Javier Calvo Sánchez HARMONIE-AROME: Modelo atmosférico de alta resolución de AEMET
←
→
Transcripción del contenido de la página
Si su navegador no muestra la página correctamente, lea el contenido de la página a continuación
HARMONIE-AROME: Modelo atmosférico de alta resolución de AEMET Javier Calvo Sánchez Área de Modelización. Agencia Estatal de Meteorología Seminario Cátedra de Ciencia de Datos y Aprendizaje Automático, 2 marzo 2018
Predicción 28 febrero 2018 HARMONIE H+19 Meteosat IR10.8
Predicción 28 febrero 2018 HARMONIE H+15 Radar HARMONIE-AROME es oficialmente el modelo operativo de AEMET. Solo algunos usuarios usan todavía las salidas de HIRLAM que se espera mantener hasta abril de 2018
Puntos destacados del modelo • No-Hidrostático y ‘convection-permitting’. • Asimilación de datos que incluye muchos tipos de observaciones • Dinámica espectral muy eficiente adecuada para usos operativos • Escalas convectivas con menos predecibilidad que las escalas sinópticas que requieren aproximaciones de tipo ensemble o al menos una interpretación probabilística de las salidas del modelo 4
Índice • Introducción a los modelos numéricos • Descripción general del modelo HARMONIE-AROME • Características más destacadas • Verificación objetiva y algunos resultados • Conclusiones • Diferencias HARMONIE-AROME con ECMWF-IFS • Resolución efectiva de los modelos • Predecibilidad 5
Modelo AROME (origen) Laboratoire d’Aérologie CNRM-GAME Parametrizaciones. físicas Modelo AROME Seity et al., 2011 Dináminca No-Hidrostática Originalmente desarrollado por Météo-France adaptando la física del modelo de investigación Meso-NH al sistema ALADIN. Gran parte del código es compartido con los modelos ECMWF y ARPEGE. 6
HARMONIE-AROME En 2006 los consorcios HIRLAM y ALADIN establecen un acuerdo de colaboración para el desarrollo de modelos operativos con la idea de converger completamente en 2020 HARMONIE-AROME es una configuración dentro del sistema compartido ALADIN- HIRLAM (Bengtsson et al, 2017) Unos 26 servicios meteorológios 7
AROME-Harmonie: No-Hidrostático, Convection permitting • Para que la convección profunda ‘está resuelta’ por la dinámica del modelo es necesario utilizar resoluciones horizontales de unos pocos kilómetros Modelo Hidrostático Modelo No Hidrostático ECMWF T1279 ~9/16 km HARM 2.5 km Orografía que ‘ven’ los modelos del Centro Europeo (ECMWF) y HARMONIE-AROME 8
Modelos atmosféricos Modelos de Modelos climáticos Modelos de predicción composición atm. Modelos de Área Modelos globales Limitada (LAM) ECMWF-IFS HIRLAM Modelos ARPEGE ALADIN Hidrostáticos UKMO UM AROME UM Modelos ICON COSMO No Hidrostáticos WRF Hacia los modelos sin costuras (seamless models) que pueden operar a distintas resoluciones 9
Escala espacial y temporal de los fenómenos atmosféricos http://www.ecmwf.int Climáticos Globales LAM 10
AROME-Harmonie: Asimilación de datos • Estimación del estado atmosférico en un momento dado a partir de las observaciones distribuidas por el llamado sistema mundial de telecomunicaciones http://www.wmo.int Miles de observaciones pero necesitamos estimar el estado inicial, en el caso del dominio operativo, en 1152x864x65 = 64.7 x 106 elementos atmosféricos. 11
Asimilación de datos: Esquema 3DVar Problema de minimización de una función de costo Siendo Implementación operativa Para nowcasting se configuran versiones del modelo con cutoffs para las observaciones de 10 min y con análisis frecuentes 12
Asimilación de datos HARMONIE-AROME • Asimilación de datos más frecuente (cada 3 hr) • Se pueden utilizar más observaciones y con mayor precision temporal • Nuevas observaciones: • ATOVS y GNNS GPS ztd • (Además de observaciones de superfice, sondeos y aviones) • Se require un control la calidad de las observaciones y los análisis • En desarrollo: asimilación de datos radar y nuevos datos de satelite Uso de observaciones Satelite: GNSS GPS ztd Aviones ATOVs 13
Un LAM necesita condiciones de contorno: Integración ECMWF de 6 hr antes ECMWF 54h 54h 54h 54h CC 00 UTC 06 12 18 48h 48h 48h 48h 48h AROME 48h 48h 48h 00 UTC 03 06 09 12 15 18 21
Disponibilidad de las integraciones ECMWF 240h 240h 00 UTC 00 UTC 12 12 UTC Disponibilidad AROME 48h 48h 48h 48h 48h 48h 48h 48h 00 UTC 00 03 03 06 06 09 09 12 15 18 21 Disponibilidad • ECMWF: Ciclos cada 12hr H+240 • Disponibles HH ana+6 • Salidas cada 3 hr hasta H+144 • HARMONIE-AROME: Ciclos cada 3hr H+48 • Disponibles HH ana+2:40 • Salidas cada 15 min
Dinámica espectral No Hidostática • Dinámica IFS/ALADIN • Espectral • Nucleo No-Hidrostático de ALADIN (Bubnova, 1995 y Benard, 2010) • Two-time level semi-implicit semi-lagrangian discretisation basadas en el esquema SETTLS (Hortal, 2002) que permite pasos de tiempo largos (75 s para una resolución de 2.5 km) • Coordenada híbrida en la vertical • Variables del modelo: • temperature • snow • horizontal wind (u and v) • graupel • specific humidity • turbulent kinetic energy (TKE) • cloud water • 2 special NH-terms: pressure and • ice crystals vertical divergence • rain • and 2D prognostic surface pressure 16
Proyección Lambert Conformal • Se puede realizar una interpolación a una rejilla latitud-longitud 17
Parametrizaciones físicas • Los procesos que ocurren a escalas inferiores a la resolución del modelo tienen que parametrizarse: se simulan sus efectos promedio en las variables resueltas por el modelo HARMONIE-AROME: • Radiación • Superficie • Convección somera • Turbulencia • Microfísica (procesos de condensación y precipitación) 18
Parametrización de la radiación • Es la parametrización más costosa desde el punto de vista del cálculo: Se actualizan las tendencias radiativas cada 15 min • Radiación HARMONIE: Esquema ECMWF-IFS (2007) • SW → 6 spectral bands • LW → 16 spectral bands • Se parametrizan el radio efectivo de las partículas de hielo y agua • Valores climatológicos para los nucleos de condensación • Los mayores errores en la simulación de la radiacción provienen de los errores en la predicción de las nubes • La escala efectiva de la parametrización de las nubes puede ser 4 a 6 veces la resolución nominal del modelo. 19
Representación de nubes y procesos de precipitación Esquema ICE3 one moment bulk-scheme (Pinty, 98 y Lascaux,2006) Espectro de diametros • Q_liq, q_ice → generalized gamma law • Precip → exponential law (e.g. Marshall-Palmer) • Terminal velocity linked to particle diameter via power law • Hydrometeors advected by Semi-Lagrangian scheme Pinty et al, 2005 Las nuevas variables de predicción van a permitir nuevos postprocesos como • Estimación de descargas eléctricas • Simulación de imágenes rádar • Simulación de imágenes de satélite 20
Turbulencia y convección somera • Se utiliza un esquema de Energía Cinética Turbulenta (TKE) (Cuxart, 2000) y la convección ‘seca’ se trata de forma unificada con el esquema de flujo de masa (Lenderink, 2004 y De Rooy, 2017) 21
Convección profunda • No se parametriza de forma que estas nubes son representadas por la dinámica y la microfísica del modelo. • Gran diferencia respecto a los modelos sinópticos que parametrizan la convección profunda. • El ciclo diurno de la convección se representa mejor • Es capaz de producir intensidades de precipitación grandes 22
Procesos Superficiales: SURFEX (Masson, 2013) • La heterogeneidad superficial se modeliza dividiendo la rejilla del modelo en 4 teselas (sub-superficies) que evolucionan independientemente 1. Suelos ‘naturales’ – 12 tipos de vegetación 2. Suelos urbanos 3. Lagos. Modelo sencillo 1D 4. Mar Se incluye un modelo para la evolución del manato nivoso http://www.umr-cnrm.fr/surfex 23
Procesos Superficiales: Modelo urbano • Town Energy Budget (TEB) scheme (Masson, 2003): Modelo sencillo que considera los efectos de los edificios, carreteras y tejados. Fracción de suelo urbano • Depende bastante de las bases de datos fisiográficas que definen las características de cada tipo de suelo urbano. 24
Integración operativa gracias al ‘nuevo’ sistema de super-computación AEMET • La integración operativa de HARMONIE-AROME require unas 12 veces más de potencia de cálculo que el sistema HIRLAM • 8 pasadas al día • Alcance predicción: • H+48 con salidas 15 min para variables de superficie seleccionadas Resolución: 2.5 km (1152x864) 65 niveles Disponibilidad desde hora análisis: + 2:40 Peninsula Bullx computer + 2:10 Canarias 25
Resolución efectiva (procesos resueltos) • Las escala de los procesos que realmente resuelve un modelo puede ser 6 veces mayor que su resolución nominal • HARMONIE- AROME ~ 15 km ECMWF-HRES ~ 50 km Convección superponiendo una malla de 15 km de resolución que podría considrarse la resolución efectiva del modelo 26
Convergencia de brisas/convección Convección de pequeña escala pero con un claro forzamiento geográfico/orográfico Adelantada 1 hora en el modelo 27
Precipitación: Comparación datos radar Meteosat HRVIS HARM-AROME Patrones de precipitación bastante realistas aunque con errores espaciales y temporales que sugieren una interpretación probabilistica de las salidas del modelo
Predicción de las temperaturas de Junio 2017
Temperatura a 2 m: Disminución significativa de los errores Verificación objetiva comparando con los datos observados Julio 2016-Mayo 2017 (11 meses) Desviación Standard, T 2 m HARM-AROME, HIRLAM 0.05, ECMWF
Viento 10 m: Disminución de los errores Verificación objetiva comparando con los datos observados Julio 2016-Mayo 2017 (11 meses) Desviación Standard, V 10 m Estadístico dominado por los vientos más flojos que HARM-AROME, HIRLAM 0.05, ECMWF son los más frecuentes.
Viento a 10m: Eventos observación-predicción HARMONIE ECMWF Los puntos deberían de estar centrados alrededor de la diagonal Cuanto menor sea la dispersión mejor Clara mejora de las predicciones de vientos fuertes 32
Convección: Estimación de descargas eléctricas Ensemble de hombre pobre • Based on vertical integrated graupel following KNMI approach adapted to AEMET lightning network. Performance depends very much on the representation of convection it is a good estimator of lightning activity • A tool has been develop to generate warnings for aviation (consensus approach) Predicción determinista Consenso utilizando varios ciclos J. Sosa (jsosac@aemet.es) 33
Estimación de descargas eléctricas: Comparación con las observaciones Simulated lightning density in 24 hr compared to actual clou-earth discharges (blue crosses) J. Sosa (jsosac@aemet.es) 34
Precipitación: Verificación frente a observaciones Este tipo de verificación puntual penaliza a los modelos de mayor resolución y es conveniente utilizar verificación espacial + → Mejora → Muy buenos resultados para - HARMONIE-AROME HARM-AROME, HIRLAM 0.05, ECMWF
Predicción de nubes bajas/nieblas HARMONIE H+12 • Mejora significativa respecto de HIRLAM y ECMWF aunque todavía con errores grandes en la simulación de la evolución de las nieblas. 36
Verificación de GHI y DHI para ECMWF para la estación de Badajoz Casado-Rubio et al, 2017 (jcasador@aemet.es) PreFlex Project Mar 2015-Feb 2017 (2 años) Badajoz (38.88 ºN, 7.01 ºW). Acumulaciones 3hr: • Global Horizontal Irradiance (GHI) • Direct Horizontal Irradiance (DHI) • HARMONIE-AROME presenta algo más de dispersion • Se comparan para la misma hora del análisis aunque la pasadas del ECMWF estaría disponible unas 4/10 horas más tarde.
Verificación de GHI y DHI para ECMWF para la estación de Badajoz Casado-Rubio et al, 2017 (jcasador@aemet.es) PreFlex Project Relative RMSE 3-hourly: 20% for GHI and 40-45% for DHI Daily accumulated values: 15% for GHI and 30% for DHI.
Verification of ECMWF Direct Normal Irradiance over Spain (REE Project) RMSE RMSE/RMSEgrid ECMFW Δx~ 16km • Mejor promediar 3-10 grid cells • Depende mucho del lugar Casado-Rubio et al., 2017: A Postprocessing Methodology for Direct Normal Irradiance Forecasting Using Cloud Information and Aerosol Load Forecasts. J. Appl. Meteor. Climatol
En desarrollo Sistema de predicción por conjuntos de escala convectiva: Se espera que este operativo durante este año Prediciones a muy alta resolución (1 km) En desarrollo pero ya operativo para algunos dominios pequeños para predicción de viento (Proyecto SAMOA) Proyecto SAMOA isantosa@aemet.es40
Resumen HARMONIE-AROME: Nuevo modelo operativo de 2.5 km de resolución horizontal que se integra 8 veces al día hasta H+48 Pertenece a una nueva generación de modelos: No Hidrostáticos Resuelven explícitamente la convección profunda La asimilación es un componente muy importante del sistema Modelos muy complejos cuyo desarrollo sólo es posible gracias a la colaboración internacional Colaboración ente los consorcios ALADIN y HIRLAM. Forma parte del llamado “Sistema Compartido ALADIN-HIRLAM ” 41
Conclusiones Supone una mejora significativa en las predicciones locales Precipitación y especialmente lluvias fuertes Viento Temperaturas Nubes bajas/Nieblas Escalas convectivas son menos predecibles que escalas sinópticas y es conveniente utilizar ensembles o al menos interpretación probabilísticas La resolución efectiva de los modelos numéricos puede ser 6 veces mayor que su resolución nominal Para variables relacionadas con las nubes y especialmente con los fenómenos convectivos, la predecibilidad se encuentra en escalas muy por encima del espaciado de grid y es conveniente utilizar promedios en un área mayor en vez de valores puntuales Dependen de la situación geográfica y el régimen atmosférico 42
Referencias Sobre la configuración HARMONIE-AROME: • Bengtsson, L. et al 2017: The HARMONIE-AROME model configuration in the ALADIN-HIRLAM NWP system. Mon. Wea. Rev. https://doi.org/10.1175/MWR-D-16-0417.1 • Sobre su asimilación de datos: • Gustafsson et al, 2017: Survey of data assimilation methods for convective- scale numerical weather prediction at operational centres. Q.J.R. Meteorol. Soc.. doi:10.1002/qj.3179 Código compartido ALADIN-HIRLAM La configuración HARMONIE-AROME forma parte del código compartido ALADIN-HIRLAM fruto de la colaboración de los consorcios ALADIN y HIRLAM, y Météo-France. El Consorcio HIRLAM está constituido por los Servicios Meteorológicos de Dinamarca, Estonia, Finlandia, Islandia, Irlanda, Lituania, Holanda, Noruega, España y Suecia, con Francia como miembro asociado. El consorcio ALADIN está formado por Argelia, Austria, Bélgica, Bulgaria, Croacia, Republica Checa, Francia, Hungría, Marruecos, Polonia, Portugal, Rumanía, Eslovaquia, Eslovenia, Túnez y Turquía.
También puede leer