stringtranslate.com

Modelo de pronóstico de ciclones tropicales

En ocasiones, todavía se producen errores de trayectoria importantes, como se observa en este pronóstico anticipado de Ernesto (2006) . El pronóstico oficial del NHC es azul claro, mientras que la trayectoria real de la tormenta es la línea blanca sobre Florida .

Un modelo de pronóstico de ciclones tropicales es un programa informático que utiliza datos meteorológicos para pronosticar aspectos del estado futuro de los ciclones tropicales . Hay tres tipos de modelos: estadísticos, dinámicos o estadístico-dinámicos combinados. [1] Los modelos dinámicos utilizan supercomputadoras potentes con software de modelado matemático sofisticado y datos meteorológicos para calcular las condiciones climáticas futuras . Los modelos estadísticos pronostican la evolución de un ciclón tropical de una manera más simple, extrapolando a partir de conjuntos de datos históricos, y por lo tanto se pueden ejecutar rápidamente en plataformas como computadoras personales . Los modelos estadístico-dinámicos utilizan aspectos de ambos tipos de pronóstico. Existen cuatro tipos principales de pronósticos para ciclones tropicales: trayectoria , intensidad, marejada ciclónica y lluvia . Los modelos dinámicos no se desarrollaron hasta la década de 1970 y 1980, y los esfuerzos anteriores se centraron en el problema de la marejada ciclónica.

Los modelos de trayectoria no mostraron capacidad de predicción en comparación con los modelos estadísticos hasta la década de 1980. Los modelos estadístico-dinámicos se utilizaron desde la década de 1970 hasta la de 1990. Los primeros modelos utilizan datos de ejecuciones de modelos anteriores, mientras que los modelos más recientes producen resultados después de que se haya enviado el pronóstico oficial de huracanes. El uso de pronósticos de consenso , conjunto y superconjunto reduce los errores más que cualquier modelo de pronóstico individual. Tanto los pronósticos de consenso como los de superconjunto pueden utilizar la guía de ejecuciones de modelos globales y regionales para mejorar el rendimiento más que cualquiera de sus respectivos componentes. Las técnicas utilizadas en el Centro Conjunto de Advertencia de Tifones indican que los pronósticos de superconjunto son una herramienta muy poderosa para el pronóstico de trayectoria.

Orientación estadística

r-CLIPER para el huracán Isabel (2003)

La primera guía estadística utilizada por el Centro Nacional de Huracanes fue la Técnica de Análogos de Huracanes (HURRAN), que estuvo disponible en 1969. Utilizaba la base de datos de ciclones tropicales del Atlántico Norte recientemente desarrollada para encontrar tormentas con trayectorias similares. Luego cambiaba sus trayectorias a través de la trayectoria actual de la tormenta y utilizaba la ubicación, la dirección y la velocidad de movimiento, y la fecha para encontrar análogos adecuados. El método funcionó bien con tormentas al sur del paralelo 25 que aún no habían girado hacia el norte, pero no con sistemas cerca o después de la recurvación. [2] Desde 1972, el modelo estadístico Climatología y Persistencia (CLIPER) se ha utilizado para ayudar a generar pronósticos de trayectoria de ciclones tropicales. En la era de los hábiles pronósticos dinámicos, CLIPER ahora se está utilizando como base para mostrar la habilidad del modelo y del pronosticador. [3] El Pronóstico Estadístico de Intensidad de Huracanes (SHIFOR) se ha utilizado desde 1979 para el pronóstico de la intensidad de ciclones tropicales. Utiliza la climatología y la persistencia para predecir la intensidad futura, incluido el día juliano actual , la intensidad actual del ciclón, la intensidad del ciclón hace 12 horas, la latitud y longitud iniciales de la tormenta, así como sus componentes zonales (este-oeste) y meridionales (norte-sur) de movimiento. [2]

Entre los años 1970 y 1990 se desarrolló una serie de modelos estadístico-dinámicos que utilizaban ecuaciones de regresión basadas en la salida de CLIPER y la última salida de modelos de ecuaciones primitivas ejecutadas en el Centro Meteorológico Nacional, entonces Centros Nacionales de Predicción Ambiental , y que se denominaron NHC73, NHC83, NHC90, NHC91 y NHC98. [1] [4] En el campo de la predicción de trayectorias de ciclones tropicales , a pesar de la guía de modelos dinámicos en constante mejora que se produjo con el aumento de la potencia computacional, no fue hasta la década de 1980 cuando la predicción numérica del tiempo mostró habilidad , y hasta la década de 1990 cuando superó sistemáticamente a los modelos estadísticos o dinámicos simples. [5] En 1994, se creó una versión de SHIFOR para el noroeste del Océano Pacífico para el pronóstico de tifones , conocida como Pronóstico Estadístico de Intensidad de Tifones (STIFOR), que utilizó los datos de 1971-1990 para esa región para desarrollar pronósticos de intensidad hasta 72 horas en el futuro. [6]

En lo que respecta al pronóstico de intensidad, el Esquema estadístico de predicción de intensidad de huracanes (SHIPS) utiliza relaciones entre las condiciones ambientales del Sistema de pronóstico global (GFS), como la cizalladura vertical del viento y las temperaturas de la superficie del mar , la climatología y la persistencia (comportamiento de las tormentas) a través de técnicas de regresión múltiple para llegar a un pronóstico de intensidad para sistemas en los océanos Atlántico norte y Pacífico nororiental. [1] Se desarrolló un modelo similar para el noroeste del océano Pacífico y el hemisferio sur, conocido como el Sistema estadístico de predicción de intensidad (STIPS), que tiene en cuenta las interacciones terrestres a través de las condiciones ambientales de entrada del modelo del Sistema de predicción global operacional de la Armada (NOGAPS). [7] La ​​versión de SHIPS con un componente de decaimiento interior se conoce como Decay SHIPS (DSHIPS). El Modelo de ecuación de crecimiento logístico (LGEM) utiliza la misma entrada que SHIPS, pero dentro de un sistema de predicción dinámica simplificado. [1] En el marco de la previsión de precipitaciones de ciclones tropicales , se desarrolló el modelo Rainfall Climatology and Persistence (r-CLIPER) utilizando datos de precipitaciones de microondas de satélites en órbita polar sobre el océano y mediciones de precipitaciones de primer orden desde la tierra, para llegar a una distribución realista de las precipitaciones para ciclones tropicales basada en el pronóstico de trayectoria del Centro Nacional de Huracanes. Está en funcionamiento desde 2004. [8] Se ha desarrollado un modelo estadístico-paramétrico de radios de viento para su uso en el Centro Nacional de Huracanes y el Centro Conjunto de Alerta de Tifones que utiliza la climatología y la persistencia para predecir la estructura del viento hasta cinco días en el futuro. [2]

Orientación dinámica

Ejemplo de ejecución de SLOSH

El primer modelo dinámico de predicción de trayectorias de huracanes, el Modelo de predicción de trayectorias de ciclones tropicales barotrópicos de Sanders (SANBAR), [9] se introdujo en 1970 y fue utilizado por el Centro Nacional de Huracanes como parte de su guía de trayectorias operativas hasta 1989. Se basaba en un conjunto simplificado de ecuaciones dinámicas atmosféricas (la formulación barotrópica equivalente) utilizando un viento medio de capa profunda.

Durante 1972, se desarrolló el primer modelo para pronosticar marejadas ciclónicas a lo largo de la plataforma continental de los Estados Unidos, conocido como el Programa Especial para Listar la Amplitud de las Marejadas de Huracanes (SPLASH). [10] En 1978, comenzó a operar el primer modelo de seguimiento de huracanes de física completa basado en la dinámica atmosférica , el modelo de malla fina móvil (MFM). [11] El modelo de Área Limitada Cuasi-Lagrangiana (QLM) es un modelo de ecuación primitiva de múltiples niveles que utiliza una cuadrícula cartesiana y el Sistema de Pronóstico Global (GFS) para las condiciones de contorno. [2] A principios de la década de 1980, se descubrió que la asimilación de vientos derivados de satélite a partir de imágenes satelitales de vapor de agua, infrarrojos y visibles mejoraba la predicción de la trayectoria de los ciclones tropicales. [12] El modelo de huracanes del Laboratorio de Dinámica de Fluidos Geofísicos (GFDL) se utilizó con fines de investigación entre 1973 y mediados de la década de 1980. Una vez que se determinó que podía demostrar habilidad en la predicción de huracanes, una transición de varios años transformó el modelo de investigación en un modelo operativo que podría ser utilizado por el Servicio Meteorológico Nacional para el pronóstico de trayectoria e intensidad en 1995. [13] Para 1985, el Modelo de Mareas de Huracanes en Lagos Marinos y Terrestres (SLOSH) había sido desarrollado para su uso en áreas del Golfo de México y cerca de la costa este de los Estados Unidos, que era más robusto que el modelo SPLASH. [14]

El modelo de advección beta (BAM) se ha utilizado operacionalmente desde 1987 utilizando vientos de dirección promediados a través de la capa de 850 hPa a 200 hPa y el efecto beta que hace que una tormenta se desplace al noroeste debido a las diferencias en el efecto Coriolis a través del ciclón tropical. [15] Cuanto más grande sea el ciclón, mayor será probablemente el impacto del efecto beta. [16] A partir de 1990, se ejecutaron operativamente tres versiones del BAM: el BAM superficial (BAMS) vientos promedio en una capa de 850 hPa a 700 hPa, el BAM medio (BAMM) que utiliza vientos promedio en una capa de 850 hPa a 400 hPa, y el BAM profundo (BAMD) que es el mismo que el BAM anterior a 1990. [4] Para un huracán débil sin actividad de tormenta central bien desarrollada, BAMS funciona bien, porque las tormentas débiles tienden a ser dirigidas por vientos de bajo nivel. [1] A medida que la tormenta se hace más fuerte y la actividad de tormentas eléctricas asociadas cerca de su centro se hace más profunda, BAMM y BAMD se vuelven más precisos, ya que este tipo de tormentas son dirigidas más por los vientos en el nivel superior. Si el pronóstico de las tres versiones es similar, entonces el pronosticador puede concluir que hay una incertidumbre mínima, pero si las versiones varían mucho, entonces el pronosticador tiene menos confianza en la trayectoria predicha debido a la mayor incertidumbre. [17] Grandes diferencias entre las predicciones del modelo también pueden indicar cizalladura del viento en la atmósfera, lo que también podría afectar el pronóstico de intensidad. [1]

El modelo barotrópico de Vic Ooyama (VICBAR), probado en 1989 y 1990, utilizó una representación de variables en spline cúbico B para el análisis objetivo de observaciones y soluciones a las ecuaciones de predicción de aguas poco profundas en dominios anidados, con las condiciones de contorno definidas como el modelo de pronóstico global. [18] Se implementó operacionalmente como el modelo barotrópico de transformada sinusoidal de área limitada (LBAR) en 1992, utilizando el GFS para las condiciones de contorno. [2] Para 1990, Australia había desarrollado su propio modelo de mareas de tormenta que se podía ejecutar en unos pocos minutos en una computadora personal. [19] La Agencia Meteorológica de Japón (JMA) desarrolló su propio modelo de tifones (TYM) en 1994, [20] y en 1998, la agencia comenzó a utilizar su propio modelo dinámico de mareas de tormenta . [21]

Una predicción de la NOAA para el huracán Irene

El modelo Hurricane Weather Research and Forecasting (HWRF) es una versión especializada del modelo Weather Research and Forecasting (WRF) y se utiliza para pronosticar la trayectoria y la intensidad de los ciclones tropicales . El modelo fue desarrollado por la Administración Nacional Oceánica y Atmosférica (NOAA), el Laboratorio de Investigación Naval de los EE. UU. , la Universidad de Rhode Island y la Universidad Estatal de Florida . [22] Entró en funcionamiento en 2007. [23] A pesar de las mejoras en la predicción de la trayectoria, las predicciones de la intensidad de un ciclón tropical basadas en la predicción numérica del tiempo siguen siendo un desafío, ya que los métodos estadísticos siguen mostrando una mayor habilidad sobre la guía dinámica. [24] Además de la orientación especializada, se utilizan para fines de seguimiento e intensidad orientaciones globales como el GFS, el Modelo Unificado (UKMET), NOGAPS, el Modelo Espectral Global Japonés (GSM), el modelo del Centro Europeo de Pronósticos Meteorológicos a Plazo Medio , los modelos Action de Recherche Petite Echelle Grande Echelle (ARPEGE) y Aire Limit'ee Adaptation Dynamicique Initialisation (ALADIN) de Francia, el modelo del Centro Nacional de Pronósticos Meteorológicos a Plazo Medio (NCMRWF) de la India, los modelos del Sistema Global de Asimilación y Predicción de Datos (GDAPS) y del Sistema Regional de Asimilación y Predicción de Datos (RDAPS) de Corea, el modelo del Modelo Espectral Regional Operacional (ORSM) de Hong Kong/China y el modelo Global Environmental Multiscale (GEM) de Canadá. [2]

Oportunidad

Algunos modelos no producen resultados con la suficiente rapidez como para ser utilizados en el ciclo de pronóstico inmediatamente después de que el modelo comienza a funcionar (incluidos HWRF, GFDL y FSSE). La mayoría de los modelos de trayectoria anteriores (excepto CLIPER) requieren datos de modelos meteorológicos globales , como el GFS, que produce resultados aproximadamente cuatro horas después de las horas sinópticas de 0000, 0600, 1200 y 1800 del Tiempo Universal Coordinado (UTC). Para la mitad de sus pronósticos, el NHC emite pronósticos solo tres horas después de esa hora, por lo que algunos modelos "tempranos" (NHC90, BAM y LBAR) se ejecutan utilizando un pronóstico de 12 horas de antigüedad para la hora actual. Los modelos "tardíos", como el GFS y el GFDL, terminan después de que ya se haya emitido el aviso. Estos modelos se interpolan a la posición actual de la tormenta para su uso en el siguiente ciclo de pronóstico; por ejemplo, GFDI, la versión interpolada del modelo GFDL. [1] [25]

Métodos de consenso

Arriba : Simulación del modelo WRF de la trayectoria del huracán Rita . Abajo : Dispersión del pronóstico del conjunto multimodelo del NHC.

El uso de un consenso de modelos de pronóstico reduce el error de pronóstico. [26] En términos de seguimiento, el modelo GUNA es un consenso de las versiones interpoladas del GFDL, UKMET con control de calidad aplicado al rastreador de ciclones, NOGAPS de la Marina de los Estados Unidos y los modelos GFS. La versión del GUNA corregida por sesgos del modelo se conoce como CGUN. El consenso TCON es el consenso GUNA más el modelo Hurricane WRF. La versión del TCON corregida por sesgos del modelo se conoce como TCCN. Un promedio rezagado de las últimas dos ejecuciones de los miembros dentro del TCON más el modelo ECMWF se conoce como el consenso TVCN. La versión del TVCN corregida por sesgos del modelo es el consenso TVCC. [1]

A principios de 2013, el NAVGEM reemplazó al NOGAPS como el principal modelo de pronóstico global operativo de la Armada. Para la temporada de 2013, y hasta que se pueda verificar el modelo, no se lo utilizará para desarrollar pronósticos de consenso.

En cuanto a la intensidad, una combinación de los modelos LGEM, GFDL interpolado, HWRF interpolado y DSHIPS se conoce como el consenso ICON. El promedio rezagado de las dos últimas ejecuciones de modelos dentro del consenso ICON se denomina consenso IVCN. [1] En todo el noroeste del Pacífico y el hemisferio sur, se forma un consenso STIPS de diez miembros a partir de los resultados de NOGAPS, GFS, el GSM japonés, el Sistema de predicción de mesoescala océano/atmósfera acoplado (COAMPS), el UKMET, el TYM japonés, el GFDL con condiciones de contorno NOGAPS, el modelo de la Agencia Meteorológica de la Fuerza Aérea (AFWA), el Sistema de predicción de área local de ciclones tropicales australianos y el modelo barotrópico de Weber. [7]

Métodos de conjunto

Ningún modelo es perfectamente preciso porque es imposible conocer con exactitud todo sobre la atmósfera en el momento oportuno y las mediciones atmosféricas que se toman no son completamente precisas. [27] El uso del método de pronóstico por conjuntos, ya sea un conjunto de múltiples modelos o de numerosos miembros del conjunto basados ​​en el modelo global, ayuda a definir la incertidumbre y limitar aún más los errores. [28] [29]

Desde febrero de 2008, la JMA ha elaborado un sistema de predicción de tifones por conjuntos de 11 miembros, conocido como Typhoon Ensemble Prediction System (TEPS), que funciona hasta 132 horas en el futuro. Utiliza una versión de menor resolución (con mayor espaciado de cuadrícula) de su GSM, con diez miembros perturbados y un miembro no perturbado. El sistema reduce los errores en un promedio de 40 kilómetros (25 millas) cinco días en el futuro en comparación con su GSM de mayor resolución. [30]

El Super Ensemble de Florida State (FSSE) se produce a partir de un conjunto de modelos que luego utilizan ecuaciones de regresión estadística desarrolladas durante una fase de entrenamiento para reducir sus sesgos, lo que produce pronósticos mejores que los modelos miembros o su solución media. Utiliza 11 modelos globales, incluidos cinco desarrollados en la Universidad Estatal de Florida , el Modelo Unificado, el GFS, el NOGAPS, el NOGAPS de la Marina de los Estados Unidos, el modelo del Centro de Investigación Meteorológica de la Oficina Australiana (BMRC) y el modelo canadiense Recherche en Prévision Numérique (RPN). Muestra una habilidad significativa en las predicciones de trayectoria, intensidad y lluvia de ciclones tropicales. [31]

El Centro Conjunto de Alerta de Tifones desarrolló el Sistema de Ayuda para la Previsión de Aproximación Sistemática (SAFA, por sus siglas en inglés) para crear un pronóstico de consenso selectivo que eliminara de la consideración los pronósticos más erróneos en un marco temporal de 72 horas utilizando el modelo NOGAPS de la Marina de los Estados Unidos, el GFDL, los modelos globales y de tifones de la Agencia Meteorológica de Japón, así como el UKMET. Todos los modelos mejoraron durante los cinco años de historia de SAFA y la eliminación de pronósticos erróneos resultó difícil de hacer en las operaciones. [32]

Teoría de las manchas solares

Un informe de 2010 correlaciona la baja actividad de manchas solares con una alta actividad de huracanes . Analizando datos históricos, había una probabilidad del 25% de que al menos un huracán azotara el territorio continental de Estados Unidos durante un año de máxima actividad de manchas solares, y una probabilidad del 64% durante un año de baja actividad de manchas solares. En junio de 2010, los predictores de huracanes en Estados Unidos no utilizaban esta información. [33]

Precisión del modelo de pronóstico de huracanes

La precisión de los modelos de previsión de huracanes puede variar significativamente de una tormenta a otra. En el caso de algunas tormentas, los factores que afectan a la trayectoria del huracán son relativamente sencillos y los modelos no sólo son precisos, sino que producen previsiones similares, mientras que en el caso de otras tormentas, los factores que afectan a la trayectoria del huracán son más complejos y los distintos modelos producen previsiones muy diferentes. [34]

Véase también

Referencias

  1. ^ abcdefghi Centro Nacional de Huracanes (julio de 2009). «Resumen técnico de los modelos de trayectoria e intensidad del Centro Nacional de Huracanes» (PDF) . Administración Nacional Oceánica y Atmosférica . págs. 1–7 . Consultado el 26 de febrero de 2011 .
  2. ^ abcdef Chan, Johnny CL y Jeffrey D. Kepert (2010). Perspectivas globales sobre los ciclones tropicales: de la ciencia a la mitigación. World Scientific. págs. 288-292. ISBN 978-981-4293-47-1. Recuperado el 24 de febrero de 2011 .
  3. ^ Knaff, John A.; Demaria, Mark; Sampson, Charles R.; Gross, James M. (febrero de 2003). "Predicciones estadísticas de intensidad de ciclones tropicales de 5 días derivadas de la climatología y la persistencia" (PDF) . Tiempo y pronóstico . 18 : 80–81. Bibcode :2003WtFor..18...80K. doi :10.1175/1520-0434(2003)018<0080:SDTCIF>2.0.CO;2. ISSN  1520-0434 . Consultado el 25 de febrero de 2011 .
  4. ^ ab Simpson, Robert H. (2003). ¡Huracán!: cómo afrontar los desastres: progreso y desafíos desde Galveston, 1900. American Geophysical Union . pág. 110. ISBN 978-0-87590-297-5. Recuperado el 25 de febrero de 2011 .
  5. ^ Franklin, James (20 de abril de 2010). «Verificación del pronóstico del Centro Nacional de Huracanes». Centro Nacional de Huracanes . Consultado el 2 de enero de 2011 .
  6. ^ Chu, Jan-Hwa (noviembre de 1994). "A Regression Model For the Western North Pacific Tropical Cyclone Intensity Forecast". Laboratorio de Investigación Naval de los Estados Unidos . Archivado desde el original el 8 de abril de 2013. Consultado el 15 de marzo de 2011 .
  7. ^ ab Sampson, Charles R., John A. Knaff y Mark DeMaria (1 de marzo de 2006). "A Statistical Intensity Model Consensus For the Joint Typhoon Warning Center" (PDF) . Consultado el 15 de marzo de 2011 .{{cite web}}: CS1 maint: multiple names: authors list (link)
  8. ^ Consejo Nacional de Investigación (EE. UU.). Comité sobre el futuro de las misiones de medición de precipitaciones, Consejo Nacional de Investigación (EE. UU.). Junta de Ciencias Atmosféricas y Clima (2007). El papel de la NOAA en la estimación y aplicación de precipitaciones globales basadas en el espacio. National Academies Press. ISBN 978-0-309-10298-8.
  9. ^ RW Burpee (2008). "El modelo de predicción de trayectorias de ciclones tropicales barotrópicos de Sanders (SANBAR)". Meteorological Monographs . 33 (55): 233–240. Bibcode :2008MetMo..33..233B. doi : 10.1175/0065-9401-33.55.233 .
  10. ^ Jelesnianski, CP, J. Chen y WA Shaffer (abril de 1992). "SLOSH: marejadas marinas, lacustres y terrestres provocadas por huracanes. Informe técnico de la NOAA NWS 48" (PDF) . Administración Nacional Oceánica y Atmosférica . p. 2. Archivado desde el original (PDF) el 21 de julio de 2011 . Consultado el 15 de marzo de 2011 .{{cite web}}: CS1 maint: multiple names: authors list (link)
  11. ^ Shuman, Frederick G. (septiembre de 1989). "Historia de la predicción numérica del tiempo en el Centro Meteorológico Nacional". Tiempo y pronóstico . 4 (3): 286–296. Bibcode :1989WtFor...4..286S. doi : 10.1175/1520-0434(1989)004<0286:HONWPA>2.0.CO;2 . ISSN  1520-0434.
  12. ^ Le Marshall; JF; LM Leslie y AF Bennett (1996). "Ciclón tropical Beti: un ejemplo de los beneficios de asimilar datos horarios de vientos satelitales" (PDF) . Revista meteorológica australiana . 45 : 275.
  13. ^ Laboratorio de Dinámica de Fluidos Geofísicos (28 de enero de 2011). "Previsión operativa de la trayectoria y la intensidad de los huracanes". Administración Nacional Oceánica y Atmosférica . Consultado el 25 de febrero de 2011 .
  14. ^ Jarvinen BJ y CJ Neumann (1985). "Una evaluación del modelo de marejada ciclónica SLOSH". Boletín de la Sociedad Meteorológica Americana . 66 (11): 1408–1411. Bibcode :1985BAMS...66.1408.. doi : 10.1175/1520-0477-66.11.1408 .
  15. ^ Glosario de meteorología (junio de 2000). «Efecto beta». Sociedad Meteorológica Estadounidense . Archivado desde el original el 6 de junio de 2011. Consultado el 5 de mayo de 2008 .
  16. ^ "Sección 1. Influencias en el movimiento de los ciclones tropicales". Marina de los Estados Unidos . 2011 . Consultado el 25 de febrero de 2011 .
  17. ^ Warner, Thomas Tomkins (2010). Predicción numérica del clima y el tiempo. Cambridge University Press . Págs. 266-275. ISBN. 978-0-521-51389-0. Recuperado el 11 de febrero de 2011 .
  18. ^ Demaria, Mark; Aberson, Sim D.; Ooyama, Katsuyuki V.; Lord, Stephen J. (1992). "Un modelo espectral anidado para la predicción de la trayectoria de los huracanes". Monthly Weather Review . 120 (8): 1628–1643. Bibcode :1992MWRv..120.1628D. doi : 10.1175/1520-0493(1992)120<1628:ANSMFH>2.0.CO;2 . ISSN  1520-0493.
  19. ^ Hubbert, Graeme D., Greg J. Holland, Lance M. Leslie, Michael J. Manton (marzo de 1991). "Técnicas informáticas: un sistema en tiempo real para pronosticar mareas de tormenta causadas por ciclones tropicales". Tiempo y pronóstico . 6 (1): 86–87. Bibcode :1991WtFor...6...86H. doi : 10.1175/1520-0434(1991)006<0086:ARTSFF>2.0.CO;2 . ISSN  1520-0434.{{cite journal}}: CS1 maint: multiple names: authors list (link)
  20. ^ Zschau, Jochen y Andreas N. Küppers (2003). Sistemas de alerta temprana para la reducción de desastres naturales. Springer. pág. 172. ISBN 978-3-540-67962-2. Recuperado el 16 de marzo de 2011 .
  21. ^ Higaki, Masakazu, Hironori Hayashibara y Futoshi Nozaki (20 de abril de 2009). "Esquema del modelo de predicción de marejadas ciclónicas en la Agencia Meteorológica de Japón" (PDF) . Agencia Meteorológica de Japón . p. 25. Consultado el 15 de marzo de 2011 .{{cite web}}: CS1 maint: multiple names: authors list (link)
  22. ^ "La precisión de las previsiones meteorológicas aumenta con un nuevo modelo informático". Nota de prensa de la UCAR . Archivado desde el original el 19 de mayo de 2007. Consultado el 9 de julio de 2007 .
  23. ^ "Nuevo modelo avanzado de huracanes ayuda a los pronosticadores de la NOAA". NOAA Magazine . Consultado el 9 de julio de 2007 .
  24. ^ Rappaport, Edward N.; Franklin, James L.; Avila, Lixion A.; Baig, Stephen R.; Beven, John L.; Blake, Eric S.; Burr, Christopher A.; Jiing, Jiann-Gwo; Juckins, Christopher A.; Knabb, Richard D.; Landsea, Christopher W.; Mainelli, Michelle; Mayfield, Max; McAdie, Colin J.; Pasch, Richard J.; Sisko, Christopher; Stewart, Stacy R.; Tribble, Ahsha N. (abril de 2009). "Avances y desafíos en el Centro Nacional de Huracanes". Tiempo y pronóstico . 24 (2): 395–419. Código Bibliográfico :2009WtFor..24..395R. CiteSeerX 10.1.1.207.4667 . doi :10.1175/2008WAF2222128.1.S2CID 14845745  . 
  25. ^ Franklin, James L. (21 de mayo de 2006). «Informe de verificación de pronóstico del Centro Nacional de Huracanes de 2005» (PDF) . Centro Nacional de Huracanes . pág. 6. Consultado el 26 de febrero de 2011 .
  26. ^ Kimberlain, Todd (junio de 2007). "Tropical cyclone motion and intensity talk" (Conversación sobre el movimiento y la intensidad de los ciclones tropicales). Centro de Predicciones Hidrometeorológicas . Consultado el 21 de julio de 2007 .
  27. ^ Epstein, ES (diciembre de 1969). "Predicción dinámica estocástica". Tellus . 21 (6): 739–759. Bibcode : 1969 Dile...21..739E. doi :10.1111/j.2153-3490.1969.tb00483.x.
  28. ^ Grimit, Eric P.; Mass, Clifford F. (octubre de 2004). "Redefiniendo la relación de habilidad-extensión de conjuntos desde una perspectiva probabilística" (PDF) . Universidad de Washington . Archivado desde el original (PDF) el 12 de octubre de 2008 . Consultado el 2 de enero de 2010 .
  29. ^ Zhou, Binbin; Du, Jun (febrero de 2010). "Predicción de niebla a partir de un sistema de predicción de conjunto de mesoescala multimodelo" (PDF) . Weather and Forecasting . 25 (1): 303–322. Bibcode :2010WtFor..25..303Z. doi :10.1175/2009WAF2222289.1. S2CID  4947206. Archivado desde el original (PDF) el 21 de julio de 2011 . Consultado el 2 de enero de 2011 .
  30. ^ Yamaguchi, Munehiko y Takuya Komori (20 de abril de 2009). "Esquema del sistema de predicción de tifones por conjuntos en la Agencia Meteorológica de Japón" (PDF) . Agencia Meteorológica de Japón . págs. 14-15 . Consultado el 15 de marzo de 2011 .
  31. ^ Palmer, Tim y Renate Hagedorn (2006). Predictibilidad del tiempo y el clima. Cambridge University Press. pp. 532–545. ISBN 978-0-521-84882-4. Recuperado el 26 de febrero de 2011 .
  32. ^ Sampson, Charles R., John A. Knaff y Edward M. Fukada (junio de 2007). "Notas y correspondencia: evaluación operativa de un consenso selectivo en la cuenca del Pacífico noroccidental". Clima y pronóstico . 22 (3): 671–675. Bibcode :2007WtFor..22..671S. doi : 10.1175/WAF991.1 .{{cite journal}}: CS1 maint: multiple names: authors list (link)
  33. ^ Waymer, Jim (1 de junio de 2010). "Investigadores: menos manchas solares, más tormentas". Melbourne, Florida: Florida Today. pp. 1A.
  34. ^ [NULL]. "Huracanes: ciencia y sociedad: precisión del modelo de pronóstico de huracanes".

Enlaces externos