. Estas ventajas que presenta el estudio sobre superficies isentr≤picas, hacen necesario poner a disposici≤n de los predictores la posibilidad de generar mapas sobre superficies isentr≤picas de forma rßpida, mßxime teniendo en cuenta las enormes posibilidades de cßlculo que presentan los ordenadores en la actualidad. En este trabajo se presentan, de forma resumida, las caracterφsticas de la tΘcnica de interpolaci≤n que se ha puesto a punto en el entorno SAIDAS, junto con algunos ejemplos de aplicaci≤n.
APLICACION DEL RADAR DOPPLER EN AIRE CLARO.
Durante el verano o perφodos cßlidos de buen tiempo que puedan tener lugar durante el a±o, se puede seguir el flujo del viento mediante el radar doppler, incluso en dφas completamente despejados. A pesar de que tan solo disponemos de la componente radial al radar, podemos llegar a distinguir una gran variedad de rasgos caracterφsticos de diversas situaciones. Con una peque±a experiencia en el uso de esta herramienta y los anßlisis mesoescalares obtenidos mediante PAMIS, podemos completar la labor de vigilancia que de forma rutinaria se lleva a cabo en cualquier Centro Meteorol≤gico.
IDENTIFICACION Y CARACTERIZACION AUTOMATICA DE CELULAS CONVECTIVAS EN VOLUMENES RADAR
La identificaci≤n de cΘlulas convectivas en base a los datos radar constituye un elemento de primordial importancia en las labores de vigilancia y predicci≤n a muy corto plazo. Los radares del INM proporcionan datos volumΘtricos y estos se visualizan en planos horizontales a diferentes alturas (CAPPIs) o bien mediante alg·n producto combinado como es la reflectividad mßxima. A la hora de diagnosticar el tipo de cΘlula, y por tanto el tipo de fen≤menos a los que puede dar lugar, resulta primordial conocer la estructura vertical de la cΘlula para, mediante el uso de modelos conceptuales y de ciclo de vida, inferir sus fen≤menos asociados y posible evoluci≤n. Para ello, la ·nica posibilidad actual consiste en visualizar sucesivamente diferentes CAPPIs y/o realizar cortes transversales, operacions ambas que, ademßs de consumir tiempo, resultan poco operativas en tiempo real sobre todo cuando existe bastante actividad convectiva. En este trabajo se presenta un algoritmo automßtico de identificaci≤n de cΘlulas tridimensionales. El algoritmo explora el volumen radar completo e identifica y aisla aquellas cΘlulas que cumplen unas condiciones mφnimas de tama±o y reflectividad. Una vez identificadas calcula todo un conjunto de parßmetros que caracterizan a la cΘlula (extensi≤n a diferentes alturas, centroides, perfiles de reflectividades medias y mßximas, caracter uni o multicelular, etc) y genera una representaci≤n grßfica esquemßtica que visualizada junto a la imßgen radar convencional facilita la interpretaci≤n de esta. Ademßs, la aplicaci≤n del algoritmo a vol·menes sucesivos permite construir, de manera automßtica, la historia o ciclo de vida de la cΘlula y determinar su movimiento y evoluci≤n sirviendo asφ de base para una futura posible tΘcnica de predicci≤n a muy corto plazo. Por ·ltimo se presenta un ejemplo de aplicaci≤n de esta tΘcnica a un caso de convecci≤n intensa registrada por el radar de Madrid.
SISTEMA EXPERTO EN INTERPRETACION DE SALIDAS CEPP Y HIRLAM
El objetivo principal es diagnosticar objetivamente el estado de la atm≤sfera en superfφcie a partir de los datos previstos por los modelos CEPP y HIRLAM. Es decir se generan predicciones objetivas que en realidad son diagnosticos obtenidos estadφsticamente, mediante un cruce entre los campos previstos y la base de datos hist≤rica. En este sentido hay que tener siempre muy presente que cualquier fallo que tenga el modelo, serß automßticamente asimilado por el sistema experto. Su aspecto mas positivo es que emplea sistemßticamente todo el conocimiento empφrico que contiene su base de datos. El hecho de que un Sistema Experto sea capaz de asumir una buena parte de las tareas rutinarias, lejos de conducir a un hipotΘtico automatismo total de las predicciones, apunta hacia una nueva forma de trabajo en predicci≤n, ofreciendo al predictor la ocasi≤n de desarrollar una tarea mas crφtica y constructiva. Es imposible explicar su funcionamiento en pocas palabras, aunque intentarΘ resumir sus caracterφsticas pricipales. El coraz≤n del S.E. reside en una Base de Datos que contiene: a:/ Historial diario de 00 y 12z de Partes Temp de Santander, La Coru±a, Burdeos Y Zaragoza desde 86-01-01 hasta 94-12-31. b:/ Historial diario para el mismo periodo de estaciones Completas y T-P de la red en el entorno de la Cordillera Cantßbrica. Concretamente abarca desde Lugo hasta Alava comprendiendo totalmente las comunidades de Asturias, Cantabria y Paφs Vasco asφ como su entorno. Son aproximadamente 800 estaciones. Tenemos asφ una B.D. que relaciona dφa a dφa los parßmetros reales de los sondeos, que actuarφan como predictores, con los fen≤menos meteorol≤gicos en los 800 puntos de la red, que actuarφan como predictandos. Al trabajar sobre datos reales y no con salidas del modelo, la filosofφa del S.E. es la de Perfect Prog en lugar de la MOS, es decir es totalmente independiente del modelo, presuponiendo que el dato predicho es perfecto. La metodologφa exacta que emplearß el S.E. a·n no esta totalmente definida, ya que hay que solucionar problemas de Estabilidad Estructural. Las tareas que realiza el S.E. se pueden resumir en: a:/ Lectura de los datos previstos por el Modelo (Hirlam o CEPP) mediante interpolaci≤n empleando la MACRO YLEGD desarrollada en el STAP. b:/ Filtrado de los dφas que mas se parecen al dφa problema. Los criterios de seleccion aun no estan totalmente definidos, pero se basan en la Similitud Estructural. El mΘtodo es el tφpico de PODA selectiva, en virtud del cual se eliminan los mas dispares. c:/ Con el grupo de dφas que pasan el filtro, se realizan Regresiones M·ltiples para cada variable en cada punto y cada PINI; es decir si tenemos 800 puntos, 20 predictandos y 20 pinis habrß que hacer 320.000 regresiones para cada pasada del modelo. d:/ Una vez obtenidas las regresiones no hay mas que aplicarlas para cada punto, variable y pini, para obtener los valores previstos de los predictandos en cada punto y pini. e:/ Por ·ltimo queda la presentacion de los resultados que tiene doble salida, una en lenguaje oficial seg·n los criterios de ESTILO (aquφ se podrφa incluir la generaci≤n automßtica de boletines, avisos, etc..) y otra grßfica empleando mapas previstos locales de isoyetas, isotermas,... Seg·n la experiencia obtenida en casi 5 a±os de ensayos, queda claro que la mejor aplicaci≤n del S.E. reside en su gran capacidad como diferenciador de las diferentes subßreas climßticas dentro del ßrea total de responsabilidad. Es decir por ahora s≤lo se puede pretender obtener una visi≤n cualitativa de los resultados del S.E. en el sentido de d≤nde lloverß mßs, donde harß mßs calor, mßs viento, menor visibilidad.....Qizßs dentro de 5 a±os, cuando el hist≤rico sea mßs amplio, se puedan aplicar de modo operativo los resultados numΘricos, que es en realidad el objetivo principal.
ELEMENTOS COMPLEMENTARIOS PARA EL ANALISIS Y DIAGNOSTICO PREVIO A LAS PREDICIONES NIVOLOGICAS
La predicci≤n nivol≤gica necesita del conocimiento de parßmetros meteorol≤gicos, nivol≤gicos superficiales y nivol≤gicos internos. La inercia de los parßmetros internos respecto de la evoluci≤n de los meteorol≤gicos y superficiales, los escasos puntos de observaci≤n y la periodicidad semanal de los sondeos exigen del predictor una visi≤n global de la evoluci≤n del manto desde el inicio de la campa±a. Para facilitar el anßlisis y diagn≤stico previo a la toma de decisiones se presentan las herramientas informßticas que permiten una visi≤n general, sintΘtica y rßpida de las condiciones mßs determinantes de la evoluci≤n estacional de la nieve.
DETERMINACION DE LA ISOCERO POR MEDIO DE LOS MAPAS SINOPTICOS Y SU APLICACION A LA DETERMINACION DE LA ALTURA DE LA NIEVE
En este trabajo se presenta un mΘtodo para la determinaci≤n espacial de las alturas de la isocero tomando como base el mapa sin≤ptico de superficie y el de 500 Hpa. Se determina entonces la distribuci≤n espacial de las isolφneas de espesor 500/1000 Hpa. Suponiendo que la distribuci≤n de temperaturas en la vertical obedece a la expresi≤n:
T=F1(p).h+F2(p)
en la que :
F1(p) y F2(p) son funciones de la presi≤n.
h es el espesor 500/1000 mbs.
se puede determinar para cada valor de h el nivel de presi≤n en que aparece la isoterma de 0║C:
h=(273,16-F2(2))/F1(p)
Una vez que hemos determinado los niveles de presi≤n de la isoterma de 0║C podemos obtener tambiΘn las altitudes de las superficies isobßricas con una expresi≤n que tiene una configuraci≤n similar a la obtenida para las temperaturas. En definitiva se trata de un modelo de atm≤sfera que nos permite determinar la distribuci≤n espacial y vertical de las isotermas y las altitudes de las superficies isobßricas. El mapa de las altitudes de la isoterma de 0║C la obtenemos del Mc,Idas y puede emplearse cualquier modelo. De la experiencia acumulada hemos podido establecer las correcciones que hay que introducir para determinar, aproximadamente, las altitudes mφnimas de la aparici≤n de la nieve. Este factor varφa esencialmente con la procedencia de las masas de aire.
IMAGENES DE VAPOR DE AGUA: USO EN EL DIAGNOSTICO DE NIVELES ALTOS
Las imßgenes de vapor de agua contienen la mayor parte de la informaci≤n relevante sobre procesos dinßmicos en la troposfera superior y la estratosfera inferior. La correcta interpretaci≤n de las configuraciones que muestran estas imßgenes, junto con el uso de modelos conceptuales apropiados, completan un conjunto de herramientas muy potente para diagnosticar estructuras meteorol≤gicas tales como dobleces y hundimientos de tropopausa, chorros y mßximos de viento, localizaci≤n de mßximos locales de vorticidad de cizalladura y curvatura y de anomalφas tΘrmicas (cßlidas en niveles altos y frφas en la troposfera media). En este proceso de interpretaci≤n, las imßgenes infrarrojas constituyen una fuente complementaria de informaci≤n de cara a una diagnosis completa de ciertas de las estructuras. En este trabajo se muestran, basados en una situaci≤n real, algunos de los mΘtodos relacionados con la diagnosis en niveles altos que permiten profundizar en el conocimiento de una situaci≤n, mßs allß de lo que puede conocerse haciendo uso de los anßlisis objetivos de los modelos numΘricos. Una diagnosis correcta es un elemento bßsico y fundamental para poder validar el comportamiento y nivel de confianza que puede otorgarse a los distintos modelos numΘricos en un entorno operativo.
Indice Sesi≤n B
Indice General
TECNICAS DE REDES NEURONALES APLICADAS AL RECONICIMIENTO Y CLASIFICACION DE PIXELES DE IMAGENES DE SATELITES
Las tΘcnicas de redes neuronales son unas de las tΘcnicas objetivas mßs utilizadas en el reconocimiento automßtico de patrones y en la clasificaci≤n de datos de sensores remotos. En esta presentaci≤n se mostrarß el proceso de dise±o, contrucci≤n, entrenamiento y utilizaci≤n de una red neuronal en la clasificaci≤n objetiva de los pixeles de imßgenes procedentes del NOAA. Estas tΘcnicas muestran un gran potencial, siendo el n·mero de datos utilizado en el entramiento determinante en la precisi≤n de la clasificaci≤n realizada por la red neuronal.
CLASIFICACION NUBOSA (AVHRR) DE NOCHE
En muchos casos no es posible discernir de forma visual diferencias, en cuanto a los valores de brillo de unos canales a otros para las imßgenes de los satelites de la serie TIROS-NOAA, por lo que es difφcil diferenciar los tipos de nubes, quedando infrautilizados los cinco canales de que se dispone. La obtenci≤n de algoritmos de clasificaci≤n nubosa permitirß asignar de forma automßtica a cada pixel de la imßgen si esta despejado o nuboso y en este ·ltimo caso asociarle la clase de nube que le corresponde. La integraci≤n en SAIDAS de un sistema de clasificaci≤n nubosa nocturna para imßgenes AVHRR se lleva a cabo mediante la generaci≤n de forma automßtica de otra imßgen en la que los diferentes tipos de nubes aparecen en colores distintos para su identificaci≤n inmediata. El comando creado para clasificaci≤n nubosa tambiΘn podrß ser de utilidad para estudio de situaciones especiales en las que sea de interΘs la discriminaci≤n de un tipo de nube concreto (nieblas, tormentas...).
MEDIDAS DE CAMPO Y TRATAMIENTO DE IMAGENES DIGITALIZADAS
Durante las ·ltimas dΘcadas se ha dedicado un gran esfuerzo en la aplicaci≤n de tΘcnicas que logren obtener informaci≤n de las variables meteorol≤gicas en los tornados,en especial del campo de viento. En el caso del tornado de L'Espluga de Francolφ, se dispone de un video de razonable calidad que sigue las evoluciones del fen≤meno durante unos diez minutos. El tratamiento de las imßgenes ha permitido analizar el movimiento de algunos segmentos facilmente reconocibles. El estudio de campo, por otra parte,permiti≤ estimar la velocidad tangencial siguiendo los trabajos de Fujita. De la confrontaci≤n de ambas metodologφas se comprueba la aceptable bondad de las mediciones de campo que se suelen llevar a cabo y que, en este caso,fueron realizadas 36 horas despuΘs de los acontecimientos.