Asimilación de datos
En función del objetivo, pueden utilizarse distintos métodos de solución.
Para poder utilizar estos modelos en la elaboración de previsiones, es necesario que las condiciones iniciales del modelo se asemejen mucho al estado actual de la atmósfera.
La simple inserción de mediciones puntuales en los modelos numéricos no ofrece una solución satisfactoria.
Las mediciones del mundo real contienen errores debidos tanto a la calidad del instrumento como a la precisión con que se conoce la posición de la medición.
Estos errores pueden provocar inestabilidades en los modelos que eliminen cualquier nivel de precisión en una previsión.
Así pues, se necesitaban métodos más sofisticados para inicializar un modelo utilizando todos los datos disponibles y asegurándose al mismo tiempo de mantener la estabilidad del modelo numérico.
Esto se conoce a veces como el efecto mariposa: la dependencia sensible de las condiciones iniciales en la que un pequeño cambio en un estado de un sistema no lineal determinista puede dar lugar a grandes diferencias en un estado posterior.
La diferencia entre la previsión y las observaciones en ese momento se denomina desviación o innovación (ya que aporta nueva información al proceso de asimilación de datos).
En una dimensión, calcular el análisis puede ser tan sencillo como formar una media ponderada de un valor previsto y uno observado.
Las mediciones suelen realizarse sobre un sistema del mundo real, en lugar de sobre la representación incompleta del modelo de ese sistema, por lo que se necesita una función especial denominada operador de observación (normalmente representada por h() para un operador no lineal o H para su linealización) para asignar la variable modelada a una forma que pueda compararse directamente con la observación.
Sin embargo, el análisis probabilístico suele simplificarse a una forma computacionalmente factible.
A menudo, las distribuciones de probabilidad se suponen gaussianas para poder representarlas mediante su media y su covarianza, lo que da lugar al filtro de Kalman.
Muchos métodos representan las distribuciones de probabilidad sólo por la media e introducen alguna covarianza precalculada.
Un enfoque alternativo consiste en resolver iterativamente una función de coste que resuelva un problema idéntico.
[5] Algunos modelos globales utilizan diferencias finitas, en las que el mundo se representa como puntos discretos en una cuadrícula de latitud y longitud espaciada regularmente;[6] otros modelos utilizan métodos espectrales que resuelven una serie de longitudes de onda.
A continuación, los datos se utilizan en el modelo como punto de partida para una previsión.
[7] Para recopilar datos de observación que puedan utilizarse en modelos numéricos se emplean diversos métodos.
Los sitios lanzan radiosondas en globos meteorológicos que se elevan a través de la troposfera y hasta bien entrada la estratosfera.
[11][12] Los aviones de reconocimiento también vuelan sobre los océanos abiertos durante la estación fría hacia sistemas que causan una incertidumbre significativa en la orientación de las previsiones, o que se espera que tengan un gran impacto de tres a siete días en el futuro sobre el continente aguas abajo.
[13] El hielo marino comenzó a inicializarse en los modelos de previsión en 1971.
[15] En 1922, Lewis Fry Richardson publicó el primer intento de previsión meteorológica numérica.
Al principio se utilizaba el "análisis subjetivo", en el que los meteorólogos ajustaban las previsiones de predicción numérica del tiempo (NWP) utilizando su experiencia operativa.
Posteriormente, se desarrollaron métodos 4DDA (asimilación de datos en cuatro dimensiones), denominados "nudging" (teoría del empujón), como en el modelo MM5.
Introducen en la parte derecha de las ecuaciones dinámicas del modelo un término proporcional a la diferencia entre la variable meteorológica calculada y el valor observado.
Los intentos de introducir los algoritmos KF como herramienta 4DDA para modelos NWP llegaron más tarde.
Para superar esta dificultad, se han desarrollado filtros de Kalman aproximados o subóptimos.
La ventaja significativa de los enfoques variacionales es que los campos meteorológicos satisfacen las ecuaciones dinámicas del modelo NWP y, al mismo tiempo, minimizan el funcional que caracteriza su diferencia respecto a las observaciones.
Como demostró Lorenc (1986), todos los métodos 4DDA mencionados anteriormente son equivalentes en algún límite, es decir, bajo ciertas suposiciones minimizan la misma función de coste.
Sin embargo, en aplicaciones prácticas estas suposiciones nunca se cumplen, los diferentes métodos funcionan de forma diferente y, en general, no está claro qué enfoque (filtrado de Kalman o variacional) es mejor.
Marte es el único planeta extraterrestre al que se ha aplicado hasta ahora la asimilación de datos.
