Todos los días, los grandes centros mundiales de pronóstico elaboran y comparten sus análisis de lo que pasa y lo que va a pasar con el tiempo en todo el planeta. El Servicio Meteorológico Nacional (SMN) de Argentina, cada día, cada 6 horas, recibe los análisis y pronósticos del modelo Sistema Global de Pronóstico (GFS, por sus siglas en inglés), que no es otra cosa que lo que el modelo global ejecutado por el Servicio Meteorológico de Estados Unidos pronostica para todo el planeta. Este pronóstico (numérico) tiene 25 km de distancia entre puntos de grillado, es decir que pronostica para un punto cada 25 kilómetros. Esta información, que muchas veces es la que muestran en crudo las aplicaciones de celular, en el SMN funciona como materia prima que será reprocesada, analizada y corregida por los pronosticadores, de modo que se emita un pronóstico más preciso a la población.  

Un ejemplo para ayudarnos a ilustrar cómo funcionan los modelos de pronóstico numérico son las aplicaciones de celular que nos dan información sobre el tránsito de una ciudad y nos “pronostican” cuáles serían las rutas más convenientes a seguir. Por ejemplo, el famoso Waze: cuando lo abrimos e indicamos un destino, la aplicación reactualiza los datos con los que cuenta en ese momento (los reportes de usuarios y otros tipos de fuentes) y nos arroja el mejor resultado para llegar rápidamente a donde queremos ir.  Es decir, la aplicación necesita tener datos iniciales para poder diagnosticar cómo está el tránsito y hacernos un pronóstico. Obviamente, cuanta más información -o reportes sobre lo que está pasando- tenga la aplicación, mejor podrá calcular las rutas más convenientes.

Con los modelos numéricos de pronóstico sucede lo mismo. Cuanta mayor cantidad de datos tenga al inicializarse, más chances tendrá de elaborar una mejor predicción. La “corrida, salida o resultado de modelo” (como la llaman en la jerga) que se recibe es un pronóstico numérico realizado en base a los datos con los que el modelo contaba al momento de “correr”. 

“Los análisis que recibimos de los centros mundiales (como el GFS) tienen incorporadas solamente algunas de las observaciones que Argentina comparte, a cada hora, con todo el planeta, a través del sistema mundial de telecomunicaciones”, explica Yanina García Skabar, a cargo de la Dirección de Productos de Modelación Ambiental y de Sensores Remotos del SMN. Por ejemplo, la información del GFS que recibe el SMN no incorpora la información provista por los radares meteorológicos del país y nos da un pronóstico para un punto cada 25 km. Esto, ¿es poco o es suficiente? ¿Puede cambiar mucho el estado del tiempo en esos 25 km?

Del GFS al WRF: haciendo zoom en lo local

Sí. En esa distancia pueden cambiar muchas cosas: puede variar la temperatura, la nubosidad o la precipitación, rotar el viento, desarrollarse una celda de tormenta.  Es necesario mirar más de cerca. Aumentar la resolución. Y acá es cuando aparece en escena el modelo regional de Investigación y Pronóstico Meteorológico (WRF, por sus siglas en inglés), que toma en cuenta las características de nuestro suelo y está ajustado a las particularidades de nuestro país.

El WRF se ejecuta en los equipos de cómputo del SMN. Pero, ¿cuáles son los datos iniciales que utiliza el WRF para “correr” y calcular un pronóstico? Pues precisamente, “se inicia” del pronóstico que llega del GFS, que funciona entonces como su “condición inicial”.

De nuevo vamos a echar mano a la analogía con el tránsito. Imaginemos que una aplicación mundial nos envía datos del tránsito de nuestra ciudad. Pero sus estimaciones no son del todo buenas, porque solamente nos dice por qué avenidas viajar, y nada sobre las calles. Otra aplicación, local, toma esa información y la vuelve a calcular incorporando todas las calles de la ciudad. Y nos sugiere un recorrido que seguramente será mejor porque esta aplicación hace  los cálculos de tránsito a nivel de cuadras. 

Lo mismo hace el WRF respecto del GFS: afina el lápiz y resuelve las ecuaciones que representan la física de nuestra atmósfera para un punto cada 4 kilómetros. Es decir que tiene mayor resolución espacial y esto le permite pronosticar fenómenos de una escala más pequeña, que el GFS no capta (como la convección, por ejemplo).

Sobre esa información, ahora sí, los pronosticadores harán ajustes, volcarán su conocimiento y experiencia para elaborar el producto que sale en la web y boletines del SMN: el pronóstico oficial.

Datos, datos, datos 

Antes dijimos que el modelo global (GFS) se basa en algunos de los datos de observación que Argentina comparte con el mundo. Pero lo cierto es que una parte importante de los datos de observación -por ejemplo, lo que captan los radares o lo que están midiendo los aviones- no forma parte del input que el GFS utiliza para calcular su pronóstico. 

Por lo tanto, el WRF tampoco contempla esos datos en su condición inicial. Entonces se  desaprovecha mucha información que podría sumarse para producir mejores pronósticos. A menos que podamos incluirlos en algún momento del proceso. O sea, asimilarlos.  

“El objetivo de la asimilación es tratar de incorporar la mayor cantidad de información al campo inicial del que parte el modelo numérico. Cuanto mejor conozcamos cómo está la atmósfera ahora en toda la región donde queremos pronosticar -no solamente en superficie, sino en todos los niveles verticales- mejor será el pronóstico. Y más aún si podemos incorporar los datos de radar, porque vamos a sumar la información de cómo están las nubes, la cantidad de agua que tenemos en la atmósfera”, explica García Skabar.

“El objetivo de la asimilación es tratar de incorporar la mayor cantidad de información al campo inicial del que parte el modelo numérico. Cuanto mejor conozcamos como está la atmósfera ahora en toda la región donde queremos pronosticar -no solamnete en superficie, sino en todos los niveles verticales-mejor será el pronóstico. Y más aún si podemos incorporar los datos de radar, porque vamos a sumar la información de cómo estas las nubes, la cantidad de agua que tenemos en la atmósfera”

El procedimiento de asimilación involucra metodologías matemáticas muy complejas. “Lo que hacemos es combinar un pronóstico a muy corto plazo hecho por el modelo WRF con las últimas observaciones. Ese pronóstico a una hora es nuestro “first guess” o campo preliminar. A ese campo le agregamos las observaciones”, detalla la especialista.

Hay una variable que complejiza todo y es el reloj, porque es necesario contar con los datos de observación en tiempos operativos, o sea cada vez que se corre el modelo. “Lo que hacemos es asimilar todo el tiempo. Es como un ciclo continuo que arranca hoy y no para nunca. Nosotros generamos un análisis por hora y le vamos agregando observaciones cada diez minutos. Son observaciones de radar, satélites, estaciones meteorológicas convencionales y automáticas, boyas, barcos, aviones, todo lo que podamos recibir en el tiempo operativo”  agrega García Skabar.

Hacemos la última apelación al ejemplo de la aplicación de tránsito. Muchas veces, cuando ya estamos en la ruta sugerida, ésta “recalcula” la información y nos sugiere una alternativa mejor. Esto ocurre porque la aplicación recibió más reportes sobre el estado del tránsito, los asimiló y pudo elaborar un mejor pronóstico sobre la ruta que nos conviene tomar. Lo mismo ocurre con la asimilación de datos a un pronóstico numérico. Y todo sucede en cuestión de minutos. 
 

Fuente consultada:

• Yanina García Skabar, doctora en Ciencias de la Atmósfera; responsable de la Dirección de Productos de Modelación Ambiental y de Sensores Remotos del Servicio Meteorológico Nacional (SMN).