Análise do desempenho de um sistema integrado de
previsões climáticas sazonais para a América do Sul
Caio A. S. Coelho
Centro de Previsão de Tempo e Estudos Climáticos (CPTEC)
Instituto Nacional de Pesquisas Espaciais (INPE)
[email protected]
Estrutura da apresentação
1. Introdução
2. Sistema integrado
3. Desempenho desse sistema para DJF
4. Resumo e conclusões
XIV CBMET, Florianópolis, 27 Nov – 1 Dez 2006
1. O que são previsões climáticas sazonais:
Previsões das condições climáticas para os próximos (3-6) meses
DJF
•
•
•
•
•
•
•
•
•
• • •
Nov Dez Jan Fev Mar Abr Mai
0
1
2
3
4
5
6
Principais setores usuários:
Agrícola
Hidro-elétrico
Como são produzidas:
Modelos empíricos/estatísticos
Modelos dinâmicos atmosféricos
Modelos dinâmicos acoplados (oceano+atmosfera)
Previsão por conjunto de modelos
Errors:
Formulação
Solução:
Vários-modelos
Condições iniciais
Conjunto
DEMETER
Development of a European Multi-Model Ensemble System for
Seasonal to Interannual Prediction
http://www.ecmwf.int/research/demeter
2. Sistema integrado (conjunto de modelos)
Modelos acoplados
ECMWF
País
International
Meteo-France
França
UKMO
Reino Unido
Conjunto de 9 membros
Período de “hindcasts”: 1959-2001
Modelo empírico
Preditores: TSM Atlântico e Pacífico
Preditando: Precipitação
INT
Esquema conceitual para calibração e
combinação de previsões
Espaço do modelo
Espaço observacional
Assimilação de dados “Assimilação de previsões”
p( y i | x i ) p( x i )
p( x i | y i ) 
p( y i )
p( x f | y f ) p ( y f )
p( y f | x f ) 
p( x f )
3. Mapas de correlação de anomalias de precip.
Defasagem de 1 mês: Nov DJF
EMP
CON
INT
Comparável nível determinísticos de desempenho
Melhor qualidade nos trópicos e sudeste da América do Sul
Anomaly Correlation Coefficient (ACC) médio
CON
 Baixo nível de skill (ACC<0.31)
 Melhor (maior) skill em anos de ENOS do que em anos neutros
 Calibração e combinação melhora o skill
Brier Skill Score para precipitação
EMP
pt  Pr(Yt  0)
ENS
CON
INT
BS
BSS  1 
BSc lim
Assimilação de previsões melhorou o Brier Skill Score (BSS) nos trópicos
Porque melhorou?
Qualidade das previsões depende:
• Quão bem calibradas são as previsões
(confiabilidade)
• Habilidade em detectar diferentes situações
(resolução)
Decomposição do Brier Score
1 n
BS   (p k  o k ) 2
n k 1
0  BS  1
l
1 l
1
2
2
BS   Ni (pi  oi )   Ni ( oi  o )  o (1  o )
n i 1
n i 1
confiabilidade
1
oi  p(o1 | pi ) 
Ni
o
kNi
resolução
k
incerteza
1 n
o   ok
n k 1
Componente de confiabilidade do BSS
EMP
CON
BSS conf
INT
BSconf

BSc lim
Assimilação de previsões melhorou a confiabilidade em várias regiões
Componente de resolução do BSS
EMP
CON
BSS resol
INT
BSresol

BSc lim
Assimilação de previsões melhorou a resolução nos trópicos
4. Resumo e conclusões:
•
•
A análise do desempenho de um sistema integrado de
previsões climáticas para a América do Sul baseado no
conceito de assimilação de previsões mostrou:
 previsões empíricas e integradas apresentam nível
determinístico comparável de desempenho
 melhoria da confiabilidade e resolução nos trópicos
 melhoria da confiabilidade em várias regiões
 melhor desempenho em anos de ENSO do que em anos
neutros
 regiões mais previsíveis: tropical e sudeste Amér. Sul
Este sistema integrado de previsões climáticas para a América
do Sul será implementado no CPTEC como parte do projeto
EUROBRISA
O projeto EUROBRISA
Idéia chave:
Melhorar a qualidade das previsões climáticas sazonais
para a America do Sul: uma região com potencial
previsibilidade climática e grande demanda
http://www.cptec.inpe.br/~caio/EUROBRISA/index.html
Objetivos
• Fortalecer a colaboração e troca de
conhecimentos, experiências e informações
entre previsores de clima Europeus e Sul
Americanos na escala de tempo sazonal
•Produzir previsões sazonais probabilísticas
calibradas e combinadas em tempo real
para a América do Sul
•Desenvolver produtos de previsão para
atividades governamentais aplicadas sem
fins lucrativos (ex. manejamento de
reservatórios, produção de energia elétrica,
agricultura, etc...)
Institutições envol.
País
Parceiros
CPTEC
Brasil
Coelho, Cavalcanti, Costa
Silva Dias, Pezzi
ECMWF
EU
Anderson, Balmaseda,
Doblas-Reyes, Stockdale
INMET
Brasil
Moura, Silveira, Lucio
Met Office
Reino Unido
Graham, Davey, Colman
Météo France
Franca
Déqué
UFPR
Brasil
Guetter
Uni. de Reading
Reino Unido
Stephenson, Challinor
Uni. de Sao Paulo
Brasil
Ambrizzi, Silva Dias
CIIFEN
Equador
Camacho
IRI
EUA
Baethgen
UFRGS
Brasil
Bergamaschi
Institutições afiliadas
a) Caso univariado
Yt ~ N(0 t ,  )
Prévia:
Likelihood: Xt | Yt ~ N(  Yt , Vt )
2
0t
s 2X
Vt 
m
m
 '
m
Posterior: Yt | Xt ~ N(t , t 2 )
Teorema de Bayes
p( X t | Yt )p(Yt )
p(Yt | X t ) 
p( X t )
1
1
2


2
2
Vt
t
0 t
t
0t
2


2
2
Vt
t
0 t
 Xt   


  
Modelando a “likelihood” p(X|Y)
y
b) Caso Multivariado
Prévia:
X:np
Posterior:
Y : nq
Yb : 1 q
C: qq
S: pp
Ya : n  q
D:qq
viés
Y ~ N(Yb , C)
Likelihood: X | Y ~ N(G[Y  Yo ],S)
1
G  SXYSYY
 GYo  X  GY Matrizes
T
S  SXX  GSYY G
Y | X ~ N(Ya , D)
Ya  Yb  L[X  G (Yb  Yo )]
D  (G TS1G  C 1 ) 1  (I  LG)C
L  CG T (GCG T  S) 1
Exemplo 3: Anomalias de precip. América do Sul
Obs
CON
INT
DEMETER: 3 modelos acoplados
CON
(ECMWF, CNRM, UKMO)
Defasagem (1 mês)
Início: Nov
r=0.51
r=0.97
r=0.28
r=0.82
DJF
Composições (ENSO): 1959-2001
• 16 anos de El Niño
• 13 anos de La Niña
(mm/dia)
Anomalias de precip. DJF 1975/76 e 1982/83
Obs
CON
INT
r=-0.09
r=0.59
r=0.32
r=0.56
(mm/dia)
Anomalias de precip. DJF 1991/92 e 1998/99
Obs
CON
INT
r=0.04
r=0.32
r=0.08
r=0.38
(mm/dia)
Mais informações …
•Coelho C.A.S., 2005: “Forecast Calibration and Combination: Bayesian Assimilation
of Seasonal Climate Predictions”. PhD Thesis. University of Reading, 178 pp.
• Coelho C.A.S., D. B. Stephenson, F. J. Doblas-Reyes and M. Balmaseda, 2005a:
“From Multi-model Ensemble Predictions to Well-calibrated Probability Forecasts:
Seasonal Rainfall Forecasts over South America 1959-2001”.
CLIVAR Exchanges No 32, Vol. 10, No 1, 14-20.
• Coelho C.A.S., D. B. Stephenson, M. Balmaseda, F. J. Doblas-Reyes and G. J. van
Oldenborgh, 2005b: “Towards an integrated seasonal forecasting system for South
America”. Submitted to J. Climate.
•Stephenson, D. B., C.A.S. Coelho, F. J. Doblas-Reyes, and M. Balmaseda, 2005:
“Forecast Assimilation: A Unified Framework for the Combination of
Multi-Model Weather and Climate Predictions.” Tellus A, Vol. 57, 253-264.
• Coelho C.A.S., S. Pezzulli, M. Balmaseda, F. J. Doblas-Reyes and D. B.
Stephenson, 2004: “Forecast Calibration and Combination: A Simple Bayesian
Approach for ENSO”. Journal of Climate. Vol. 17, No. 7, 1504-1516.
• Coelho C.A.S., S. Pezzulli, M. Balmaseda, F. J. Doblas-Reyes and D. B.
Stephenson, 2003: “Skill of Coupled Model Seasonal Forecasts: A Bayesian
Assessment of ECMWF ENSO Forecasts”. ECMWF Technical Memorandum No. 426,
16pp.
Disponível em http://www.met.rdg.ac.uk/~swr01cac
(oi)
Reliability diagram (Multi-model)
o
(pi)
(oi)
Reliability diagram (FA 58-01)
o
(pi)
Operational Seasonal forecasts for S. America
• Coupled models
Europe: http://www.ecmwf.int
U.K: http://www.metoffice.com
• Atmospheric models forced by persisted/forecast SSTs
U.S.A: http://iri.columbia.edu
Brazil: http://www.cptec.inpe.br