La predicción numérica del tiempo ( NWP ) utiliza modelos matemáticos de la atmósfera y los océanos para predecir el tiempo en función de las condiciones meteorológicas actuales. Aunque se intentó por primera vez en la década de 1920, no fue hasta la llegada de la simulación por computadora en la década de 1950 que las predicciones meteorológicas numéricas produjeron resultados realistas. En diferentes países del mundo se ejecutan varios modelos de pronóstico globales y regionales, utilizando como datos observaciones meteorológicas actuales transmitidas desde radiosondas , satélites meteorológicos y otros sistemas de observación.
Se pueden utilizar modelos matemáticos basados en los mismos principios físicos para generar pronósticos meteorológicos a corto plazo o predicciones climáticas a más largo plazo; estos últimos se aplican ampliamente para comprender y proyectar el cambio climático . Las mejoras realizadas a los modelos regionales han permitido mejoras significativas en los pronósticos de la trayectoria de los ciclones tropicales y de la calidad del aire ; sin embargo, los modelos atmosféricos funcionan mal en el manejo de procesos que ocurren en un área relativamente restringida, como los incendios forestales .
Manipular los vastos conjuntos de datos y realizar los complejos cálculos necesarios para la predicción numérica del tiempo moderna requiere algunas de las supercomputadoras más potentes del mundo. Incluso con el poder cada vez mayor de las supercomputadoras, la capacidad de pronóstico de los modelos meteorológicos numéricos se extiende a sólo unos seis días. Los factores que afectan la precisión de las predicciones numéricas incluyen la densidad y la calidad de las observaciones utilizadas como entrada para los pronósticos, junto con deficiencias en los propios modelos numéricos. Se han desarrollado técnicas de posprocesamiento, como las estadísticas de salida de modelos (MOS), para mejorar el manejo de errores en las predicciones numéricas.
Un problema más fundamental reside en la naturaleza caótica de las ecuaciones diferenciales parciales que describen la atmósfera. Es imposible resolver estas ecuaciones con exactitud y los errores pequeños aumentan con el tiempo (se duplican aproximadamente cada cinco días). La comprensión actual es que este comportamiento caótico limita los pronósticos precisos a aproximadamente 14 días, incluso con datos de entrada precisos y un modelo impecable. Además, las ecuaciones diferenciales parciales utilizadas en el modelo deben complementarse con parametrizaciones para la radiación solar , los procesos húmedos (nubes y precipitaciones ), el intercambio de calor , el suelo, la vegetación, las aguas superficiales y los efectos del terreno. En un esfuerzo por cuantificar la gran cantidad de incertidumbre inherente que queda en las predicciones numéricas, los pronósticos por conjuntos se han utilizado desde la década de 1990 para ayudar a medir la confianza en el pronóstico y obtener resultados útiles en un futuro más lejano de lo que sería posible de otra manera. Este enfoque analiza múltiples pronósticos creados con un modelo de pronóstico individual o múltiples modelos.
La historia de la predicción numérica del tiempo comenzó en la década de 1920 gracias a los esfuerzos de Lewis Fry Richardson , quien utilizó procedimientos originalmente desarrollados por Vilhelm Bjerknes [1] para producir a mano un pronóstico de seis horas del estado de la atmósfera en dos puntos de Europa central. , tardando al menos seis semanas en hacerlo. [2] [1] [3] No fue hasta la llegada de la computadora y las simulaciones por computadora que el tiempo de cálculo se redujo a menos que el período de pronóstico en sí. El ENIAC se utilizó para crear los primeros pronósticos meteorológicos por computadora en 1950, basándose en una aproximación muy simplificada de las ecuaciones que rigen la atmósfera. [4] [5] En 1954, el grupo de Carl-Gustav Rossby en el Instituto Meteorológico e Hidrológico Sueco utilizó el mismo modelo para producir el primer pronóstico operativo (es decir, una predicción de rutina para uso práctico). [6] La predicción numérica del tiempo operativa en los Estados Unidos comenzó en 1955 bajo la Unidad Conjunta de Predicción Numérica del Tiempo (JNWPU), un proyecto conjunto de la Fuerza Aérea , la Armada y la Oficina Meteorológica de los EE. UU . [7] En 1956, Norman Phillips desarrolló un modelo matemático que podía representar de manera realista los patrones mensuales y estacionales en la troposfera; este se convirtió en el primer modelo climático exitoso . [8] [9] Siguiendo el trabajo de Phillips, varios grupos comenzaron a trabajar para crear modelos de circulación general . [10] El primer modelo climático de circulación general que combinaba procesos oceánicos y atmosféricos se desarrolló a finales de la década de 1960 en el Laboratorio de Dinámica de Fluidos Geofísicos de la NOAA . [11]
A medida que las computadoras se han vuelto más poderosas, el tamaño de los conjuntos de datos iniciales ha aumentado y se han desarrollado modelos atmosféricos más nuevos para aprovechar la potencia informática adicional disponible. Estos modelos más nuevos incluyen más procesos físicos en las simplificaciones de las ecuaciones de movimiento en simulaciones numéricas de la atmósfera. [6] En 1966, Alemania Occidental y Estados Unidos comenzaron a producir pronósticos operativos basados en modelos de ecuaciones primitivas , seguidos por el Reino Unido en 1972 y Australia en 1977. [1] [12] El desarrollo de modelos de área limitada (regionales) facilitó avances en la predicción de las trayectorias de los ciclones tropicales , así como de la calidad del aire en las décadas de 1970 y 1980. [13] [14] A principios de la década de 1980, los modelos comenzaron a incluir las interacciones del suelo y la vegetación con la atmósfera, lo que condujo a pronósticos más realistas. [15]
Los resultados de los modelos de pronóstico basados en la dinámica atmosférica no pueden resolver algunos detalles del clima cerca de la superficie de la Tierra. Como tal, en las décadas de 1970 y 1980 se desarrolló una relación estadística entre la salida de un modelo meteorológico numérico y las condiciones resultantes en el terreno, conocida como estadística de salida del modelo (MOS). [16] [17] A partir de la década de 1990, los pronósticos por conjuntos de modelos se han utilizado para ayudar a definir la incertidumbre del pronóstico y extender la ventana en la que el pronóstico meteorológico numérico es viable más en el futuro de lo que sería posible de otra manera. [18] [19] [20]
La atmósfera es un fluido . Como tal, la idea de la predicción numérica del tiempo es tomar muestras del estado del fluido en un momento dado y utilizar las ecuaciones de dinámica de fluidos y termodinámica para estimar el estado del fluido en algún momento en el futuro. El proceso de ingresar datos de observación en el modelo para generar condiciones iniciales se llama inicialización . En tierra, los mapas de terreno disponibles en resoluciones de hasta 1 kilómetro (0,6 millas) a nivel mundial se utilizan para ayudar a modelar las circulaciones atmosféricas dentro de regiones de topografía accidentada, con el fin de representar mejor características como vientos descendentes, ondas de montaña y nubosidad relacionada que afecta la energía solar entrante. radiación. [21] Las principales aportaciones de los servicios meteorológicos nacionales son observaciones procedentes de dispositivos (llamados radiosondas ) instalados en globos meteorológicos que miden diversos parámetros atmosféricos y los transmiten a un receptor fijo, así como de satélites meteorológicos . La Organización Meteorológica Mundial actúa para estandarizar la instrumentación, las prácticas de observación y el momento de estas observaciones en todo el mundo. Las estaciones informan cada hora en informes METAR [22] o cada seis horas en informes SYNOP . [23] Estas observaciones están espaciadas irregularmente, por lo que son procesadas mediante métodos de asimilación de datos y análisis objetivo, que realizan control de calidad y obtienen valores en ubicaciones utilizables por los algoritmos matemáticos del modelo. [24] Los datos se utilizan luego en el modelo como punto de partida para un pronóstico. [25]
Se utiliza una variedad de métodos para recopilar datos de observación para su uso en modelos numéricos. Los sitios lanzan radiosondas en globos meteorológicos que se elevan a través de la troposfera y penetran hasta la estratosfera . [26] La información procedente de satélites meteorológicos se utiliza cuando las fuentes de datos tradicionales no están disponibles. Comercio proporciona informes de pilotos a lo largo de rutas de aviones [27] e informes de barcos a lo largo de rutas de transporte marítimo. [28] Los proyectos de investigación utilizan aviones de reconocimiento para volar dentro y alrededor de sistemas meteorológicos de interés, como los ciclones tropicales . [29] [30] Los aviones de reconocimiento también vuelan sobre océanos abiertos durante la estación fría en sistemas que causan una incertidumbre significativa en la orientación del pronóstico, o que se espera que tengan un alto impacto de tres a siete días en el futuro sobre el continente aguas abajo. [31] El hielo marino comenzó a inicializarse en los modelos de pronóstico en 1971. [32] Los esfuerzos para involucrar la temperatura de la superficie del mar en la inicialización del modelo comenzaron en 1972 debido a su papel en la modulación del clima en latitudes más altas del Pacífico. [33]
Un modelo atmosférico es un programa de computadora que produce información meteorológica para tiempos futuros en ubicaciones y altitudes determinadas. Dentro de cualquier modelo moderno hay un conjunto de ecuaciones, conocidas como ecuaciones primitivas , que se utilizan para predecir el estado futuro de la atmósfera. [34] Estas ecuaciones, junto con la ley de los gases ideales , se utilizan para evolucionar los campos escalares de densidad , presión y temperatura potencial y el campo vectorial de velocidad del aire (viento) de la atmósfera a través del tiempo. Algunos modelos de alta resolución de ecuaciones primitivas también incluyen ecuaciones de transporte adicionales para contaminantes y otros aerosoles . [35] Las ecuaciones utilizadas son ecuaciones diferenciales parciales no lineales que son imposibles de resolver exactamente mediante métodos analíticos, [36] con la excepción de algunos casos idealizados. [37] Por lo tanto, los métodos numéricos obtienen soluciones aproximadas. Diferentes modelos utilizan diferentes métodos de solución: algunos modelos globales y casi todos los modelos regionales utilizan métodos de diferencias finitas para las tres dimensiones espaciales, mientras que otros modelos globales y algunos modelos regionales utilizan métodos espectrales para las dimensiones horizontales y métodos de diferencias finitas en las verticales. [36]
Estas ecuaciones se inicializan a partir de los datos del análisis y se determinan las tasas de cambio. Estas tasas de cambio predicen el estado de la atmósfera en un corto período de tiempo en el futuro; El incremento de tiempo para esta predicción se llama paso de tiempo . Este estado atmosférico futuro se utiliza luego como punto de partida para otra aplicación de las ecuaciones predictivas para encontrar nuevas tasas de cambio, y estas nuevas tasas de cambio predicen la atmósfera en un paso de tiempo aún mayor hacia el futuro. Este paso de tiempo se repite hasta que la solución alcance el tiempo de pronóstico deseado. La duración del paso de tiempo elegido dentro del modelo está relacionada con la distancia entre los puntos en la cuadrícula computacional y se elige para mantener la estabilidad numérica . [38] Los pasos de tiempo para los modelos globales son del orden de decenas de minutos, [39] mientras que los pasos de tiempo para los modelos regionales son de entre uno y cuatro minutos. [40] Los modelos globales se ejecutan en distintos momentos en el futuro. El Modelo Unificado UKMET se ejecuta seis días en el futuro, [41] mientras que el Sistema de Pronóstico Integrado del Centro Europeo para Pronósticos Meteorológicos a Medio Plazo y el Modelo Ambiental Global Multiescala de Environment Canada se ejecutan en diez días en el futuro, [42 ] y el modelo del Sistema de Pronóstico Global ejecutado por el Centro de Modelado Ambiental se ejecuta dieciséis días en el futuro. [43] La salida visual producida por una solución modelo se conoce como gráfico de pronóstico o prog . [44]
Algunos procesos meteorológicos son demasiado pequeños o demasiado complejos para incluirlos explícitamente en los modelos numéricos de predicción del tiempo. La parametrización es un procedimiento para representar estos procesos relacionándolos con variables en las escalas que resuelve el modelo. Por ejemplo, las cajas de cuadrícula en los modelos meteorológicos y climáticos tienen lados que tienen entre 5 kilómetros (3 millas) y 300 kilómetros (200 millas) de longitud. Un cúmulo típico tiene una escala de menos de 1 kilómetro (0,6 millas) y requeriría una cuadrícula incluso más fina que ésta para ser representada físicamente mediante las ecuaciones de movimiento de fluidos. Por lo tanto, los procesos que representan dichas nubes están parametrizados mediante procesos de diversa sofisticación. En los primeros modelos, si una columna de aire dentro de una rejilla modelo era condicionalmente inestable (esencialmente, el fondo era más cálido y húmedo que la parte superior) y el contenido de vapor de agua en cualquier punto dentro de la columna se saturaba, entonces se volcaría (el el aire cálido y húmedo comenzaría a ascender), y el aire en esa columna vertical se mezcló. Esquemas más sofisticados reconocen que sólo algunas partes de la caja podrían convectarse y que se producen arrastre y otros procesos. Los modelos meteorológicos que tienen cuadros de cuadrícula con tamaños entre 5 y 25 kilómetros (3 y 16 millas) pueden representar explícitamente nubes convectivas, aunque necesitan parametrizar la microfísica de las nubes que ocurren a una escala más pequeña. [45] La formación de nubes de gran escala ( tipo estratos ) tiene una base más física; se forman cuando la humedad relativa alcanza un valor prescrito. La fracción de nubes se puede relacionar con este valor crítico de humedad relativa. [46]
La cantidad de radiación solar que llega al suelo, así como la formación de gotas de nubes, se producen a escala molecular, por lo que deben parametrizarse antes de poder incluirlas en el modelo. La resistencia atmosférica producida por las montañas también debe parametrizarse, ya que las limitaciones en la resolución de los contornos de elevación producen subestimaciones significativas de la resistencia. [47] Este método de parametrización también se realiza para el flujo superficial de energía entre el océano y la atmósfera, con el fin de determinar temperaturas realistas de la superficie del mar y el tipo de hielo marino que se encuentra cerca de la superficie del océano. [48] Se tiene en cuenta el ángulo del sol y el impacto de múltiples capas de nubes. [49] El tipo de suelo, el tipo de vegetación y la humedad del suelo determinan cuánta radiación se destina al calentamiento y cuánta humedad se absorbe en la atmósfera adyacente y, por lo tanto, es importante parametrizar su contribución a estos procesos. [50] Dentro de los modelos de calidad del aire, las parametrizaciones tienen en cuenta las emisiones atmosféricas de múltiples fuentes relativamente pequeñas (por ejemplo, carreteras, campos, fábricas) dentro de cuadros de cuadrícula específicos. [51]
El dominio horizontal de un modelo es global , que cubre toda la Tierra, o regional , que cubre solo una parte de la Tierra. Los modelos regionales (también conocidos como modelos de área limitada o LAM) permiten el uso de un espaciado de cuadrícula más fino que los modelos globales porque los recursos computacionales disponibles se centran en un área específica en lugar de distribuirse por todo el mundo. Esto permite que los modelos regionales resuelvan fenómenos meteorológicos explícitamente de menor escala que no pueden representarse en la cuadrícula más gruesa de un modelo global. Los modelos regionales utilizan un modelo global para especificar condiciones en el borde de su dominio ( condiciones de contorno ) para permitir que los sistemas fuera del dominio del modelo regional se muevan hacia su área. La incertidumbre y los errores dentro de los modelos regionales son introducidos por el modelo global utilizado para las condiciones de contorno del borde del modelo regional, así como por errores atribuibles al propio modelo regional. [52]
La coordenada vertical se maneja de varias maneras. El modelo de Lewis Fry Richardson de 1922 utilizó la altura geométrica ( ) como coordenada vertical. Los modelos posteriores sustituyeron las coordenadas geométricas por un sistema de coordenadas de presión, en el que las alturas geopotenciales de las superficies de presión constante se convierten en variables dependientes , simplificando enormemente las ecuaciones primitivas. [53] Esta correlación entre sistemas de coordenadas se puede hacer ya que la presión disminuye con la altura a través de la atmósfera terrestre . [54] El primer modelo utilizado para pronósticos operativos, el modelo barotrópico de una sola capa, utilizó una sola coordenada de presión en el nivel de 500 milibares (aproximadamente 5500 m (18 000 pies)) [4] y, por lo tanto, era esencialmente bidimensional. Los modelos de alta resolución, también llamados modelos de mesoescala , como el modelo de pronóstico e investigación meteorológica tienden a utilizar coordenadas de presión normalizadas denominadas coordenadas sigma . [55] Este sistema de coordenadas recibe su nombre de la variable independiente utilizada para escalar las presiones atmosféricas con respecto a la presión en la superficie, y en algunos casos también con la presión en la parte superior del dominio. [56]
Debido a que los modelos de pronóstico basados en las ecuaciones de la dinámica atmosférica no determinan perfectamente las condiciones climáticas, se han desarrollado métodos estadísticos para intentar corregir los pronósticos. Se crearon modelos estadísticos basados en los campos tridimensionales producidos por modelos meteorológicos numéricos, observaciones de superficie y las condiciones climatológicas de ubicaciones específicas. Estos modelos estadísticos se denominan colectivamente estadísticas de salida de modelos (MOS) [57] y fueron desarrollados por el Servicio Meteorológico Nacional para su conjunto de modelos de pronóstico del tiempo a fines de la década de 1960. [16] [58]
Las estadísticas de salida del modelo difieren de la técnica de programación perfecta , que supone que la salida de la guía de predicción numérica del tiempo es perfecta. [59] MOS puede corregir efectos locales que el modelo no puede resolver debido a una resolución de cuadrícula insuficiente, así como sesgos del modelo. Debido a que MOS se ejecuta según su respectivo modelo global o regional, su producción se conoce como posprocesamiento. Los parámetros de pronóstico dentro de MOS incluyen temperaturas máximas y mínimas, porcentaje de probabilidad de lluvia dentro de un período de varias horas, cantidad de precipitación esperada, probabilidad de que la precipitación sea congelada en la naturaleza, probabilidad de tormentas eléctricas, nubosidad y vientos en la superficie. [60]
En 1963, Edward Lorenz descubrió la naturaleza caótica de las ecuaciones de dinámica de fluidos implicadas en la predicción meteorológica. [61] Los errores extremadamente pequeños en la temperatura, los vientos u otros datos iniciales proporcionados a los modelos numéricos se amplificarán y duplicarán cada cinco días, [61] haciendo imposible que los pronósticos a largo plazo (aquellos realizados con más de dos semanas de anticipación) puedan predecir el estado de la atmósfera con cualquier grado de habilidad de pronóstico . Además, las redes de observación existentes tienen una cobertura deficiente en algunas regiones (por ejemplo, en grandes masas de agua como el Océano Pacífico), lo que introduce incertidumbre sobre el verdadero estado inicial de la atmósfera. Si bien existe un conjunto de ecuaciones, conocidas como ecuaciones de Liouville , para determinar la incertidumbre inicial en la inicialización del modelo, las ecuaciones son demasiado complejas para ejecutarse en tiempo real, incluso con el uso de supercomputadoras. [62] Estas incertidumbres limitan la precisión del modelo de pronóstico a aproximadamente cinco o seis días en el futuro. [63] [64]
Edward Epstein reconoció en 1969 que la atmósfera no se podía describir completamente con una sola ejecución de pronóstico debido a la incertidumbre inherente, y propuso utilizar un conjunto de simulaciones estocásticas de Monte Carlo para producir medias y variaciones del estado de la atmósfera. [65] Aunque este primer ejemplo de conjunto demostró habilidad, en 1974 Cecil Leith demostró que producían pronósticos adecuados sólo cuando la distribución de probabilidad del conjunto era una muestra representativa de la distribución de probabilidad en la atmósfera. [66]
Desde la década de 1990, los pronósticos por conjuntos se han utilizado operativamente (como pronósticos de rutina) para tener en cuenta la naturaleza estocástica de los procesos meteorológicos, es decir, para resolver su incertidumbre inherente. Este método implica analizar múltiples pronósticos creados con un modelo de pronóstico individual mediante el uso de diferentes parametrizaciones físicas o condiciones iniciales variables. [62] A partir de 1992, con los pronósticos por conjuntos preparados por el Centro Europeo de Pronósticos Meteorológicos a Plazo Medio (ECMWF) y los Centros Nacionales de Predicción Ambiental , se han utilizado pronósticos por conjuntos de modelos para ayudar a definir la incertidumbre del pronóstico y ampliar la ventana en la que La previsión meteorológica numérica es viable en un futuro más lejano de lo que sería posible de otro modo. [18] [19] [20] El modelo ECMWF, el Sistema de predicción por conjuntos, [19] utiliza vectores singulares para simular la densidad de probabilidad inicial , mientras que el conjunto NCEP, el Sistema de predicción por conjuntos global, utiliza una técnica conocida como reproducción de vectores . [18] [20] La Oficina Meteorológica del Reino Unido ejecuta pronósticos por conjuntos globales y regionales en los que 24 miembros del conjunto utilizan las perturbaciones de las condiciones iniciales en el Sistema de predicción por conjuntos global y regional de la Oficina Meteorológica (MOGREPS) para producir 24 pronósticos diferentes. [67]
En un enfoque basado en un modelo único, el pronóstico conjunto generalmente se evalúa en términos de un promedio de los pronósticos individuales relacionados con una variable de pronóstico, así como el grado de concordancia entre varios pronósticos dentro del sistema conjunto, representado por su dispersión general. La dispersión conjunta se diagnostica mediante herramientas como los diagramas de espagueti , que muestran la dispersión de una cantidad en gráficos de pronóstico para pasos de tiempo específicos en el futuro. Otra herramienta en la que se utiliza la dispersión por conjuntos es el meteograma , que muestra la dispersión en el pronóstico de una cantidad para una ubicación específica. Es común que la dispersión del conjunto sea demasiado pequeña para incluir el tiempo que realmente ocurre, lo que puede llevar a que los pronosticadores diagnostiquen erróneamente la incertidumbre del modelo; [68] este problema se vuelve particularmente grave para las previsiones meteorológicas con unos diez días de antelación. [69] Cuando la dispersión del conjunto es pequeña y las soluciones de pronóstico son consistentes dentro de múltiples ejecuciones del modelo, los pronosticadores perciben más confianza en la media del conjunto y en el pronóstico en general. [68] A pesar de esta percepción, una relación entre la dispersión y las habilidades suele ser débil o no se encuentra, ya que las correlaciones entre el error y la dispersión son normalmente inferiores a 0,6 y sólo en circunstancias especiales oscilan entre 0,6 y 0,7. [70] La relación entre la dispersión del conjunto y la habilidad de pronóstico varía sustancialmente dependiendo de factores tales como el modelo de pronóstico y la región para la cual se realiza el pronóstico. [ cita necesaria ]
De la misma manera que se pueden utilizar muchos pronósticos de un solo modelo para formar un conjunto, también se pueden combinar múltiples modelos para producir un pronóstico conjunto. Este enfoque se denomina pronóstico por conjuntos de modelos múltiples y se ha demostrado que mejora los pronósticos en comparación con un enfoque basado en un solo modelo. [71] Los modelos dentro de un conjunto de múltiples modelos se pueden ajustar según sus diversos sesgos, lo cual es un proceso conocido como pronóstico de superconjunto . Este tipo de pronóstico reduce significativamente los errores en la salida del modelo. [72]
El pronóstico de la calidad del aire intenta predecir cuándo las concentraciones de contaminantes alcanzarán niveles peligrosos para la salud pública. La concentración de contaminantes en la atmósfera está determinada por su transporte , o velocidad media de movimiento a través de la atmósfera, su difusión , transformación química y deposición en el suelo . [73] Además de la fuente de contaminantes y la información del terreno, estos modelos requieren datos sobre el estado del flujo de fluidos en la atmósfera para determinar su transporte y difusión. [74] Las condiciones meteorológicas, como las inversiones térmicas, pueden evitar que el aire de la superficie se eleve, atrapando contaminantes cerca de la superficie, [75] lo que hace que los pronósticos precisos de tales eventos sean cruciales para el modelado de la calidad del aire. Los modelos de calidad del aire urbano requieren una malla computacional muy fina, lo que requiere el uso de modelos meteorológicos de mesoescala de alta resolución; A pesar de ello, la calidad de la orientación meteorológica numérica es la principal incertidumbre en las previsiones de calidad del aire. [74]
Un modelo de circulación general (GCM) es un modelo matemático que se puede utilizar en simulaciones por computadora de la circulación global de una atmósfera planetaria o de un océano. Un modelo de circulación general atmosférica (AGCM) es esencialmente lo mismo que un modelo numérico global de predicción del tiempo, y algunos (como el utilizado en el Modelo Unificado del Reino Unido) se pueden configurar tanto para pronósticos meteorológicos a corto plazo como para predicciones climáticas a largo plazo. . Junto con el hielo marino y los componentes de la superficie terrestre, los AGCM y los GCM oceánicos (OGCM) son componentes clave de los modelos climáticos globales y se aplican ampliamente para comprender el clima y proyectar el cambio climático . Para aspectos del cambio climático, se puede introducir en los modelos climáticos una variedad de escenarios de emisiones químicas creadas por el hombre para ver cómo un mayor efecto invernadero modificaría el clima de la Tierra. [76] Las versiones diseñadas para aplicaciones climáticas con escalas de tiempo de décadas a siglos fueron creadas originalmente en 1969 por Syukuro Manabe y Kirk Bryan en el Laboratorio de Dinámica de Fluidos Geofísicos en Princeton, Nueva Jersey . [77] Cuando se ejecutan durante varias décadas, las limitaciones computacionales significan que los modelos deben utilizar una cuadrícula gruesa que deja sin resolver las interacciones de menor escala. [78]
La transferencia de energía entre el viento que sopla sobre la superficie de un océano y la capa superior del océano es un elemento importante en la dinámica de las olas. [79] La ecuación de transporte de ondas espectrales se utiliza para describir el cambio en el espectro de ondas a lo largo de una topografía cambiante. Simula la generación de olas, el movimiento de las olas (propagación dentro de un fluido), la formación de bancos de olas , la refracción , la transferencia de energía entre olas y la disipación de las olas. [80] Dado que los vientos superficiales son el principal mecanismo de fuerza en la ecuación de transporte de ondas espectrales, los modelos de olas oceánicas utilizan información producida por modelos numéricos de predicción del tiempo como entradas para determinar cuánta energía se transfiere desde la atmósfera a la capa en la superficie del océano. . Además de la disipación de energía a través de las olas y la resonancia entre las olas, los vientos superficiales de los modelos meteorológicos numéricos permiten predicciones más precisas del estado de la superficie del mar. [81]
El pronóstico de ciclones tropicales también se basa en datos proporcionados por modelos meteorológicos numéricos. Existen tres clases principales de modelos de guía de ciclones tropicales : Los modelos estadísticos se basan en un análisis del comportamiento de las tormentas utilizando la climatología y correlacionan la posición y la fecha de una tormenta para producir un pronóstico que no se basa en la física de la atmósfera en ese momento. Los modelos dinámicos son modelos numéricos que resuelven las ecuaciones que rigen el flujo de fluidos en la atmósfera; se basan en los mismos principios que otros modelos numéricos de predicción meteorológica de área limitada, pero pueden incluir técnicas computacionales especiales, como dominios espaciales refinados que se mueven junto con el ciclón. Los modelos que utilizan elementos de ambos enfoques se denominan modelos estadístico-dinámicos. [82]
En 1978 comenzó a funcionar el primer modelo de seguimiento de huracanes basado en la dinámica atmosférica : el modelo de malla fina móvil (MFM). [13] Dentro del campo del pronóstico de trayectoria de ciclones tropicales , a pesar de la guía de modelos dinámicos cada vez mejor que se produjo con una mayor potencia computacional, no fue hasta la década de 1980 cuando la predicción numérica del tiempo demostró habilidad , y hasta la década de 1990 cuando superó consistentemente a la estadística o Modelos dinámicos simples. [83] 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 continúan mostrando una mayor habilidad que la orientación dinámica. [84]
.svg/1280px-Propagation_model_wildfire_(English).svg.png)
A escala molecular, existen dos procesos de reacción principales implicados en la degradación de la celulosa , o combustibles de madera, en los incendios forestales . Cuando hay poca cantidad de humedad en una fibra de celulosa se produce la volatilización del combustible; este proceso generará productos gaseosos intermedios que finalmente serán la fuente de combustión . Cuando hay humedad, o cuando se elimina suficiente calor de la fibra, se produce carbonización . La cinética química de ambas reacciones indica que hay un punto en el que el nivel de humedad es lo suficientemente bajo (y/o las velocidades de calentamiento lo suficientemente altas) para que los procesos de combustión se vuelvan autosuficientes. En consecuencia, los cambios en la velocidad, dirección, humedad, temperatura o tasa de caída del viento en diferentes niveles de la atmósfera pueden tener un impacto significativo en el comportamiento y crecimiento de un incendio forestal. Dado que el incendio forestal actúa como una fuente de calor para el flujo atmosférico, puede modificar los patrones de advección locales , introduciendo un circuito de retroalimentación entre el fuego y la atmósfera. [85]
Un modelo bidimensional simplificado para la propagación de incendios forestales que utilizó la convección para representar los efectos del viento y el terreno, así como la transferencia de calor radiativo como método dominante de transporte de calor, condujo a sistemas de reacción-difusión de ecuaciones diferenciales parciales . [86] [87] A modelos más complejos se unen modelos meteorológicos numéricos o modelos computacionales de dinámica de fluidos con una componente de incendio forestal que permiten estimar los efectos de retroalimentación entre el fuego y la atmósfera. [85] La complejidad adicional en la última clase de modelos se traduce en un aumento correspondiente en sus requisitos de potencia informática. De hecho, un tratamiento tridimensional completo de la combustión mediante simulación numérica directa a escalas relevantes para el modelado atmosférico no es práctico actualmente debido al excesivo costo computacional que requeriría dicha simulación. Los modelos meteorológicos numéricos tienen una capacidad de pronóstico limitada en resoluciones espaciales inferiores a 1 kilómetro (0,6 millas), lo que obliga a los modelos complejos de incendios forestales a parametrizar el incendio para calcular cómo el incendio forestal modificará localmente los vientos y a utilizar esos vientos modificados para determinar la Velocidad a la que el fuego se propagará localmente. [88] [89] [90] Aunque modelos como el FIRETEC de Los Álamos resuelven las concentraciones de combustible y oxígeno , la cuadrícula computacional no puede ser lo suficientemente fina para resolver la reacción de combustión, por lo que se deben hacer aproximaciones para la distribución de temperatura dentro de cada celda de rejilla, así como para las propias velocidades de reacción de combustión. [ cita necesaria ]
{{cite web}}: Mantenimiento CS1: nombres numéricos: lista de autores ( enlace ){{cite book}}: Mantenimiento CS1: varios nombres: lista de autores ( enlace ){{cite book}}: Mantenimiento CS1: varios nombres: lista de autores ( enlace ){{cite web}}: Mantenimiento CS1: nombres numéricos: lista de autores ( enlace ){{cite book}}: Mantenimiento CS1: varios nombres: lista de autores ( enlace ){{cite journal}}: Mantenimiento CS1: varios nombres: lista de autores ( enlace ){{cite journal}}: Mantenimiento CS1: varios nombres: lista de autores ( enlace ){{cite journal}}: Mantenimiento CS1: varios nombres: lista de autores ( enlace ){{cite book}}: |journal=ignorado ( ayuda )