La Dra. Hana Christensen de la Universidad de Oxford dice que somos mejores en la predicción del clima porque las computadoras son más rápidas y las matemáticas son más inteligentes. En el artículo, ella explica cómo los meteorólogos comienzan a usar procesos estocásticos de tecnología matemática: se ha utilizado durante mucho tiempo en la industria financiera.
Ciclo meteorológico: utilizando métodos estocásticos, los pronósticos meteorológicos de siete días alcanzaron la misma calidad que los tres días de hace dos décadas.En 2017, la Oficina Meteorológica Británica lanzó una nueva
supercomputadora Cray XC40 por valor de £ 97 millones. Él mejoró seriamente la precisión y el detalle de los pronósticos del tiempo.
¿Cómo lo hace él? Estudio la predicción del tiempo en el
Departamento de Física Atmosférica, Oceánica y Planetaria de la Universidad de Oxford, y el problema con los pronósticos no es solo usar más computadoras, aunque obviamente esto ayuda, sino también usarlas de maneras más ingeniosas.
Analicemos la historia y veamos cómo se hizo antes, ya que el pronóstico del tiempo ha cambiado mucho en las últimas décadas.
Hasta la década de 1960, los pronósticos se basaban en registros de observaciones y la búsqueda de patrones en estos registros, cualquier analogía. La idea era muy simple. Si mantiene registros meteorológicos el tiempo suficiente, el meteorólogo tendrá una tarea (relativamente) simple: buscar el día para el día en que la atmósfera se ve más o menos igual que hoy y presentar el desarrollo histórico de la atmósfera desde ese punto de partida como el pronóstico de hoy para la próxima semana.
Pero esto no funcionó correctamente. La razón de esto fue el caos, o el efecto mariposa. El desarrollo del clima en una escala de día o semana es muy sensible a pequeños detalles del estado de la atmósfera, pero estos detalles pueden ser demasiado pequeños para ser detectados utilizando datos de satélites y sondas meteorológicas.
Una idea con analogías era, aunque mala, pero la única opción, ya que otro método, el uso de ecuaciones para crear modelos matemáticos, no era práctico hasta que aparecieron las computadoras electrónicas.
El matemático inglés
Lewis Fry Richardson fue el primero en usar modelos matemáticos para las predicciones meteorológicas durante la Primera Guerra Mundial. Pero se enfrentó a un problema grave. Para calcular el pronóstico para las próximas seis horas, fue necesario resolver manualmente las ecuaciones diferenciales parciales; al mismo tiempo, tomó alrededor de seis semanas resolverlas, y el resultado fue muy impreciso.
Pero la idea de Richardson resultó ser correcta, y ahora se aplica sin fallas en las simulaciones por computadora de la atmósfera.
El pronóstico del tiempo moderno comienza con las matemáticas: ecuaciones que describen la evolución de la atmósfera:
En primer lugar, tenemos
la ecuación de Navier-Stokes ; de hecho, tres ecuaciones que describen la conservación del momento en cada una de las tres direcciones del sistema de coordenadas. Aquí tomamos en cuenta la rotación de la Tierra, entrando en un sistema de referencia rotacional: el segundo término en el lado derecho es responsable de la fuerza de Coriolis y el tercero de la fuerza centrífuga.
La ecuación es especialmente difícil de resolver, porque en la derivada
advectiva D / Dt hay ocultos términos no lineales muy desagradables en usted (no es por nada que encontrar soluciones a la ecuación de Navier-Stokes sigue siendo uno de los "
problemas del milenio " sin resolver por los cuales el Instituto de Matemáticas de Clay otorgó un premio de $ 1 millón )
Luego tenemos la ecuación de continuidad. Todo lo que ha entrado en el contenedor debe filtrarse o la densidad dentro del contenedor debe aumentar.
En tercer lugar, tenemos la ecuación de energía termodinámica, donde Q es la velocidad de calentamiento de la diabetes. Y finalmente, tenemos una ecuación de estado para la atmósfera.
¿Y qué hacemos todos con esto?
El primer paso es discretizar las ecuaciones de movimiento. No podemos calcular exactamente cómo girará cada pequeña ráfaga de viento, y esto no es realmente necesario. Por lo tanto, dividimos la atmósfera en pequeños paralelepípedos: en el simulador de clima pueden ser de 10x10 km en horizontal y de varios cientos de metros a varios kilómetros en vertical. Dentro de cada uno de los cubos, consideramos que la atmósfera es constante, con un número que indica la temperatura promedio, uno que indica la humedad, la velocidad del viento, etc. Y luego está claro qué tipo de problema estamos teniendo, y ¿qué pasa con los procesos que tienen lugar a menor escala?
Tales procesos, como las nubes, todavía juegan un papel importante en los pronósticos, por lo que deben tenerse en cuenta. No solo afectan el desarrollo de procesos a mayor escala, sino que también describen fenómenos meteorológicos importantes para nosotros que permanecemos en la tierra: lluvia o fuertes ráfagas de viento.
Representamos estos procesos utilizando ecuaciones aproximadas o esquemas de
parametrización . Estas aproximaciones y simplificaciones son una fuente importante de errores en los pronósticos del tiempo.
Idealmente, debemos hacer que nuestros contenedores sean lo más pequeños posible. Y debemos incluir en la descripción todos los procesos a pequeña escala que podamos imaginar. Y haga que estos esquemas sean lo más precisos posible. Pero al final, tenemos que aceptar que un simulador de computadora nunca será perfecto. Siempre seguirá siendo solo un simulador.
Entonces, en lugar de tratar de hacer lo imposible y predecir exactamente cuál será el clima el próximo martes con una precisión del 100%, ¿no sería más útil simplemente aceptar nuestras limitaciones y proporcionar un pronóstico meteorológico probabilístico para la próxima semana?
En lugar de predecir la lluvia con una precisión del 100%, reconocemos la incertidumbre de nuestros pronósticos; quizás la probabilidad de lluvia sea, por ejemplo, de solo el 90%. Para hacer esto, necesitamos evaluar críticamente nuestro simulador y determinar de dónde provienen exactamente los errores en los pronósticos.
Esto es exactamente lo que hago en mi investigación. Trabajo con una nueva técnica, un esquema de parametrización
estocástico . Utiliza números aleatorios (esto es lo que significa "estocástico") para representar las incertidumbres introducidas por nuestro pronóstico debido a procesos a pequeña escala no reconocidos. En lugar de calcular las nubes más probables sobre Oxford, por ejemplo, estamos contando los efectos de muchas nubes diferentes posibles en un patrón climático a gran escala para ver cómo esto afecta el pronóstico. En otras palabras, ahora nuestros esquemas de parametrización son probabilísticos.
Y ahora, en lugar de hacer uno, el pronóstico más probable, se está haciendo un conjunto de pronósticos para la próxima semana. Comienza con varias condiciones iniciales, pero igualmente probables, que estimamos en base a mediciones atmosféricas. Cada pronóstico también utiliza diferentes números aleatorios para un esquema de parametrización estocástico, que denota varios efectos probables que ocurren en pequeñas escalas.
El uso de procesos estocásticos para representar la incertidumbre no es nada nuevo, están completos, por ejemplo, en el modelado financiero, pero su uso en el pronóstico del tiempo solo está ganando impulso, a pesar del hecho de que los meteorólogos fueron de los primeros en describir los sistemas caóticos.
Se descubrió una característica interesante: ciertos patrones de clima son muy fáciles de predecir. Los errores en la medición de las condiciones iniciales y en la simplificación del modelo no afectan mucho el futuro, y las previsiones de nuestro conjunto permanecen bastante cercanas entre sí.
Un buen ejemplo es el anticiclón de bloqueo, un sistema meteorológico de alta presión que se esconde sobre Escandinavia durante días e incluso semanas, atrae el aire frío del norte y refleja las tormentas al sur de Gran Bretaña. ¿Días de invierno extremadamente fríos pero soleados? Su trabajo
En otros casos, la incertidumbre conduce a fuertes discrepancias en los pronósticos para la próxima semana, lo que sugiere que la atmósfera se encuentra en un estado muy impredecible. ¡Y esta información es muy útil! Un ejemplo notable de esto es la infame
Gran Tormenta de 1987 . Michael Fish [un
conocido empleado de la oficina meteorológica inglesa, que habló durante muchos años con pronósticos meteorológicos para la BBC / aprox. perev. ] no tiene la culpa del hecho de que el pronóstico no se hizo realidad, solo esa tarde la atmósfera estaba en un estado muy impredecible.
La Gran Tormenta de 1987, predicha por los modernos sistemas de pronóstico probabilístico en 66 horas. Arriba a la izquierda están los resultados de las observaciones, un sistema de presión extremadamente baja con vientos muy fuertes; a la derecha está el pronóstico con la mayor probabilidad; lo que vería Michael Fish. Las cincuenta opciones restantes, las predicciones igualmente probables del sistema probabilístico moderno de pronósticos del tiempo, muestran una seria incertidumbre en los resultados.Con el tiempo, nuestras computadoras se vuelven más grandes y mejores (así como mejores observaciones), y nuestros pronósticos mejoran.
El cuadro a continuación muestra las capacidades del sistema que produce el pronóstico "más probable" realizado en el Centro Europeo de Pronósticos Meteorológicos de Medio Alcance (ECMWF) en Reading (trabajo con sus simulaciones por computadora; su supercomputadora es una de las más grandes del país). Uno puede ver cómo con el tiempo aumenta la precisión de los pronósticos. El pronóstico de siete días realizado hoy tiene exactamente la misma precisión que el pronóstico de cinco días de hace veinte años.
También podemos medir la calidad de nuestros pronósticos probabilísticos: este no es un intento difícil de evadir la responsabilidad ("Bueno, dijimos que el clima soleado solo es posible"). La confiabilidad de las distribuciones de probabilidad se puede medir estadísticamente, y en realidad estamos presenciando una rápida mejora en la calidad de los pronósticos de probabilidad en los últimos diez años: el pronóstico de 7 días es hoy tan bueno como lo era hace tres días y 20 años.
La calidad de los pronósticos meteorológicos probabilísticos en las últimas dos décadas. Verde: pronóstico para 7 días, rojo: 5 días, azul: 3 días.Pero, en última instancia, el problema de limitar la potencia informática no desaparece. Es bueno cuando la oficina meteorológica tiene una nueva supercomputadora, pero solo plantea la cuestión de cómo usar recursos adicionales.
Es imposible estar seguro de lo que nos deparará el futuro, incluido el clima la próxima semana. Pero admitiendo esto, y tratando de evaluar con precisión la incertidumbre de las predicciones, podemos dar pronósticos meteorológicos honestos al público, y las personas mismas decidirán cómo usar información adicional.