{"id":41021,"date":"2024-07-16T11:09:53","date_gmt":"2024-07-16T11:09:53","guid":{"rendered":"https:\/\/www.meteo.cat\/wpweb\/?page_id=41021"},"modified":"2024-07-16T11:09:53","modified_gmt":"2024-07-16T11:09:53","slug":"prediccio-per-conjunts","status":"publish","type":"page","link":"https:\/\/www.meteo.cat\/wpweb\/divulgacio\/la-prediccio-meteorologica\/prediccio-per-conjunts\/","title":{"rendered":"Predicci\u00f3 per conjunts"},"content":{"rendered":"\n

Models num\u00e8rics de predicci\u00f3 del temps<\/h2>\n\n\n\n

La base de la predicci\u00f3 del temps s\u00f3n els models num\u00e8rics<\/a>. Aquests models es basen en les formulacions f\u00edsiques que regeixen el comportament de l\u2019atmosfera i constitueixen un sistema d\u2019equacions que, a partir de con\u00e8ixer l\u2019estat actual de l\u2019atmosfera (les \u201ccondicions inicials\u201d) calculen el temps que far\u00e0 en un futur. Aquestes equacions nom\u00e9s es poden resoldre en punts discrets de l\u2019atmosfera, de manera que hi ha processos que s\u2019han d\u2019estimar a partir de parametritzacions: \u00e9s a dir, un conjunt de f\u00f3rmules matem\u00e0tiques que intenten representar de manera aproximada fen\u00f2mens d\u2019escala m\u00e9s petita (formaci\u00f3 de gotes dins els n\u00favols, fluxos radiatius, turbul\u00e8ncia, convecci\u00f3, etc.).<\/p>\n\n\n\n

<\/div>\n\n\n\n

Incertesa de la predicci\u00f3 meteorol\u00f2gica<\/h2>\n\n\n\n

El c\u00e0lcul del temps futur \u00e9s molt sensible a la situaci\u00f3 inicial. Petits canvis en l\u2019estat actual de l\u2019atmosfera poden comportar, a la llarga, pron\u00f2stics completament diferents. Aix\u00f2 \u00e9s el que es coneix com a caos determinista<\/a>. Caos, perqu\u00e8 sembla que l\u2019atmosfera sigui un sistema desordenat, sense sentit, per\u00f2 determinista perqu\u00e8 en realitat, si es conegu\u00e9s perfectament la situaci\u00f3 inicial, es podria saber la seva evoluci\u00f3. Edward Lorenz<\/a> va ser un dels pioners d\u2019aquestes teories i el 1963 va descriure l\u2019atmosfera com a sistema ca\u00f2tic.<\/p>\n\n\n\n

Per tal de con\u00e8ixer l’estat actual de l’atmosfera es fan an\u00e0lisis acurades de la situaci\u00f3 meteorol\u00f2gica inicial i s’incorporen diferents observacions als models (radiosondatges, estacions de superf\u00edcie, sat\u00e8l\u00b7lit, radar, etc.). Tot i aix\u00f2, no existeixen dades a tots els punts del planeta i, a m\u00e9s, les existents poden tenir errors. Per tant, tot i que cada vegada l’estat inicial \u00e9s m\u00e9s acurat, continua sent una simplificaci\u00f3 de la realitat.
Aix\u00ed doncs, tot i que en els primers dies de pron\u00f2stic els models puguin resoldre for\u00e7a b\u00e9 el temps que far\u00e0, a partir del quart o cinqu\u00e8 dia, els errors en les condicions inicials i les imperfeccions en les parametritzacions dels processos f\u00edsics es fan m\u00e9s evidents. De fet, s\u00f3n les dues fonts principals d’incertesa dels models num\u00e8rics de predicci\u00f3 del temps.<\/p>\n\n\n\n

\"Exemple<\/a>
Exemple de com evoluciona una variable amb el pas del temps en un sistema de predicci\u00f3 per conjunts. A l’esquerra es representen les condicions inicials de cada membre, lleugerament diferents perqu\u00e8 se’ls ha aplicat pertorbacions. Despr\u00e9s, a partir de cada estat inicial, el model fa avan\u00e7ar la simulaci\u00f3 amb pertorbacions diferents de la f\u00edsica per tenir en compte la incertesa a conseq\u00fc\u00e8ncia de les simplificacions del model. El resultat final es mostra a l’esquerra: un conjunt de valors que representa la incertesa del pron\u00f2stic. Per tal que el sistema de pron\u00f2stic sigui \u00fatil, el conjunt d’escenaris previstos ha de ser menor que el conjunt d’escenaris possibles segons la climatologia.<\/figcaption><\/figure><\/div>\n\n\n\n
<\/div>\n\n\n\n

Construcci\u00f3 de la predicci\u00f3 per conjunts<\/h2>\n\n\n\n

Els sistemes de predicci\u00f3 per conjunts estan dissenyats per intentar salvar aquestes dues limitacions i poder predir l\u2019estat de l\u2019atmosfera de manera fiable m\u00e9s enll\u00e0 de cinc dies. En comptes d\u2019obtenir la informaci\u00f3 a partir d\u2019una sola simulaci\u00f3 d\u2019un model, busquen obtenir diferents escenaris de futur possibles, tenint en compte, d\u2019una banda, el comportament tan sensible del model a les seves condicions inicials i, de l\u2019altra, les imperfeccions del mateix model. D\u2019aquesta manera es pot fer una predicci\u00f3 probabil\u00edstica del temps futur que contempli els diferents escenaris en els quals es podria trobar l\u2019atmosfera, en comptes d\u2019obtenir un sol escenari, que podria no ser el correcte.<\/p>\n\n\n\n

En la predicci\u00f3 per conjunts a mitj\u00e0 i llarg termini (entre 3 i 15 dies de pron\u00f2stic), la incertesa de les condicions inicials es t\u00e9 en compte provocant petits canvis (anomenats pertorbacions) en l\u2019an\u00e0lisi de la situaci\u00f3 meteorol\u00f2gica present. A m\u00e9s, per tenir en compte les imperfeccions del model, tamb\u00e9 s\u2019afegeixen pertorbacions en les formulacions dels processos f\u00edsics. D’aquesta manera s\u2019obtenen un conjunt de simulacions, cada una d\u2019elles anomenada \u201cmembre\u201d, que descriuen possibles situacions meteorol\u00f2giques futures.<\/p>\n\n\n\n

<\/div>\n\n\n\n

Hi ha un membre que sigui millor?<\/strong><\/h2>\n\n\n\n

En un sistema de predicci\u00f3 per conjunts perfecte tots els membres son igual de bons i tenen el mateix nivell d\u2019encert. Aix\u00f2 \u00e9s perqu\u00e8 les pertorbacions que se’ls hi aplica s\u00f3n aleat\u00f2ries i dissenyades per no afavorir-ne cap. Tot i aix\u00f2, en els primers dies del pron\u00f2stic (fins al quart, depenent de la situaci\u00f3), hi ha un membre que destaca entre els altres: l’anomenat membre de control. \u00c9s el pron\u00f2stic sense pertorbar, sense afegir cap modificaci\u00f3, ni al model ni a les condicions inicials. De tota manera, a partir del cinqu\u00e8 dia se’l pot tractar com un membre m\u00e9s: \u00e9s a dir, la seva capacitat de predicci\u00f3 \u00e9s comparable a la de la resta de membres.<\/p>\n\n\n\n

Quan tots els membres donen un resultat similar podem afirmar que \u00e9s molt probable que es compleixi aquell pron\u00f2stic i, per tant, hi ha molt poca incertesa. Per altra banda, es poden donar casos en qu\u00e8 els membres vegin pron\u00f2stics molt diferents. En aquestes situacions la incertesa \u00e9s m\u00e9s elevada i, per tant, \u00e9s m\u00e9s complicat tenir un pron\u00f2stic prec\u00eds. D’aquesta manera es pot fer un tractament probabil\u00edstic de les situacions possibles, i en comptes d’afirmar que “la temperatura ser\u00e0 de m\u00e9s de 30 \u00b0C”, es pot dir que “hi ha un 70% de probabilitat de qu\u00e8 la temperatura superi els 30 \u00b0C”. \u00c9s per aix\u00f2 que a la predicci\u00f3 per conjunts tamb\u00e9 se la coneix com a predicci\u00f3 probabil\u00edstica i t\u00e9, com a valor afegit, informaci\u00f3 sobre el grau d\u2019incertesa.<\/p>\n\n\n\n

<\/div>\n\n\n\n

Exemples de sistemes de predicci\u00f3 per conjunts<\/strong><\/h2>\n\n\n\n

El sistema de predicci\u00f3 per conjunts de l’ECMWF (European Center for Medium-Range Weather Forecast, Centre Europeu de Predicci\u00f3 a Mitj\u00e0 Termini), per exemple, t\u00e9 51 membres: el de control, sense pertorbar, i 50 de pertorbats. En canvi, el del model nord-americ\u00e0, el GEFS (Global Ensemble Forecast System, Sistema Global de Predicci\u00f3 per Conjunts) en t\u00e9 31: un de control i 30 pertorbats.<\/p>\n\n\n\n

Una forma de representar aquestes prediccions \u00e9s a partir dels meteogrames, com els que es mostren a l’apartat de Predicci\u00f3 Municipal<\/a>. En aquestes figures s’hi mostra l’evoluci\u00f3 d’una variable meteorol\u00f2gica en un punt determinat, normalment la precipitaci\u00f3 a superf\u00edcie i la temperatura a 850 hPa, uns 1.500 m d’altitud. Es representa el membre de control com una l\u00ednia i la distribuci\u00f3 dels membres pertorbats es mostra com una \u00e0rea ombrejada. Si l’\u00e0rea ombrejada \u00e9s m\u00e9s \u00e0mplia, vol dir que els diferents membres estan donant resultats diferents i, per tant, el pron\u00f2stic \u00e9s m\u00e9s incert. Per contra, si l’\u00e0rea \u00e9s m\u00e9s estreta, hi ha menys incertesa. Aix\u00ed doncs, \u00e9s una manera r\u00e0pida de veure el pron\u00f2stic i la seva incertesa associada.<\/p>\n\n\n\n

\"Exemple<\/a>
Meteograma on es mostra la temperatura a 850 hPa (uns 1500 m d\u2019altitud) i la precipitaci\u00f3 a superf\u00edcie que donava el sistema de predicci\u00f3 per conjunts de l\u2019ECMWF l\u201911 de juny de 2024 pel municipi de T\u00edrvia.<\/figcaption><\/figure><\/div>\n\n\n\n
<\/div>\n\n\n\n

M\u00e9s informaci\u00f3:<\/strong><\/h2>\n\n\n\n