Física Del Caos en La Predicción Meteorológica

Física del caos en la predicción
meteorológica
La predicción del tiempo y del clima despiertan un interés creciente en la sociedad,
especialmente los fenómenos adversos y el calentamiento global. ¿Hasta cuántos
días son fiables las predicciones del tiempo? ¿En qué se basa la predicción por
localidades? ¿Pueden hacerse predicciones con seis meses de antelación? ¿Có-
mo puede predecirse el cambio climático? ¿Se harán predicciones cada vez más
exactas? ¿Qué es el efecto mariposa? Intentando dar respuesta a estas preguntas,
este libro aproxima al lector al mundo de la meteorología y, en particular, de la
predicción del tiempo, que se apoya enormemente en los modelos atmosféricos,
en los que se ha introducido en las últimas décadas la física del caos para con-
seguir resultados más realistas. Manteniendo una visión general divulgativa se
ofrece una visión ecléctica de la meteorología y la predicción, intentando abordar
equilibradamente diferentes aspectos, empezando por una breve historia de la
predicción y de la física del caos. Manteniendo también rigor científico y técnico,
se introducen e ilustran tanto el problema de la predecibilidad, concepto clave,
como los fundamentos de los sistemas de predicción por conjuntos. Entre sus
numerosas aplicaciones mostramos algunas, como la predicción aeronáutica, del
oleaje o de rayos, los medicanes, la meteorología en el Mediterráneo y, con es-
pecial énfasis, las predicciones mensual y estacional, así como las proyecciones
climáticas, tocando de lleno el problema del calentamiento global y el cambio cli-
mático. La aplicación de la predicción basada en probabilidades se ejemplifica con
una serie de casos de estudio, tanto de fenómenos meteorológicos adversos como
predicciones cotidianas. A los aspectos sociales, de capital importancia, se dedica
una parte específica que incluye, entre otros, la percepción de la meteorología y la
probabilidad, así como el reto de la comunicación de la predicción probabilista en
los medios.
Física del caos en la predicción meteorológica
Edición digital
Ed. Carlos Santos Burguete
Agencia Estatal de Meteorología
2018
Ilustraciones de portada y contraportada: Gonzalo Mayoral.
Aviso legal: los contenidos de esta publicación podrán ser reutilizados, citando la fuente y la fecha, en
su caso, de la última actualización.
Edita:
© Ministerio para la Transición Ecológica
Agencia Estatal de Meteorología
Madrid, 2018
Publicación incluida en el programa editorial del suprimido Ministerio de Agricultura y Pesca, Alimentación y
Medio Ambiente y editada por el Ministerio para la Transición Ecológica (de acuerdo con la reestructuración
ministerial establecida por Real Decreto 355/2018, de 6 de junio).
Catálogo de publicaciones de la Administración General del Estado:

http://publicacionesoficiales.boe.es
NIPO: 014-18-009-X
DOI: 10.31978/014-18-009-X
URL: http://www.aemet.es/es/conocermas/recursos_en_linea/publicaciones_y_estudios/publicaciones/detalles/Fisica_del_caos_en_la_predicc_meteo
Edición digital
Versión: 2019-06-21
Agencia Estatal de Meteorología (AEMET)

C/ Leonardo Prieto Castro , 8
28040 Madrid
http://www.aemet.es
@Aemet_Esp
https:/www.facebook.com/AgenciaEstatalMeteorologia
En memoria de Óscar García Colombo, «Cuco»
En memoria de Rafael Ancell Trueba
En memoria de Antonio Mestre Barceló

Contenido
::chapaginaini::0::XI::
Portada ................................................................ I
Contenido . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . XXX
Agradecimientos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . XXXI
Prefacio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . XXXV
Prólogo de Eugenia Kalnay . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . XXXIX

Prólogo de Ángel Rivera . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . XLIII
Lista de autores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . XLVII
I Introducción ....................................................... 1
1 Introducción ............................................................ 3
C. Santos
1.1 La predicción mensual . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

1.2 Meteorología y predicción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3 Modelos atmosféricos y sus limitaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.4 Limitaciones de los modelos y nuevo paradigma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.5 Predicción probabilista . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.6 Estructura del libro . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2 Introducción histórica a la física del caos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

C. Santos y D. Fuertes
Imagen parte superior: recreación artística con sistemas de predicción por conjuntos en el espacio
xii Física del caos en la predicción meteorológica Contenido
2.1 Paradigmas científicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

2.2 El determinismo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.3 Cambios de paradigma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.4 Física del caos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.5 Personalidades en caos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3 Perspectiva histórica de la predicción meteorológica antes del siglo XX . . . . . 21

R. García Herrera
3.1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.2 Meteorología, astronomía y climatología . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.3 El desarrollo de la observación y las comunicaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.4 De las primeras predicciones al planteamiento científico . . . . . . . . . . . . . . . . . . . . . . . . . . 26
4 La predicción operativa y el papel del predictor . . . . . . . . . . . . . . . . . . . . . . . . . . . 29

J. C. Bullón y S. Viana
4.1 Introducción a la predicción operativa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30

4.2 El trabajo del predictor en función del rango de predicción . . . . . . . . . . . . . . . . . . . . . . . . 31
4.2.1 Nowcasting . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
4.2.2 Predicción a corto plazo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
4.2.3 Predicción a medio y largo plazo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
4.3 Estructuras meteorológicas a escala sinóptica y mesoescalar . . . . . . . . . . . . . . . . . . . . . . 35
4.3.1 Escala sinóptica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
4.3.2 Mesoescala . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
4.3.3 Fenómenos locales o de microescala . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
4.4 El papel del predictor y su evolución: La predicción 2.0 . . . . . . . . . . . . . . . . . . . . . . . . . . 43
4.4.1 El predictor y la resistencia al cambio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
4.4.2 La incertidumbre «se queda en casa» . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
4.4.3 El predictor «saturado» . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
4.4.4 Meteorología operativa vs. meteorología de desarrollo . . . . . . . . . . . . . . . . . . . . . . . 45
4.4.5 Redes sociales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
4.4.6 El futuro valor añadido del predictor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
II Fundamentos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
5 Física del caos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49

C. Santos, J. Simarro y D. Fuertes
5.1 Sistemas dinámicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50

5.1.1 Sistemas dinámicos discretos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
5.1.2 Sistemas dinámicos continuos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
5.1.3 El péndulo simple . ...................... . . . . . . . . . . . . . . . . . . . . . . . . . 52
5.1.4 Diagrama de fases ...................... . . . . . . . . . . . . . . . . . . . . . . . . . 53
5.1.5 Sistemas dinámicos lineales, no lineales y caóticos . . . . . . . . . . . . . . . . . . . . . . . . . 54
5.1.6 Linealización . . . . ...................... . . . . . . . . . . . . . . . . . . . . . . . . . 55
5.2 Sensibilidad a las condiciones iniciales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
5.2.1 El péndulo doble . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
5.2.2 Problema de los tres cuerpos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
5.2.3 El sistema de Lorenz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
5.3 Sensibilidad a parámetros del modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
5.3.1 Otra vez el sistema de Lorenz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
5.4 El caos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
5.5 El efecto mariposa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
5.6 Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
5.7 Anexo: conceptos asociados a sistemas dinámicos no lineales . . . . . . . . . . . . . . . . . . . . . . 65
xiii
6 Ciencias de la atmósfera . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
M. Gómez y A. Subías
6.1 Radiación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
6.1.1 Leyes y conceptos fundamentales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
6.1.2 La radiación solar y su espectro electromagnético . . . . . . . . . . . . . . . . . . . . . . . . . . 69
6.1.3 Calentamiento desigual . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
6.1.4 Interacción radiación-materia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
6.1.5 Balance de energía . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
6.2 Termodinámica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
6.2.1 Composición de la atmósfera . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
6.2.2 Leyes y conceptos fundamentales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
6.2.3 Procesos adiabáticos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
6.2.4 Aire húmedo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
6.2.5 Estabilidad vertical de la atmósfera . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
6.3 Dinámica Atmosférica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
6.3.1 Ecuaciones de la dinámica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
6.3.2 Aproximaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
6.3.3 Ondas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
6.3.4 Circulación General de la Atmósfera . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
6.3.5 Frentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
7 Satélites meteorológicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
C. Marcos
7.1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
7.2 Órbitas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
7.3 Historia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
7.4 Uso operativo de las imágenes de satélite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
7.4.1 Bandas en el visible . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
7.4.2 Bandas ventana en el IR cercano y en el IR térmico . . . . . . . . . . . . . . . . . . . . . . . . 90
7.4.3 Bandas de absorción en el IR térmico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
7.5 Productos derivados utilizados en predicción operativa . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
7.5.1 Composiciones RGB . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
7.5.2 Productos del NWCSAF . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
7.6 Misiones futuras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
7.7 Enlaces de interés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
8 Radar meteorológico y red de rayos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103

J. M. Gutiérrez, anexo: I. Guerrero y D. Momblona
8.1 Radares meteorológicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104

8.2 El problema de la estimación de precipitación a partir del radar . . . . . . . . . . . . . . . . . . . 104
8.3 Limitaciones y fuentes de error en la medida radar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
8.4 El radar DOPPLER . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
8.5 Exploración volumétrica radar y volumen polar de datos . . . . . . . . . . . . . . . . . . . . . . . . 105
8.6 Características generales de los productos radar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
8.7 Tipos principales de productos radar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
8.7.1 PPI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
8.7.2 CAPPI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
8.7.3 ECHOTOP . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
8.7.4 ZMAX - Proyección de máximos de reflectividad sobre la horizontal . . . . . . . . . . . . 109
8.7.5 VIL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
8.7.6 SRI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
8.7.7 Precipitación acumulada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
8.7.8 VVP . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
8.8 Secciones verticales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
8.9 Mosaicos de productos radar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
8.10 Anexo: red de rayos de AEMET . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
xiv Física del caos en la predicción meteorológica Contenido
9 Climatología y observaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117

A. Chazarra, C. Rodríguez y C. M. Flores
9.1 Climatología y clima . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
9.2 Caracterización del clima a partir de datos climatológicos . . . . . . . . . . . . . . . . . . . . . . . 119
9.3 Normales climatológicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
9.4 La importancia de las observaciones climatológicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
9.5 El Banco Nacional de Datos Climatológicos de AEMET . . . . . . . . . . . . . . . . . . . . . . . . . 122
9.6 Almacenamiento de datos y control de calidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
10 Modelos atmosféricos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129

F. J. Calvo
10.1 Modelos atmosféricos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
10.1.1 Escalas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
10.1.2 Anidamiento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
10.1.3 Downscaling dinámico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
10.2 Componentes de un modelo atmosférico de predicción . . . . . . . . . . . . . . . . . . . . . . . . . 132
10.3 Asimilación de datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
10.4 Dinámica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
10.5 Parametrizaciones físicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
10.5.1 Radiación . . . . . . . . ... . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
10.5.2 Procesos orográficos ... . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
10.5.3 Procesos superficiales .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
10.5.4 Turbulencia . . . . . . ... . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
10.5.5 Nubes . . . . . . . . . . . ... . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
10.6 Terminología: dominio, malla, niveles, fecha, pasada y alcance . . . . . . . . . . . . . . . . . . . . 141
10.7 Colaboraciones internacionales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
10.8 Anexo: algunas personalidades relacionadas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
10.9 Lecturas recomendadas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
11 Supercomputación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145
D. Santos, anexo: R. Suárez
11.1 Contexto histórico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146
11.2 Cray, el padre de la supercomputación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148
11.3 Supercomputación en ECMWF . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148
11.4 Supercomputación en AEMET . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150
11.5 Terminología . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151
11.6 Anexo: Big Data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151
11.7 Anexo: algunas personalidades relacionadas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 153
12 Predecibilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155
C. Santos
12.1 Limitaciones del esquema determinista . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 156
12.1.1 Caos en la atmósfera . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 156
12.1.2 Esquemas determinista y probabilista . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 157
12.2 Problema de la predecibilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 157
12.2.1 El estado atmosférico como probabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 158
12.2.2 Sensibilidad a las condiciones iniciales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 158
12.2.3 Predecibilidad de primera y de segunda clase . . . . . . . . . . . . . . . . . . . . . . . . . . . . 158
12.3 Predecibilidad cotidiana . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 159
12.4 Necesidad y objetivos de los sistemas de predicción probabilistas . . . . . . . . . . . . . . . . . . 160
12.5 Fenómenos extremos y fenómenos adversos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161
12.5.1 Episodios adversos europeos Lothar y Martin ....... . . . . . . . . . . . . . . . . . . 162
12.5.2 Caso de Oliva en noviembre de 1987 . . . . . . . . ....... . . . . . . . . . . . . . . . . . . 163
12.5.3 La singularidad pluviométrica de la Marina Alta y La Safor . . . . . . . . . . . . . . . . . . 163
12.5.4 Predecibilidad de la precipitación . . . . . . . . . . . ....... . . . . . . . . . . . . . . . . . . 163
xv
12.6 Predecibilidad y predicción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 164

12.7 Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 164
13 Sistemas de predicción por conjuntos (SPC) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 165

C. Santos
13.1 Necesidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 166

13.2 ¿Qué se hacía antes de los SPC? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 167
13.2.1 Consistencia entre pasadas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 167
13.2.2 Consistencia entre modelos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 168
13.3 Objetivos de un sistema de predicción probabilista . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 170
13.4 Sistemas de predicción por conjuntos (SPC) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 171
13.4.1 ¿Qué es un SPC? Miembros y escenarios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173
13.5 Diseño de SPC . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174
13.5.1 Escalas y plazos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174
13.5.2 SPC globales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174
13.5.3 SPC regionales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 175
13.6 Representación de la incertidumbre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 176
13.6.1 Distribuciones de probabilidad y de frecuencia . . . . . . . . . . . . . . . . . . . . . . . . . . . 176
13.6.2 Un ejemplo de predicción probabilista SPC para un lugar y un momento . . . . . . . . . 177
13.6.3 Centralización . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 178
13.6.4 Crítica al uso del promedio de un SPC . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 178
13.6.5 Dispersión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 181
13.6.6 Medidas de posición . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 183
13.6.7 Valores atípicos (outliers) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 183
13.6.8 Diagramas de caja (boxplots) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 183
13.6.9 Ejemplos sencillos de predicciones SPC . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 184
13.6.10 Ajuste de una distribución . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 186
13.6.11 PDF, CDF y percentiles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 187
13.6.12 Estimación del carácter extremo de la predicción . . . . . . . . . . . . . . . . . . . . . . . . . 188
13.6.13 Agrupamiento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 188
13.6.14 Mapas y gráficas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 189
13.7 Visión crítica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 190
13.7.1 Carácter discreto o continuo de la PDF . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 190
13.7.2 Equiprobabilidad de los miembros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 191
13.8 Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 191
14 Posproceso estadístico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 193

D. Quintero
14.1 Introducción al posproceso clásico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 194

14.1.1 Métodos clásicos de posproceso: Perfect Prog y MOS . . . . . . . . . . . . . . . . . . . . . . 194
14.1.2 Métodos más modernos: BMA y ELR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 195
14.1.3 Estratificación o agrupación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 198
14.2 Aprendizaje Automático . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 198
14.2.1 Brevísimo panorama del Aprendizaje Automático . . . . . . . . . . . . . . . . . . . . . . . . . 198
14.2.2 Aplicación en el posproceso de AEMET-γSREPS . . . . . . . . . . . . . . . . . . . . . . . . . 201
14.2.3 La temperatura: análisis y observación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 201
14.2.4 El viento: análisis y observación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 203
14.3 Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 204
15 Verificación probabilista . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 207

C. Santos
15.1 Introducción a la verificación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 208

15.1.1 Calidad, valor y consistencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 208
15.1.2 Subjetiva, objetiva y diagnóstica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 209
15.1.3 Frente a observaciones y frente a análisis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 210
15.1.4 Tipos de variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 210
xvi Física del caos en la predicción meteorológica Contenido
15.2 Métodos estadísticos clásicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 210

15.2.1 Métodos:tipos . . . . . . . . . . . . . . . . . ... . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 210
15.2.2 Métodos descriptivos . . . . . . . . . . . . ... . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 210
15.2.3 Medidas o scores y atributos de calidad .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 211
15.2.4 Skill scores . . . . . . . . . . . . . . . . . . . ... . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 212
15.2.5 Representaciones gráficas . . . . . . . . . ... . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 213
15.3 El límite de predecibilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 216
15.4 Visión crítica y perspectivas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 218
15.5 Métodos espaciales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 219
15.5.1 Predicciones de precipitación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 219
15.5.2 Doble penalización . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 220
15.5.3 Métodos diagnósticos espaciales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 220
15.6 ¿Son perfectos los SPC? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 221
15.7 Calidad de los miembros individuales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 221
15.8 Consistencia del flujo a gran escala . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 222
15.8.1 Histogramas de rango . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 222
15.8.2 Diagramas dispersión-error . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 223
15.9 Eventos binarios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 224
15.9.1 Marco general de Brier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 224
15.9.2 Frecuencia de ocurrencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 225
15.9.3 Agudeza . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 225
15.9.4 Fiabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 226
15.9.5 Resolución . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 229
15.9.6 Discriminación y curva ROC . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 231
15.9.7 Resumen de propiedades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 231
15.9.8 Conexión Brier - propiedades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 232
15.9.9 Ranked y Continuous ranked probability score (CRPS) . . . . . . . . . . . . . . . . . . . . . 232
15.10 Valor (económico) relativo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 234
15.11 Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 238
15.12 Enlaces de interés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 240
III Diseño . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 241
16 Diseño de SPC, error en condiciones iniciales . . . . . . . . . . . . . . . . . . . . . . . . . . . . 243

P. Escribà
16.1 Análisis y su error . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 244

16.2 Técnicas de generación de estados iniciales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 244
16.2.1 Multimodelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 244
16.2.2 Local Ensemble Transform Kalman Filter (LETKF) . . . . . . . . . . . . . . . . . . . . . . . 246
16.2.3 Método NMC . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 247
16.2.4 Lagged ensemble . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 248
16.2.5 Ensemble Data Assimilation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 248
16.2.6 vectores singulares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 249
16.3 Verificación de las técnicas disponibles en AEMET . . . . . . . . . . . . . . . . . . . . . . . . . . . . 250
16.3.1 Técnicas de generación de conjuntos disponibles en AEMET . . . . . . . . . . . . . . . . . 250
16.3.2 Descripción de los experimentos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 250
16.3.3 Verificación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 251
16.4 Resumen y conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 254
17 Diseño de SPC, error en el modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 257

A. Callado
17.1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 258

17.2 Historia y conceptos básicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 259
17.3 Errores e incertidumbres del modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 260
17.3.1 Errores versus incertidumbres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 260
17.3.2 Incertidumbres en la dinámica y en la física . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 261
xvii
17.4 Métodos en los SPC para tener en cuenta errores e incertidumbres en los modelos . . . . 264
17.4.1 SPC multiparámetros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 264
17.4.2 SPC multifísica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 266
17.4.3 SPC multimodelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 267
17.4.4 SPC con física estocástica (parametrizaciones estocásticas) . . . . . . . . . . . . . . . . . . 269
17.5 Discusión final . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 271
18 Diseño de SPC, error en condiciones contorno . . . . . . . . . . . . . . . . . . . . . . . . . . . 275

J. Sancho
18.1 Errores debidos a las condiciones de contorno . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 276

18.2 Archivo TIGGE y metodología . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 278
18.3 Comparación de los diferentes SPC en TIGGE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 280
18.4 Experimentos multimodelo LAF y SLAF . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 282
18.5 Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 285
IV Sistemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 287
19 El Centro Europeo de Predicción a Medio Plazo . . . . . . . . . . . . . . . . . . . . . . . . . 289

D. Gutiérrez y A. Ghelli
19.1 El Centro Europeo o ECMWF . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 290

19.2 El Sistema Integrado de Predicción o IFS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 291
19.3 El Sistema de Predicción por Conjuntos del ECMWF (ECENS o ENS-IFS) . . . . . . . . . . 293
19.4 Proyectos: Plan estratégico 2016-2025 del ECMWF, la hoja de ruta hasta 2025 . . . . . . 297
19.5 Participación española . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 298
19.6 Participación femenina . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 299
19.7 Epílogo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 299
20 El consorcio HIRLAM y el SPC GLAMEPS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 301

G. Morales y C. Santos
20.1 El consorcio HIRLAM y otras agrupaciones europeas . . . . . . . . . . . . . . . . . . . . . . . . . . . 302

20.2 GLAMEPS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 304
20.2.1 Configuración . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 304
20.2.2 Verificación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 306
20.2.3 Calibración . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 307
20.2.4 Ejemplos de predicciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 308
20.2.5 Plataforma Harmon-EPS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 309
20.2.6 Anexo: GLAMEPS en cifras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 309
20.3 Anexo: El modelo HIRLAM en España . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 310
20.4 Anexo: El modelo HARMONIE- AROME en España . . . . . . . . . . . . . . . . . . . . . . . . . . . 310
21 SPC hecho en España, AEMET-SREPS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 313

J. A. García-Moya, A. Callado, P. Escribà, J. Montero, J. Sancho, C. Santos, D. Santos-Muñoz y
J. Simarro
21.1 El proyecto AEMET-SREPS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 314

21.2 Metodología . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 315
21.2.1 Multimodelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 316
21.2.2 Multianálisis y multicontorno . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 317
21.2.3 Posproceso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 318
xviii Física del caos en la predicción meteorológica Contenido
21.3 Otras investigaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 318

21.3.1 Calibración estadística . . ............ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 318
21.3.2 SPC difusivo . . . . . . . . . ............ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 320
21.3.3 SPC híbrido . . . . . . . . . . ............ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 320
21.3.4 Error en las observaciones ............ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 321
21.3.5 Time lagged ensemble con AEMET-SREPS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 321
21.4 Verificación: consistencia del flujo a gran escala . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 322
21.4.1 Rendimiento de los miembros individuales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 322
21.4.2 Consistencia estadística con las observaciones en el flujo a gran escala . . . . . . . . . . 323
21.4.3 Dispersión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 323
21.5 Verificación: tiempo sensible . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 325
21.5.1 Tiempo sensible: respuesta frente a eventos binarios . . . . . . . . . . . . . . . . . . . . . . . 325
21.5.2 Periodo, predicciones y observaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 325
21.5.3 Medidas de verificación y estrategia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 326
21.5.4 Resumen de resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 327
21.6 Usuarios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 329
21.7 Proyectos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 329
21.7.1 Proyectos internacionales de gran escala . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 329
21.7.2 Energía eólica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 329
21.7.3 UIB (fenómenos adversos en el mediterráneo) . . . . . . . . . . . . . . . . . . . . . . . . . . . 330
21.8 Resumen y conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 330
22 AEMET-γSREPS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 333
A. Callado, P. Escribà y J. A. García-Moya, contribuciones de: M. Compte, D. Gil, A. Martín y J.
Rodríguez
22.1 La incertidumbre en la escala convectiva . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 334

22.1.1 La atmósfera en la escala convectiva y el espectro de energía K −5/3 ... . . . . . . . . 334
22.1.2 El límite inherente de predecibilidad en la escala convectiva . ..... .... . . . . . . . . 334
22.1.3 Modelos y SPC en la escala convectiva . . . . . . . . . . . . . . . ..... .... . . . . . . . . 335
22.1.4 ¿Y por qué SPC en la escala convectiva o kilométrica? . . . . ..... .... . . . . . . . . 337
22.2 SPC de alta resolución . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 338
22.3 Objetivos del γSREPS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 340
22.4 Fase de diseño . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 340
22.4.1 Incertidumbre en condiciones iniciales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 340
22.4.2 Multicondiciones de contorno . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 340
22.4.3 Multimodelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 342
22.4.4 Incertidumbre campos de superficie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 343
22.5 Características de AEMET-γSREPS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 346
22.5.1 Incertidumbre en condiciones iniciales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 346
22.5.2 Incertidumbre en las condiciones de contorno . . . . . . . . . . . . . . . . . . . . . . . . . . . . 346
22.5.3 Incertidumbre en los modelos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 347
22.5.4 Mallas horizontales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 348
22.5.5 Niveles verticales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 348
22.5.6 Configuraciones de los modelos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 349
22.5.7 Resolución de las condiciones de contorno . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 349
22.5.8 Parametrizaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 349
22.6 Evolución y futuro . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 350
22.7 Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 352
22.7.1 Verificación objetiva . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 352
22.7.2 Verificación subjetiva . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 353
22.8 Productos probabilistas de alta resolución . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 355
22.8.1 Mapas de probabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 355
22.8.2 EPSgramas para aeropuertos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 356
22.8.3 AEROgramas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 357
22.9 Calibración . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 358
22.10 El proyecto SRNWP EPS Phase II de EUMETNET . . . . . . . . . . . . . . . . . . . . . . . . . . . . 359
23 El SPC de UK Met Office MOGREPS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 361

K. Mylne
xix
23.1 Introducción y breve historia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 362

23.2 MOGREPS en 2017 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 363
23.3 Planes futuros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 364
24 SPC en México . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 367

SMN, México
24.1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 368

24.2 Antecedentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 368
24.3 Primeros intentos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 369
24.4 Ensambles en Servidor Virtual . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 370
24.5 Futuro . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 371
25 MyWave: Sistemas locales de predicción de oleaje por conjuntos . . . . . . . . . . 373

C. Toledano
25.1 SPC de olas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 374

25.2 Configuración de los sistemas locales WAVE-EPS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 374
25.2.1 Descripción de los modelos locales del Atlántico . . . . . . . . . . . . . . . . . . . . . . . . . . 375
25.2.2 Descripción del wave-EPS del Atlántico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 375
25.2.3 Descripción del modelo local del Mediterráneo . . . . . . . . . . . . . . . . . . . . . . . . . . . 376
25.2.4 Descripción del wave-EPS del Mediterráneo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 376
25.3 Validación del sistema determinista de oleaje . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 376
25.4 El modelo local WAVE-EPS para los puertos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 378
25.4.1 Consistencia del WAVE-EPS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 381
25.5 Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 382
25.6 Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 385
26 SPC en el mundo y proyectos TIGGE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 387

J. Sancho
26.1 SPC globales en el mundo: El proyecto TIGGE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 388

26.1.1 Características de los Sistemas de Predicción por Conjuntos (SPC) . . . . . . . . . . . . 389
26.1.2 Europa, ECMWF (European Centre for Medium-Range Weather Forecasts), ECENS 390
26.1.3 EEUU, NCEP (National Centers of Environmental Prediction, USA), GEFS . . . . . . . 391
26.1.4 China, CMA (China Meteorological Administration) . . . . . . . . . . . . . . . . . . . . . . . 391
26.1.5 Canadá, CMC (Meteorological Centre of Canada), GEPS . . . . . . . . . . . . . . . . . . . 392
26.1.6 Reino Unido, UKMO (United Kingdom Meteorological Office), MOGREPS-G . . . . . 392
26.1.7 Australia, BMRC (Bureau of Meteorology Research Center), BoM-EPS . . . . . . . . . 392
26.1.8 Brasil, CPTEC (Centro de Previsión del Tiempo y Estudios Climáticos) . . . . . . . . . 392
26.1.9 Japón, JMA (Japan Meteorological Agency) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 393
26.1.10 Corea, KMA (Korea Meteorological Agency) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 393
26.1.11 Francia, Météo-France, PEARP . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 393
26.2 SPC regionales: Proyecto TIGGE-LAM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 394
26.2.1 Características específicas . . . . . . . . . . . . ..... . . . . . . . . . . . . . . . . . . . . . . . . 394
26.2.2 COSMO-DE-EPS de COSMO . . . . . . . . . ..... . . . . . . . . . . . . . . . . . . . . . . . . 395
26.2.3 Arome-France-EPS de Météo-France . . . . ..... . . . . . . . . . . . . . . . . . . . . . . . . 395
26.2.4 Short Range Ensemble Forecast (SREF) del NCEP . . . . . . . . . . . . . . . . . . . . . . . . 395
26.2.5 AEMET-SREPS de AEMET . . . . . . . . . . ..... . . . . . . . . . . . . . . . . . . . . . . . . 396
26.3 Personalidades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 396
V Aplicaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 399
27 Predicción probabilista . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 401

C. Santos, anexo: S. González, anexo: A. Subías y A. Roa
xx Física del caos en la predicción meteorológica Contenido
27.1 Incertidumbres propias en predicción del tiempo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 402

27.2 Productos crudos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 402
27.2.1 Sellos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 402
27.2.2 Espaguetis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 404
27.2.3 Penachos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 405
27.3 El papel de la resolución . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 405
27.3.1 Comparación control-determinista . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 405
27.4 Estimación de la incertidumbre: agrupamiento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 406
27.4.1 Grupos AEMET . . . . ......... . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 406
27.4.2 Supergrupos AEMET ......... . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 409
27.4.3 Grupos ECMWF . . . ......... . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 411
27.4.4 Nuevos grupos (2017) en AEMET . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 412
27.5 Estimación de la incertidumbre: dispersión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 412
27.5.1 Mapas de dispersión-promedio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 412
27.6 Predicción de eventos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 416
27.6.1 Mapas de probabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 416
27.7 Predicción del riesgo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 419
27.7.1 Climatología del ECENS (M-climate) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 419
27.7.2 Índice de predicción extrema (EFI) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 420
27.7.3 Desplazamiento de cola SOT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 422
27.7.4 Estructuras tropicales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 423
27.8 Productos en localizaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 425
27.8.1 EPSgramas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 426
27.8.2 Penachos (en extinción) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 433
27.9 Productos experimentales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 434
27.10 Predicción de la predecibilidad: predecibilidad dependiente del flujo . . . . . . . . . . . . . . . 435
27.11 Valor de los SPC . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 435
27.11.1 ¿Pueden usarse los SPC sin probabilidades? . . . . . . . . . . . . . . . . . . . . . . . . . . . . 435
27.11.2 ¿Qué es realmente nuevo? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 436
27.12 Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 436
27.13 Anexo: predecibilidad de la precipitación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 437
27.14 Anexo: nuevo agrupamiento de ECENS en AEMET . . . . . . . . . . . . . . . . . . . . . . . . . . . . 441
27.14.1 Método . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 441
27.14.2 Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 443
27.14.3 Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 446
28 Predicciones mensual, estacional y anual . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 447

A. Pastor, B. Navascués, E. Sánchez, J. Voces y F. Doblas-Reyes
28.1 Predicciones de largo plazo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 448

28.1.1 Fundamentos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 448
28.1.2 Incertidumbres propias del largo plazo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 449
28.1.3 Predicción vs proyección . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 451
28.1.4 SPC de conveniencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 452
28.1.5 Predicción estacional: enfoques estadístico y dinámico . . . . . . . . . . . . . . . . . . . . . 453
28.1.6 Ejemplo de sistema de predicción estacional: S-ClimWaRe . . . . . . . . . . . . . . . . . . . 454
28.1.7 Fiabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 458
28.1.8 Tendencias actuales hacia el esquema seamless . . . . . . . . . . . . . . . . . . . . . . . . . . 458
28.2 Predicción mensual . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 460
28.2.1 Particularidades de las predicciones mensuales del ECMWF . . . . . . . . . . . . . . . . . . 460
28.2.2 Productos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 461
28.3 Predicción estacional y anual . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 462
28.3.1 Particularidades del sistema de predicción estacional del ECMWF . . . . . . . . . . . . . . 464
28.3.2 Productos (estacional) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 465
28.3.3 Descripción del sistema ECMWF (predicción anual) . . . . . . . . . . . . . . . . . . . . . . . 469
28.4 Centros especiales de predicción estacional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 469
28.5 Predicción decadal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 472
28.5.1 Descripción del sistema ECMWF (predicción decadal) . . . . . . . . . . . . . . . . . . . . . 473
28.5.2 Productos (decadal) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 474
28.6 Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 475
xxi
29 Proyecciones climáticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 477

E. Rodríguez, F. González, M. Montoya y J. A. Parodi
29.1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 478

29.2 Escalas de variabilidad climática . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 479
29.2.1 Ejemplos de Patrones Globales de Variabilidad: El Niño y la Oscilación del Sur . . . . 484
29.2.2 Ejemplos de Patrones Globales de Variabilidad: Oscilación del Atlántico Norte . . . . . 485
29.3 Forzamientos climáticos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 487
29.3.1 Influencia del forzamiento radiativo en el clima . . . . . . . . . . . . . . . . . . . . . . . . . . 492
29.4 Modelos climáticos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 493
29.4.1 Predicciones y proyecciones climáticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 496
29.4.2 Historia del desarrollo de los modelos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 497
29.5 Incertidumbres y uso de ensembles en clima . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 499
29.5.1 Verificación vs evaluación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 500
29.5.2 El Periodo histórico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 501
29.5.3 Paleoclima . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 502
29.5.4 Los climas glacial e interglacial: el LGM y el MH . . . . . . . . . . . . . . . . . . . . . . . . . 504
29.5.5 La Era Común . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 506
29.5.6 Proyecciones de cambio climático . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 508
29.5.7 Ejemplo de modelización climática con el modelo EC-Earth . . . . . . . . . . . . . . . . . . 511
29.6 Cambio climático . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 513
29.6.1 IPCC . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 513
29.6.2 Cambio climático: resultados concluyentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 514
29.7 Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 515
29.8 Enlaces de interés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 516
30 Radar probabilista . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 517

M. Berenguer y D. Sempere
30.1 Fuentes de incertidumbre en las observaciones radar . . . . . . . . . . . . . . . . . . . . . . . . . . . 518

30.2 Métodos probabilistas para observación radar de la precipitación . . . . . . . . . . . . . . . . . . 519
30.3 El CRAHI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 520
31 Aplicaciones en predicción aeronáutica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 523

E. Werner
31.1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 524

31.2 EPSgramas aeronáuticos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 524
31.3 EPSgramas con el ECENS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 524
31.4 EPSgramas con GLAMEPS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 526
31.5 EPSgramas de alta resolución temporal y espacial: gamma-SREPS . . . . . . . . . . . . . . . . 527
31.6 Anexos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 529
32 SPC en el Mediterráneo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 531

V. Homar, A. Jansà y R. Romero
32.1 Perspectiva histórica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 532

32.2 Meteorología mediterránea . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 535
32.2.1 Lluvias mediterráneas intensas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 535
32.2.2 Vientos fuertes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 538
32.2.3 Convección organizada. Medicanes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 541
32.3 Uso de SPC para el Mediterráneo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 544
32.3.1 Métodos de generación de SPC . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 545
32.4 Aplicación de SPC para la predicción de inundaciones . . . . . . . . . . . . . . . . . . . . . . . . . . 548
32.5 Desafíos y oportunidades de futuro . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 550
33 Predicción de medicanes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 551

M. A. Picornell y J. Campins
xxii Física del caos en la predicción meteorológica Contenido
33.1 Los ciclones mediterráneos y el tiempo adverso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 552

33.2 Predecibilidad de los ciclones mediterráneos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 553
33.3 Predicción de ciclones a partir de modelos numéricos . . . . . . . . . . . . . . . . . . . . . . . . . . . 554
33.3.1 Detección y trayectoria de ciclones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 554
33.3.2 El espacio de fases de los ciclones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 554
33.4 Un caso particular: Medicanes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 556
33.5 Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 561
34 Previsión de rayos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 563

J. A. Sosa
34.1 Fenómenos adversos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 564

34.2 Actividad eléctrica y graupel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 564
34.3 Un sólo modelo: ensemble de hombre muy pobre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 565
34.4 Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 567
35 Aplicación SPC para avisos meteorológicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 569

J. Simarro
35.1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 570

35.2 Avisos meteorológicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 570
35.3 Un problema de probabilidades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 571
35.4 Caso de estudio: la borrasca Ana . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 574
36 Aplicaciones en el IPMA (Portugal) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 579

J. Rio y V. Costa
36.1 Predicción operativa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 580

36.2 Predicciones automáticas por localidades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 581
37 Aplicaciones en Argentina . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 583

Ruiz J., Aldeco L., Diehl A., García Skabar Y., Matsudo C., Osman M., Pelorosso L., Saulo. C. y
Vera C.
37.1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 584

37.2 Pronósticos por ensambles en alta resolución . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 585
37.2.1 Estrategias de pronóstico por ensamble en alta resolución . . . . . . . . . . . . . . . . . . . 585
37.2.2 Análisis del caso de estudio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 586
37.3 Calibración de pronósticos probabilistas de precipitación utilizando análogos . . . . . . . . . 588
37.3.1 Regresión por análogos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 588
37.3.2 Verificación de los pronósticos por análogos en Argentina . . . . . . . . . . . . . . . . . . . 590
37.3.3 Visualización de los pronósticos por análogos . . . . . . . . . . . . . . . . . . . . . . . . . . . 593
37.4 Pronósticos por ensambles en escala estacional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 594
37.4.1 Calibración de pronósticos estacionales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 594
37.4.2 Verificación de los pronósticos estacionales calibrados sobre Sudamérica . . . . . . . . . 595
37.5 Conclusiones generales del capítulo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 597
38 Aplicaciones en energía solar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 599

D. Masa, A. C. do Amaral Burghi, T. Hirsch y R. Pitz-Paal
38.1 Previsiones meteorológicas en la energía solar fotovoltaica . . . . . . . . . . . . . . . . . . . . . . . 600

38.1.1 Beneficios de las predicciones probabilistas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 601
38.1.2 Efecto cartera, almacenamiento eléctrico y gestión de la demanda . . . . . . . . . . . . . 602
38.2 Inclusión de incertidumbres de predicciones meteorológicas en la optimización del despacho de
energía por plantas solares de concentración . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 604
xxiii
39 SPC y estimaciones de incertidumbre en predicción de energía eólica . . . . . . 607

A. Catalina y J. R. Dorronsoro
39.1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 608

39.2 Modelos Neuronales y SVR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 608
39.3 Experimentos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 609
39.3.1 Predicciones Deterministas vs Ensembles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 609
39.3.2 Intervalos de Incertidumbre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 610
39.4 Discusión y Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 611
VI Sociedad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 613
40 Probabilidad e incertidumbre en la sociedad y en los medios . . . . . . . . . . . . . . 615

J. M. Viñas, M. López, B. Burguete y C. Santos
40.1 Meteorología y predicción probabilista en la sociedad . . . . . . . . . . . . . . . . . . . . . . . . . . . 616

40.1.1 Observabilidad e importancia del tiempo en la sociedad . . . . . . . . . . . . . . . . . . . . 616
40.1.2 Sesgo cognitivo y complejidad de los fenómenos meteorológicos . . . . . . . . . . . . . . . 616
40.1.3 La ciencia, la probabilidad y la predicción probabilista en la sociedad . . . . . . . . . . . 617
40.1.4 Estudio del CIS sobre percepción de la meteorología . . . . . . . . . . . . . . . . . . . . . . . 618
40.2 El reto probabilista en los medios de comunicación . . . . . . . . . . . . . . . . . . . . . . . . . . . . 621
40.3 Comunicación de la probabilidad y la incertidumbre en televisión . . . . . . . . . . . . . . . . . . 625
41 Meteoalerta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 627
A. López Rejas
41.1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 628

41.2 Fenómeno Meteorológico Adverso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 628
41.3 El plan Meteoalerta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 628
42 Proyecto PROFORCE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 633

C. Wastl, Y. Wang, A. Simon, M. Kulmer, A. Sigl y F. Martín
42.1 Proyecto PROFORCE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 634

42.2 Un sistema de pronóstico probabilista sin costuras o sin discontinuidad . . . . . . . . . . . . . 634
42.3 Creación de portales web . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 635
42.4 Formación y experiencia de primera mano . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 636
42.5 Continuar en el futuro . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 637
43 Malentendidos conceptuales y terminológicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 639

F. Martín
43.1 Mal uso de algunos términos meteorológicos y climáticos: una ayuda . . . . . . . . . . . . . . . 640
43.2 Tiempo y Clima: no es lo mismo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 640
43.3 Tiempo y Meteorología: van de la mano . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 641
43.4 Ciclogénesis explosiva: nada explota . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 641
43.5 «Huracán» entrando por. . . : no entra lo que se esperaba . . . . . . . . . . . . . . . . . . . . . . . . 642
43.6 Huracán mediterráneo: sí, pero menos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 643
43.7 Gota fría: ¿sinónimo de precipitaciones intensas? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 643
43.8 Ríos atmosféricos: ¿qué fluye? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 645
43.9 Redundancias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 646
43.9.1 Temporal de viento: algo más se transporta y traslada . . . . . . . . . . . . . . . . . . . . . 646
43.9.2 Haciendo más negativas las temperaturas bajo cero . . . . . . . . . . . . . . . . . . . . . . . 646
43.9.3 Tormentas con rayos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 646
xxiv Física del caos en la predicción meteorológica Contenido
43.10 ¿De dónde viene este aire? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 646

43.11 Vórtice polar: mucho frío a la vista . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 647
43.12 Inestabilidad: comodín de los comodines meteorológicos . . . . . . . . . . . . . . . . . . . . . . . . 648
43.13 Avisos, alertas y alarmas meteorológicas: no nos aclaramos . . . . . . . . . . . . . . . . . . . . . . 649
43.14 Una borrasca traerá mal tiempo: todo depende del cristal con el que se mire . . . . . . . . . 650
43.15 ¿Sube el calor?: lo que sube es otra cosa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 651
43.16 Perturbación. Pero ¿qué y quién perturba? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 651
43.17 Rizando el rizo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 652
VII Casos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 653
44 Superrécord Oliva-Gandía (Nov 1987) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 655

A. Jansà, R. Armengot, J. Simarro, A. Callado
44.1 La singularidad pluviométrica de La Marina Alta y La Safor . . . . . . . . . . . . . . . . . . . . . . 656

44.1.1 El área . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 656
44.1.2 Tipos de episodios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 659
44.1.3 Periodos de retorno . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 661
44.2 El episodio de Oliva . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 665
44.2.1 Contextualización del episodio de Oliva . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 665
44.2.2 El episodio y su predecibilidad a escala media . . . . . . . . . . . . . . . . . . . . . . . . . . . 666
44.2.3 Predicciones correspondientes al episodio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 668
44.2.4 Sensibilidad a la orografía . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 670
44.3 Repredicción con HARMONIE-AROME . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 671
44.3.1 Configuración del experimento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 671
44.3.2 Génesis de la situación del 03-11-1987 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 673
44.3.3 Simulación HARMONIE-AROME . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 676
44.4 Repredicción con AEMET-γSREPS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 680
44.4.1 Enfoques y aspectos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 680
44.4.2 Simulación con AEMET-γSREPS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 682
44.4.3 Avisos meteorológicos con AEMET-γSREPS . . . . . . . . . . . . . . . . . . . . . . . . . . . . 685
44.4.4 Predecibilidad del episodio con los SPC actuales de alta resolución . . . . . . . . . . . . . 687
45 Predicción de aludes (3 casos) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 689

M. Palomo, J. A. Fernández y J. J. Rodríguez
45.1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 690

45.2 De nieve reciente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 694
45.2.1 Área de estudio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 694
45.2.2 Descripción del evento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 696
45.2.3 Predicción del ECENS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 699
45.3 De placa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 702
45.3.1 Área de estudio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 702
45.4 De placa húmeda . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 709
45.4.1 Área de estudio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 709
45.4.3 Características de los aludes observados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 711
46 Dos casos de ciclones tropicales atlánticos: Ike (Sep 2008) y Álex (Jul 2010) 717
R. Vázquez
xxv
46.1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 718

46.2 Caso 1: Huracán Ike . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 720
46.3 Caso 2: Huracán Álex . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 723
47 Predicción en Myanmar (Nov-Dic 2015) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 729

A. García
47.1 Predicción durante la visita . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 731

47.2 Proceso de predicción en cascada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 732
47.2.1 Predicción a largo-medio plazo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 733
47.2.2 Predicción a plazo medio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 733
47.2.3 Predicción a corto plazo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 733
47.2.4 Predicción a corto y muy corto plazo hasta T+24 . . . . . . . . . . . . . . . . . . . . . . . . 733
47.3 Ejercicio de predicción para Nai Pyi Taw (Myanmar) . . . . . . . . . . . . . . . . . . . . . . . . . . . 734
47.4 Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 739
48 Influencia de Gastón en ola de calor en España (Sep 2016) . . . . . . . . . . . . . . . 741

A. García
48.1 Descripción sinóptica y predicción mensual . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 742

48.2 ECENS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 744
48.3 Modelo determinista . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 749
48.4 Observaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 750
48.5 Resumen final . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 752
49 Lluvias torrenciales en el Maresme, Barcelona (Oct-2016) . . . . . . . . . . . . . . . . 753

G. Cuevas, R. Pascual, A. Callado y M. Compte
49.1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 754

49.2 Impactos del episodio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 755
49.3 Análisis sinóptico y mesoescalar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 755
49.4 Nubosidad, sistemas precipitantes y tormentas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 757
49.5 Predicción determinista y probabilista de la precipitación . . . . . . . . . . . . . . . . . . . . . . . . 758
49.6 Avisos: un episodio complicado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 761
49.7 Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 762
50 Temporal de levante en el área mediterránea (Dic-2016) . . . . . . . . . . . . . . . . . 763

J. M. López Pérez y J. A. Núñez
50.1 Origen del temporal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 764

50.2 Descripción de las precipitaciones del episodio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 768
50.3 Predicciones probabilistas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 770
50.3.1 Precipitación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 770
50.3.2 Altura del oleaje . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 773
50.4 Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 773
51 Precipitaciones intensas este y sureste peninsular (Dic-2016 y Mar-2017) . . 775

B. Elvira, C. Marcos, M. A. Martínez y J. A. Núñez
51.1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 776

51.2 Diagnóstico de los episodios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 776
51.2.1 Episodio A del 18-12-2016: caracterización sinóptica . . . . . . . . . . ......... . . . . 776
51.2.2 Episodio B del 13-03-2017: caracterización sinóptica . . . . . . . . . ......... . . . . 777
51.2.3 Episodio A del 18-12-2016: estudio mediante teledetección y datos observados . . . . 778
51.2.4 Episodio B del 13-03-2017: estudio mediante teledetección y datos observados . . . . 782
xxvi Física del caos en la predicción meteorológica Contenido
51.3 Comportamiento del ECMWF: ECHRES Y ECENS . . . . . . . . . . . . . . . . . . . . . . . . . . . . 785

51.3.1 Episodio A del 18-12-2016: escenarios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 785
51.3.2 Episodio A: mapas de probabilidad de precipitación en 24 h . . . . . . . . . . . . . . . . . 787
51.3.3 Episodio A: Extreme Forecast Index (EFI) y Shift Of Tail (SOT) . . . . . . . . . . . . . . 788
51.3.4 Episodio A: predicción operativa y avisos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 789
51.3.5 Episodio B del 13-03-2017: comparación ECHRES y ECENS, escala sinóptica . . . . . 789
51.3.6 Episodio B: predicción de la baja mesoescalar. ECHRES y ECENS . . . . . . . . . . . . 790
51.3.7 Episodio B: mapas de probabilidad, EFI y SOT . . . . . . . . . . . . . . . . . . . . . . . . . . 792
51.3.8 Episodio B: predicción operativa y avisos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 793
51.4 Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 793
52 Temporal mediterráneo de lluvia, nieve y viento (Ene 2017) . . . . . . . . . . . . . . 795

A. Jansà
52.1 Un episodio con lluvia muy copiosa, nieve, viento fuerte, mar alta y ciclogénesis importante 796
52.2 Predicciones probabilistas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 800
52.2.1 Penachos GEFS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 800
52.2.2 Mapas de probabilidad ECENS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 801
53 Borrasca con baja predecibilidad (Feb 2017) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 805

A. Roa y A. Subías
53.1 Observaciones destacadas y efectos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 806

53.2 Análisis de la situación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 808
53.3 Diferencia entre las pasadas del modelo determinista . . . . . . . . . . . . . . . . . . . . . . . . . . . 811
53.4 Salidas del ECENS o ENS-IFS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 812
53.4.1 Grupos técnica antigua . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 812
53.4.2 Nueva técnica de clustering de AEMET, pasadas de los días 6 y 7 . . . . . . . . . . . . . 813
53.5 Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 814
54 Temporal marítimo en Galicia (Feb 2017) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 815

F. J. Díaz y J. Hierro
54.1 Descripción de la situación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 817

54.2 Problemática de la predicción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 817
54.3 Inconsistencia entre pasadas sucesivas ECHRES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 818
54.4 Emisión de avisos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 822
54.5 Evolución observada de la situación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 825
55 Lluvias torrenciales en Málaga (Feb 2017) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 827

L. Hontoria y D. Mancebo
55.1 Descripción meteorológica e impactos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 828

55.1.1 Situación sinóptica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 828
55.1.2 Principales impactos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 829
55.2 Predicción de medio plazo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 831
55.2.1 Modelo determinista ECHRES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 831
55.2.2 ECENS: consistencia con ECHRES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 832
55.2.3 ECENS: escenarios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 833
55.2.4 Probabilidades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 834
55.2.5 Predicción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 834
55.3 Predicción de corto plazo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 835
55.4 Comparación con observaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 835
55.5 Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 837
56 Lluvias y vientos intensos en Canarias (Feb-Mar 2017) . . . . . . . . . . . . . . . . . . . 839

C. Alejo, P. González, I. Peñate, D. Quintero
xxvii
56.1 Lluvias intensas 18 marzo 2017 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 840

56.1.1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 840
56.1.2 Análisis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 841
56.1.3 Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 842
56.2 Lluvias intensas 19 marzo 2017 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 844
56.2.1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 844
56.2.2 Análisis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 844
56.2.3 Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 848
56.3 Vientos intensos 12 febrero 2017 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 849
56.3.1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 849
56.3.2 Análisis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 849
56.3.3 Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 854
56.4 Conclusiones finales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 854
57 Posibles nevadas generalizadas en la Península (Mar 2017) . . . . . . . . . . . . . . . 855

F. Aguado y O. Carretero
57.1 Evolución de la situación prevista a escala sinóptica . . . . . . . . . . . . . . . . . . . . . . . . . . . . 856

57.1.1 Predicción D+5, elaborada el 27.02.2017 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 857
57.1.5 Predicción D+1, elaborada el 03-03-2017 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 859
57.2 Evolución de la predicción de nevadas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 860
57.2.5 Predicción D+1, elaborada el 03-03-2017 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 863
57.3 Reflexiones sobre la elaboración de la predicción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 863
57.4 Análisis del día 04/03/2017 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 864
57.5 Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 865
58 Predicción Semana Santa 2017: desde el largo hasta el corto plazo . . . . . . . . 867
A. García
58.1 Predicción mensual . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 869

58.2 Consistencia: ¿qué hay que mirar? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 869
58.3 Escenarios, probabilidades, ECENS y corto plazo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 871
58.4 Datos de observación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 876
58.5 Resumen final . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 876
59 DANA de principio de verano (Jul-2017) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 879

J. Rey
59.1 Comportamiento de modelos y SPC . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 880

59.1.1 Consistencia entre pasadas de ECHRES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 880
59.1.2 Control vs determinista . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 881
59.1.3 Dispersión del ECENS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 881
59.2 Propuesta de predicción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 884
59.3 Análisis de la situación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 885
59.4 Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 889
60 Aludes en la borrasca Hugo Mar 2018 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 891

T. J. Gutiérrez, M. J. Martín
xxviii Física del caos en la predicción meteorológica Contenido
60.1 El boletín de peligro de aludes (BPA) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 892

60.2 Preparación de la predicción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 894
60.3 Predicción meteorológica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 895
60.4 Predicción nivológica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 904
60.5 Evolución meteorológica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 905
60.6 Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 907
VIII Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 909
61 Conclusiones y futuro . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 911

C. Santos
61.1 Resumen de aspectos importantes tratados y algunas conclusiones . . . . . . . . . . . . . . . . 912

61.2 Algunas respuestas a las preguntas del principio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 915
61.3 Conclusiones de la experiencia en el desarrollo de SPC . . . . . . . . . . . . . . . . . . . . . . . . . . 919
61.4 Futuro de la predicción del tiempo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 921
IX Anexos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 925
A Orografías de los sistemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 927

J. Hierro
A.1 ECHRES y ECENS antes de 2000 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 928

A.2 ECHRES y ECENS 2000 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 930
A.3 ECHRES y ECENS 2006 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 932
A.4 ECHRES y ECENS 2010 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 934
A.5 ECHRES y ECENS 2016 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 936
A.6 ECHRES y ECENS 2016: Canarias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 938
A.7 ECHRES y ECENS 2016: Galicia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 940
A.8 ECHRES y ECENS 2016: Rías Baixas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 942
A.9 HARMONIE-AROME 2016: Península y Baleares y Canarias . . . . . . . . . . . . . . . . . . . . . 944
A.10 HARMONIE-AROME 2016: Galicia y Rías Baixas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 946
B Probabilidad: curiosidades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 949

C. Santos
B.1 Teorema de Bayes para tests no perfectos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 950

B.2 El problema de Monty Hall . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 951
B.3 El problema del cumpleaños . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 955
C Temas relacionados en el cine y la literatura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 957

C. Torcal y J. M. Gallardo
C.1 Cine . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 958

C.2 Literatura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 962
C.3 Lecturas recomendadas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 964
D Terminología . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 965
C. Santos
xxix
D.1 Predecibilidad vs predictibilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 966

D.2 Probabilista vs probabilístico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 966
D.3 Skill . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 966
D.4 Seamless . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 966
D.5 Conjuntos vs ensambles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 967
E Retratos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 969
VV. AA.
X Memorias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1005
F Agrometeorología . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1009
A. Mestre
F.1 Ponencia sobre agrometeorología . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1010
F.1.1 Introducción . . . . . . ........... . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1010
F.1.2 Modelos de predicción meteorológica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1010
F.1.3 Escala estacional . . . ........... . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1011
F.1.4 Fenómenos adversos . ........... . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1012
F.1.5 La sequía . . . . . . . . ........... . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1013
F.1.6 Conclusiones . . . . . . ........... . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1014
F.2 Enlaces . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1015
G Introducción a la probabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1017

R. Ancell
G.1 Introducción a la probabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1018
G.1.1 Perspectiva histórica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1018
G.1.2 Medida de probabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1019
G.1.3 Distribuciones de probabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1020
G.1.4 Probabilidad condicional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1021
G.1.5 Dependencia e independencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1022
G.1.6 Dependencia e independencia condicional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1023
G.1.7 Teorema de Bayes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1024
H No hay ordenador capaz de simular el tiempo del Archipiélago . . . . . . . . . . . 1027

O. García y J. Jiménez
H.1 Entrevista . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1028
H.2 Enlace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1029
XI Actualización . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1031
I Cambio climático, calentamiento global de 1,5 °C . . . . . . . . . . . . . . . . . . . . . . 1033

Velasco, A. y Rodríguez, E.
I.1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1034
I.2 Diagnóstico de la situación actual . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1034
I.3 Beneficios de limitar el calentamiento a 1,5 °C . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1036
I.4 Limitando el calentamiento global a 1,5 °C . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1038
I.5 Limitación del calentamiento global a 1,5 0 C y promoción simultánea del desarrollo sostenible
1039
I.6 Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1041
I.7 Enlaces de interés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1041
xxx Física del caos en la predicción meteorológica Contenido
XII Bibliografía . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1043
Lecturas recomendadas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1045

C. Santos
Referencias generales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1097
XIII Índices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1099
Índice alfabético . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1101

Acrónimos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1121
Glosario . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1125
Agradecimientos
::chapaginaini::0::XXXI::
Este volumen es fruto de casi dos décadas de investigación, desarrollo y operación

en ramas emergentes de la meteorología y la predicción como son la predecibilidad y
los sistemas de predicción por conjuntos. Los diversos autores de este libro, tanto de
la Agencia Estatal de Meteorología (AEMET) como de otras instituciones forman,
o han formado, parte de grupos de investigación, desarrollo o predicción relaciona-
dos con estos temas, así como la divulgación de los mismos. El diseño, desarrollo,
puesta en operación y explotación, así como el uso en predicción de estos sistemas
de predicción por conjuntos suponen un desafío científico y técnico de envergadura
considerable, e incluyen el trabajo y apoyo de mucha gente, tanto de dentro como
de fuera de AEMET. Ya sea brindando soporte y apoyo técnico, como conocimien-
to en discusiones de enorme valor científico, sin olvidar el material proporcionado
expresamente para este libro.
Imagen parte superior: cielo combinado con cirrus de varios tipos, cumulus y satratocumulus en el horizonte, zona noroeste de Madrid.
Fotografía de J UAN C ARLOS G ARCÍA C OLOMBO.
xxxii Física del caos en la predicción meteorológica Agradecimientos
J OSÉ A NTONIO G ARCÍA -M OYA Z APATA ha sido ROBERTO B UIZZA , M ARTIN L EUTBECHER , A N -
el alma mater del llamado Grupo de Predecibilidad NA G HELLI , L AURA F ERRANTI , G LENN S HUTTS ,
de AEMET, responsable de los proyectos AEMET- M ANUEL F UENTES , T IM PALMER , E RLAND K Ä -
SREPS y AEMET-gamma-SREPS descritos en el li- LLÉN , R ICHARD F ORBES , J EAN JACQUES M OR -
bro. CRETTE , A NNA AGUSTÍ -PANAREDA y equipos de
soporte (ECMWF, Centro Europeo en Reading, Reino
Para estos proyectos fue especialmente importante el Unido), C HIARA M ARSIGLI , T IZIANA PACAGNELLA
apoyo que desde el principio tuvimos por parte de la y A NDREA M ONTANI (ARPA-SIM Emilia Romagna,
Dra. E UGENIA K ALNAY de la Universidad de Mary- Italia, COSMO), O LIVIER TALAGRAND , (Labora-
land, pionera mundial en los sistemas de predicción toire de Meterologie Dynamique ENS Paris), F RAN -
por conjuntos. COIS B OUTTIER y L AURENT D ESCAMPS (Météo-
France, Francia), J UN D U (NCEP, EE. UU.), I NGER -
Dentro de AEMET, sabiendo que es imposible in- L ISE F ROGNER (met.no, Noruega), K AI S ATTLER
cluir a todos, queremos nombrar a nuestros queridos (DMI, Dinamarca), A LEX D ECKMYN (RMI, Bélgi-
O SCAR G ARCÍA C OLOMBO (†), R AFAEL A NCELL ca), P ERTTI N URMI (FMI, Finlandia), E RIC G ILLE -
T RUEBA (†) y A NTONIO M ESTRE BARCELÓ (†), LAND (NCAR, EE. UU.), B ETH E BERT (BoM Austra-
investigadores implicados en los sistemas de predic- lia), V ÍCTOR H OMAR y ROMUALDO ROMERO (UIB),
ción descritos, a los que va dedicado este libro. A F RANCISCO D OBLAS -R EYES (ECMWF, IC3, BSC).
R AÚL C ORREDOR, M ANUEL J OSÉ G ÓMEZ y todo el
personal del Área de Telemática, a J OSÉ A. L ÓPEZ,
Agradecemos a los diferentes servicios meteorológi-
C ÉSAR RODRÍGUEZ y A NDRÉS C HAZARRA del Ser-
cos europeos su disposición a compartir, ya directa-
vicio de Desarrollos Climatológicos, a F ELICIANO J I -
mente o via ECMWF los datos de sus estaciones cli-
MÉNEZ , A LBERTO F ERNÁNDEZ, A LEJANDRO ROA ,
matológicas, particularmente Portugal, Grecia, Fran-
F RANCISCO M ARTÍN y A NA G ENOVÉS del Área
cia, Holanda, Finlandia, Hungría, Rumanía, Bulgaria,
de Técnicas y Aplicaciones de Predicción. De dife-
Eslovenia, Eslovaquia, Alemania, Reino Unido y las
rentes unidades, a E DUARDO M ONREAL, B EATRIZ
regiones italianas de Emilia-Romagna, Lombardia,
NAVASCUÉS, JAVIER C ALVO, O LINDA C ARRETE -
Marche, Trento and Friuli-Venezia-Giulia. Así mismo,
RO , I SABEL M ARTÍNEZ , J OAN C AMPINS , M ARÍA
subrayamos el mérito de todos los desarrolladores de
DE LOS Á NGELES P ICORNELL, A MELIA A RRIBAS y
modelos (los autores de los capítulos de predicción
J OSÉ A NTONIO Q UIRANTES. A I MANOL G UERRE -
estacional y clima, particularmente por los modelos
RO, VANESSA G ASCÓN, G USTAVO J OSÉ V EGA DOS
CMIP3 y CMIP5) y de reanálisis atmosféricos.
S ANTOS y S ERGI G ONZÁLEZ. Y en especial, a todas
aquellas personas que han participado en el Grupo de
Predecibilidad de AEMET: A LFONS C ALLADO PA - La buenísima disposición para facilitar algunas de las
LLARÉS , PAU E SCRIBÀ AYERBE , J UAN S IMARRO
fotografías o imágenes mostradas en los casos de es-
G RANDE , DANIEL S ANTOS M UÑOZ , J UAN MANUEL tudio del libro se la debemos a J UAN R AMÓN P ORTA
S ANCHO ÁVILA , A RANCHA A MO BALADRÓN , E S - del Excmo. Ayuntamiento de Oliva, al Grupo Proyecto
TEBÁN A BELLÁN V ILLARDÓN , J ESÚS M ANUEL
Mastral de Torrevieja, al Consell Comarcal del Mares-
M ONTERO G ARRIDO , M ARC C OMPTE ROVIROLA , me, a R AMÓN L EIRO de La Voz de Galicia, al Diario
A LBERTO M ARTÍN G ARCÍA , J ESÚS RODRÍGUEZ de Mallorca, a Lancelot Medios, Dundee University
D ÉNIZ , A NTONIO M ANZANO H ERNÁNDEZ , E R - (UK), La Opinión de Tenerife y a A LBERTO A RRI -
BAS de UKMO. Así mismo, hemos usado imágenes
NEST W ERNER H IDALGO , M AURICIA M ARTÍNEZ
S ÁNCHEZ , DAVID Q UINTERO P LAZA y DAVID G IL de CRAHI, Junta de Extremadura, OmarMedinaFilms,
O LIVA. PRAMES, Proyecto Mastral Torrevieja, Servicio Me-
teorológico Nacional de México, The Conservation
Entre muchos compañeros de otros servicios meteo- Land Trust, German Aerospace Center (DLR), EU-
rológicos, universidades u otras instituciones de in- METSAT, NASA/NOAA, ECMWF y AEMET.
vestigación, citaremos a J ORGE B ORNEMANN y K EN
M YLNE (UKMO, Reino Unido), D ETLEV M AJEWS - M IGUEL A NGEL G ARCÍA C OUTO de AEMET ase-
KI , U LRICH S CHÄTTLER , M ICHAEL G ERTZ , M I - soró extraordinariamente, entre otras tareas, en la ma-
CHAEL D ENHARD , S USANNE T HEIS , C HRISTOPH queta y publicación del volumen. La ayuda en investi-
G EBHARDT, M ARCUS PAULAT, M ATHIAS Z IMMER gación bibliográfica y revisión del maquetado final de
y M ARTIN G ÖEBER (DWD Alemania, COSMO), E LENA M ORATO y todo el personal de la Biblioteca
xxxiii
de AEMET fue fundamental, especialmente para las J OSÉ A NTONIO Q UIRANTES . El profesor F RANCIS -
figuras de interés histórico. CO S UÁREZ me enseñó la importancia del rigor. Y,
por último, gracias a mi madre, a todas las madres.
Y, como editor, agradezco especialmente la revisión,
los comentarios y las sugerencias hechos por B EA -
TRIZ NAVASCUÉS , J UAN C ARLOS B ULLÓN , M A - Tanto la edición del libro como la confección
RIO T OBOSO , M ARÍA A LMENA , B ERTA B URGUE - expresa de figuras se han realizado enteramente
TE , A LEX B ONET y por mi hermano. En el proceso con software libre (https://es.wikipedia.org/
de revisión interna participaron J UAN C ARLOS B U - wiki/Software_libre). En particular y, sin en-
LLÓN , P INO G ONZÁLEZ, T OMÁS J OSÉ G UTIÉRREZ , trar en demasiado detalle, trabajando sobre siste-
A LICIA L ÓPEZ, F ELISA AGUADO, B ENITO E LVI - ma operativo Linux Ubuntu, la edición se hizo
RA , J OSÉ D ORRONSORO , A LEJANDRO C ATALINA , con LYX+LATEX (https://www.lyx.org/+https:
A LEJANDRO ROA, C ECILIA M ARCOS , J UAN M A - //www.latex-project.org/), mientras que para
NUEL S ANCHO , G ABRIELA C UEVAS , J OSÉ A NTO - el diseño de figuras y gráficas hemos utilizado Pyt-
NIO S OSA C ARDO , J OAN C AMPINS , M ARÍA Á NGE - hon+matPlotLib+Pandas+Scipy+Numpy (https://
LES P ICORNELL , A LFONS C ALLADO , J UAN S IMA - www.scipy.org/). El mapa del libro en el prefa-
RRO , PAU E SCRIBÀ , DAVID Q UINTERO , J OSÉ H IE - cio está confeccionado con Dia (https://help.
RRO , J OSÉ E RNESTO BARRERA , H UGO M ARTÍNEZ , ubuntu.com/community/Dia).
R AMÓN PASCUAL , AGUSTÍ JANSÀ , JAVIER C AL -
VO , E RNEST W ERNER , F RANCISCO JAVIER D ÍAZ , Este libro debe una parte de su existencia a los proyec-
ROMUALDO ROMERO , V ÍCTOR H OMAR , Á NGEL R I - tos PREDIMED CGL2011-24458 (UIB, Ministerio
VERA , J OSÉ A NTONIO PARODI , E RNESTO RODRÍ - de Ciencia e Innovación) y COASTEPS CGL2017-
GUEZ , S AMUEL V IANA , C ARLOS T ORCAL , DAVID 82868-R (UIB, MINECO/AEI/FEDER, UE) en los
F UERTES , M ARÍA PALOMO, D ELIA G UTIÉRREZ Y que participamos.
Prefacio
::chapaginaini::0::XXXV::
La predicción del tiempo y del clima despiertan un interés creciente en la sociedad. Los fenómenos
adversos, tales como precipitaciones intensas, temporales, olas de frío o calor, etc. tienen un fuerte
impacto social y las autoridades encargadas de la protección civil quieren predicciones más «exactas»
de estos fenómenos. Así mismo, el acuciante problema del calentamiento global, del que la sociedad va
haciéndose cada vez más consciente, empieza a preocupar seriamente. En la sociedad surgen preguntas
naturales cuya respuesta no es fácil. ¿Hasta cuántos días son fiables las predicciones del tiempo? ¿En
qué se basa la predicción por localidades? ¿Pueden hacerse predicciones con seis meses de antelación?
¿Cómo puede predecirse el cambio climático? ¿Se harán predicciones cada vez más exactas? ¿Se usa
la teoría del caos en la predicción del tiempo? ¿Qué es el efecto mariposa?
Imagen parte superior: cumulus en las inmediaciones de Valdemorillo. Fotografía de J UAN C ARLOS G ARCÍA C OLOMBO.
xxxvi Física del caos en la predicción meteorológica Prefacio
En este libro hemos conseguido reunirnos un amplio por el libro con numerosos enlaces entre distintos ca-
elenco de especialistas en distintos aspectos de la pre- pítulos, para tirar del hilo cuando resulte interesante
dicción del tiempo y el clima, con la intención de dar pero, en cualquier caso, cada capítulo puede leerse
algunas respuestas al lector a las preguntas formuladas de forma independiente. La pretensión última no es
en el encabezamiento, ampliando, como mínimo su brindar una obra para que se lea de corrido, sino más
cultura sobre el mundo de la predicción y ayudándole bien leerla poco a poco o acudir a ella como referencia
a formular preguntas con mas precisión y más pro- de consulta para temas específicos.
piedad. Intentamos transmitir aquí un conocimiento
y una experiencia profesionales en temas que están
Para el lector que se acerque al libro como obra de di-
evolucionando rápida y vigorosamente, y que creemos
vulgación, como decíamos, intentaremos dar algunas
pueden tener una relevancia creciente en la ciencia,
respuestas a las preguntas formuladas en el encabeza-
en la técnica y en la sociedad.
miento. Para poder encontrar juntos esas respuestas
Intentamos cubrir un abanico amplio de intereses. Por adecuadamente, empezaremos por aproximar al lector
un lado, el libro va dirigido al público interesado en al mundo de las ciencias atmosféricas, la meteorolo-
la ciencia, la tecnología y la meteorología, pensando gía, los sistemas de observación como los satélites y
en la predicción en particular, por lo que en parte del la predicción del tiempo y el clima. Estas últimas en
texto predominará el estilo divulgativo. Ahora bien, la actualidad se apoyan enormemente en los modelos
no queremos dejar de saciar la curiosidad de aquellos atmosféricos, en los que no hace mucho se ha introdu-
especialistas o afines interesados en profundizar más cido la física del caos para conseguir resultados más
o consultar detalle técnico, de modo que alternaremos realistas. Se da, por tanto, una introducción adecuada
con un estilo diferente, con la intención de aportar al mundo de la predicción y de los modelos atmosféri-
rigor y fundamento científico y técnico, quizá algo cos, con un repaso histórico y la situación actual, así
más difícil de abordar para el lector interesado en como, de una manera muy sencilla, a la física del caos.
divulgación, pero sin duda enormemente interesante. El lector puede aproximarse así a entender el llamado
Para ayudar en ese sentido, en cuadros grises con letra problema de la predecibilidad, donde se plantean las
pequeña se incluye contenido especialmente técnico limitaciones básicas de la predicción del tiempo. Se
pero no imprescindible para seguir el hilo conduc- abordan después los fundamentos de los sistemas de
tor del libro. Pensando en ese segundo grupo, el de predicción que atacan actualmente el problema de la
los especialistas o afines, cubrimos una importante predecibilidad: los sistemas de predicción por con-
laguna bibliográfica en nuestro idioma en materia de juntos (SPC). Su aplicación a la predicción basada en
predicción probabilista y sistemas de predicción por probabilidades se denomina, por ende, predicción pro-
conjuntos. Intentar satisfacer a ese amplio abanico de babilista. La evaluación del funcionamiento de estos
lectores es un reto y, sabedores del riesgo que corre- sistemas se examina después con cierto detalle, así
mos con el peligro de no llegar finalmente a nadie, como algún otro aspecto, como el posproceso estadís-
aceptamos el reto con mucha precaución y enorme tico de los mismos. Se examinan con detalle algunos
ilusión. de los más importantes SPC en el mundo y en Espa-
ña, dedicando capítulos especiales a México y Reino
Para el lector especializado, intentamos abarcar una Unido. Se pasa entonces a describir, en diferentes ám-
serie de aspectos muy distintos relacionados con el bitos y distintas escalas de tiempo, las aplicaciones
emergente mundo de la predicción probabilista, desde de la predicción probabilista: corto y medio plazo (de
los científicos y técnicos, pasando por los filosóficos o 1 día a 2-3 semanas), largo plazo (mensual, estacio-
prácticos, hasta llegar a los económicos, sociales y hu- nal y anual) y proyecciones climáticas (décadas en
manos. De ahí que hayamos buscado la participación adelante); herramientas para predicción de fenóme-
de diferentes expertos en temas muy específicos. Se nos adversos, predicción de energía eólica o solar,
trata, por ende, de un libro escrito como compendio de etc. A la importancia de los SPC en el Mediterráneo
capítulos de muchos y muy diversos autores. Si bien se dedica un capítulo especial. Tanto Portugal como
hemos procurado que se pueda seguir un hilo conduc- Argentina tienen capítulos específicos, examinando
tor y mantener unas ideas generales como telón de las aplicaciones de los SPC en estos países. Después
fondo, homogeneizando para ello la terminología y se reserva una parte entera a la comunicación de la
el formato hasta cierto punto, hemos respetado hasta probabilidad y la incertidumbre en la sociedad, los
otro punto el estilo narrativo de cada autor o autores. sistemas de alerta y otros asuntos de impacto social.
Hemos intentado enriquecer y facilitar la navegación Acto seguido se aborda una serie de casos de fenóme-
xxxvii
nos meteorológicos, tanto singulares como ordinarios, se acepte la idea de unos límites en la predecibili-
para ilustrar la aplicación de los SPC en la predicción dad atmosférica y que a partir de ahora se vean la
de corto y medio plazo. Finalizamos la obra con las probabilidad y la predecibilidad como ingredientes
conclusiones y prospectivas de futuro para la predic- naturales en la predicción del tiempo. Esperamos tam-
ción probabilista basada en física del caos, que supone bién cubrir una laguna bibliográfica en estos temas de
un nuevo paradigma en el mundo de la predicción. En la predicción probabilista y los sistemas de predicción
los anexos se cubren ciertos aspectos que completan por conjuntos, ofreciendo una referencia de consulta
algunas de las perspectivas abordadas. La parte que medianamente completa, con un nivel adecuado de
sigue está dedicada a la memoria de tres compañeros, profundidad, amplitud y detalle.
ya fallecidos, que trabajaron en estos sistemas. Ofre-
cemos finalmente a los lectores una gran cantidad de Dedicamos este libro a tres compañeros de AEMET
referencias y lecturas recomendadas para profundi- que, de un modo u otro, estuvieron involucrados en ta-
zar en diversos aspectos de este apasionante tema, así reas de investigación y desarrollo tratadas en el mismo
como un índice analítico y un glosario que pueden y que, tristemente, ya no están con nosotros. A NTO -
facilitar la lectura de una obra de este tamaño. NIO M ESTRE BARCELÓ , meteorólogo todoterreno,
experto en climatología y predicción estadística, parti-
La Figura 1 ofrece un mapa del libro, para orientar cipó en la introducción de la predicción probabilista
en su lectura, según los diversos tipos de interés en el en AEMET y estuvo presente en una primera reunión
mismo. Los rectángulos, elipses o triángulos pueden del Grupo de Predecibilidad con E UGENIA K ALNAY.
ser capítulos o partes enteras. Aunque el nivel técnico R AFAEL A NCELL T RUEBA, meteorólogo cántabro y
o científico de cada capítulo es algo relativo o incluso amigo, colaborador activo con la Universidad de Can-
subjetivo, hemos intentado orientar al lector con co- tabria, experto en análisis estadístico, climatología y
lores: gamas de grises corresponden a capítulos muy predicción, colaboró también con el Grupo de Pre-
descriptivos, muy técnicos o de dificultad considera- decibilidad. Ó SCAR G ARCÍA C OLOMBO, «C UCO»,
ble. Otras gamas de colores están relacionadas con meteorólogo, mente privilegiada, amigo del alma, ex-
diferentes aspectos de interés y, aunque puedan incluir perto en supercomputación, predicción y modelos,
alguna dificultad, esperamos que ésta sea puntual. participó un tiempo en el Grupo de Predecibilidad.
Hemos recuperado textos escritos o protagonizados
Esperamos de corazón que su lectura resulte entrete- por ellos para componer sendos capítulos. Dedicando
nida e interesante, que se conozca el caos como parte este libro a su memoria, los mantenemos vivos en
integrante de nuestra concepción de la naturaleza, que nuestros corazones.
Figura 1: Mapa del libro.

Prólogo de Eugenia Kalnay
E UGENIA K ALNAY
::chapaginaini::0::XXXIX::
Distinguished University Professor, Universidad de Maryland

Ex Directora del Environmental Modeling Center de NCEP
Transparencia original de E DWARD N ORTON L ORENZ de

2006, cuando contaba con 89 años de edad.
Cortesía de M ILIJA Z UPANSKI
No tengo palabras para expresar la alegría que me ha dado explorar el libro Física del caos en
la predicción meteorológica, editado por C ARLOS S ANTOS B URGUETE, y con muchas decenas
de científicos que han contribuido a crear una enciclopedia sobre meteorología y el pronóstico de
conjuntos que no tiene paralelo en ningún idioma. En realidad es mucho más que una enciclopedia, y
mucho más que un libro de texto sobre meteorología y pronósticos de conjuntos.
Imagen parte superior: cumulonimbus capillatus incus. Usanos (Guadalajara), hacia el norte, 18 de mayo de 2007, a las 18:26. En esta
fotogénica estampa primaveral, el maduro y brillante Cb capillatus incus destaca sobre los bucólicos campos verdes de Castilla en el
mes de mayo. Se aprecian en primer plano dos células independientes compartiendo un mismo yunque, seguramente como resultado de
una fusión previa de éstos en un momento anterior a la toma. La torre del Cb de la izquierda “perfora” el yunque, que posiblemente se
encontraba situado al nivel de la tropopausa, emergiendo por encima un torreón, también llamado “overshooting-top”. Fotografía de
J OSÉ A NTONIO Q UIRANTES C ALVO.
XL Física del caos en la predicción meteorológica Prólogo de Eugenia Kalnay
El libro ha logrado reunir un equipo de investigadores conseguido una atmósfera de trabajo multicultural,
que son no sólo expertos en diversas áreas de me- abierta y creativa (y suficientemente financiada), que
teorología y el pronóstico numérico del tiempo, sino algún viento debería extender por todo el continente.
que evidentemente aman la ciencia que practican y la Yo estoy muy de acuerdo, y le agregaría y por todo el
discuten con claridad y entusiasmo para un público mundo.
lector que no necesita conocer la ciencia presentada
para comprender la discusión. El sistema GLAMEPS, un ensemble regional europeo
basado en los modelos HIRLAM y ALADIN, y ejecu-
La organización del libro es muy atractiva: tiene 8 tado en el Centro Europeo es descrito en el capítulo
partes que incluyen 60 excelentes capítulos, desde 20.
la Introducción hasta las Conclusiones, seguidos por
muchos Anexos ¡que son todavía más interesantes! El capítulo 21 está dedicado al Sistema de Predicción
por Conjuntos hecho en España, el AEMET-SREPS,
Para preparar este prólogo, yo comencé ojeando el y lo siento muy cerca de mi corazón. Tuve la suerte
libro y pronto me atrajo el Capítulo 7 de la parte de de que AEMET me invitó en octubre del 2002 a pa-
Fundamentos: Satélites Meteorológicos, por C ECILIA sar un par de días en Madrid con sus científicos para
M ARCOS M ARTÍN. Me di cuenta enseguida que me discutir estrategias para crear un buen SPC regional.
podría pasar muchas horas (y me las pasé) mirando En esa época yo había completado un trabajo en la
solamente esta sección, sobre un tema en el que yo no Universidad de Oklahoma denominado SAMEX, con
estoy especializada. El capítulo empieza con una ima- D INGCHEN H OU y K ELVIN D ROEGEMEIER [306]
gen sobrecogedora del ciclón tropical Donna, tomado donde nuestra conclusión principal fue que un ensem-
por el satélite Himawari (geoestacionario japonés). ble basado en múltiples modelos y múltiples análisis
Una de las atracciones de este libro es que cada una producía pronósticos claramente superiores a los ob-
de sus extraordinarias fotografías (como por ejem- tenidos por un ensemble basado en un solo sistema
plo la que introduce este prólogo), está acompañada donde se agregan perturbaciones. La razón para este
por una cuidadosa explicación sobre lo que la foto resultado es fácil de comprender: cada centro trata
muestra, con los detalles que pueden interesar y sede diseñar un sistema para que sea uno de los mejo-
ducir tanto a los estudiantes como a los especialistas. res del mundo, si no el mejor, usando ideas nuevas y
Los satélites geoestacionarios, de órbita polar y hasta diferentes. Como resultado, las diferencias entre los
los satélites que inventaron en Rusia donde, por estar sistemas representan de la manera más realista posible
en latitudes altas, necesitan usar una órbita especial las incertidumbres que existen hoy en día en la deter-
llamada Molinya, están explicados de manera cuida- minación de las condiciones iniciales y de los errores
dosa pero sencilla. El libro introduce igualmente bien en los modelos atmosféricos, mejor de lo que es posi-
muchas otras áreas de la meteorología. ble hacer usando simplemente un método estocástico.
En realidad, este resultado reforzaba una experiencia
El tema central del libro, los Sistemas de Predicción que tuvimos mucho antes en pronosticar la calidad
por Conjuntos (SPC) es introducido por el editor muy del pronóstico. En NCEP creamos un sistema mul-
claramente en el Capítulo 13. Le siguen dos capítulos timodelo para predecir la calidad del pronóstico en
sobre el posprocesamiento estadístico y los métodos el que el principal predictor era el acuerdo entre los
de verificación probabilista. pronósticos de distintos modelos (M C C ALLA Y K AL -
NAY 1988 [424], W OBUS Y K ALNAY 1995 [692]).
El capítulo 19, dedicado al Centro Europeo de Pre- Para eso usamos los pronósticos de ECMWF, Japón
dicción a Medio Plazo (ECMWF), da una versión y el Reino Unido, que comenzaban a las 12 UTC, y
actualizada y clara sobre los progresos más recientes el promedio de dos pronósticos sucesivos de NCEP
en el Centro reconocido como el mejor del mundo, que empezaban a las 00 UTC. El acuerdo entre estos
e indica que la Directora General del ECMWF, así cuatro pronósticos con el pronóstico de NCEP a las
como el presidente del consejo del Centro Europeo, 00 UTC (medido por la correlación de la anomalía,
atribuyen el éxito del Centro, y las mejoras futuras a AC), comenzando a las 12 UTC, se usaba para pre-
su mayor colaboración, algo que es realmente cierto, decir la calidad del pronóstico de NCEP. Casi todo la
y siempre me ha impresionado. Es notable que las dos calidad del pronóstico dependía del acuerdo entre los
coautoras (una española, otra italiana) de este capítulo cuatro pronósticos anteriores y el pronóstico nuevo,
también son mujeres. El capítulo concluye diciendo: medido con la AC, y promediados. Como sugirieron
Los científicos del tiempo (en El Centro Europeo) han DALCHER Y K ALNAY (1988 [151]), la calidad del
XLI
pronóstico se medía separadamente para cada región mientos eran comparables, excepto en las épocas de
de 60º de longitud y 30º de latitud. Los resultados en mayor actividad convectiva, como en el verano, en las
general fueron excelentes, con una correlación entre que SREPS era claramente más útil.
las predicciones de AC y las verificaciones promedia-
das en el tiempo variando entre cerca de 70 % en el día Naturalmente, aunque fue muy pionero y exitoso, el
3.5 a cerca del 40 % en el último pronóstico (5.5 días). sistema SREPS no podía continuar «congelado» en
Pero un resultado inesperado fue que después de las una resolución de 25 km como modelo de predic-
primeras 12 horas, el pronóstico de consenso (o sea el ción de escalas subsinópticas con énfasis en fenóme-
promedio de los cuatro pronósticos) tenía una AC que nos convectivos. Así que un nuevo sistema llamado
superaba la del pronóstico del mejor de los modelos γSREPS fue creado (capítulo 22), donde el símbolo
(del Centro Europeo), mostrando la importancia de γ representa la escala subsinóptica introducida por
combinar diferentes modelos y condiciones iniciales. I SIDORO O RLANSKI [477], un famoso meteorólogo a
quien conocí cuando ambos éramos estudiantes en la
Así que en mi charla en AEMET les recomendé que Universidad de Buenos Aires.
aprovecharan la ventaja de que en Europa había ac-
ceso a varios modelos y condiciones de borde de mo- Me admira el cuidado científico que los autores han
delos globales, que eso les daría una ventaja sobre invertido en testear la mejor metodología para el nue-
otros sistemas de conjunto regionales. El sistema que vo sistema, y me alegra que hayan llegado a la misma
desarrollaron, AEMET-SREPS, está muy bien des- metodología óptima que para el SREPS original: un
crito en el Capítulo 21, y en un artículo excelente sistema con multimodelos y multi condiciones de con-
cuyo primer autor, J OSÉ A NTONIO G ARCÍA -M OYA torno. También me parece muy sensata la decisión de
lideró el proyecto [221]. SREPS fue extremadamen- testear el reemplazo del uso de condiciones iniciales
te bien diseñado (ver Tabla 21.1): El SREPS (en su creadas por los modelos globales por una asimilación
periodo de madurez, del 2009 al 2014) corría 5 mo- propia basada en el elegante método LETKF, creado
delos regionales de resolución de aproximadamente por B RIAN H UNT [310] en la Universidad de Mary-
25 km, con condiciones iniciales y de borde provis- land.
tas por 5 modelos globales. De esta manera lograron
tener 25 miembros del ensemble regional donde las En resumen, quiero expresar mi agradecimiento, en
incertidumbres de los modelos, así como las incerti- nombre de todos los interesados en la meteorología,
dumbres de las condiciones iniciales y las de borde, a los autores de este fantástico libro que va llenar un
eran muestreadas de la manera más realista posible. gran hueco tanto en la literatura meteorológica como
El rendimiento de los pronósticos fue cuidadosamen- en la literatura hispánica, y pienso pasar muchas horas
te comparado con un sistema más convencional, del más aprendiendo de los otros capítulos. Especialmen-
Centro Europeo, llamado ECENS, con 50 miembros te quiero agradecer que este libro tan importante haya
(el doble que SREPS), pero una resolución más baja, sido hecho accesible gratuitamente en versión digital
de 50 km. La comparación concluyó que los rendi- para todos los hispanohablantes del mundo.
Maryland, 2018
Eugenia Kalnay
Prólogo de Ángel Rivera
Á NGEL R IVERA
::chapaginaini::0::XLIII::
Ex Meteorólogo del Estado, AEMET

Miembro fundador de ACOMET
La duda no es una condición placentera, pero la certeza es absurda.

Carta a Federico II de Prusia, 06-04-1767 – VOLTAIRE
Hace ya muchos años conversaba con un viejo campesino manchego, amante y practicante de la meteorología
popular, y le contaba los entonces nuevos métodos científicos de predicción meteorológica. Me escuchaba con
interés, diría casi que con reverencia, y me dijo que él podía entender que algunas veces nos equivocáramos.
"Ustedes hacen sus cálculos", me decía, y añadía "pero claro. . . ¿y si luego les cambia el viento?".
Creo que en un primer momento no llegué a comprender la profundidad de ese comentario y más bien pensé en
el gran desconocimiento de aquel hombre sobre cómo predecíamos. Pero después, cuando trabajaba todavía con
métodos de la meteorología sinóptica, me daba cuenta de que, en el fondo, esa era nuestra gran preocupación:
¿Eran correctos los datos que utilizábamos y en los que íbamos a basar nuestra predicción? ¿Habría cambiado
alguno de ellos rápidamente tras la observación?... Cuando en los mapas del Atlántico dibujábamos una profunda
vaguada, que seguramente acabaría dando lugar a lo que ahora llamamos "DANAS", mirábamos y remirábamos
el único dato que a veces teníamos de la corriente descendente del chorro, porque de su exactitud iba a depender
en gran medida nuestro mapa previsto o nuestra predicción sobre la creación y ubicación de esa DANA. Y la
pregunta rondaba dentro de nosotros. . . ¿Y si ese viento. . . no es ese viento? ¿Y si ha cambiado justo después de
la observación?... Es decir ¿Y si ese estado inicial del que parto, no es correcto?
Imagen parte superior: altocumulus stratiformis. Cabo de Fisterra (Finisterre, A Coruña), hacia el suroeste, 7 de noviembre de 2012, a
las 14:24. Fotografía de J OSÉ A NTONIO Q UIRANTES C ALVO.
XLIV Física del caos en la predicción meteorológica Prólogo de Ángel Rivera
Convencidos de nuestra vulnerabilidad buscábamos con el modelo del Centro Europeo hizo que éste se
otros refuerzos. A partir de nuestros propios análi- fuera imponiendo.
sis, o de los que ya empezábamos a recibir por fac-
símil, buscábamos manualmente en los archivos, en Unos veinte años más tarde, a mediados de los 90, em-
un esfuerzo que ahora reconozco como titánico, tres, pezamos a hablar de la predicción "ensemble" o por
cuatro o cinco situaciones "parecidas" para ver como conjuntos. Aquello, en principio, sonaba muy bien.
habían evolucionado; es decir, partíamos de tres o Al fin nuestras probabilidades subjetivas iban a ser
cuatro análisis ligeramente distintos y estudiábamos objetivas y nuestros fallos iban a disminuir mucho.
sus diferentes evoluciones. El trabajo era muy duro Sin embargo los comienzos fueron difíciles. Había
-literalmente muy pesado- por los gruesos volúmenes que manejar ahora grandes cantidades de información
de mapas a manejar y como puede imaginarse muy y desarrollar productos a medida a partir de los datos
poco productivo. más o menos "brutos" que enviaba el Centro Euro-
peo. Gracias al duro trabajo de varios compañeros,
Pero, en cualquier caso, lo que me interesa reseñar que con sus idas y venidas al Centro iban abriendo
es que, ya desde la época sinóptica, el predictor era paso, los "conjuntos" comenzaron a ser utilizados en
muy consciente de la importancia de las condiciones la operatividad diaria. Tardamos tiempo en asimilarlos
iniciales y si era muy experimentado, tenía una idea y utilizarlos correctamente porque para ello había que
de hacia qué "escenarios" le podían llevar unos datos tener una formación estadística de un cierto nivel que
u otros. . . O unos errores u otros. no todos poseíamos. Pero una vez que lo habíamos
conseguido, al menos parcialmente, la pregunta era
Al final, uno se iba hacia los mapas previstos hemisfé- ¿Y ahora qué?
ricos de "500 mb" a 36, 48 y 72 horas que recibíamos
por fax desde la NOAA. La verdad es que el previsto Ahora había que saber cómo contarlo, y ahí empe-
a 72 horas casi ni lo mirábamos por la baja fiabilidad zaban las grandes dificultades. No había un "cuerpo
que nos daba, salvo en situaciones anticiclónicas. Y de doctrina" para la comunicación de la predicción
entre estos mapas de altura, los previstos de superficie probabilista y lo más que se podía hacer era explotar
ingleses y franceses y nuestras propias conclusiones del mejor modo posible los conceptos de "posible" o
sinópticas, elaborábamos las predicciones, pero siem- "probable", sin estar del todo seguros de que se com-
pre con el interrogante en la cabeza. . . ¿Y si el análisis prendieran adecuadamente. Pero, en el fondo, creo
no estaba bien? que experimentábamos unas resistencias internas pro-
venientes del supuesto rechazo del público a este tipo
Y ese interrogante había que convertirlo a veces en de predicciones y a la dificultad de comprenderlas y
una predicción probabilista. No lo recuerdo con mu- comunicarlas correctamente.
cho detalle pero sí que, dos o tres veces por semana, se
hacía un pronóstico de precipitación para una empresa La primera resistencia tenía una fácil argumentación:
eléctrica en el que había que establecer la probabili- ¿Cómo se va a entender que, tras tanto tiempo de ofre-
dad porcentual de que la cantidad prevista estuviera cer predicciones "casi" categóricas, pasemos ahora a
en cada uno de los tres intervalos establecidos. ¿Cuál hablar de las probabilidades de que suceda una cosa
era la metodología? La experiencia del predictor. u otra? Los comentarios irónicos y las críticas van a
surgir por todos sitios, la confianza en meteorología y
Cuando empezaron a llegar a mediados de los setenta, meteorólogos decaerá, y ese público buscará a quienes
de una forma más o menos operativa, los mapas del ofrezcan predicciones categóricas. . . ¿Para qué correr
Centro Europeo y pasaron las primeras decepciones riesgos si además los modelos deterministas son cada
que originaban la entonces bajísima resolución del vez mejores, al menos hasta tres o cuatro días de pla-
modelo y los todavía poco depurados contorneos auto- zo? . . . . Y, por otra parte, aún aceptándolas. . . ¿las va
máticos, empezamos a hacer el "ensemble de hombre a entender correctamente el público?... ¿No habría que
pobre" comparando con la NOAA a la que ya está- llevar a cabo un esfuerzo "pedagógico" muy difícil de
bamos más acostumbrados. Salvo en situaciones anti- realizar en una sociedad tan diversificada?
ciclónicas, raras veces coincidían a más de 48 horas.
¿Qué se hacía? Pues en los primeros tiempos confiar El tiempo fue pasando sin grandes convencimientos
más en el modelo más conocido, el de NOAA, hasta ni muchos avances prácticos, pero ya en los primeros
que poco a poco la calidad y la creciente experiencia años de este siglo estaba claro -y era comúnmente
XLV
aceptado- que la predicción probabilista era el me- y la Agencia Estatal de Meteorología. El resultado fue
jor producto que se puede ofrecer a los usuarios, la un éxito, pero la falta de acceso de los comunicadores
"mayor verdad científica" respecto al tiempo que va a productos probabilistas dejó sin continuidad lo que
a hacer. También han ido creciendo en gran medida podría haber sido un excelente punto de arranque para
los recursos dedicados a esta predicción por parte del su uso generalizado.
Centro Europeo, con productos cada vez más sofis-
ticados y útiles. Y sin embargo no se puede negar Por otra parte, la presencia en las redes sociales de
que aunque se utiliza internamente cada vez más en aficionados a la meteorología crece de forma impa-
los centros de predicción así como para el servicio a rable. Los hay de todo tipo, pero sorprende ver los
algunos usuarios muy específicos, al público, al gran profundos conocimientos científicos y meteorológi-
público, prácticamente no ha llegado. cos de un buen número de ellos, y cómo de alguna
manera, van formando a muchas otros. Estoy seguro
Ahora, en el 2017, cuando escribo estas líneas, la que, si tuvieran acceso libremente a estos productos
situación es como mínimo curiosa. Junto a ese desco- y a algún tipo de asesoría, habrían volcado en ellos
nocimiento y falta de uso por parte de gran parte de sus conocimientos y su creatividad. De esta forma
la sociedad, el Centro Europeo anuncia que, dentro serían ya conocidos e incluso reclamados por amplios
de sus planes estratégicos para la próxima década, su sectores sociales, sobre todo los más jóvenes, donde
prioridad básica será la predicción probabilista. Al las redes tienen más penetración y donde no creo que
mismo tiempo, ésta se extiende ya, -como no podría se experimentase rechazo a ellos, más bien creo que
ser de otro modo- al campo de los modelos de muy al- lo contrario.
ta resolución y, por tanto, a la predicción a corto y muy
corto plazo orientada sobre todo hacia los fenómenos Si todo esto se llevara a cabo, estoy seguro de que
atmosféricos adversos. acabaría cayendo el mito de que al público no le in-
teresa la predicción probabilista. La realidad es que no
Pues bien, en este contexto, resulta paradójico que, al la conoce, o conoce ideas sesgadas o planteamientos
tiempo que se avanza a toda velocidad en los desarro- inadecuados. Si las cosas se cuentan bien, con pro-
llos científicos, no parece existir interés en formar e ductos adecuados, y transmitiendo las ventajas que
informar a la sociedad sobre su uso y en avanzar en supone este enfoque, ese público lo aceptará y sacará
técnicas adecuadas de comunicación. La, a mi juicio, mucho provecho de ello en su vida diaria.
restrictiva política de datos del Centro Europeo da
lugar a que los productos probabilistas no se utilicen Creo por tanto que, donde hay que vencer las resisten-
ni casi se conozcan al menos por dos comunidades cias es en el seno de la propia comunidad meteorológi-
que podrían ayudar en gran medida a su difusión y ca. Y pienso que debe hacerlo también por su propio
comprensión: los comunicadores meteorológicos y las interés. Desde hace ya varios años se viene discutien-
redes sociales. do sobre el papel de los Servicios Meteorológicos
oficiales en un mundo en rapidísima evolución, tanto
Los comunicadores meteorológicos tienen un gran tecnológica como comunicativa. No caben ya cotos
poder de penetración en amplios sectores de la po- cerrados, ni informaciones o saberes exclusivos, sino
blación que casi los considera como parte de su en- el libre uso de informaciones de alto interés público
torno familiar. Las posibilidades de formar e informar, aportando, eso sí, cada organización su propio valor
aún limitadas muchas veces por cuestiones de tiempo, añadido, su asesoría específica, sobre unos productos
son muy grandes. Sin embargo, este colectivo tiene básicos que deben estar al alcance de todos. Si no lo
un difícil acceso a este tipo de predicciones ya que hacen, otras organizaciones de carácter comercial lo
sus empresas no están dispuestas a pagar dinero por asumirán y los primeros movimientos en este senti-
un producto que el público no demanda –porque no do ya se están viendo. En este contexto, el papel de
conoce- y que, en principio, suscita un cierto rechazo. los Servicios Meteorológicos iría decayendo cada vez
Se necesitaría además que las instituciones meteoro- más, dando paso posiblemente en muchos sitios a una
lógicas hicieran un cierto esfuerzo de formación de privatización de sus actividades y productos.
estos comunicadores y les brindara un cierto apoyo
durante un tiempo. A este respecto quiero recordar No creo que deba ser así. Pienso que los Servicios
que, hace pocos años, se llevó a cabo un interesante Meteorológicos oficiales deben subsistir y asegurar en
seminario sobre este tema organizado por la Asocia- los productos meteorológicos básicos –y la predicción
ción de Comunicadores Meteorológicos (ACOMET) probabilista es uno de ellos- los intereses comunes de
XLVI Física del caos en la predicción meteorológica Prólogo de Ángel Rivera
la población en meteorología y clima. Deben hacerlo muy importante en la comprensión y divulgación de

con cercanía, con ganas de "llegar", con el interés de la predicción probabilista.
ser comprendidos y hasta si se me permite, "queridos"
por ellos. Y, por supuesto, esa cercanía, esa "compli- Sin embargo, no se puede «poner la miel en los labios»
cidad", debe ser mayor si cabe con comunicadores y a continuación retirarla. Espero que AEMET pueda
y aficionados, los mejores vectores para llegar a los ayudar a que el Consejo del Centro Europeo entienda
sectores más amplios de la sociedad. la importancia de una mayor liberalización de sus pro-
ductos probabilistas, y más aún teniendo en cuenta su
En este contexto, creo que este libro es un significativo apuesta total por este tipo de predicción. También para
avance en este sentido. Conozco bien tanto al coordi- AEMET es un reto -pero también una oportunidad de
nador como a buena parte de los autores participantes oro- difundir estos productos hasta donde las reglas
y sé que comparten muchas, si no todas, estas ideas. de juego se lo permitan y, al tiempo, comprometerse
Además, el hecho de su patrocinio y publicación por en un programa de formación para comunicadores,
parte de AEMET, le otorga un peso y una significación aficionados y personas interesadas. Este libro debe
muy importante. Es un texto que va a ser muy útil a reconocerse ya como paso importante que espero que
muchos lectores y que va a significar un paso adelante sea seguido por otros muchos en esta dirección.
Madrid, 2017
Ángel Rivera
Lista de autores
::chapaginaini::0::XLVII::
Contribuciones
S ANTOS B URGUETE , Centro Nacional de Predicción (CNP), csantosb@aemet.es

C ARLOS Agencia Estatal de Meteorología (AEMET)
AGUADO M ARTÍN , Área de Predicción Operativa (APRO), faguadom@aemet.es
F ELISA AEMET
A LDECO , L. Servicio Meteorologico Nacional, Ministerio aldeco@smn.gov.ar
de Defensa (SMN), Argentina
A LEJO H ERRERA , C RISTO Delegación territorial (DT) Canarias, calejoh@aemet.es
J. AEMET
A NCELL T RUEBA , DT Cantabria, AEMET -
R AFAEL †
A RMENGOT S ERRANO , Ex predictor en DT en Valencia, AEMET rafarmengot@yahoo.es
R AFAEL
B ERENGUER , M ARC Centre de Recerca Aplicada en marc.berenguer@crahi.upc.edu
Hidrometeorologia (CRAHI), Universidad
Politécnica de Catalunya (UPC)
B ULLÓN M IRÓ , J OAN DT Cataluña, AEMET jbullonm@aemet.es
C ARLES
B URGUETE O RS , B ERTA Antropóloga y Filósofa bertazzero@yahoo.dk
C ALLADO I PALLARE Ś , DT Cataluña, AEMET acalladop@aemet.es
A LFONS
Imagen parte superior: altocumulus stratiformis undulatus perlucidus, Arganda (Madrid), 30 de octubre de 2005, a las 13:32, foto de
XLVIII Física del caos en la predicción meteorológica Lista de autores
C ALVO S ÁNCHEZ , Área de Modelización (AMOD), AEMET fcalvos@aemet.es

F RANCISCO JAVIER
C AMPINS P ONS , J OAN DT Illes Balears, AEMET jcampinsp@aemet.es
C ARRETERO P ORRÍS , APRO, AEMET ocarreterop@aemet.es
O LINDA
C ATALINA F ELIÚ , Departamento de Ingeniería Informática alejandro.catalina@estudiante.uam.es
A LEJANDRO (DII) e Instituto de Ingeniería del
Conocimiento (IIC), Universidad Autónoma
de Madrid (UAM)
C HAZARRA B ERNABÉ , Área de Climatología y Aplicaciones achazarrab@aemet.es
A NDRÉS Operativas (ACAO), AEMET
C OMPTE ROVIROLA , DT Cataluña, AEMET mcompter@aemet.es
M ARC
C OSTA , VANDA Divisão de Previsão Meteorológica, vanda.costa@ipma.pt
Vigilância e Servios Espaciais (DPMVSE),
Instituto Português do Mar e da Atmosfera
(IPMA)
C UEVAS TASCÓN , DT Cataluña, AEMET gcuevast@aemet.es
G ABRIELA
D ÍAZ BÁRCENA , APRO, AEMET fdiazb@aemet.es
F RANCISCO JAVIER
D IEHL , A. Computer Science Department - Data diehl@dbvis.inf.uni-konstanz.de
Analysis and Visualization Group
(CSD-DAVG), Universidad de Constanz,
Alemania
DO A MARAL B URGHI , Institute of Solar Research, Deutsches Ana.doAmaralBurghi@dlr.de
A NA C AROLINA Zentrum für Luft und Raumfahrt e.V.
(Agencia Aeroespacial Alemana) (DLR),
Stuttgart, Alemania
D OBLAS -R EYES , Institució Catalana de Recerca i Estudis francisco.doblas-reyes@bsc.es
F RANCISCO JAVIER Avanats (ICREA), Barcelona
Supercomputing Center-Centro Nacional de
Supercomputación (BSC)
D ORRONSORO , J OSÉ R. DII e IIC, UAM jose.dorronsoro@uam.es
E LVIRA M ONTEJO , APRO, AEMET belviram@aemet.es
B ENITO
E SCRIBÀ AYERBE , PAU DT Cataluña, AEMET pescribaa@aemet.es
F ERNÁNDEZ M ATÍA , Área de Técnicas y Aplicaciones de afernandezm@aemet.es
A LBERTO Predicción (ATAP), AEMET
F ERNÁNDEZ -C AÑADAS Observatorio de Navacerrada, AEMET jfernandezcanadasl@aemet.es
L ÓPEZ -P ELÁEZ , J UAN
A NTONIO
F LORES H ERRÁEZ , C ELIA ACAO, AEMET cfloresh@aemet.es
M ILAGROS
F UERTES M ARRÓN , Instituto de Energía Solar (IES), Escuela dfuertes@ies.upm.es
DAVID Técnica Superior de Ingenieros de
Telecomunicaciones (ETSIT), Universidad
Politécnica de Madrid (UPM)
G ALLARDO F ERNÁNDEZ , Área de Teledetección (AT), AEMET jgallardof@aemet.es
J OSÉ M IGUEL
XLIX
G ARCÍA H ERRERA , Departamento de Astrofísica y Ciencias de rgarciah@fis.ucm.es

R ICARDO la Atmósfera; Instituto de Geociencias
UCM-CSIC (DACA+IG), Universidad
Complutense de Madrid (UCM)-Consejo
Superior de Investigaciones Científicas
(CSIC)
G ARCÍA M ÉNDEZ , Ex Meteorological Analyst, European antoniogarciamendez123@btinternet.com
A NTONIO Centre for Medium-range Weather Forecasts
-Centro Europeo de Predicción a Plazo
Medio- (ECMWF)
Ex ATAP, AEMET
G ARCÍA -M OYA Z APATA , Ex Meteorólogo, Área de Innovación (AI), jojangmz@gmail.com
J OSÉ A NTONIO AEMET
G ARCÍA S KABAR , Y. SMN, Instituto Franco-Argentino para el estudio yanina@smn.gov.ar
del clima y sus impactos,
CNRS-CONICET-UBA, Argentina
(UMI-IFAECI), Argentina
G HELLI , A NNA International Liaison Officer, ECMWF anna.ghelli@ecmwf.int
G IL O LIVA , DAVID DT Cataluña, AEMET dgilo@aemet.es
G ÓMEZ M OLINA , ATAP, AEMET mgomezm@aemet.es
M ARCOS
G ONZÁLEZ H ERRERO , DT Cataluña, AEMET sgonzalezh@aemet.es
S ERGI
G ONZÁLEZ ROUCO , DACA+IG, UCM-CSIC fidelgr@fis.ucm.es
F IDEL
G ONZÁLEZ S ANTANA , DT Canarias, AEMET pgonzalezs@aemet.es
P INO
G UERRERO P ERALTA , Unidad de Teledetección Terrestre, AEMET iguerrerop@aemet.es
I MANOL
G UTIÉRREZ N ÚÑEZ , J OSÉ Unidad de Teledetección Terrestre, AEMET jgutierrezn@aemet.es
M IGUEL
G UTIÉRREZ RUBIO , Área de Información Meteorológica y dgutierrezr@aemet.es
D ELIA Climatológica (AIMC), AEMET
H IERRO C ARNICERO , DT Galicia, AEMET jhierroc@aemet.es
J OSÉ
H IRSCH , T OBIAS Institute of Solar Research, DLR, Stuttgart, Tobias.Hirsch@dlr.de
Alemania
H OMAR S ANTANER , Grupo de Meteorología, Universidad Illes victor.homar@uib.cat
V ÍCTOR Ballears (UIB)
H ONTORIA H ERNÁNDEZ , CNP, AEMET lhontoriah@aemet.es
L UIS
JANSÀ C LAR , AGUSTÍ Grupo de Meteorología, UIB agusti.jansa@gmail.com
K ALNAY, E UGENIA Universidad de Maryland ekalnay@atmos.umd.edu
K ULMER , M ARTIN Department of Forecasting Models (DFM), martin.kulmer@zamg.ac.at
Zentralanstalt für Meterologie und
Geodynamik, Austria, www.zamg.ac.at
(ZAMG), Austria
L ÓPEZ M OYANO , RTVE monica.lopez@rtve.es
M ÓNICA
L ÓPEZ R EJAS , A LICIA CNP, AEMET alopezr@aemet.es
L Física del caos en la predicción meteorológica Lista de autores
L ÓPEZ P ÉREZ , J OSÉ DT Valencia, AEMET jolopezp@aemet.es

M ANUEL
M ANCEBO ATIENZA , http://objetivotormenta.blogspot.com.es/ @objtormentas
DAVID
M ARCOS M ARTÍN , ATAP, AEMET cmarcosm@aemet.es
C ECILIA
M ARTÍN G ARCÍA , AI, AEMET amarting@aemet.es
A LBERTO
M ARTÍN G ARCÍA , M ARÍA DT Aragón, AEMET mamartinga@aemet.es
J OSÉ
M ARTÍN L EÓN , Ex Meteorólogo, AEMET temperie5d2001@yahoo.es
F RANCISCO Coordinador de la Revista del Aficionado a
la Meteorología,
https://www.tiempo.com/ram/ (RAM)
M ARTÍNEZ RUBIO , Unidad de satélites, AEMET mmartinezr@aemet.es
M IGUEL Á NGEL
M ASA B OTE , DANIEL AKKA Technologies, España dmasabote@gmail.com
M ATSUDO , C. SMN, Ministerio de Defensa, Argentina matsudo@smn.gov.ar
M OMBLONA M ONTIEL , DT en Aragón, AEMET dmomblonam@aemet.es
DAVID
M ONTERO G ARRIDO , DP, AEMET jmonterog@aemet.es
J ESÚS M.
M ONTOYA R EDONDO , DACA+IG, UCM-CSIC marisa.montoya@fis.ucm.es
M ARISA
M ORALES M ARTÍN , AMOD, AEMET gmoralesm@aemet.es
G EMA
M YLNE , K EN Weather Science, United Kingdom ken.mylne@metoffice.gov.uk
Meteorological Office (UKMO)
NAVASCUÉS Consejero técnico, AEMET bnavascuesf@aemet.es
F ERNÁNDEZ -V ICTORIO ,
B EATRIZ
N ÚÑEZ M ORA , J OSÉ DT Valencia, AEMET jnunezm@aemet.es
Á NGEL
O SMAN , M. Centro de Investigaciones del Mar y la osman@cima.fcen.uba.ar
Atmosfera, UBA-CONICET (CIMA),
Departamento de Ciencias de la Atmosfera y
los Oceanos, FCEyN (DCAO-FCEyN),
UMI-IFAECI, Argentina
PALOMO S EGOVIA , CNP, AEMET mpalomos@aemet.es
M ARÍA
PARODI P ERDOMO , J OSÉ DT Murcia, AEMET jparodip@aemet.es
A NTONIO
PASCUAL B ERGHAENEL , DT Cataluña, AEMET rpascualb@aemet.es
R AMÓN
PASTOR S AAVEDRA , Área de Evaluación y Modelización del mpastors@aemet.es
A SUNCIÓN Clima (AEMC), AEMET
P ELOROSSO , L. Departamento de Computacion, FCEyN vertexar@yahoo.com
(DC-FCEyN), Universidad de Buenos Aires
(UBA), Argentina
LI
P EÑATE DE LA ROSA , DT Canarias, AEMET ipenated@aemet.es

I RENE
P ICORNELL A LOU , DT Illes Balears, AEMET mpicornella@aemet.es
M ARÍA Á NGELES
P ITZ -PAAL , ROBERT Institute of Solar Research, DLR, Colonia, Robert.Pitz-Paal@dlr.de
Alemania
Q UINTERO P LAZA , DAVID DT Canarias, AEMET
dquinterop@aemet.es
R EY V IDAURRÁZAGA , APRO, AEMET jreyv@aemet.es

JAIME
R IO , J OAO DPMVSE, IPMA joao.rio@ipma.pt
R IVERA , Á NGEL Ex Meteorólogo, AEMET angel.rivera8@gmail.com
Miembro fundador de Asociación de
Comunicadores de Meteorología
(ACOMET)
ROA A LONSO , ATAP, AEMET aroaa@aemet.es
A LEJANDRO
RODRÍGUEZ ACAO, AEMET crodriguezb@aemet.es
BALLESTEROS , C ÉSAR
RODRÍGUEZ C AMINO , AEMC, AEMET erodriguezc@aemet.es
E RNESTO
RODRÍGUEZ D ÉNIZ , AI, AEMET jerodriguezd@aemet.es
J ESÚS
RODRÍGUEZ V ELASCO , DT Cantabria, AEMET jrodriguezv@aemet.es
J UAN J OSÉ
ROMERO M ARCH , Grupo de Meteorología, UIB Romu.Romero@uib.es
ROMUALDO
RUIZ , J. CIMA jruiz@cima.fcen.uba.ar
DCAO-FCEyN
UMI-IFAECI, Argentina
S ÁNCHEZ G ARCÍA , DT Cantabria, AEMET esanchezg@aemet.es
E ROTEIDA
S ANCHO ÁVILA , J UANMA CNP, AEMET jsanchoa@aemet.es
S ANTOS -M UÑOZ , DANIEL High Resolution Limited Area Model dsantosm@aemet.es
(HIRLAM), AEMET
S ANZ A RAÚZ , G ERARDO DT Aragón, AEMET gsanza@aemet.es
S AULO , C. SMN, CIMA DCAO-FCEyN, UMI-IFAECI, csaulo@smn.gov.ar
Argentina
S EMPERE , DANIEL CRAHI, UPC sempere@crahi.upc.edu
S IGL , A NDREA DFM, ZAMG, Austria andrea.sigl@zamg.ac.at
S IMARRO G RANDE , J UAN DT Valencia, AEMET jsimarrog@aemet.es
PABLO
S IMON , A NDRE Országos Meteorológiai Szolgálat, Hungría, simon.a@met.hu
www.met.hu (OMSZ), Hungría
S OSA C ARDO , J OSÉ DT Andalucía, Ceuta y Melilla, AEMET jsosac@aemet.es
A NTONIO
S UÁREZ C UBILLO , Ingeniero de sistemas Big Data, PRAGSIS apoblepein@gmail.com
R AMÓN
LII Física del caos en la predicción meteorológica Lista de autores
S UBÍAS D ÍAZ -B LANCO , ATAP, AEMET asubiasd@aemet.es

Á LVARO
T OLEDANO L OZANO , Área de Aplicaciones (AAPL), AEMET ctoledanol@aemet.es
C RISTINA
T ORCAL T ELLO , C ARLOS Analista de Sistemas TI, Coritel carlos.torcal@amadeus.com
VÁZQUEZ CNP, AEMET rvazquezp@aemet.es
P ÉREZ -BATALLÓN ,
R AMÓN
V ELASCO M UNGUIRA , Oficina Española de Cambio Climático avelasco@miteco.es
A IDA (OECC)
V ERA , C. CIMA, DCAO-FCEyN, UMI-IFAECI, carolina@cima.fcen.uba.ar
Argentina
V IANA J IMÉNEZ , S AMUEL AMOD, AEMET svianaj@aemet.es
V IÑAS , J OSÉ M IGUEL Divulgameteo info@divulgameteo.es
Consultor Organización Meteorológica
Mundial (OMM)
VOCES A BOY, J OSÉ DT Cantabria, AEMET jvocesa@aemet.es
WANG , YONG DFM, ZAMG, Austria yong.wang@zamg.ac.at
WASTL , C LEMENS DFM, ZAMG, Austria clemens.wastl@zamg.ac.at
W ERNER H IDALGO , DT Cataluña, AEMET ewernerh@aemet.es
E RNEST
VV. AA. Servicio Meteorológico Nacional, México -
Portada
G ONZALO M AYORAL, Fotógrafo.
Fotografías
F ERNANDO B ULLÓN M IRÓ, DT en Canarias, AEMET.
J OAN C ARLES B ULLÓN M IRÓ, DT en Cataluña, AEMET.
O LINDA C ARRETERO P ORRÍS, APRO, AEMET.
J OAQUÍN C ARRIÓN a través de Proyecto Mastral Torrevieja http://www.eltiempoentorrevieja.es/.
J UAN C ARLOS G ARCÍA C OLOMBO, Fotógrafo.
J OSÉ G ÓMEZ a través de Proyecto Mastral Torrevieja http://www.eltiempoentorrevieja.es/.
R ICARDO G RANADOS a través de Proyecto Mastral Torrevieja http://www.eltiempoentorrevieja.
es/.
D ELIA G UTIÉRREZ RUBIO, DT en Andalucía, AEMET.
P EDRO H ERNÁNDEZ, La provincia-Diario de Las Palmas.
C AROLINA H ERNANDO G ÓMEZ.
H ADA I RASTORZA, The Conservation Land Trust - http://www.theconservationlandtrust.org.
R AMÓN L EIRO, La Voz de Galicia.
DAVID M ANCEBO ATIENZA, http://objetivotormenta.blogspot.com.es/, @objtormentas.
L ETICIA M ILLA D ÍEZ, Ingeniero de Caminos.
J OSÉ Á NGEL N ÚÑEZ M ORA, DT en Valencia, AEMET.
J OSÉ A NTONIO Q UIRANTES C ALVO, Unidad de Apoyo McIdas (UAMcIdas), AEMET.
Ó SCAR RUIZ .
AURORA S ANTOS.
P EPE T ORRES, Oficina Meteorológica Aeronáutica (OMA) de Jerez de la Frontera, AEMET.
F RANCISCO VASALLO L ÓPEZ, Oficina Meteorológica de Defensa (OMD) de Rota, AEMET.
LIII
Ilustraciones
V ICTOR B URGUETE A ZNAR <victor.burguete.aznar@gmail.com>

A NA C AMPOS M ANSO <anita.campos.manso@gmail.com> <Instagram: @anita.campos.art>
M ARÍA J OSÉ DE LA H ERA B RAVO.
M ANUEL L ÓPEZ C ABALLERO <lopezcaballero.arte@gmail.com>
J OSÉ L UIS C ASADO.
E LENA PADORNO.
T ONI RODRÍGUEZ.
O LGA S ANTOS <osburguete@gmail.com>.
L UIGI S ANTINI <luisrsantos@me.com>.
JAVIER S ANZ G ARCÍA.
AURORA S ANTOS.
P EPE S OLERA.
A MELIA VALVERDE <ameraba@hotmail.com>.
Parte I
Introducción
Parte I Introducción
Esta primera parte del libro arranca con un capítulo a modo de introducción general,
con las cuestiones genéricas que pueden motivar la exposición de diferentes líneas
de investigación y resultados que se van a ir mostrando a lo largo de la obra. Los
tres capítulos que siguen son preparaciones imprescindibles para distintos aspectos
abordados en el libro: una introducción histórica a la física del caos, una perspec-
tiva también histórica de la predicción del tiempo y el advenimiento de una base
científica para la misma y, por último, un acercamiento a la denominada predic-
ción operativa, para dar a conocer la profesión de los predictores del tiempo y las
diferentes dificultades a las que deben enfrentarse en el día a día.
Página anterior: campiña jerezana el 12 de septiembre de 2015. Las nubes corresponden

a unos cirrus floccus y cirrostratus situados por encima del horizonte donde se pueden
divisar algunos aerogeneradores que abundan por la zona para aprovechar los regímenes
de vientos (levante-poniente). Fotografía tomada por P EPE T ORRES, con un Samsung
Galaxy SII y posterior aplicación de un filtro de instagram.
Introducción 1
DOI: 10.31978/014-18-009-X.01
C ARLOS S ANTOS B URGUETE

::chapaginaini::1::3::
Centro Nacional de Predicción (CNP), Agencia Estatal de Meteorología (AEMET)
I think that it is a relatively good approximation to truth - which is much too complicated to allow
anything but approximations - that mathematical ideas originate in empirics. But, once they are
conceived, the subject begins to live a peculiar life of its own and is [...] governed by almost entirely
aesthetical motivations. In other words, at a great distance from its empirical source, or after much
“abstract” inbreeding, a mathematical subject is in danger of degeneration. Whenever this stage is
reached the only remedy seems to me to be the rejuvenating return to the source: the reinjection of more
or less directly empirical ideas.
“The Mathematician”, en “The Works of the Mind” (1947) ed. R. B. Heywood – J OHN VON N EUMANN
En esta introducción empezaremos a responder algunas de las preguntas planteadas en el prefacio, las preguntas
que la sociedad plantea a los profesionales de la meteorología. ¿Hasta cuántos días son fiables las predicciones
del tiempo? ¿En qué se basa la predicción por localidades? ¿Pueden hacerse predicciones con seis meses de
antelación? ¿Cómo puede predecirse el cambio climático? ¿Se harán predicciones cada vez más exactas? ¿Se
usa la teoría del caos en la predicción del tiempo? ¿Qué es el efecto mariposa? Ofrecemos, en el camino, una
serie de enlaces a algunos de los contenidos del libro.
Palabras clave: meteorología, predicción meteorológica, modelos atmosféricos, limitaciones de los modelos, predecibili-
dad, sistemas de predicción por conjuntos, predicción probabilista.
Imagen parte superior: cielo caótico sobre la dehesa en el noroeste de Madrid, con varios tipos de cumulus, stratocumulus, así como
nubes medias y nubes altas. Fotografía de J UAN C ARLOS G ARCÍA C OLOMBO.
4 Física del caos en la predicción meteorológica Capítulo 1. Introducción
Figura 1.1: Boletín de predicción mensual de la Agencia Estatal de Meteorología (AEMET). A la izquierda, portada
del sitio web http: // www. aemet. es y ubicación aproximada de la predicción mensual, descargable en formato
PDF. A la derecha, aspecto del boletín mensual. AEMET.
1.1 La predicción mensual Si los días siguientes son similares o pueden describir-
se en una pauta común a los primeros, entonces sólo
La Agencia Estatal de Meteorología (AEMET) emi- hay un segundo párrafo. Si, por el contrario, esos días
te regularmente (todos los viernes en 2018), en el siguientes son, meteorológicamente hablando, bien
sitio web http://www.aemet.es, un boletín de pre- diferenciados, entonces formarán un tercer párrafo. Si-
dicción mensual (Figura 1.1, se replica después el gue el epígrafe Tendencia general para el periodo del
texto en la Figura 1.2 en la página siguiente). Esta 17 de abril al 7 de mayo. Ahí se incluirá una previsión
predicción va orientada al público general, no es es- general para la semana referida anteriormente y para
pecífica para ámbitos profesionales como la aviación, las dos siguientes, por lo que, estrictamente hablando,
la navegación o la agricultura; tampoco lo es para la predicción no abarca el mes completo. En lugar
determinadas actividades de ocio como la montaña de emitir un pronóstico ordinario, se presentan unos
o la playa. Es una predicción general. Emitiéndose mapas de anomalías con respecto a la climatología y
el viernes, abarca varios plazos importantes. En pri- se explican brevemente, añadiendo una nota a pie de
mer lugar, el epígrafe Predicción para los próximos página que reza así:
10 días engloba el fin de semana junto con la sema-
na entrante. El primer párrafo corresponde al fin de Nota. Las tendencias mensuales se obtienen a partir
semana, incluyendo el propio viernes. Es de impor- de los productos del modelo de predicción mensual
tancia especial por ser, en general, espacio para el del Centro Europeo de Predicción a Medio Plazo. Es-
tiempo libre. Para los meteorólogos que preparan esta tas predicciones están sujetas a incertidumbres que,
predicción, este fin de semana abarca el muy corto y por un lado, se incrementan al aumentar el plazo
el corto plazo, las primeras 48 horas. Después viene de predicción y, por otro, son más elevadas cuando
se realiza una interpretación de los productos a es-
la semana entrante: desde el lunes hasta el domingo.
cala regional, sobre zonas de tamaño relativamente
Los primeros días de esa semana entrante conforman reducido.
lo que en predicción llamamos el medio plazo y, en
ocasiones, forman el segundo párrafo por sí mismos.
1.1 La predicción mensual 5
AGENCIA ESTATAL DE METEOROLOGÍA

Predicción para las próximas tres semanas y análisis de la semana anterior
Elaborada el 14 de abril de 2017
Predicción para los próximos 10 días
El próximo fin de semana, sábado 15 y domingo 16, el país se encontrará bajo la influencia de un anticiclón
centrado al noroeste de la Península. Estará nuboso o con intervalos nubosos en el extremo norte peninsular, con
chubascos y tormentas en Pirineos, y lluvias débiles durante la primera mitad del día el sábado en el Cantábrico.
En el resto del país se espera que predominen los cielos poco nubosos, con nubosidad de tipo alto, algo de
nubosidad de evolución diurna en la mitad norte peninsular, e intervalos de nubes bajas el domingo en el área del
Estrecho y Melilla. Temperaturas en ascenso en Canarias y este de la Península, y en descenso en el noreste
peninsular y Baleares, y viento con predominio de las componentes norte y este.
La próxima semana tiende a incrementarse gradualmente la inestabilidad en la Península. El lunes 17 predominarán
los cielos poco nubosos inicialmente, con nubosidad de evolución diurna y posibilidad de algún chubasco en el
interior de la mitad norte peninsular. El martes 18 y el miércoles 19 la posibilidad de precipitaciones se extenderá
a casi todo el país, siendo más probables en la mitad norte peninsular. Temperaturas en descenso en Canarias y
el miércoles en la Península y Baleares. Viento con predominio de la componente este en la Península, y la norte
en Baleares y Canarias, con probables intervalos de intensidad fuerte en el Cantábrico, Ampurdán, Baleares, y
Estrecho. Durante el resto de la semana, existe una amplia incertidumbre sobre la situación atmosférica,
no pudiéndose descartar las precipitaciones en ningún punto de España, siendo más probables en áreas de
montaña de la mitad norte de la Península, y en el litoral mediterráneo.
[...]
Figura 1.2: Extracto del texto del boletín de predicción mensual de la Figura 1.1 en la página anterior. En negrita
están marcados aquellos términos que introducen probabilidad.
En la Figura 1.2 replicamos una buena parte del con- bre, los términos que implican probabilidades
tenido del boletín, marcando en negrita aquellos tér- van apareciendo de forma natural. Por ejemplo,
minos que, por introducir información probabilista, siendo más probables en la mitad norte penin-
resultan de especial interés. sular.
Encontramos una serie de aspectos destacables, tanto

en el contenido como en la forma, del boletín mensual, Estos aspectos parecen naturales: la atmósfera, como
aspectos que nos van a servir como punto de partida la naturaleza en general, es más predecible en pla-
para introducir algunas de las ideas importantes de zos cortos que en largos. Pero, además, parece que
este libro: los meteorólogos tienen bastante claro cuándo hablar
con probabilidades o cuándo estar más seguros. En
Detalle. Cuanto más cerca en el tiempo (lo que lla- la actualidad (2018), los predictores del tiempo dis-
mamos alcance predictivo), más cantidad de ponemos de potentes herramientas que nos permiten
información detallada se aporta. Así mismo, la predecir fenómenos meteorológicos en la atmósfera
información es de carácter más determinista, con bastante precisión y exactitud pero, sobre todo,
no suele implicar probabilidades. Por ejemplo, podemos disponer de herramientas que nos permiten
estará nuboso. evaluar las probabilidades de esos fenómenos, la incer-
Incertidumbre. Según nos alejamos en el tiempo, tidumbre asociada a ellos, el riesgo potencial de que
es decir, según avanzamos en el plazo o al- sean adversos, etcétera. Esas herramientas que evalúan
cance predictivo, normalmente va creciendo la la, así denominada, predecibilidad [221, 491] atmos-
incertidumbre en la predicción. En ocasiones, férica, que está muy relacionada con la incertidumbre
esta incertidumbre se expresa explícitamente, y la probabilidad, están basadas en investigaciones
e. g. existe una amplia incertidumbre sobre la sobre la física del caos, en particular sobre el carácter
situación atmosférica. caótico de la atmósfera como sistema dinámico [25,
Probabilidad. A la par que aumenta la incertidum- 393]. Veamos todos estos aspectos poco a poco.
1.2 Meteorología y predicción Teniendo en cuenta la citada naturaleza caótica de la

atmósfera, debemos admitir que no es predecible con
total precisión y exactitud, pero sí sabemos que, según
En este ámbito de la predicción del tiempo, la socie-
la situación, la inexactitud o incertidumbre puede ser
dad exige a los servicios meteorológicos predicciones
mayor o menor, y así su predecibilidad (cap. 12 en
cada vez más precisas: son cada vez más populares las
la página 155) menor o mayor, respectivamente. Las
predicciones por localidades, disponibles en muchos
investigaciones actuales apuntan a estimar esa incer-
portales de internet y ya se asume como normal que se
tidumbre o lo contrario, la predecibilidad, mediante
pueda pedir una predicción concreta para un pueblo,
probabilidades.
una montaña o una playa. Se esperan, así mismo, pre-
dicciones muy precisas en el tiempo: quiero saber a
qué hora lloverá mañana. Los llamados fenómenos me-
teorológicos adversos (ver fenómeno meteorológico 1.3 Modelos atmosféricos y sus li-
adverso (FMA)), presentes en nuestro país en forma mitaciones
de precipitaciones intensas, temporales, olas de frío
o calor y otros, tienen un fuerte impacto tanto social Los modelos atmosféricos (cap. 10 en la página 129)
como económico. Las autoridades encargadas de la y, en general, los denominados modelos del Siste-
protección civil quieren predicciones exactas de es- ma Tierra, son modelos matemáticos para predecir
tos fenómenos, para poder optimizar sus actuaciones, el estado futuro de la atmósfera partiendo del estado
intentando atender a la sociedad de forma rápida y actual, que se estima por medio de las observaciones
eficiente, minimizando los recursos. Se barajan, pues, atmosféricas y un proceso denominado asimilación
dos conceptos físicos diferentes que son por un lado, de datos. Las ecuaciones que describen los procesos
precisión que, en términos de predicciones quiere de- atmosféricos son ecuaciones diferenciales no linea-
cir concretar mucho en el espacio y en el tiempo y, por les y, por tanto, no tienen solución analítica (digamos
otro lado, exactitud, que quiere decir que la predicción que no pueden solucionarse con exactitud) y han de
acierte razonablemente. ser aproximadas mediante simulaciones de ordenador
(métodos numéricos). Así, las simulaciones numéri-
Pero, ¿pueden realmente hacerse predicciones cada cas se han convertido en una herramienta fundamental
vez más precisas y a la vez exactas? Hace unas déca- que acompaña a la teoría y a la experimentación, po-
das, el meteorólogo E DWARD N. L ORENZ comenzó dríamos decir las tres patas de la ciencia. Para que
a dar una respuesta científica a esta pregunta, conec- las predicciones que nos brindan estos modelos sean
tando la meteorología y la física del caos [391, 394]. útiles, es necesario que estén disponibles poco tiempo
La respuesta es No, en general, no. ¿Por qué? Si se después de haber recibido las observaciones, por lo
quiere una respuesta breve y concisa, diremos que que se requieren grandes sistemas de computación.
porque la atmósfera es caótica. Si queremos ir más Así, el desarrollo de los modelos va muy ligado a los
allá, entonces podemos encontrar en este libro un aba- avances tecnológicos, especialmente en sistemas de
nico de respuestas que, como poco, nos ayudarán a observación punteros como los satélites (cap. 7 en
entender mejor la pregunta. Profundizaremos en mu- la página 83) y en supercomputación (cap. 11 en la
chos sentidos, pero de momento diremos, buscando página 145). En 1950 se realizó la primera predic-
una respuesta más detallada, pero relativamente corta ción numérica del tiempo por el equipo de C HARNEY
y apta para esta introducción, que no se pueden hacer [125]. En las últimas décadas los modelos numéricos
predicciones cada vez más precisas y exactas, porque han mejorado enormemente, por ejemplo el modelo
entendemos la atmósfera como un sistema dinámico del European Centre for Medium-range Weather Fo-
altamente no lineal (cap. 5 en la página 49). Física- recasts -Centro Europeo de Predicción a Plazo Medio-
mente esto significa que el conjunto de ecuaciones (ECMWF) (cap. 19 en la página 289) ha conseguido
con las que la describimos y simulamos por ordena- mejorar algo más de un día por década el alcance pre-
dor es hipersensible tanto a pequeñas variaciones en dictivo en el que las predicciones pueden considerarse
las condiciones iniciales como a la formulación del útiles [259, 260]. Se han convertido en ingredientes
modelo de simulación. Esta respuesta no cierra la posi- básicos en la predicción operativa (cap. 4 en la pá-
bilidad de mejorar las predicciones, sino que conduce gina 29). No obstante, los modelos no son perfectos,
a nuevas líneas de investigación, planteándonos en como veremos ahora y como se muestra detalladamen-
qué sentido puede ser una predicción mejor, dado que te en otros capítulos de este volumen (cap. 15 en la
no puede ser mucho más exacta ni mucho más precisa. página 207).
1.3 Modelos atmosféricos y sus limitaciones 7
Figura 1.3: Modelos atmósfera-océano. Arriba a la izquierda: esquema figurado de la discretización del planeta
en una malla horizontal con celdas de 2º × 2º (creación propia con datos de temperatura de la NOAA). Aba-
jo a la izquierda, procesos atmosféricos y oceánicos considerados en una celda que contendría el este de la
península ibérica (NOAA https: // celebrating200years. noaa. gov/ breakthroughs/ climate_ model/
modeling_ schematic. html ). Derecha: ejemplo de división en niveles verticales de una celda, tanto niveles
isobáricos, en rojo, como niveles híbridos, en azul (ECMWF, en la actualidad el número de niveles de su modelo es
137).
Las primeras trabajan en espacio y tiempo continuos

Modelos atmosféricos. Resuelven las ecuaciones y las segundas en las versiones discretas, finitas, lo
dinámicas con que describimos la atmósfera discreti- que permite resolverlas numéricamente mediante or-
zando el espacio y el tiempo. Por un lado (espacio), denador y, por tanto es una de las claves de la modeli-
se divide la atmósfera en pequeñas partes, por ejem- zación. No todos los procesos meteorológicos pueden
plo, trazando una malla imaginaria 3D que cubre el resolverse con esta discretización. Sólo aquellos fenó-
planeta, con un cierto tamaño de celdilla, tanto en la menos cuya estructura tenga mayor tamaño que las
horizontal como en la vertical. En cada celda (o punto celdas de la malla y, de una forma relacionada, su
de malla) se simplifica la atmósfera describiéndola duración en el tiempo sea también superior a los in-
con un sólo valor para cada una de las variables at- tervalos discretizados, serán resueltos por el modelo.
mosféricas utilizadas, e. g. en un caso muy sencillo Esa primera familia de fenómenos se denomina diná-
presión, temperatura, humedad y dos componentes del mica (sec. 10.4 en la página 135). Los fenómenos de
viento. Todos los procesos atmosféricos que tienen tamaño inferior a la celda, e. g. fenómenos radiativos,
lugar dentro de esa celda quedan reducidos a cinco intercambios de calor, condensación, etc., deben re-
números. Por otro lado (tiempo), se divide el tiem- solverse aparte, mediante otros métodos. Esa segunda
po en intervalos muy cortos, como las celdas en el familia de fenómenos se denomina parametrizaciones
espacio, y en cada intervalo se resuelven esas ecua- físicas o física (sec. 10.5 en la página 137). Así pues,
ciones representando las variables atmosféricas. Esta en la jerga de la modelización, tenemos la dinámica
discretización convierte las ecuaciones diferenciales del modelo y las parametrizaciones físicas.
en ecuaciones en diferencias finitas.
Quizá una pregunta más refinada sea ¿son los modelos

buenas representaciones de la realidad? Eso nos hará
pensar un poco más: defina usted buenas. Científica
y técnicamente hablando, los modelos no son perfec-
tos. Como ya se ha dicho, el meteorólogo E DWARD
N ORTON L ORENZ demostró ya en 1963 que peque-
ños errores en las condiciones iniciales del modelo
pueden crecer indefinidamente en la predicción [389,
391, 392]. Así mismo, hay que añadir los errores en
las parametrizaciones físicas y en la dinámica, i. e. en
la formulación del modelo.
Figura 1.4: ¿Son perfectos los modelos?

¿Son los modelos buenas representaciones de La clave del problema está en aceptar esos errores y
la realidad? https: // pixabay. com/ en/ esas incertidumbres y, también, cómo representarlos
venus-de-milo-the-statue-sculpture-3130119/ adecuadamente: es necesario realizar un muestreo de
esas incertidumbres, explorando apropiadamente el
llamado espacio de fases de la atmósfera, el conjun-
Hasta los años 90, para diseñar los modelos se estu- to de posibles estados atmosféricos (sec. 5.1.4 en la
vo asumiendo un comportamiento determinista de la página 53).
atmósfera, lo cual es una simplificación. ¿Qué quiere
decir determinista en este contexto? Quiere decir que,
De modo que así surgió un nuevo paradigma, que
dado un estado inicial de la atmósfera, su evolución
incluye información cuantitativa sobre los errores, es
puede ser prevista numéricamente para dar un único
decir, sobre la incertidumbre, en el proceso predictivo.
estado final o predicción. En esa línea, el enfoque de
Este nuevo paradigma introduce la probabilidad de
todos los esfuerzos estaba en producir predicciones lo
forma natural en el sistema. Para dar cuenta de la incer-
más exactas posible. Pero se fue constatando que, por
tidumbre en las condiciones iniciales de la atmósfera
mucho que mejorasen, los modelos deterministas se-
y en el propio modelo, se generan múltiples condicio-
guían fallando en algunas situaciones. Esta pauta nos
nes iniciales, ligeramente diferentes todas ellas pero
sigue sucediendo a día de hoy. Por tanto, se requiere
compatibles con las observaciones, todas con la mis-
la interpretación, por parte de predictores entrenados
ma probabilidad de ser las correctas (equiprobables),
en sus características y limitaciones (cap. 27 en la
y se integra el modelo en el ordenador para cada una
página 401), así como técnicas estadísticas (cap. 14
de ellas. Estos fueron los albores de los así llamados
en la página 193) y sistemas de predicción propia-
SPC (cap. 13 en la página 165). Con estos sistemas
mente probabilistas que denominaremos sistema(s) de
podemos estimar la evolución temporal de la probabi-
predicción por conjuntos (SPC) (cap. 13 en la pági-
lidad de diferentes escenarios (para ser precisos, una
na 165).
distribución de probabilidad o PDF por sus siglas en
inglés) mediante un conjunto o ensemble de estados at-
mosféricos posibles, todos ellos igualmente plausibles.
1.4 Limitaciones de los modelos y La dispersión de este conjunto representará el error o
nuevo paradigma incertidumbre en la predicción, de manera explícita,
cuantitativa y detallada. En la actualidad (2018), los
¿Son perfectos los modelos? Los modelos son, de un SPC se generan sistemáticamente en gran número de
modo u otro, representaciones de la realidad (Figura centros meteorológicos operativos (parte. IV en la pá-
1.4). Sí, pero, ¿son perfectos? Cualquier persona dedi- gina 288) y se utilizan como herramienta esencial en
cada profesionalmente a la predicción del tiempo dirá la predicción operativa (cap. 4 en la página 29) en lo
que no. Esas personas usan modelos atmosféricos para que se denomina predicción probabilista (cap. 27 en
realizar su trabajo y saben la respuesta por experiencia. la página 401).
1.5 Predicción probabilista 9
1.5 Predicción probabilista casos de fenómenos extremos o fenómenos adversos

(sec. 12.5 en la página 161).
La probabilidad va incorporada de forma natural en Asimismo, incluir términos de probabilidad en las

estos SPC, de modo que los mapas y productos que predicciones que se ofrecen al público general se con-
podemos usar los predictores a partir de estos sistemas vierte en un auténtico reto para los medios de comu-
reflejan esa naturaleza probabilista. El uso adecuado nicación (cap. 40 en la página 615). El ser humano
de estas herramientas requiere formación específica y entiende y asimila las probabilidades con una serie
una cierta familiaridad con los conceptos y el lenguaje de sesgos y pautas a tener en cuenta (sec. 40.1 en la
de la probabilidad. La implantación de este estilo de página 616). Con la idea de mostrar cómo el lenguaje
trabajo no es inmediata [509, 510]. probabilista va introduciéndose poco a poco, hasta
que algún día se considere algo normal, mostramos
En cualquier caso, en el ámbito profesional de la pre- otros ejemplos en las Figuras 1.5, 1.6 en la página si-
dicción meteorológica, la predicción probabilista em- guiente y 1.7 en la página 11. Invitamos a los lectores
pezó a implantarse en los años 90 y, a día de hoy, a explorar el formato y contenido de estos boletines de
la predecibilidad y la probabilidad son ingredientes predicción, encontrar lenguaje probabilista y asociarlo
esenciales en los sistemas y centros de predicción. a los aspectos que comentábamos anteriormente. Y
Ilustraremos las técnicas probabilistas de predicción no hace falta detenerse aquí: puede entrarse en el sitio
abordando algunos casos de estudio concretos (par- web de AEMET, descargar la predicción mensual y
te VII en la página 654), algunos de ellos famosos explorarla del mismo modo.

Predicción para el puente de mayo
Elaborada el 24 de abril de 2017
Viernes 28 y sábado 29: El tiempo de estos días estará determinado por el muy probable acercamiento de una
pequeña borrasca al suroeste peninsular. La incertidumbre de estos días está asociada a la posición exacta de
la baja pues unos escenarios la acercan más que otros. En todo caso, consideramos muy probable su presencia
en el entorno del sur de Portugal. Esta baja inducirá un flujo de aire de componente sur, cálido, húmedo e
inestable, que progresivamente reemplazará al aire frío y seco instalado en la Península y Baleares durante los
días anteriores. Como consecuencia, el viernes comenzarán a producirse chubascos y tormentas, posiblemente
fuertes, en el suroeste peninsular y que el sábado se extenderán a buena parte de la fachada atlántica y, con
menor probabilidad, al resto del área peninsular. Otra consecuencia será el ascenso notable de las temperaturas,
excepto las mínimas del viernes que incluso aún bajarán más, con numerosas heladas en zonas altas de la mitad
norte peninsular y en la meseta norte. Las islas Canarias se verán afectadas por el paso de un frente frío poco
activo que producirá precipitaciones más probables en las islas occidentales. El viento de componente oeste no
será fuerte y originará un ligero descenso de las temperaturas.
Domingo 30: Es probable que otra borrasca, más profunda y con un frente frío asociado recorra la Península
de oeste a este. Este escenario principal tiene aproximadamente un 70 % de probabilidad y daría lugar a lluvias
generalizadas en las vertientes atlántica y cantábrica, menos probables en la mediterránea. Otras opciones
minoritarias muestran la borrasca más lejos, con un frente menos activo o también una continuación del tiempo
inestable de los días anteriores. El viento de componente oeste originará pocos cambios en las temperaturas,
salvo en el área Mediterránea, donde subirán claramente. En Canarias se prevé un flujo de componente norte
que producirá nubosidad abundante y posibles lluvias débiles en el norte del archipiélago. Las temperaturas
continuarán descendiendo.
Lunes 1 y martes 2: La tendencia para estos días es de una gradual disminución de la inestabilidad. Es lo que
indica el 60- 80 % de las opciones, lo que significaría la desaparición de la nubosidad y de las precipitaciones y una
subida de las temperaturas diurnas. Sin embargo, el lunes con un 40 % y el martes con un 20 % de probabilidad,
se puede mantener la situación de inestabilidad del domingo. En Canarias es muy probable que se establezca una
situación de alisios flojos.
Figura 1.5: Predicción especial para el puente de mayo de 2017. AEMET.


Predicción para las próximas tres semanas
Información elaborada el 26 de enero de 2018
El próximo sábado 27 estará muy nuboso con precipitaciones en el Cantábrico y Pirineos, con nevadas en área de
montaña, tendiendo a remitir a lo largo del día. En la mitad oriental de la Península y Baleares, se incrementará
la nubosidad hasta quedar muy nuboso, con lluvias en Baleares y en el litoral este peninsular. En el resto del
país se mantendrá poco nuboso o con intervalos nubosos, con posibles lluvias en el norte de las islas Canarias
occidentales. Las temperaturas no experimentarán cambios significativos. El viento soplará del norte, fuerte o con
intervalos de fuerte en el noreste de Gerona, Baleares, y Canarias.
A partir del domingo 28 y hasta el miércoles 31, se incrementará la inestabilidad en el este y sureste de la
Península, Ceuta, Melilla y Canarias. El domingo 28, las precipitaciones en el área de levante podrían ser fuertes o
muy fuertes; y localmente persistentes en el entorno del cabo de la Nao. Serán en forma de nieve en el interior del
sureste peninsular, estando la cota de nieve inicialmente en 800-1000 m subiendo durante el día a 1200-1400 m.
A partir del lunes 29 las precipitaciones localmente fuertes tendrán lugar en el área del Estrecho y en Canarias.
Predominarán los vientos de componente este en la Península y Baleares, y norte en Canarias, siendo fuertes
o con intervalos de fuerte en áreas de la mitad oriental de la Península, el litoral de Alborán, Canarias, y al
principio en Baleares. Se producirá un aumento progresivo de las temperaturas en la Península. El resto de la
semana se esperan precipitaciones en el extremo norte peninsular y Canarias, siendo probables también en el
área mediterránea. Las temperaturas descenderán en el norte de la Península el jueves, tendiendo a recuperarse
posteriormente.
[...]
Figura 1.6: Extracto del texto del boletín de predicción mensual elaborado el 26 de enero de 2018. AEMET.
1.5 Predicción probabilista 11

Predicción para la Semana Santa
Elaborada el 22 de marzo de 2018
Viernes 23 y sábado 24: Una pequeña baja situada hoy, jueves, en el centro del Atlántico Norte se profundizará
de forma rápida y muy intensa (ciclogénesis explosiva) dando lugar a una borrasca muy profunda, denominada
“Hugo”. El viernes por la tarde se situará al norte de Galicia, entre los paralelos 45 y 50 ºN, y avanzará rápidamente
hacia el golfo de Vizcaya. Esta nueva borrasca dará lugar a un temporal de viento en buena parte del área
peninsular, mal estado de la mar y, de forma menos intensa, a precipitaciones generalizadas. Un frente frío activo,
asociado a “Hugo”, dará lugar a precipitaciones generalizadas que comenzarán la tarde del viernes en Galicia y se
extenderán rápidamente al resto de la Península y también a Baleares. Tendrán lugar principalmente durante
las horas nocturnas y, en general, no serán intensas. Lo más significativo serán las precipitaciones en forma de
nieve en el noroeste peninsular, a partir de unos 800 m, que probablemente acumularán espesores de 20 cm en la
cordillera Cantábrica occidental y central y 5 cm en el sistema Central. El viento fuerte o muy fuerte, del oeste
y noroeste, comenzará también el viernes por la tarde en Galicia y Asturias y se trasladará a buena parte de
la Península durante el sábado. Producirá rachas muy fuertes bastante generalizadas de 70-80 km/h, menos
probables en el suroeste y noreste peninsular. En el interior del este y sureste peninsular las rachas probablemente
superarán los 90 km/h. Las más fuertes se esperan en el norte de Galicia y en los litorales y zonas altas del área
Cantábrica, con valores de 100-110 km/h, pudiendo localmente alcanzar los 120 km/h. En Canarias dominará la
estabilidad atmosférica con alisios en general flojos.
Domingo 25: Se prevé un tiempo en general inestable, con probabilidad alta de precipitaciones en el norte y sur
peninsular y en Baleares; y baja en el resto del área peninsular y en Canarias. En el norte la cota de nieve sube a
1000-1200 m y serán más importantes en Pirineos. Se espera viento fuerte de componente norte en Baleares en
la primera mitad del día y del nordeste con intervalos de fuerte en Canarias.
Lunes 26 y martes 27: El acercamiento del anticiclón de Azores por el oeste peninsular dará lugar a una
estabilización de la atmósfera que se reflejará en una disminución de la nubosidad y cese de las precipitaciones
en buena parte del país, excepto en el extremo norte peninsular, donde es probable que rocen algunos frentes
atlánticos con probabilidad de precipitaciones débiles. Las temperaturas subirán de manera notable en la mayor
parte de zonas. Predominará el viento flojo de componente oeste, salvo en el área mediterránea, Galicia y
Cantábrico donde podría haber intervalos de fuerte. En Canarias se prevé una situación de alisios con posibilidad
de precipitaciones débiles en el norte.
Miércoles 28 a sábado 31: Aunque para estos días aumenta la incertidumbre de manera considerable, el escenario
más probable marca una tendencia hacia una inestabilización progresiva, con un aumento de la probabilidad
de precipitaciones, comenzando el miércoles y jueves por el norte y noroeste peninsular; y extendiéndose
posteriormente al resto del país. La tendencia de las temperaturas es a ir bajando de forma progresiva en la
mayor parte de zonas.
Figura 1.7: Predicción especial para Semana Santa de 2018. AEMET.

Figura 1.8: Mapa del libro.
1.6 Estructura del libro capítulo es algo relativo o incluso subjetivo, hemos
intentado orientar al lector con colores: gamas de gri-
Como anticipábamos en el prefacio, la Figura 1.8 ofre- ses corresponden a capítulos muy descriptivos, muy
ce un mapa del libro para facilitar su lectura según los técnicos o de dificultad considerable. Otras gamas
diversos tipos de interés en el mismo. Los rectángu- de colores están relacionadas con diferentes aspectos
los, elipses o triángulos pueden ser capítulos o partes de interés y, aunque puedan incluir alguna dificultad,
enteras. Aunque el nivel técnico o científico de cada esperamos que ésta sea puntual.
::chapaginafin::1::12::
Introducción histórica a la física del caos 2
DOI: 10.31978/014-18-009-X.02
DAVID F UERTES M ARRÓN
Instituto de Energía Solar, Escuela Técnica Superior de Ingenieros de Telecomunicaciones (ETSIT), Universidad
Si conociéramos exactamente las leyes de la naturaleza y la situación del universo en el momento inicial, podríamos
predecir exactamente la situación de ese mismo universo en un instante posterior. Pero incluso si las leyes naturales no
tuvieran secretos para nosotros, sólo podríamos conocer la situación inicial aproximadamente. Si eso nos permitiera
predecir la situación posterior con la misma precisión, es todo lo que necesitamos y deberíamos decir que el fenómeno se
ha previsto, que está gobernado por leyes. Pero no es siempre así: puede suceder que pequeñas diferencias en las
condiciones iniciales produzcan grandes diferencias en el fenómeno posterior. Un pequeño error al principio produciría un
enorme error al final. La predicción se vuelve imposible y estamos ante el fenómeno fortuito.
Ciencia y Método, 1903 – H ENRI P OINCARÉ
¿Cómo se fraguó la física del caos? En este capítulo introducimos esta teoría, encuadrándola dentro de
los grandes paradigmas en la historia de la ciencia.
Palabras clave: historia de la física del caos, física del caos, paradigmas científicos, determinismo, indetermi-
nismo.
Imagen parte superior: recreación artística de J UAN C ARLOS G ARCÍA C OLOMBO.

14 Física del caos en la predicción meteorológica Capítulo 2. Introducción histórica a la física del caos
2.1 Paradigmas científicos verdades que habían imposibilitado en buena medida

la mejora de las condiciones de vida de gran parte de
El método científico es una poderosa aproximación la humanidad.
para ayudarnos a entender el mundo que nos rodea,
En el sentido descrito por K ARL R. P OPPER, fundador
dando las teorías científicas una explicación a algunos
del falsacionismo, una teoría, para ser científica debe
aspectos de la realidad. Para ello las teorías deben ser
poder ser falsable, es decir, susceptible de probarse su
capaces de predecir el comportamiento de los citados
veracidad o falsedad.
aspectos la naturaleza y, para poder ser aceptadas, de-
ben ser demostradas experimentalmente o, al menos,
confirmadas mediante hechos u observaciones. Falsacionismo y teoría de la demarcación. Para
constatar una teoría se debe intentar refutarla median-
Tal y como fue descrito por F RANCIS BACON en 1620 te un contraejemplo [521]. Pero no todas las teorías
pueden demostrarse con la misma rotundidad, no tie-
en la obra Novum organum (Indicaciones relativas a la
nen un apoyo experimental igual, ni son falsables de
interpretación de la naturaleza [29]), el método cien- una forma igual de clara, ni tienen el mismo soporte
tífico puede entenderse como una receta que resume matemático. Por ejemplo, la teoría electromagnética
el procedimiento, basado en la lógica y la razón (cua- de JAMES C. M AXWELL es apta para reproducir ex-
lidades humanas y no divinas), mediante el cual el perimentos y demostrarse experimentalmente en un
hombre sería capaz de comprender y dominar (hoy laboratorio. Para la relatividad general de A LBERT
en día debería cambiarse este dominar por armoni- E INSTEIN pueden diseñarse experimentos, pero serán
más complicados y costosos. La selección natural de
zar con) la naturaleza. La receta se basa, de manera
C HARLES DARWIN no permite reproducir experimen-
resumida, en la secuencia ordenada de los siguientes tos en un laboratorio del mismo modo aunque hay
pasos: la observación de los fenómenos naturales; la numerosas observaciones consistentes con la teoría
elaboración de hipótesis capaces de explicar lo obser- que apoyan su veracidad. De un modo similar, la cos-
vado; y la experimentación, que deberá demostrar o mología se basa casi exclusivamente en observaciones
refutar dichas hipótesis. El resultado final es una teoría pasivas: no podemos reproducir el universo entero en
científica que deberá ser capaz, por una parte, de expli- un laboratorio pero podemos examinar con ojo críti-
car acontecimientos pasados (los fenómenos naturales co la consistencia de la teoría con las observaciones.
Importantes filósofos de la ciencia han explorado el
observados) y, por otra, de predecir acontecimientos
terreno de la falsabilidad y el llamado Problema de
futuros (fenómenos por ocurrir). la demarcación, dibujar una frontera entre el conoci-
miento científico y el no científico. L AKATOS [365]
Como se puede deducir de lo anterior, la importancia con sus programas de investigación y F EYERABEND
del procedimiento es mayúscula. Por una parte, el mé- [201] con su teoría anarquista de la ciencia matizan
todo científico nos permite proyectar hacia el futuro y enriquecen el falsacionismo de P OPPER. M ARIO
lo que vamos aprendiendo del pasado y del presente: B UNGE, filósofo de la ciencia argentino, establece
es aquí donde la palabra predicción, habitual en este una visión crítica sobre el concepto de falsabilidad de
P OPPER [88]. E DGAR M ORIN también, con un enfo-
libro, cobra todo su sentido. Por otra, el método es
que multidisciplinar y multirreferenciado [455]. En
un sistema capaz de autocorregirse, al incorporar el este terreno no hay un consenso universal y muchos
procedimiento para sustituir teorías científicas que se científicos mantienen un punto de vista pragmático:
demuestran incapaces de seguir explicando la realidad las teorías pueden ser falsables y deben ser confirma-
observada por otras versiones mejoradas. Por último, bles. Podemos ir más allá y cuestionar el concepto
y no por ello menos importante, el método científico mismo de ley física [123]. En la actualidad hay enfo-
proporciona el mejor antídoto frente a dogmas y pre- ques muy refinados, e. g. D EBORAH M AYO construye
juicios de toda clase, ya que el uso de la lógica y de la un nuevo experimentalismo, contribuyendo a tratar
tanto el relativismo como el llamado problema de
razón fundamenta el pensamiento crítico. A partir de
Duhem, relacionado con los casos en los que una pre-
la propuesta de BACON el mundo occidental comenzó dicción científica no es consistente con el experimento
a cuestionarse las cosas y dejó simplemente de acep- [421, 422].
tar las verdades aristotélicas asumidas hasta entonces,
2.1 Paradigmas científicos 15
Existe un amplio y rico mosaico de teorías científicas rías con mayor o menor soporte matemático, etc. La
en el que podemos encontrar teorías más o menos Tabla 2.1 ofrece una relación cronológica de algunas
experimentales, teorías más o menos falsables, teo- personalidades en filosofía de la ciencia.
K ARL R AIMUND P OPPER (1902-1994), filósofo austriaco-británico, rechazando el

inductivismo clásico del método científico postuló el falsacionismo empírico. Una
teoría científica debe ser falsable, es decir, susceptible de demostrarse su falsedad.
M ARIO AUGUSTO B UNGE (1919-), físico, filósofo, epistemólogo y humanista

argentino; realista, cientificista, materialista y sistemista; crítico con pseudociencias
(psicoanálisis, praxeología, la homeopatía, la microeconomía neoclásica),
existencialismo, fenomenología, posmodernismo, hermenéutica y feminismo
filosófico.
E DGAR M ORIN (1922-), filósofo y sociólogo francés, defiende el enfoque

multidisciplinar y multirreferenciado para abordar la complejidad, «la innovación
requiere un relajamiento de tensiones con un principio reorganizado».
T HOMAS S AMUEL K UHN (1922-1996), físico, historiador y filósofo de la ciencia

estadounidense, contribuyó al cambio de orientación de la filosofía y sociología
científicas. Describió las revoluciones científicas como cambios de paradigma
provocados por las crisis.
I MRE L AKATOS (1922-1974), matemático y filósofo de la ciencia húngaro, recoge y

critica a P OPPER y a K UHN. Mejora lo que él llama falsacionismo dogmático y
falsacionismo ingenuo, con el falsacionismo sofisticado, dando importancia a la
confirmación de las teorías.
PAUL K ARL F EYERABEND (1924-1994), filósofo de la ciencia austriaco,

popperiano, antirracionalista, sucesivamente empirista y antiempirista,
antipositivista y relativista, postuló el anarquismo epistemológico, co-autor de la
tesis de la inconmensurabilidad, famoso por no utilizar un lenguaje formal.
D EBORAH G. M AYO (1951-), filósofa y socióloga de la ciencia estadounidense, ha

contribuído en subdeterminación, el papel de nuevas evidencias, el problema de
Duhem, la naturaleza del progreso científico y el análisis de riesgo.
Tabla 2.1: Algunos filósofos de la ciencia.

parte del tao no puede explicar el tao y por tanto, en

2.2 El determinismo
ese sentido, el tao es inexplicable [611, 631].
Antes de la aparición de la teoría cuántica o la teoría

del caos, el determinismo fue el paradigma imperan- 2.3 Cambios de paradigma
te en física desde N EWTON y L APLACE. P IERRE -
S IMON L APLACE, astrónomo, físico y matemático
Cuando una teoría establecida topa con un fenómeno
francés (conocido como el NEWTON de Francia), a
que es incapaz de explicar puede aparecer una teoría
pesar de haber sentado las bases de la teoría de la
capaz de explicar este nuevo fenómeno, además de
probabilidad [370] fue un ferviente partidario del de-
explicar todo lo anterior; la nueva teoría suele ser un
terminismo, como revela la siguiente cita:
superconjunto de la teoría previa.
«Podemos mirar el estado presente del universo como

La relatividad especial es un ejemplo de teoría que
el efecto del pasado y la causa de su futuro. Se podría
extendió la mecánica newtoniana para hacer compa-
concebir un intelecto que en cualquier momento dado
tibles dos pilares importantes: el principio de relati-
conociera todas las fuerzas que animan la naturaleza
vidad de G ALILEO y la evidencia experimental de
y las posiciones de los seres que la componen; si es-
M ICHELSON -M ORLEY de que la velocidad de la luz
te intelecto fuera lo suficientemente vasto como para
es constante. Ambas forman parte de un mismo con-
someter los datos a análisis, podría condensar en una
junto de teorías denominado física clásica, entre las
simple fórmula el movimiento de los grandes cuerpos
que podemos citar la mecánica newtoniana, la teoría
del universo y del átomo más ligero; para tal intelecto
electromagnética y la relatividad especial y general.
nada podría ser incierto y el futuro, así como el pasa-
Para extender la mecánica newtoniana a la relatividad
do, estarían frente a sus ojos» [370] (tal intelecto sería
especial, las llamadas transformaciones de L ORENTZ,
el famoso Demonio de Laplace).
así como las transformaciones de M INKOWSKI, sus-
tituyen y amplían las anteriores transformaciones de
G ALILEO. La diferencia crucial es que en la mecánica
newtoniana el transcurso del tiempo es absoluto y en
Posteriormente, y dentro de la propia física clási- relatividad especial deja de serlo, para dar paso a otro
ca, surgieron otras objeciones bien fundamentadas absoluto diferente: la velocidad de la luz. A LBERT
al determinismo: según el ingeniero químico ROBERT E INSTEIN consiguió conjuntar todos estos concep-
U LANOWICZ, la termodinámica es el ejemplo más tos, formulando la relatividad especial y, más tarde,
importante, acuñando conceptos como irreversibili- incluyendo los sistemas de referencia acelerados, for-
dad y entropía, o la segunda ley de la termodinámica, mulando la relatividad general.
relacionada con la flecha del tiempo [633].
Todavía en el marco del determinismo, se ha propues- En ocasiones, la fisura entre una teoría establecida y la
to la existencia de un límite en el poder computacional teoría que la mejora es una ruptura crítica. Se necesita
del universo, es decir en la capacidad del demonio de un cambio de conceptos tan drástico que en ese caso
L APLACE para almacenar una cantidad infinita de sucede lo que T HOMAS S. K UHN llama un cambio de
información. Este límite estaría relacionado con la paradigma o conjunto de compromisos compartidos
entropía máxima del universo, la velocidad de la luz y por una comunidad científica [361]. Según K UHN,
el tiempo mínimo necesario para mover información con la teoría atascada se produce una crisis, seguida
a través de la longitud de Planck. El valor de dicho de una revolución científica, que conlleva un cambio
límite rondaría los 10120 bits [386, 442]. Por tanto, la de paradigma. Como ejemplo, a finales del siglo XIX
evolución de un sistema con más datos no podría ser el comportamiento de los gases radiados con luz en de-
computada aunque se dispusiera de toda la edad del terminadas circunstancias no tenía explicación dentro
universo para hacerlo. Existe, al parecer, una limita- del marco de la física clásica. Este hecho, dramático
ción básica en el universo relacionada con esta idea, al en la historia de la física, vino a llamarse la catástro-
igual que existe la limitación que impone el principio fe ultravioleta. La física se encontraba en una difícil
de incertidumbre de H EISENBERG en física cuántica: encrucijada.
no pueden medirse simultáneamente la posición y el
momento (por ende, la velocidad) de una partícula El nuevo paradigma que iba a poder explicar este fe-
elemental con una precisión absoluta. Estas últimas nómeno fue la física cuántica. Fue fraguada por nume-
ideas enlazan con algunas filosofías orientales: una rosos científicos como M AX P LANCK, N IELS B OHR,
2.4 Física del caos 17
E RWIN S CHRÖDINGER y W ERNER H EISENBERG al determinismo clásico.

entre otros y a ella contribuyó de forma importante
E INSTEIN, a pesar de ser un gran detractor de dicha Las teorías emergentes a partir de la física cuántica
teoría. han tenido un éxito rotundo y en ellas se basa una
buena parte de nuestro mundo científico y tecnológico
La física cuántica explica el mundo microscópico actual: si nos damos cuenta de que los ordenadores se
y desafía considerablemente el sentido común. En basan en la física cuántica no es necesario continuar
el mundo cuántico las partículas elementales pueden justificando su importancia. Son particularmente des-
comportarse como partícula o como onda según las tacables la electrodinámica [203] y la cromodinámica
circunstancias. Pueden atravesar barreras, pueden te- cuánticas (i.e. el modelo quark [113, 671]).
ner comportamientos inexplicables en sentido clásico.
En física cuántica se trabaja con ondas de probabili-
dad y las propiedades observables se producen por lo
Tanto la física cuántica como la física del caos son po-
que se llama colapso de la función de onda [678]. Por pularmente conocidas a día de hoy. La física del caos
ejemplo, el momento magnético de un un electrón no tuvo su nacimiento en la misma época que la mecánica
tiene asignada una orientación (arriba o abajo) hasta cuántica pero no tuvo un desarrollo tan temprano ni un
que no lo medimos y antes de medirlo sus propieda- éxito tan fulgurante como la segunda. Ambas teorías
des están de algún modo indeterminadas, latentes. De han planteado importantes limitaciones al paradigma
este modo, observador y observable quedan ligados. determinista.
El conocido como principio de indeterminación o in-
certidumbre de H EISENBERG impone una limitación
natural para medir simultáneamente magnitudes como
la posición y la velocidad de las partículas elementa- 2.4 Física del caos
les. Todo ello, en conjunto, desafía el sentido común.
Sin embargo, la física cuántica es falsable, es decir,
está estructurada de forma que sus predicciones se ¿Cuándo y cómo se fraguó el paradigma del caos? A
pueden someter a pruebas experimentales que hasta la finales del siglo XIX H ENRI P OINCARÉ, matemático
fecha han sido confirmadas con niveles de precisión y físico francés, intentaba estudiar la estabilidad del
experimental inigualados por otras teorías científicas. sistema solar como sistema dinámico. Llegó a una
conclusión dramática, a partir del descubrimiento de
un hecho aparentemente de poca importancia: demos-
A E INSTEIN no le gustaba este carácter indeterminista tró que el llamado problema de los tres cuerpos no
en la descripción cuántica de la naturaleza y acuñó la tiene solución analítica [155]. En física clásica el mo-
famosa frase «Dios no juega a los dados» para ma- vimiento relativo de la Tierra y el Sol, despreciando
nifestar su aversión por las implicaciones del nuevo los efectos gravitatorios de otros cuerpos celestes, es
paradigma cuántico. Participó arduamente en el dise- un ejemplo de problema de dos cuerpos, que tiene
ño de experimentos ideales (Gedankenexperimente, solución analítica como demostró N EWTON [470].
término acuñado por H ANS C HRISTIAN Ø RSTED y Cuando añadimos la Luna al escenario, un tercer cuer-
utilizado después por E RNST M ACH) para demostrar po, el problema ya no es resoluble en los mismos
inconsistencias en la teoría cuántica. Estos Gedanke- términos, según demostró P OINCARÉ. De hecho, en
nexperimente, curiosamente, contribuyeron más bien física clásica hay un gran número de problemas reales
al reforzamiento de la misma, lo que puede servir de que se han de solucionar por métodos de aproxima-
buen ejemplo de puesta en práctica del ejercicio de ción, al no ser posible obtener soluciones analíticas
falsacionismo. El grupo de B OHR tenía que respon- para ellos. En algunos casos las aproximaciones linea-
der a los desafíos planteados por los detractores de les a problemas no lineales, como se explicará en la
la teoría cuántica y para ello reconsideraban una y sección 5.1.6 en la página 55, pueden estar justificadas
otra vez todos los principios de la teoría, de modo y llegar a tener un éxito rotundo suficiente, por ejem-
que se fue consolidando así el nuevo paradigma. El plo, para enviar cohetes a la Luna, hacerlos alunizar y
carácter indeterminista de la física cuántica depende traerlos de vuelta. Pero a pesar de ello la física clásica
del aspecto de la teoría que se considere: la ecuación no puede dar una descripción exacta ni completa a una
de S CHRÖDINGER es determinista en el sentido de gran variedad de fenómenos asociados a cualquier sis-
L APLACE y, por otro lado, el principio de incertidum- tema con más de dos cuerpos o problemas no lineales
bre de H EISENBERG impone un límite fundamental en general.
Paradigma Carácter Conceptos clave Algunas teorías

Gravitación newtoniana,
Física clásica Determinista Trayectoria
relatividad
Electrodinámica y
Física cuántica Determinista e indeterminista Onda de probabilidad
cromodinámica cuánticas
Determinista formalmente, pero Termodinámica no lineal,
Física del caos Atractor
limitaciones en la predecibilidad turbulencia
Tabla 2.2: Paradigmas en física
Cuando hablamos de caos nos referimos a una sien física el paradigma del caos supone una transfor-
tuación aparentemente contradictoria: estudiando la mación esencial, el teorema de G ÖDEL (ver párrafo
evolución temporal de un sistema determinista nos siguiente) supuso un punto de inflexión en la historia
encontramos con la imposibilidad de predecir su com- de las matemáticas: en uno y otro caso ambas ciencias
portamiento en el largo plazo. Es como si, aceptando encontraban, y afrontaban, sus propias limitaciones.
la existencia del demonio de L APLACE, éste no fuera
capaz de reproducir sus predicciones de futuro, pro- Los teoremas de incompletitud de G ÖDEL. En el
porcionando resultados diferentes cada vez que lo primer tercio del siglo XX se estaba intentando reno-
interrogáramos. La evolución de los sistemas caóti- var los fundamentos de la matemática. Dentro de ese
cos no sólo no es periódica, como cabría esperar en contexto DAVID H ILBERT, entre otros desafíos, plan-
algunos sistemas dinámicos que nos resultan fami- teó un programa que trataba de probar la consistencia
liares (sec. 5.1.5 en la página 54) sino que, además, de la teoría axiomática de conjuntos, lo que cimenta-
dicha evolución muestra una sensibilidad extrema a la ría la lógica matemática que, a su vez, soportaría el
resto de ramas de las matemáticas. Sin embargo, el
elección de las condiciones iniciales particulares que
matemático checo K URT G ÖDEL estableció en 1931
impongamos a los sistemas. que este programa no podría realizarse. Demostró,
por un lado, que si la teoría axiomática de conjuntos
Desde el punto de vista físico-matemático puro el es consistente, existen de todos modos teoremas que
caos presenta propiedades complicadas de entender no pueden ser probados ni refutados, a los que llamó
desde el punto de vista clásico. Podemos decir que indecidibles (es decir, no puede haber ninguna teo-
el caos está asociado a fenómenos que, sin ser de ría consistente y completa, particularmente cuando
naturaleza aleatoria, parecen aleatorios porque son im- el proceso de deducción puede implantarse mediante
predecibles en la práctica. Son fenómenos en los que, un algoritmo). Por otro lado, demostró que no existe
ningún procedimiento constructivo que pruebe que la
si cambiamos muy ligeramente sus condiciones inicia- teoría axiomática de conjuntos es consistente, lo que
les, su evolución futura puede cambiar drásticamente. en el fondo es un caso particular del primer resultado.
Estos comportamientos no estaban recogidos en la G ÖDEL amplió la concepción del mundo matemá-
mecánica newtoniana. Así pues, P OINCARÉ sembró tico: las matemáticas no son un cuerpo cerrado de
la semilla de otro cambio de paradigma. Topó con una conocimiento donde todo es consistente, sino que hay
fisura diferente a la que produjo el paradigma cuántico enunciados indecidibles. La demostración del teorema
y provocó un avance en una dirección distinta, que es elegante y explícita, pues genera una corresponden-
cia entre los números naturales y los símbolos de los
tardó en fraguarse mucho más tiempo que la teoría
teoremas. Esta concepción conecta, además, de forma
cuántica. Casi un siglo después se ha ido viendo la directa con las máquinas de T URING, máquinas que
importancia del descubrimiento de P OINCARÉ: dio teóricamente permitirían al demonio determinista de
soporte matemático formal a algo que probablemente L APLACE avanzar en su tarea de cálculo y predicción
se sospechaba desde hacía siglos y es que, de algún del futuro (además de distinguir entre una inteligencia
modo, el futuro es impredecible. O, dicho de modo artificial y una persona).
menos dramático, que la posibilidad de predecir el
futuro está limitada. En la Tabla 2.2 se resumen los
tres paradigmas abordados aquí: el clásico, el cuántico
y el del caos. Los teoremas de incompletitud de G ÖDEL son uno de
los resultados más profundos e impactantes de la lógi-
Para completar esta introducción histórica, señalamos ca matemática porque, dentro del marco de su propio
un paralelismo entre dos hitos del desarrollo de dos lenguaje, identificaron y pusieron de manifiesto sus
ciencias como las matemáticas y la física. Así como propias limitaciones.
2.5 Personalidades en caos 19
Dentro de ese desarrollo evolutivo las ciencias van que nunca está marcado de antemano.
ampliando su lenguaje y sus paradigmas de modo que,
cuando dentro del contexto de ese lenguaje encuen- Desde el punto de vista de los sistemas dinámicos, en
tran sus limitaciones, ese lenguaje necesita ampliarse el capítulo 5 en la página 49 dedicado a la física del
y los paradigmas sucederse. Con la teoría del caos la caos abordaremos las ideas de la teoría del caos más
dinámica de sistemas encuentra, y afronta, sus propias relevantes para la predicción meteorológica.
limitaciones y con los teoremas de incompletitud de
G ÖDEL la lógica matemática encuentra y afronta las
suyas. En estos hitos se encuentra una gran belleza, 2.5 Personalidades en caos
una forma ejemplar del ejercicio del método científico,
que encuentra sus limitaciones con su propio lenguaje Para finalizar este capítulo las Figuras 2.1 y 2.2 pre-
y que, aceptando esas limitaciones, es capaz de crecer sentan una selección cronológica de personalidades
mediante nuevos paradigmas para seguir un camino vinculadas a la teoría del caos.
J OSEPH L IOUVILLE (1809-1882),

matemático y físico francés, contribuyó I LYA ROMANOVICH P RIGOGINE
en teoría de números, análisis complejo, (1917-2003), físico-químico belga,
topología diferencial, física matemática Premio Nobel de Química por su trabajo
y astronomía. El teorema de L IOUVILLE en estructuras disipativas, sistemas
de mecánica hamiltoniana tiene una complejos e irreversibilidad.
estrecha relación con la teoría del caos.
H ENRI P OINCARÉ (1854-1912), E DWARD N ORTON L ORENZ

matemático, físico y filósofo francés, (1917-2008), matemático y meteorólogo
fundador de la teoría del caos, demostró estadounidense, formuló el concepto de
que el “problema de los tres cuerpos” no atractor extraño e introdujo el caos en
tiene solución analítica. Probablemente meteorología, acuñando la idea de efecto
el último ser humano capaz de abarcar mariposa inspirado en ideas similares de
todos los ámbitos de la matemática. otros físicos.
E MMY N OETHER (1882-1935),
matemática alemana, contribuyó en
física teórica y álgebra abstracta, quizá R ENÉ T HOM (1923-2002), matemático
la mujer más importante en la historia de francés, fundador de la llamada teoría de
la matemática. El teorema de N OETHER, catástrofes, muy relacionada con el caos,
que conecta simetrías y leyes de las singularidades y las ecuaciones
conservación, es uno de los más diferenciales.
profundos en la historia de la física
teórica.
Figura 2.1: Personalidades en la teoría del caos

J OHN E DENSOR L ITTLEWOOD

B ENOIT M ANDELBROT (1924-2010),
(1885-1977), matemático británico,
matemático
colaborador de G. H. H ARDY (tutor del
polaco-franco-estadounidense, investigó
matemático hindú S RINISAVA
las estructuras autosemejantes y acuñó el
R AMANUJAN), fue precursor de la teoría
término fractal.
de sistemas dinámicos.
N ORBERT W IENER (1894-1964),

ROBERT M C C REDIE M AY (1936-),
matemático y filósofo estadounidense,
ecólogo australiano, relacionó la teoría
uno de los primeros investigadores de
del caos con la dinámica de poblaciones,
procesos estocásticos, i.e. relacionados
usando la llamada ecuación logística
con el carácter aleatorio, considerado
discreta.
fundador de la cibernética.
V LADIMIR I GOREVICH A RNOLD

M ARY C ARTWRIGHT (1900-1998),
(1937-2010) matemático ruso conocido
matemática británica y presidenta de la
por la estabilidad de sistemas integrables,
London Mathematical Society, fue la
sistemas dinámicos, teoría de catástrofes,
primera persona en analizar un sistema
topología, ecuaciones diferenciales,
dinámico con teoría del caos.
hidrodinámica y singularidades.
M ITCHELL JAY F EIGENBAUM (1944-)

L ARS O NSAGER (1903-1976),
físico-matemático estadounidense,
físico-químico noruego-estadounidense,
investigó en teoría de bifurcaciones y
Premio Nobel de Química por las
diseñó algoritmos para relacionar el caos
relaciones de reciprocidad en la
con la cartografía y así facilitar la
termodinámica de procesos irreversibles.
elaboración de mapas geográficos.
A NDREY KOLMOGOROV (1903-1987),

I AN S TEWART (1945-), matemático
matemático ruso, contribuyó a la teoría
británico, introdujo el llamado atractor
de probabilidades, topología, lógica,
de S TEWART, contribuyó a la teoría de
teoría de la información, complejidad
catástrofes y es un gran divulgador de la
computacional y, en relación con el caos,
teoría del caos.
a la teoría de la turbulencia.
Figura 2.2: Personalidades en la teoría del caos.
3
Perspectiva histórica de la predicción meteorológica antes del siglo XX
(Cuando la predicción meteorológica no tenía una base científica)
DOI: 10.31978/014-18-009-X.03
R ICARDO G ARCÍA H ERRERA
Departamento de Astrofísica y Ciencias de la Atmósfera; Instituto de Geociencias UCM-CSIC (DACA+IG),
Universidad Complutense de Madrid (UCM)-Consejo Superior de Investigaciones Científicas (CSIC)
La historia de la meteorología como ciencia y como técnica es demasiado amplia para resumirla en unos pocos párrafos. El
interés por el tiempo atmosférico se remonta a los comienzos de la humanidad y los intentos por comprenderlo y predecirlo
a los primeros tiempos de los que tenemos testimonios escritos. Desde el principio, el conocimiento de los fenómenos
atmosféricos estuvo mediatizado por creencias sobrenaturales y asociado al movimiento de los astros. Tardaría mucho
tiempo, casi hasta nuestros días, en emanciparse de esas dos influencias. [...] Pero sin duda el estudio más amplio y
difundido de aquel entonces corresponde a Aristóteles (384-322 a.C.). Debemos al filósofo macedonio la introducción del
término Meteorología construido a partir de las palabras griegas Meteoros, “alto en el cielo” y lógica, “conocimiento,
tratado”. Además, a él se debe el primer tratado dedicado principalmente a la atmósfera, los cuatro libros conocidos como
“los Meteorológicos”, que Aristóteles escribió probablemente hacia 340 a.C. En realidad, Aristóteles entendía el término en
un sentido más amplio: “todos los efectos que se pueden llamar comunes al aire y al agua y las formas y partes de la Tierra
y los efectos de sus partes”, un programa que no desentona con el enfoque actual de la ciencia atmosférica.
Breve historia de la meteorología – M ANUEL PALOMARES C ALDERÓN,

http://www.aemet.es/documentos/es/conocenos/nuestra_historia/breve_historia_meteorologia.pdf
Antes de exponer los principios generales y la situación actual de la predicción meteorológica, presentamos en
este capítulo una breve historia de la misma. Ofrecemos así una perspectiva, necesaria para entender muchos de
sus aspectos. La división entre la meteorología actual y la anterior viene dada por la naturaleza científica de la
predicción desde momentos relativamente recientes: la base científica establece un antes y un después. En este
capítulo repasamos algunos de los hitos de la trayectoria que permitió llegar al planteamiento científico de la
predicción que rige en la actualidad.
Palabras clave: historia de la meteorología, historia de la predicción del tiempo.
Imagen parte superior: cumulonimbus capillatus. Cerro San Pedro, Colmenar Viejo (Madrid), hacia el este, 3 de julio de 2009, a las
21:19. Fotografía de J OSÉ A NTONIO Q UIRANTES C ALVO.
Física del caos en la predicción meteorológica Capítulo 3. Perspectiva histórica de la predicción meteorológica
22 antes del siglo XX
3.1 Introducción www/OSY/GOS.html). Además, estas observaciones
deben ser transmitidas en tiempo real a los diferentes
centros de predicción, para que puedan ser asimiladas
Este volumen está dedicado a presentar los últimos
(sec. 10.3 en la página 133) en los diferentes mode-
avances y aplicaciones de la predicción meteoroló-
los de predicción. El último paso es la resolución de
gica por conjuntos, la técnica más avanzada de las
los propios modelos, que no son sino las ecuaciones
actualmente existentes para intentar conocer de ma-
básicas junto con un conjunto de parametrizaciones
nera anticipada el comportamiento de la atmósfera.
que reflejan el comportamiento de determinados fe-
A lo largo de este libro queda claro que ello sólo es
nómenos no resueltos en el modelo. La resolución de
posible gracias a una serie de factores. Por una par-
las ecuaciones debe hacerse por métodos numéricos
te tenemos un conocimiento teórico preciso de las
altamente sofisticados, lo que no es posible sin los
ecuaciones que regulan el comportamiento de la at-
avances experimentados por la computación (capítu-
mósfera; éstas son las ecuaciones de la hidrodinámica,
lo 11 en la página 145), ya que la complejidad de
capaces de describir el comportamiento de un fluido
los procesos a resolver y el volumen de datos, hacen
sobre una esfera en rotación y que se detallan en el
imprescindibles los denominados superordenadores u
capítulo 6 en la página 67, tal y como las planteó V.
ordenadores de alto rendimiento [242].
B JERKNES [57]. En esencia se trata de principios de
conservación de magnitudes básicas como el momen-
to o cantidad de movimiento (el producto de la masa Evidentemente, las cosas no siempre han sido así, pe-
por la velocidad), la masa, mediante la ecuación de ro el interés por la meteorología y la predicción del
continuidad, y la energía. A ellas se le añade una ecua- tiempo son consustanciales al ser humano. En este
ción de estado para obtener un sistema con el mismo capítulo se hace un resumen de la evolución de los
número de incógnitas que de ecuaciones, por lo que, planteamientos empleados a lo largo de la historia
en principio, se podrían resolver. Sin embargo, en la para intentar resolver este problema. En definitiva da-
práctica, aparecen dos problemas. Por una parte se mos unos trazos de los caminos que, de momento,
trata de ecuaciones diferenciales no lineales en deriva- culminan en los sistema(s) de predicción por conjun-
das parciales, de las cuales no se conocen soluciones tos (SPC).
analíticas exactas, siendo necesario recurrir a métodos
numéricos. Tal y como demostró L ORENZ [391] y se
desarrolla en el capítulo 5 en la página 49, se trata 3.2 Meteorología, astronomía y
de ecuaciones altamente no lineales, cuyas soluciones
son extremadamente dependientes de las condiciones
climatología
iniciales. Es lo que se ha venido a denominar caos
determinista; una de sus consecuencias es que los sis- Durante todo el periodo que podemos denominar pre-
temas regidos por este tipo de ecuaciones presentan científico (anterior al siglo XX, ya que B JERKNES
límites a su predecibilidad, es decir, umbrales más plantea las ecuaciones de la dinámica atmosférica en
allá de los cuales el sistema no es predecible (capítu- su famoso artículo de 1904 [57]), los intentos de pre-
lo 12 en la página 155). En la atmósfera este límite se dicción del tiempo se abordaban a partir de lo que hoy
encuentra entre 2 y 3 semanas. denominamos observación astronómica y de la clima-
tología. En la medida que el tiempo meteorológico
Tuvieron que transcurrir alrededor de 50-60 años para «viene» del cielo, la asociación con la posición de los
que se pudiera dar el paso desde el conocimiento de astros resultó la primera intuición meteorológica. Por
las ecuaciones a la realización de predicciones ruti- otra parte, la repetición del ciclo anual, combinada con
narias, acertadas y con valor para la sociedad [398]. diferentes manifestaciones locales fue la otra «herra-
Ello fue posible gracias al desarrollo de la observa- mienta» empleada en este periodo. La primera eviden-
ción meteorológica, que ha permitido que podamos cia escrita de esta forma de actuar proviene de la Bi-
monitorizar la atmósfera desde un complejo sistema blioteca de A SURBANIPAL en Nínive (unos 700 años
de estaciones de superficie; radiosondeos, radares, li- A. C.), donde se conservaban tablillas de barro cocido.
dares o sodares, y aviones y satélites geoestaciona- En ellas existen evidencias de intentos de predicción
rios y polares (capítulo 7 en la página 83) que nos del tiempo basándose en ciclos astronómicos, en el
informan de la estructura vertical de la atmósfera; aspecto de las nubes y la presencia de fenómenos ópti-
así como observaciones marinas procedentes de barcos como los halos (https://earthobservatory.
cos o boyas (http://www.wmo.int/pages/prog/ nasa.gov/Features/WxForecasting/wx2.php).
3.2 Meteorología, astronomía y climatología 23
Este planteamiento se mantuvo durante muchos siglos gob.mx/es/aviso-de-norte, Figura 3.1).

a lo largo de la historia. Un ejemplo es el denominado
Libro de las cruces, una obra astrológica que A LFON -
SO X EL S ABIO mandó traducir del árabe [459]. Los
manuscritos originales datan de 916 y 918 y la primera
traducción parece ser de 1259. Se denomina así al Li-
bro de las lluvias y de los precios del reconocido Imán
A BU ’A BD A LLAH AL -BAQQAR. Según el autor, «En
el se ha tratado de reunir y extractar lo que se sabe
de la ciencia de los antiguos. En el trato acerca de
lo que significan las esferas celestes, así como sobre
el conocimiento de lo que va a ocurrir a los seres, a
lo largo de los meses y del tiempo, de acuerdo con el
movimiento del cielo». Según M UÑOZ [460], el ma-
Figura 3.1: Aviso de episodio de Nortes en el sitio web
nuscrito comprende tres secciones. La primera trata
del Servicio Meteorológico Nacional de México http:
de conocer el significado de los planetas superiores en // smn. cna. gob. mx/ es/ aviso-de-norte .
lo que ocurre cada año, mientras que la tercera busca
conocer los signos de fertilidad, escasez, precios y
lluvias con arreglo a las figuras que acerca de ellos La penetración del aire frío continental sobre las aguas
levantaron los antiguos. En esta línea de pensamiento cálidas del golfo da lugar a abundante nubosidad y
destaca una figura como es A BRAHAM Z ACUTO, ca- precipitación en las zonas de barlovento, así como a
tedrático de la Universidad de Salamanca que elaboró intenso oleaje, pudiendo superar los 14 m. La ocurren-
las tablas astronómicas usadas por Colón en sus viajes cia de heladas y nevadas no es infrecuente, incluso en
a las Indias y que escribió un Tratado breve de las zonas bajas, lo que origina importantes impactos en
influencias del cielo. En él incluye una parte dedica- cultivos como el café.
da a los cambios del aire, es decir, la predicción del
tiempo [497]. La importancia de la navegación dentro del Golfo y,
más aún, de la organización de las flotas anuales hacia
El desarrollo de la navegación oceánica a partir del la metrópoli, hizo que desde el principio de la colo-
siglo XVI, obligó a un escrutinio permanente y más nización se prestase especial atención al estudio de
detallado del mar y del cielo [284], lo que aumentó las condiciones meteorológicas, especialmente a los
el interés por la observación y la predicción de los fe- regímenes de viento y a los temporales, claves para
nómenos atmosféricos, todavía aplicando las mismas la viabilidad de la navegación y su seguridad. En el
bases. Los Nortes del golfo de México constituyen un Archivo General de Indias (A.G.I. 1 ) se proporciona
buen ejemplo de la combinación entre la climatolo- una descripción sucinta del conocimiento que se tenía
gía y la astronomía para intentar realizar predicciones en 1577 en Santo Domingo:
sobre las condiciones de la navegación de las flotas
de Indias. Los Nortes son invasiones de aire frío, con «Los vientos que corren en esta isla Española son los
frecuencia de origen polar, asociadas a circulaciones vientos lestes todo el año, excepto por agosto y sep-
anticiclónicas con un intenso gradiente meridional de tiembre que es tiempo de huracanes, que son grandes
presión. Son habituales en el periodo comprendido tormentas, y para ello hay buenos puertos habiendo
hombres prácticos, luego se conocen los huracanes
entre septiembre y mayo, afectan al golfo de México y
dos días antes que vengan. En el mes de noviembre y
Mesoamérica y pueden alcanzar intensidades superio- diciembre, enero y febrero, cursan los nortes, vientos
res a fuerza 12 en la escala de Beaufort (> 118 km/h, es que son tan forzosos en esta isla como en la Nueva Es-
decir, intensidad similar a los huracanes) mantenidas paña y Honduras, y para ello hay muy buenos puertos
durante varios días consecutivos. De manera rutinaria y seguros de los vientos nortes».
son incluidos en el sistema de avisos del Servicio Me- A.G.I. INDIFERENTE 2661, DOC. S/N1
teorológico Nacional de México (http://smn.cna.
1 Las referencias a los documentos indican el archivo AGI: Archivo General de Indias y luego la sección y signatura del legajo donde
se halla el documento
Este conocimiento se traduce en la Carta de la Univer-
sidad de Mareantes y pilotos de la carrera de Indias. ...y que hallándose estos bajeles surtos en el puerto,
siendo hoy el día primero del postrero cuarto de luna,
Esta institución era la encargada de formar a los mari-
están los vientos por la cabeza, estando tan próxima
nos responsables de la navegación a Indias. Sevilla, 6 la conjunción que llevan referida pues la hace a los 6
de febrero de 1577: días y medio ...».
A.G.I. MÉXICO 2489, DOC. S/N
«Sebastián de Santander, en nombre de la Univer-
sidad de los maestres y pilotos y dueños de naos y
mareantes de la carrera y navegación de las Indias
del mar océano. Digo que vuestra alteza con grande Abundando en la seguridad naval y su relación con los
acuerdo y con mucha deliberación, para que las naos fenómenos atmosfericos, cabe destacar la siguiente
no naveguen en tiempos de huracanes, ni estén en declaración de P EDRO DE V ILLEGAS, piloto mayor,
las Indias en tiempo de enfermedad, no vayan a ellas en San Juan de Ulúa, de 13 de septiembre de 1678:
ni vuelvan a España en tiempo de invierno, en que
suelen suceder naufragios y grandes daños y pérdidas,
dio orden que las flotas para Tierra Firme saliesen de «... que no conviene al servicio de Dios ni del rey nues-
la barra de Sanlúcar por el mes de agosto de cada un tro señor, aunque hubiera buen tiempo, nuestra salida
año, y que las flotas de Nueva España saliesen por el antes de la conjunción por estar tan próxima, pues es
mes de abril o mayo de cada un año, y todas las flotas el día 15 en la noche, luego que la dicha conjunción
que han salido por este orden han tenido próspero es la más tempestuosa que se halla en todos los me-
viaje y navegación, así a la ida como a la vuelta...» ses del año, y señalarse más que todas en tormentas,
A.G.I. INDIFERENTE 2674, DOC. S/N. pues esto se ha visto claro en las islas de barlovento
y mayormente en esta ensenada... pues mayormente
con más razón se puede esperar que sea éste de este
año de 1678 más rigurosa, respecto de traer tan in-
La transición entre la estación de huracanes (de agosto mediato el equinocio como es el de 22 de septiembre,
a noviembre) y el inicio de los nortes en noviembre, luego que el quinto de esta conjunción es el día 21,
limitaba en gran medida la navegación, originando y con la misma razón que se debe temer a la dicha
abundante documentación en cuanto a la fecha de sa- conjunción, se debe mirar los efectos del quinto, por
darse la mano con el dicho equinocio, pues todo junto
lida de la flota o las dificultades de descarga de los
puede resultar una revolución de tempestad ... pues
barcos en Veracruz, provocada por temporales de nor- de todo esto tengo ya referido todos los accidentes
te. A continuación se da un ejemplo donde se ve que que se ofrecen en dicho paraje con la variedad de tem-
este cambio se asociaba con el equinoccio de otoño, y porales que causa dicha conjunción, y caso que nos
se creía que, cuando estaba asociado a la conjunción diese un norte procedido de los efectos de dicha luna
de la luna, ocurrían los temporales más violentos, tal y o de que el tiempo los trae ya consigo, y no pudien-
como puede comprobarse en el A.G.I. MÉXICO 2489, do aguantar a la capa ni de mar en través nos será
forzoso arribar a este puerto... y dado caso que la
DOC. S/N. Junta de almirantes, capitanes y pilotos de
tormenta no sea por el norte sino por otra cualquier
la armada que debía de salir de Veracruz hacia España, parte, como de ordinario sucede andar por todos los
San Juan de Ulúa, 8 de septiembre de 1678, sobre las rumbos del aguja en este mes, la arribada referida no
11 del día: la podamos hacer sino a la costa... . Y pues he hecho
tantas experiencias en los viajes que he hecho desde
«... de guardarnos de los peligros que tan evidente- España a esta ensenada, pues vengo a ella desde el
mente se reconocen, así por ser este mes el paraje año de 1644 hasta el presente, y haber tenido noticia
donde se ha de ir aconteciendo la conjunción riguro- de muchas desgracias que han sucedido en este mes
sísima, que es la de este dicho mes de septiembre, la y en los que se esperan, por la gran rigurosidad de
más temida así de los navegantes como de los enemi- nortes tan continuos ...»
gos, retirándose por estos tiempos a asegurar de sus Declaración de P EDRO DE V ILLEGAS, piloto mayor,
efectos, y que causa más ruina en las islas de barlo- San Juan de Ulúa, 13 de septiembre de 1678
vento, demás de las experiencias que se han tenido
diferentes años haber sucedido en estos parajes, aún
donde pueden correr las naos muchas desgracias así
de sumergirse y abrirse las naos con los fuertes tem-
porales, pereciendo todos...
3.3 El desarrollo de la observación y las comunicaciones 25
Esta concepción que podemos denominar astrometeo- ciencia. El objetivo en este caso, ya no es observar
rológica predominó hasta el siglo XIX, y fue combi- para predecir, sino registrar las condiciones meteoro-
nándose con el uso de estadísticas. Así, según H OF - lógicas en que se realizaba la observación del cielo.
MANN [294], el primero en usar estadística fue el La información meteorológica recogida diariamente
abad M ORITZ K NAUER, del convento de Langheim incluye: temperatura, nubosidad, precipitación, ocu-
en Lichtenfels (Main). Tras la guerra de los 30 años, el rrencia de tormentas, nieblas, granizo, nieve o heladas.
abad compiló un calendario entre 1652 y 1659 para la Las descripciones son concisas, con anotaciones as-
predicción septenal, basándose en el ciclo de los siete tronómicas, meteorológicas y notas al margen. Sin
astros móviles conocidos en la época. Lo denominó embargo, permiten construir índices cuantitativos que
Calendarium oeconomicum practicum perpetum. han permitido identificar intensas sequías en 1780-
1781 y 1785-1786 con importantes impactos en la
H OFMANN también señala que en 1700 un médico agricultura y que dieron lugar a hambrunas [163].
de Erfurt llamado C HRISTOPH H ELLWIG publicó un
Hundertjähriger Kalender para todo el siglo XVIII Obviamente, estas observaciones cualitativas o narra-
que conoció más de 135 ejemplares en varios paí- tivas eran insuficientes para poder sentar las bases de
ses (sic). En España se mantuvo la tradición de los una aproximación científica al problema de la predic-
denominados lunaristas, que publicaron boletines me- ción meteorológica. Para ello eran necesarios instru-
teorológicos a partir de la influencia de la luna hasta mentos que permitieran medir de manera objetiva las
finales del siglo XIX [496]. variables. Si bien G ALILEO inventó el termoscopio
(dispositivo que muestra cambios en la temperatura)
a principios del siglo XVII, hay que esperar hasta la
3.3 El desarrollo de la observación segunda mitad del siglo XVIII a que comiencen las
primeras medidas sistemáticas. Este periodo sirvió pa-
y las comunicaciones ra mejorar la precisión y fiabilidad de los instrumentos
y, algo fundamental, la adopción de escalas de medida
Mientras todo esto ocurría, se iban construyendo las comunes. En 1665 C HRISTIAAN H UYGENS propuso
bases para el enfoque científico de la meteorología. Es usar los puntos de ebullición y congelación del agua
interesante señalar que las primeras observaciones me- como referencia termométrica. En 1724 DANIEL G A -
teorológicas estaban también ligadas a la astronomía. BRIEL FAHRENHEIT propuso una escala que asignaba
Así, el primer diario meteorológico del que se tienen un valor 32 al punto de congelamiento y 212 al de
noticias en la península ibérica [164] fue elaborado ebullición y la aplicó a los primeros termómetros de
por A NTONIO DE NÁJERA en Lisboa entre diciem- mercurio. En 1742 C ELSIUS introdujo una escala que
bre de 1630 y enero de 1633. Se titula Observaciones asigna los valores 0 y 100 a dichos puntos y que es la
Metheorologicas acerca de los tiempos y las mudan- más empleada en la actualidad.
cas del Aire, de todas las conjunciones; oppliciones y
quartos sol con la luna, de los Años del señor 1631 y Una vez solventado el problema de medir objetiva-
1632. El objetivo es elaborar unas tablas que permitan mente variables con unidades comunes, se pudo llevar
hallaren las mas notables acciones y influxos de los a cabo el siguiente paso, que fue la creación de las
planetas y en particular de la luna, como la mas evi- redes meteorológicas que intercambiaban datos. Se
dente en las mudancas del aire. Aunque obviamente puede considerar que esas fueron las primeras redes
son observaciones cualitativas, se ha podido compro- sinópticas (del griego sinopsis, mirada de conjunto).
bar que describen adecuadamente en ciclo anual de La primera fue la red Palatina o de Mannhein, que
temperatura y precipitación en Lisboa [163]. se inició en 1792 y llegó a tener 39 estaciones dis-
tribuidas en Francia, Alemania, Italia, Escandinavia,
Otro ejemplo lo podemos encontrar en el diario elabo- Polonia y Rusia. En EE. UU. las observaciones siste-
rado por F ELIPE Z ÚÑIGA Y O NTIVEROS en la Ciudad máticas comienzan en 1816 por iniciativa del Cirujano
de México en el periodo 1775-1786. El manuscrito se Jefe del ejército. Gracias a una visión salubrista de la
titula Ephemérides astronómicas calculadas al meri- medicina los médicos de los puestos militares debían
diano de México, años 1775-1785 y se corresponde tomar tres medidas diarias de presión, temperatura,
con el interés de la Ilustración por el desarrollo de la viento y estado del cielo.
Figura 3.2: Páginas extraídas de los Cuadernos de los hermanos U RRUTIA (1820-1882), donde anotaban sus
observaciones diarias de precipitación y temperatura.
En España, las observaciones meteorológicas y los 3.4 De las primeras predicciones

estudios derivados de las mismas comenzaron a fina-
al planteamiento científico
les del siglo XVIII, en lugares como el Observatorio
Astronómico de Madrid o las instalaciones de la Ar-
mada en Cádiz, aunque no se conservan todos los En España hay que esperar a 1850 para la aparición
registros [11]. Podemos destacar los Cuadernos de de redes experimentales promovidas por el Ministerio
los hermanos U RRUTIA (1820-1882, Figura 3.2) [11, de Instrucción Pública [17]. Al compartir los datos,
661], T OMÁS J ESÚS , I GNACIO Y L UIS, en los que estas redes permitieron realizar los primeros análisis
reflejaban sus observaciones meteorológicas diarias espaciales del estado de la atmósfera. El primer mapa
de precipitación y temnperatura del observatorio de del tiempo se atribuye a H. W. B RANDES [69, 70],
Cádiz, así como un resumen anual. Fueron colabora- elaborado en 1820 para Europa occidental (Figura 3.3
dores altruistas cuya abnegación resulta impagable. en la página siguiente). Algunos aspectos deben des-
En el cuaderno de 1870 L UIS relata el fallecimien- tacarse. Por una parte, corresponde al 6 de marzo de
to de su hermano T OMÁS sin que esa circunstancia 1783. Se trata, por tanto, de una herramienta para el
interrumpa la realización de las observaciones: análisis a posteriori (hindcast, en inglés). Por otro
lado, aparecen flechas que marcan la dirección del
viento e isolíneas que, a diferencia de los mapas ac-
«D. Tomás Jesús de Urrutia fue atacado de apoplejía tuales, representaban las desviaciones de la presión
a las 2 ½ de la noche del domingo 6 de noviembre, y
respecto de las condiciones medias (anomalías de pre-
murió, a las 3 de la tarde del día 8, a la edad de 70
años. Había sufrido 19 ataques desde el 18 de enero sión). De nuevo la climatología servía como ayuda
de 1868, de los que se restableció pronto con los re- para la predicción.
medios apropiados. Al margen de las observaciones
van señalados los días y horas en que los padeció».
3.4 De las primeras predicciones al planteamiento científico 27
Figura 3.3: El considerado como primer mapa sinóptico de la historia, mostrando las condiciones meteorológicas en
Europa occidental correspondientes al 6 de marzo de 1783, construido por H ILDEBRANDSSON [289] a partir de los
datos, indicaciones y experiencia de B RANDES [69, 70]. Las isolíneas indican anomalías de presión, con flechas que
indican la dirección del viento. Puede observarse un centro de baja presión entre las islas británicas y los Países
Bajos.
En esta etapa inicial, aunque los datos se compartieran, nes, por ejemplo por H. H. H ILDEBRANDSSON (1887
al no existir un medio de comunicación rápida, los ma- [289], Figura 3.3) y por W. T RABERT (1905 [628]).
pas se trazaban con semanas o meses de retraso y las
predicciones se realizaban comparando las observa-
El siguiente avance está asociado a la guerra de Cri-
ciones locales con análogos previos. No se conservan
mea. El 14 de noviembre de 1854 una tormenta des-
los mapas originales de B RANDES y, de hecho, no
truyó la flota anglo-francesa que estaba anclada en las
está históricamente contrastado que correspondan a
proximidades de la Península de Crimea. El desastre
las publicaciones donde se atribuyen. No obstante, los
fue tan grande que NAPOLEÓN III encargó el análisis
mapas pudieron ser reconstruidos en varias ocasio-
de la situación y las medidas que habrían de adoptarse
a fin de mejorar la predicción de este tipo de sucesos al este retraso y las circunstancias de la creación).
astrónomo L E U RBAIN J EAN J OSEPH V ERRIER, que
había sido capaz de predecir la existencia y posición Pero el avance no fue lineal. Obviamente, las primeras
de Neptuno a partir de las discrepancias entre la órbita predicciones eran poco fiables, dado que se basaban
de Urano y las leyes de K EPLER y N EWTON. Los en observaciones escasas y en la experiencia y el «ar-
incipientes servicios meteorológicos francés e inglés te» del predictor a la hora de elaborar e interpretar los
recogieron los datos disponibles y se pudo identificar mapas. De hecho, en Inglaterra un comité de la British
la estructura de la borrasca que había ocasionado el Royal Society recomendó al Ministerio de Comercio
desastre. que se interrumpieran los avisos, como finalmente se
hizo en 1866. En definitiva, aunque se tenían las bases
La principal conclusión de estos trabajos fue que la operativas (observación, comunicaciones y experien-
predicción se podría mejorar significativamente si se cia), los científicos eran escépticos sobre la posibilidad
dispusiera de mapas meteorológicos con las observa- de obtener predicciones fiables. La predicción no era
ciones mucho más rápidamente. De esa manera, los una ciencia todavía.
mapas podrían ser verdaderas herramientas para la
predicción. Gracias a la existencia del telégrafo se do Sin embargo, el último elemento que faltaba para el
empezó a realizar este intercambio rápido de datos a abordaje científico de la predicción meteorológica se
escala internacional. De hecho en 1849 se había crea- estaba desarrollando en paralelo. A lo largo de la se-
do en EE. UU. una red telegráfica para la transmisión gunda mitad del siglo XIX se estaban sentando las
diaria de un conjunto de observaciones. Durante la bases teóricas de la cinemática, dinámica y termodiná-
Exposición Universal de Londres en 1851 una compa- mica atmosféricas. Aunque las ecuaciones básicas del
ñía telegráfica preparó mapas meteorológicos diarios movimiento de un sólido sobre una esfera en rotación
[537]. Finalmente, en 1859, el British Meteorological se conocían desde principios de siglo, W. F ERREL
Department empezó a distribuir información meteo- [197] fue el primero en formular las ecuaciones diná-
rológica de manera rutinaria. Los mapas elaborados micas del movimiento de un fluido sobre una esfera
con esta información, obtenida casi en tiempo real, en rotación. Casi simultáneamente, C. H. D. B UYS -
permitieron elaborar un nuevo tipo de predicciones BALLOT descubrió la relación entre la velocidad del
basadas sobre todo en la identificación de sistemas de viento y el gradiente de presión [94], es decir, que en
presión y su desplazamiento según la dirección del el Hemisferio Norte el viento siempre sopla dejando
viento. las altas presiones a la derecha y las bajas a la iz-
quierda según su dirección. Por otra parte, entre 1850
La realización de las observaciones, que ya habían y 1870 se dedujo el primer principio de la termodi-
empezado a estandarizarse (en 1853 bajo el auspicio námica y se demostró el equivalente mecánico del
de M. F. M AURY se celebró en Bruselas la Confe- calor.
rencia para la estandarización de observaciones en el
mar [420]), la transmisión de las mismas y la posi- Por tanto, a principios del siglo XX se dan las con-
bilidad de realizar las primeras predicciones son las diciones para que B JERKNES plantee la predicción
bases que habían ido justificado la creación de los Ser- meteorológica como un problema científico, es decir
vicios Meteorológicos en los diferentes países. Así, mediante la resolución de ciertas ecuaciones, tal y
en 1854, el almirante F ITZROY, antiguo capitán del como se relata más adelante en este libro. Habrá que
Beagle, el barco de DARWIN, fue nombrado jefe del esperar a la segunda mitad del siglo para que, gra-
British Meteorological Service, que en 1861 empezó cias al desarrollo de la computación y la informática
a emitir predicciones y avisos de tormentas. En 1870 y a la aportación de investigadores como L. F. R I -
los EE. UU. crearon un servicio meteorológico dentro CHARDSON , J. C HARNEY o J. VON N EUMANN , ese
del cuerpo de señales del ejército, que inició sus pre- planteamiento científico sea la base de la predicción
dicciones al año siguiente. En España hay que esperar operativa [397, 398] (capítulo 4 en la página siguien-
a 1887 para la creación del Servicio Meteorológico te). Pero esa parte de la historia ya se narra en otros
Nacional (véase [17] para los detalles que explican capítulos de este libro.
La predicción operativa y el papel del predictor
4
DOI: 10.31978/014-18-009-X.04
J UAN C ARLOS B ULLÓN

GPV Barcelona, Agencia Estatal de Meteorología (AEMET)
S AMUEL V IANA
Área de Modelización, AEMET
La predicción era buena, pero luego la atmósfera se equivocó.

Frase popular entre meteorólogos – A NÓNIMO
El término predicción operativa engloba todas aquellas actividades encaminadas a elaborar y ofrecer
los productos de predicción a los diferentes usuarios. Salvo en el caso de las predicciones automáticas,
son los meteorólogos predictores (también denominados predictores operativos) los que se enfrentan al
reto de realizar la vigilancia meteorológica y de elaborar las predicciones. ¿Cuándo se disipará una
espesa niebla situada sobre las pistas de un aeropuerto? ¿Cómo evolucionará una línea de tormentas
conforme avanza hacia una zona poblada? Si está previsto que una profunda borrasca se sitúe en las
proximidades de las islas Canarias, ¿las precipitaciones intensas afectarán a las islas o se quedarán en
el mar? Ante vientos intensos previstos para el día siguiente, ¿qué nivel de aviso por vientos fuertes
conviene emitir y en qué zonas? ¿A partir de qué altura cuajará la nieve en Galicia y qué espesor
alcanzará? Este tipo de preguntas forman parte del día a día de los predictores, que han de aprender a
convivir con las dudas, afrontarlas y tomar decisiones, a menudo en cortos intervalos de tiempo.
Palabras clave: predicción operativa, predicción operativa 2.0, valor añadido del predictor.
Imagen parte superior: predictor de servicio en el Grupo de Predicción y Vigilancia (GPV) de Barcelona, AEMET.
30 Física del caos en la predicción meteorológica Capítulo 4. La predicción operativa y el papel del predictor
4.1 Introducción a la predicción teledetección (como satélites y radares) y en el cono-

cimiento científico del sistema atmosférico en general,
operativa
han incrementado considerablemente la cantidad y la
Los servicios meteorológicos se esfuerzan en ofrecer calidad de herramientas y productos orientados hacia
herramientas a los predictores que faciliten y agilicen la predicción operativa, permitiendo una mejora sus-
su labor, que suele tener gran repercusión social, con tancial en la calidad de la predicción meteorológica.
decisiones de las que a menudo dependen la seguri-
dad de bienes y personas. Así, numerosos especialistas Esta diversidad de herramientas al alcance de los pre-
se esfuerzan en mejorar los modelos de predicción, dictores se entiende porque las predicciones son dife-
la teledetección y las técnicas aplicadas a la predic- rentes en función del tipo de usuarios a los que van
ción. Las grandes mejoras en supercomputación y dirigidas, las áreas geográficas y los plazos temporales
los avances científicos y técnicos en los sistemas de involucrados (Figura 4.1).
Pronóstico en clave para el aeropuerto de Valencia:

TAF LEVC 090500Z 0906/1006 VRB03KT 9999 FEW030 TX28/0913Z TN16/0906Z PROB40 TEMPO
0906/0908 BKN008 BECMG 0910/0912 10010KT BECMG 0918/0920 VRB03KT=
Predicción España
Validez: sábado, 10 junio 2017 de 0 a 24 horas (oficial)

Fenómenos significativos
Temperaturas significativamente altas en los valles del Tajo, Guadiana y Guadalquivir.
Predicción
Predominio del tiempo estable en todo el país, con cielos poco nubosos o con intervalos de nubes altas y
algunos intervalos de nubes bajas costeras en los litorales de Alborán. No obstante, al final del día se esperan
también intervalos de nubes bajas en Galicia y cordillera cantábrica.
Temperaturas en ascenso en gran parte de la península y en Baleares. El ascenso será acusado en el Cantábrico
oriental. En la embocadura mediterránea del Estrecho, pueden descender ligeramente. En Canarias sin cambios.
Se alcanzarán valores por encima de lo normal para esta época del año en la mayor parte del interior peninsular,
excepto en el área mediterránea, superándose probablemente los 38 grados en los valles del Tajo, Guadiana,
Guadalquivir y zonas próximas.
Viento de componente norte en Canarias. De componente este en el tercio oriental peninsular y, con intervalos
de fuerte, en el Estrecho. Flojo en el resto, predominando la componente sur en el interior.
BOLETÍN DE FENÓMENOS ADVERSOS DE NIVEL AMARILLO
C. AUTÓNOMA: ANDALUCÍA (ORIENTAL)
BOLETÍN NÚMERO 123/61ANR_C_C_AM_TT
EMITIDO A LAS 10:58 HORA OFICIAL DEL 09/06/2017
VÁLIDO HASTA LAS 00:00 HORA OFICIAL DEL 11/06/2017
FENÓMENOS PREVISTOS
Fenómeno(1) - Temperatura máxima. 38 ◦ C. Nivel: amarillo.

Ámbito geográfico: Granada (Cuenca del Genil); Jaén (Valle del Guadalquivir).
Hora de comienzo: 14:00 hora oficial del 10/06/2017.
Hora de finalización: 20:00 hora oficial del 10/06/2017.
Probabilidad: 40 %-70 %.
Figura 4.1: Algunos ejemplos de boletines de predicción elaborados por los predictores de la Agencia Estatal de
Meteorología (AEMET). Arriba: predicción en clave para el aeropuerto de Valencia. En el centro: predicción general
para España. Abajo: boletín de fenómenos meteorológicos adversos para Andalucía oriental.
4.2 El trabajo del predictor en función del rango de predicción 31
Según el tipo de usuarios las predicciones pueden 4.2 El trabajo del predictor en
ser boletines de predicción generalista para el gran
función del rango de predic-
público, de fenómenos meteorológicos adversos (ver
fenómeno meteorológico adverso (FMA)), aeronáuti- ción
cas, marítimas, de montaña, o bien otras específicas
relacionadas con el turismo, fiestas locales, agricul- La primera tarea de un meteorólogo a la hora de elabo-
tura, medios de transporte, producción eléctrica, etc. rar una predicción es realizar un diagnóstico adecuado
Dependiendo de su área de extensión, las predicciones del estado de la atmósfera. En función del alcance tem-
pueden ser para localidades o zonas muy limitadas, poral de la predicción, tendrá que seleccionar unos
como ciudades, playas o aeropuertos, para áreas más u otros productos de teledetección, analizar con ma-
amplias, como provincias o zonas costeras, o para yor o menor detalle las observaciones disponibles, el
áreas muy extensas, como un país o una amplia zona tiempo pasado, los campos de análisis de los modelos
aeronáutica o de alta mar. Por último, según el plazo numéricos, etc. Además, como se verá en la siguien-
de predicción, pueden ser de nowcasting (para las inte sección, las escalas temporales y espaciales en la
mediatas horas), de corto plazo (para los próximos 2 atmósfera están estrechamente ligadas. Por todo ello
ó 3 días), de medio plazo (para los días siguientes), merece la pena detenerse un poco más en la clasifi-
y en un escalón inferior en cuanto a su fiabilidad y cación por rango temporal mencionada en el punto
precisión, las predicciones mensuales y estacionales. anterior.
En función de cada uno de estos casos las herramien-
tas de predicción a utilizar pueden ser bastante dife-
rentes, así como los criterios a aplicar. Es muy distinto 4.2.1 Nowcasting
hacer una predicción para un aeropuerto que para una
extensa área como las islas Canarias. O realizar una
predicción de tipo nowcasting, en la cual los sistemas El nowcasting consiste en la predicción a muy corto
de teledetección son fundamentales, que una de medio plazo, para las horas inmediatas. Es en este caso cuan-
plazo, donde se utilizan casi exclusivamente modelos do el predictor se suele enfrentar a las decisiones más
de predicción. difíciles y delicadas y con menor tiempo de actuación.
Ante episodios extremos, intentará deducir su pro-
Con el aumento de las herramientas disponibles para bable evolución en las próximas horas y, si procede,
la predicción, el predictor se encuentra ante numero- actuar con rapidez emitiendo avisos meteorológicos,
sas fuentes de información. Con su experiencia debe modificando previsiones o asesorando a Protección
elegir según el caso las que le serán más útiles. Como Civil o a la torre de control de un aeropuerto.
su trabajo siempre está limitado en el tiempo, en oca-
siones debe decidir con bastante celeridad, añadiendo
una presión extra que no sufren otros meteorólogos En este rango de predicción, la teledetección es bá-
como los que se dedican a predicción numérica, a sica para realizar un buen diagnóstico y, con ayuda
desarrollar nuevas técnicas de predicción o a estudios de los modelos de predicción, poder predecir mejor
de situaciones pasadas. la evolución atmosférica. Hay una serie de sistemas
de teledetección a disposición del predictor, como
El predictor es quien acaba definiendo las prediccio- las imágenes de satélites, los radares meteorológicos,
nes y los avisos meteorológicos generales o de aeró- la red de detección de rayos, las estaciones meteo-
dromos y el que suele asumir la interlocución con las rológicas en superficie, las boyas marinas o los son-
protecciones civiles, los usuarios aeronáuticos y marí- deos meteorológicos para datos en altura. Según la
timos, o cualquier otro al que preste servicios. Por ello, situación elegirá unos u otros. Las redes sociales se
en situaciones complicadas, las decisiones se toman han incorporado recientemente, aportando en tiempo
en equipo y por consenso, mejorándolas y evitando real información de numerosos puntos, muchas veces
que dependan de una sola persona, especialmente las acompañadas de imágenes o vídeos que muestran los
que implican avisos por fenómenos adversos. fenómenos o sus efectos in situ.
Figura 4.2: Frente frío alcanzando la península ibérica en imagen de canal visible del Meteosat y su reflejo en la
correspondiente guía técnica de diagnóstico de AEMET (26 de enero de 2017)
Figura 4.3: Células convectivas en el canal visible del Meteosat y en el radar de Zaragoza (3 de junio de 2017)
Los sistemas de teledetección permiten detectar es- 4.2.2 Predicción a corto plazo
tructuras meteorológicas a gran escala, denominada
escala sinóptica, como las vaguadas y dorsales, depre- Para la predicción a dos o tres días los sistemas de tele-
siones aisladas en niveles altos (depresión aislada de detección pierden importancia, mientras la ganan los
niveles altos (DANA)), corriente en chorro en capas modelos deterministas de predicción, ya sean de esca-
altas de la troposfera, frentes (Figura 4.2), intrusiones la global, como el ECHRES del ECMWF (sec. 19.2
de polvo sahariano (Figura 4.17 en la página 39), etc. en la página 291), o de área limitada, de mayor re-
A menor escala, o mesoescala, sistema convectivo de solución pero menor alcance, como el HARMONIE-
mesoescala (SCM) (Figura 4.3), líneas de turbonada, AROME (sec. 10.1 en la página 130 y sec. 20.4 en la
mesociclones, zonas de convergencia, áreas con nie- página 310).
bla, etc. A pequeña escala (microescala) se pueden
detectar fenómenos de incidencia más local, como los
tornados o las nieblas locales.
4.2 El trabajo del predictor en función del rango de predicción 33
Figura 4.4: Situación sinóptica prevista por el ECHRES a 850 hPa (izquierda) y 500 hPa (derecha) para el 4 de
junio de 2017
Gracias al aumento de potencia de cálculo de los su- inestabilidad, zonas de convergencia, áreas de convec-
perordenadores, los modelos deterministas van au- ción organizada, rayos previstos, etc.). Con su expe-
mentando su resolución y fiabilidad a pocos días. Por riencia, el predictor ultimará las predicciones con el
ello para el corto plazo son muy útiles. Los sistemas uso de los llamados modelos conceptuales, su conoci-
de predicción por conjuntos para el corto plazo, como miento del territorio y de los efectos de las situaciones
el anterior AEMET-SREPS o el próximo AEMET- según la época del año y con la ayuda de casos de
gamma-SREPS, requieren muchos recursos para su estudio de situaciones anteriores.
desarrollo y operatividad, por lo que aún no han podi-
do ser explotados convenientemente, aunque su papel
va a ser cada vez más preponderante en el futuro. 4.2.3 Predicción a medio y largo plazo
Los predictores disponen de mapas previstos (Figu- A partir del tercer o cuarto día básicamente se utilizan
ras 4.4, 4.5 y 4.6 en la página siguiente) para distintos modelos de área global. Al alejarnos del día en curso
fenómenos o variables (precipitaciones, temperaturas, van ganando peso los sistemas probabilistas, de mane-
vientos, cotas de nieve, etc.), y de numerosas herra- ra que las predicciones por conjuntos van adquiriendo
mientas de postproceso, como las relacionadas con la protagonismo, fundamentalmente el sistema ECENS
convección atmosférica (sondeos previstos, áreas de del centro europeo.
Figura 4.5: Precipitación prevista por el ECHRES (izquierda) y densidad de rayos (número de rayos / km²) estimada
por el HARMONIE-AROME (derecha) para el 4 de junio de 2017
Figura 4.6: Seudoimagen de satélite (izquierda) y precipitación en una hora (derecha) previstas por el HARMONIE-
AROME del día 5 de julio para las 13 UTC del día 6 de julio de 2017
También se dispone de productos derivados relaciona- mayores. Como afirma Ángel Rivera en el prólogo
dos con la probabilidad de fenómenos extremos que de este libro, la predicción probabilista es el mejor
se alejan de los valores climatológicos (sec. 27.7 en producto que se puede ofrecer a los usuarios. Pero las
la página 419), como el extreme forecast index, EFI resistencias por su desconocimiento y falta de uso por
(sec. 27.7.2 en la página 420), o el shift of tails, SOT parte de la sociedad hacen que los productos elabo-
(sec. 27.7.3 en la página 422) (Figura 4.7). rados por los servicios meteorológicos, así como los
predictores, se vayan adaptando lentamente a ella. Así
La predicción meteorológica será principalmente propues, uno de los objetivos debe ser intentar avanzar
babilista, mucho más la referente al medio y largo en la calidad de la predicción probabilista, y ahí la
plazo, donde las incertezas y posibles desvíos son predicción por conjuntos jugará un papel esencial.
Figura 4.7: Probabilidad de rachas de viento superiores a 40 km/h para D+5 (al cabo de 5 días) previsto por el
ensemble del ECMWF, ECENS
4.3 Estructuras meteorológicas a escala sinóptica y mesoescalar 35
Figura 4.8: Línea convectiva cerca de la costa central catalana. Foto: J OAN C ARLES B ULLÓN.
4.3 Estructuras meteorológicas a a escala sinóptica y mesoescalar. Puede decirse que

forman parte del «entorno de trabajo» cotidiano de
escala sinóptica y mesoesca-
cualquier predictor.
lar
El estado y evolución de la atmósfera vienen deter- 4.3.1 Escala sinóptica

minados por la combinación de un gran número de
procesos que tienen lugar en un amplio espectro de En capas medias y altas de la atmósfera las princi-
escalas espaciales y temporales [477]. La meteorolo- pales estructuras que aparecen a escala sinóptica son
gía operativa se centra principalmente en los procesos las vaguadas y las dorsales, así como la corriente en
de escalas a partir de varios kilómetros, distinguiendo chorro (jet stream), mientras que en capas bajas se
dos rangos de variación espacial y temporal. Por una presentan los grandes sistemas de presión, es decir,
parte la escala sinóptica, con movimientos de cente- los anticiclones y las depresiones o borrascas.
nares a varios miles de kilómetros y escalas tempora-
les de hasta varios días, donde aparecen estructuras Las dorsales son áreas donde las isohipsas corres-
de gran dimensión y, por otra parte, la mesoescala, pondientes a un nivel de presión presentan un valor
con procesos que van desde unas decenas hasta unos máximo, mientras que en las vaguadas presentan un
centenares de kilómetros y escalas temporales desde valor mínimo. Ambas se suelen representar indican-
decenas de minutos a un día. Por debajo queda la llado el eje donde se alcanza el valor máximo (dorsal)
mada microescala, donde se producen los fenómenos o mínimo (vaguada). Cuando las isohipsas llegan a
más locales y breves. A continuación se exponen al- cerrarse representando valores máximos o mínimos
gunas de las estructuras y fenómenos más habituales se habla de altas o bajas en altura, respectivamente.
Figura 4.9: Vaguadas (líneas rojas discontinuas) y dorsales (líneas azules quebradas) en 500 hPa sobre el Atlántico
Norte y Europa. Los colores azulados indican aire frío. Se aprecian claramente las vaguadas sobre el Atlántico y
sobre Grecia y la dorsal sobre Baleares y Francia (19 de junio de 2017).
Figura 4.10: Como en la Figura 4.9 mostrando ahora casos de corriente en chorro (líneas azules de trazo grueso
terminadas en flecha) asociadas en 300 hPa.
Normalmente las dorsales suelen ir acompañadas de este. En estos casos se habla de flujo zonal (Figura
anticiclones en superficie, mientras las vaguadas y ba- 4.11).
jas en altura suelen ir con depresiones (o borrascas)
y sus habituales frentes. Frecuentemente en latitudes Por contra, a veces una dorsal se sitúa a lo largo de
medias se suceden vaguadas y dorsales que avanzan una gran extensión latitudinal, lo que da lugar a si-
de oeste a este (Figuras 4.9 y 4.10). tuaciones de bloqueo que pueden durar varios días,
normalmente con un potente anticiclón en superfi-
En ocasiones se presentan grandes áreas donde no se cie (Figura 4.12). Estas situaciones suelen darse con
aprecian dorsales ni vaguadas, de manera que las iso- mayor frecuencia en la época invernal, provocando
hipsas van paralelas siguiendo una trayectoria oeste- entradas de aire frío de origen polar o continental.
Figura 4.11: Flujo zonalsobre la península ibérica, en superficie (izquierda) no afecta más que al extremo norte de
la península ibérica, y en 500 hPa afecta más claramente a todo el área peninsular (1 de marzo de 2017).
Figura 4.12: Anticiclón de bloqueo (izquierda) con potente dorsal en capas altas (derecha) que se extiende hasta
altas latitudes (15 de enero de 2017)
Figura 4.13: Una DANA sobre el sur peninsular, con anticiclón y dorsal de bloqueo sobre las islas británicas. En la
imagen izquierda se ve que no va acompañada de una depresión en superficie (19 de enero de 2017).
Cuando se presenta una baja en altura sin que lleve Europa y el Mediterráneo, las DANA en ocasiones dan
aparejada una depresión en superficie, se habla de de- lugar a precipitaciones torrenciales, especialmente en
presión aislada en niveles altos o DANA. En el sur de otoño (Figuras 4.13 y 4.14).
Figura 4.14: DANA sobre el sur peninsular, como en la Figura 4.13. Aquí se muestra la abundante nubosidad
asociada y la precipitación prevista por el ECHRES.
Figura 4.15: Precipitación persistente en la cornisa cantábrica con entrada de norte en situación anticiclónica (7 de
noviembre de 2016). Arriba, de izquierda a derecha: mapa de presión y precipitación observada. Abajo: imagen de
satélite, canal visible.
4.3.2 Mesoescala Así mismo se puede generar convección organizada

de dimensiones mesoescalares, como las supercélulas,
A esta escala inferior se presentan estructuras y fenó- líneas de turbonada o los SCM (Figura 4.17).
menos de menor dimensión que a escala sinóptica.
En numerosos casos vienen condicionados por las ca-

racterísticas orográficas, como por ejemplo las zonas
montañosas que realzan la precipitación (Figura 4.15
en la página anterior), las llanuras interiores y sus ha-
bituales nieblas de irradiación invernales, sobre todo
en los grandes valles fluviales como los del Duero y el
Ebro (Figura 4.16), las zonas costeras con las nieblas
de advección y las brisas, etc.
Figura 4.17: Línea convectiva organizada avanzando

hacia el este. Se aprecia entrada de polvo de origen
sahariano por el sur de la península ibérica (20 de julio
de 2016)
En ocasiones se forman ondas de montaña cuando

vientos intensos en capas bajas y medias van en di-
rección perpendicular a los sistemas montañosos, a
veces con formación de bandas de nubes orográficas
Figura 4.16: Formación de extensas nieblas de irradia-
ción en los valles del Duero, Ebro y Tajo con anticiclón (Figura 4.19 en la página siguiente).
invernal (13 de diciembre de 2016)
Es frecuente que las convergencias de aire en capas
bajas generen bandas de nubes (Figura 4.19 en la pá-
Un caso particular es el denominado dipolo orográfico, gina siguiente) o determinen dónde se disparará la
que se forma cuando un anticiclón se extiende hacia convección, como con el paso de frentes, entradas
el sur de Francia, generándose un fuerte gradiente de de tramontana por la comentada formación de dipolo
presión entre los Alpes y los Pirineos, con formación orográfico, convergencias de brisas en el interior de
de una mesobaja al sur de Pirineos, lo que da lugar a islas de cierto tamaño, como Mallorca (Figura 4.20
los vientos de cierzo y tramontana (Figura 4.18). en la página 41), etc.
Figura 4.18: Dipolo orográfico con formación de una mesobaja al sur de los Pirineos y vientos de cierzo y tramontana
(1 de julio de 2017)
Figura 4.19: Flujo intenso del oeste y noroeste sobre la península ibérica en capas medias (700 hPa), con generación
de ondas de montaña y bandas de nubes orográficas. En superficie la convergencia de la tramontana (raya
discontinua) con los vientos del noroeste genera una banda de nubes desde Baleares al golfo de León (29 de junio de
2017).
Figura 4.20: Célula tormentosa en el interior de Mallorca formada con ayuda de la convergencia de la brisa (arriba).
Importante actividad eléctrica y registros superiores a 20 mm en puntos del interior de la isla (abajo), 30 de junio de
2017.
4.3.3 Fenómenos locales o de microesca- microescala. Algunos ejemplos pueden ser los cumu-
la lonimbos aislados (Figura 4.21), las nubes lenticulares
(Figura 4.22), los tornados y trombas marinas, los ma-
Cuando la extensión de los fenómenos se reduce, no res de nubes (Figura 4.23) o las nieblas locales, ya
excediendo de unos pocos kilómetros, entramos en la sean marítimas o en zonas de interior (Figura 4.24).
Figura 4.21: Algunos fenómenos de microescala: cumulonimbos. En el Pirineo catalán (izquierda) y la ciudad de
Barcelona (derecha). Fotos: J OAN C ARLES B ULLÓN.
Figura 4.22: Algunos fenómenos de microescala: nubes lenticulares en el Pirineo catalán. Fotos: J OAN C ARLES
B ULLÓN.
Figura 4.23: Algunos fenómenos de microescala: mares de nubes en la cara norte del Pirineo central francés. Fotos:
J OAN C ARLES B ULLÓN.
4.4 El papel del predictor y su evolución: La predicción 2.0 43
predictor humano debe irse adecuando continuamente

para incorporar los avances en sus rutinas de trabajo.
Cada vez son más habituales los workshops, o talle-
res, y foros de predictores [581, 609] en los que se
analizan la evolución futura de la profesión y su adap-
tación a los cambios tecnológicos. A continuación se
recogen algunos aspectos cruciales en la evolución
futura de la profesión y que vienen marcando la labor
del predictor operativo durante los últimos tiempos.
4.4.1 El predictor y la resistencia al cam-

bio
Figura 4.24: Algunos fenómenos de microescala: nie-
blas de advección en la línea de costa de Barcelona. Por la posición que ocupan al final de la cadena de pro-
Foto: J OAN C ARLES B ULLÓN.
ducción, casi todos los avances tecnológicos y cien-
tíficos en meteorología acaban afectando directa o
indirectamente al trabajo de los predictores. La mayor
La modelización de la meteorología a escala inferior
parte de ellos son conscientes de que la adaptación a
a un kilómetro es muy complicada, pero existen ejem-
los cambios y la incorporación de nuevas herramientas
plos como los LES (Large Eddy Simulations, [452]),
de trabajo forman parte consustancial de su profesión.
con resoluciones horizontales de pocas decenas de me-
Sin embargo, entre el resto de compañeros del sec-
tros. La aplicación de estos modelos puede ser muy
tor meteorológico ajenos a la operatividad, existe la
útil en casos como la instalación de parques eólicos.
creencia relativamente extendida de que los predicto-
Los vientos locales son determinantes a la hora de
res trabajan con mucha inercia y demasiada resistencia
decidir su ubicación. Y la modelización de vientos a
al cambio. ¿A qué puede deberse esta diferencia de
escala aún más local para detectar zonas de mayor ve-
percepciones?
locidad de viento o zonas de turbulencia puede servir
para decidir el lugar de colocación de cada molino
Por un lado, algunas características del trabajo ope-
de viento dentro de la zona del parque, con la inten-
rativo no ayudan a que el dinamismo y la adaptación
ción de conseguir un mayor rendimiento y un mayor
permanente se perciban desde fuera como aspectos
tiempo de vida de las instalaciones.
característicos de la profesión. Entre ellas destacan la
preponderancia del trabajo en régimen de turnos en la
mayoría de centros de predicción, o el hecho de que
4.4 El papel del predictor y su buena parte de los predictores desarrollen su trabajo
evolución: La predicción 2.0 en solitario o en grupos muy reducidos y en perio-
dos fuera del horario de oficina (noches, vacaciones,
El contenido de esta sección está desarrollado basán- fines de semana, festivos, etc.). Todos estos factores
dose en [643] actualizando, completando y contextua- ralentizan tanto la adopción de nuevas herramientas de
lizando gran parte de lo ahí expuesto. Los predictores trabajo como el conocimiento de sus particularidades.
operativos son el último eslabón de una compleja ca-
dena mediante la que se trasladan a la sociedad los Paralelamente, esa aparentemente excesiva resistencia
beneficios de los continuos avances producidos en las es la que ha permitido durante décadas el desarrollo
ciencias atmosféricas. Desde sus inicios, la profesión de gran parte del llamado valor añadido del predictor.
del predictor se encuentra en continua transforma- Este valor añadido “clásico” se construye mediante
ción, aunque ha sido en las últimas décadas cuando procesos cognitivos por los que el predictor reconoce
la evolución exponencial en los avances científicos y patrones atmosféricos y los relaciona con los modelos
tecnológicos ha abierto el debate sobre su papel en el conceptuales que conoce y situaciones atmosféricas
futuro. Desde mediados de la década de los 80 existe pasadas. Esto requiere una cierta estabilidad en cuanto
la opinión generalizada de que, a medida que estas a las metodologías de trabajo, las herramientas y los
mejoras van reduciendo la intervención humana en protocolos de actuación, lo que además permite que
cada vez más productos de predicción, el papel del exista una cierta homogeneidad y coherencia interna
en las actuaciones de los predictores operativos a lo esta información. Esto puede conducirlo a la llamada
largo del tiempo. «sobrepredicción», pues para la mayoría de predictores
el «precio» de no pronosticar un fenómeno adverso se
Esta concepción clásica del valor añadido ha evolucio- percibe mayor que el de pronosticarlo y que no llegue
nado a medida que ha aumentado la fiabilidad de los a producirse [609]. Por su parte el usuario estancado
modelos numéricos. La labor del predictor se extendió en predicciones deterministas sufrirá una pérdida de
al papel de intermediario entre los modelos y las con- confianza en las predicciones y un desconocimien-
diciones meteorológicas realmente esperables en su to de la precisión real de las mismas, perdiendo así
zona de influencia, actuando de traductor del modelo, la oportunidad de realizar su toma de decisiones de
haciendo una especie de downscaling (ver sec. 10.1 forma más efectiva.
en la página 130) humano, por ejemplo, considerando
sus sesgos sistemáticos, cuestionándolos y corrigién-
dolos en los momentos clave, también en base a su
experiencia. 4.4.3 El predictor «saturado»
En definitiva, el oficio del predictor se ve caracteriza-

do por dos fuerzas actuando en sentido opuesto: una Desde la irrupción de las computadoras en la práctica
lo obliga a estar en permanente modernización; la otra, de la meteorología operativa, el predictor siempre ha
lo mantiene ligado a ciertas metodologías de trabajo contado con un abanico de herramientas y modelos
que esencialmente no han cambiado desde hace varias a su alcance para ayudarlo en su labor. Cada predic-
décadas. Todo hace pensar que esta dualidad seguirá tor desarrolla una metodología propia para procesar y
marcando la evolución de la profesión durante los pró- manejar toda esa información, y poder ver el bosque
ximos años, en los que la profesión podría sufrir un y no sólo los árboles. Merece la pena señalar que es-
nuevo impulso o por el contrario ir restringiéndose a te proceso mental, es decir, el conjunto de procesos
un número aún más reducido de profesionales cada cognitivos que llevan a los predictores a tomar sus
vez más especializados. decisiones, es quizá uno de los aspectos menos estu-
diados de la meteorología. La bibliografía al respecto
es bastante escasa: destacamos por ejemplo una clasi-
4.4.2 La incertidumbre «se queda en ca- ficación de tipos de predictores en función de diversas
características comunes [349], o un extenso estudio
sa»
sociológico realizado por un investigador que convi-
El enfoque probabilista de la meteorología se ha ido vió durante varios meses en una oficina regional de
imponiendo a lo largo de los últimos años, tanto en predicción del servicio meteorológico de los Estados
modelización como en muchas herramientas y produc- Unidos [206].
tos de postproceso; a su vez los predictores operativos
han incorporado este enfoque a su práctica diaria. Sin Con el paso del tiempo, el número y la diversidad
embargo, los avances en cuanto a la comunicación de de herramientas y modelos numéricos (deterministas,
la incertidumbre entre los distintos grupos de usuarios probabilistas, atmosféricos, de oleaje, etc.) al alcance
han sido más limitados (cap. 40 en la página 615). del predictor operativo no han hecho más que aumen-
La sensación es que la incertidumbre «se queda en tar. No hay duda de que la mayor disponibilidad de
casa». Esto pone de manifiesto que el predictor no es modelos, cada uno con sus puntos débiles y fuertes, ha
la única parte que se resiste a los cambios: por ejem- permitido mejorar la calidad de las predicciones. Pero
plo, muchos usuarios especializados tampoco están por otra parte, la complejidad del proceso de toma de
concienciados sobre la utilidad de la variable incer- decisiones también ha aumentado proporcionalmente.
tidumbre meteorológica en su toma de decisiones, a Cuantos más modelos se deban manejar, más difícil
pesar de que a menudo sí que usan información pro- se hace para el predictor conocerlos en profundidad.
babilista en otros ámbitos de su actuación. Además, la frecuencia de actualización y mejora de
los modelos también ha ido aumentando durante los
Las consecuencias negativas de esta escasa difusión últimos años, por lo que el predictor, que anteriormen-
de la información probabilista son múltiples. Por un te podía llegar a corregir sesgos de un modelo en base
lado para el predictor, que puede dejar de pensar en a la mera experiencia en su uso, hoy día puede no
términos de incertidumbre y regresar al enfoque de- llegar a desarrollar esta experiencia antes de que se
terminista ante la evidencia de que tiende a ignorarse implante la siguiente versión.
4.4 El papel del predictor y su evolución: La predicción 2.0 45
Por otra parte, debería prestarse más atención a es- ambos grupos de profesionales, o incluso a la crea-
tudiar cómo explotar los modelos numéricos de ma- ción de perfiles mixtos como es el caso en EE. UU., la
nera óptima y cuáles son las «mejores prácticas» pa- predicción en su conjunto se beneficiaría. El predictor
ra que un predictor saque el mayor provecho de los obtendría una información directa sobre las caracte-
mismos. Por ejemplo, actualmente están en auge los rísticas de los modelos y de las herramientas desarro-
modelos no hidrostáticos de alta resolución como el lladas para la predicción, que le podría ser muy útil
HARMONIE-AROME AROME (sec. 10.1 en la pági- para mejorar su explotación. Por su parte, el «desarro-
na 130 y sec. 20.4 en la página 310), que no se pueden llador» podría igualmente beneficiarse de un contacto
interpretar de la misma manera que los modelos glo- más «real» con aquello que los modelos buscan pre-
bales o de área limitada disponibles hasta el momento decir y conocería de primera mano las necesidades de
[609]. Estos modelos de alta resolución pueden apor- sus usuarios directos.
tar una información muy valiosa en ocasiones y en
otras muchas pueden conducir a pronósticos fallidos
y falsas alarmas, sin que el predictor tenga hasta el 4.4.5 Redes sociales
momento una forma adecuada de distinguir unos y
otros casos. El auge de las redes sociales en general y de Twitter en
particular ha permitido introducir un nuevo canal de
difusión de la información meteorológica elaborada
4.4.4 Meteorología operativa vs. meteo- por los grupos de predicción operativa y la posibilidad
rología de desarrollo de establecer una vía de comunicación rápida y direc-
ta con el público general, con quien hasta ahora los
La mayoría de herramientas de trabajo al alcance del contactos eran más bien escasos. Gracias a la amplia
predictor operativo son el resultado del trabajo de pro- presencia de aficionados a la meteorología en estas
fesionales de la meteorología externos a la predicción redes, es muy frecuente recibir casi en tiempo real
operativa (predictores numéricos o «desarrolladores» información de retorno muy valiosa en situaciones de
de cualquier tipo de productos para la operatividad). tiempo adverso. Por ejemplo, mediante estos repor-
A pesar de ello, probablemente no existen dos profe- tes puede llegarse a determinar casi en tiempo real
siones con intereses tan unidos y formas tan distintas la cota de nieve o la severidad de episodios convecti-
de vivirlos. Los «desarrolladores» tienden a focalizar- vos, puesto que casi siempre vienen acompañados de
se en los conceptos físicos más teóricos, tienen una testimonios gráficos. Anteriormente este tipo de ob-
profunda comprensión de la predicción numérica y servaciones sobre la ocurrencia de fenómenos atmos-
amplias aptitudes fuera de la estricta meteorología féricos singulares como granizadas severas, trombas
(programación, etc). Por su parte, el predictor opera- marinas o pequeños tornados llegaban al predictor en
tivo centra su interés en los aspectos más prácticos, mucha menor medida y con un desfase temporal muy
suele tener conocimientos muy generales sobre la pre- superior.
dicción numérica y mucha soltura en la toma rápida
de decisiones combinando distintas dosis de análisis, A pesar de las bondades de esta herramienta social y
experiencia e intuición. su gran potencial de desarrollo futuro, es aconsejable
tomar con cautela esta nueva fuente de información,
El predictor operativo se siente así como el destina- sobre todo por la incertidumbre en ocasiones existente
tario último de gran parte del trabajo de los «desarro- sobre su precisión y fiabilidad y por su distribución
lladores», situado al final de una larga cadena con la espacial y temporal tan variable.
que generalmente no llega a interaccionar tanto co-
mo sería conveniente [473]. En general, entre ambos
tipos de profesionales existe un cierto grado de des- 4.4.6 El futuro valor añadido del predictor
conocimiento sobre el «universo» laboral del opuesto.
En ocasiones algunos predictores operativos pasan a ¿Cuál será el papel del predictor humano en la meteo-
formar parte del otro grupo, llevándose consigo una rología operativa del futuro? Esta pregunta equivale a
experiencia valiosa que podrán aprovechar en su nue- localizar y cuantificar el valor añadido que aún pueda
va labor; el recorrido opuesto, por el contrario, está aportar el predictor dentro de un universo meteoroló-
mucho menos transitado. Si se pusieran en marcha gico que, si no obramos con precaución, podría estar
iniciativas orientadas a aumentar la interacción entre dominado por máquinas. Aunque la fiabilidad de los
modelos todavía tiene un amplio margen de mejora probabilistas- es otro de los anunciados roles futuros
(por ejemplo en las situaciones de fenómenos adver- del predictor operativo, que igualmente se ha veni-
sos que es precisamente cuando más se necesita una do retrasando, en parte debido a las resistencias de
buena predicción), parece claro que la frecuencia con muchos usuarios hacia este tipo de predicciones pro-
la que un predictor podrá cuestionar y «corregir» al babilistas [473].
modelo continuará su tendencia decreciente. Por lo
tanto, el valor añadido seguirá evolucionando y trans- Así, aunque parece claro que la profesión vivirá cam-
formándose, quién sabe si perdiendo definitivamente bios sustanciales durante los próximos años, la di-
los lazos que aún lo unen con su concepción más rección exacta de estos cambios no está clara y las
clásica. características de esa futura «predicción 2.0» actual-
mente no pueden concretarse. El reto de la predicción
Nos encaminamos así hacia una «predicción operativa operativa en los próximos años pasa por realizar un
2.0», aunque sin conocer exactamente cuáles serán análisis en profundidad sobre el estado del arte en
sus características. El trabajo cotidiano de un predic- meteorología, el tipo de servicios meteorológicos de-
tor debería estar ya evolucionando hacia ese horizonte mandados por la sociedad y la evolución de ambos
futuro. Sin embargo, debido a factores de muy diverso aspectos a corto y medio plazo, hasta encontrar un
tipo (organizativo, presupuestario, etc.) en muchos hueco en el que la profesión pueda seguir abriéndose
centros de trabajo una parte significativa del tiempo se camino: es un debate en el que esperamos tengan voz
sigue empleando en tareas que podría realizar mejor todos los eslabones de la cadena. Será fundamental
una máquina pero que aún no han sido automatiza- llevar a cabo con éxito este análisis para evitar un esce-
das. La mayor orientación hacia tareas de consultoría nario en el que, finalizada con éxito la automatización
y asesoramiento técnico a usuarios especializados, de todo lo automatizable, el predictor operativo pueda
particularmente en el uso e interpretación de los nue- quedar relegado a las tareas residuales -una suerte de
vos productos -cada vez más basados en enfoques predictor humano «automatizado».
Parte II
Fundamentos
Parte II Fundamentos
Dedicamos una parte importante del libro a los fundamentos científicos y técnicos
de la predicción y la observación del tiempo, así como de la física del caos y su
incursión en la modelización numérica de la atmósfera. Empezamos por una expo-
sición sencilla de la física del caos, seguida de un modesto pero audaz resumen de
las ciencias de la atmósfera. Abordamos después la observación meteorológica: un
capítulo para los satélites, otro para el radar y redes de rayos y un tercero para obser-
vaciones de diversos tipos en tierra, con un breve resumen de la climatología como
ciencia y técnica. Sigue una pareja importante de capítulos dedicados, respectiva-
mente, a los modelos atmosféricos y a la supercomputación, con la problemática
teórica y práctica, respectivamente, de la simulación de un sistema tan complejo
como la atmósfera. Las limitaciones de los modelos deterministas se exponen en
el capítulo de predecibilidad y, en el siguiente, se presenta a los protagonistas del
libro: los sistema(s) de predicción por conjuntos (SPC), integrando el caos en la
predicción numérica y dando pronósticos puramente probabilistas. El posproceso
estadístico de estos sistemas puede mejorar sus predicciones, lo que se cuenta en el
capítulo siguiente. Cierra esta parte el capítulo dedicado a la verificación de estos
SPC: cómo evaluar sus resultados.
Página anterior: atractor de L ORENZ. Simulación de J UAN PABLO S IMARRO G RANDE.

Física del caos
DOI: 10.31978/014-18-009-X.05
5
J UAN PABLO S IMARRO G RANDE
Delegación territorial (DT) en Valencia, AEMET
DAVID F UERTES M ARRÓN
Instituto de Energía Solar, Escuela Técnica Superior de Ingenieros de Telecomunicaciones (ETSIT), Universidad
If we knew exactly the laws of nature and the situation of the universe at the initial moment, we could predict exactly the
situation of that same universe at a succeeding moment. but even if it were the case that the natural laws had no longer any
secret for us, we could still only know the initial situation approximately. If that enabled us to predict the succeeding
situation with the same approximation, that is all we require, and we should say that the phenomenon had been predicted,
that it is governed by laws. But it is not always so; it may happen that small differences in the initial conditions produce
very great ones in the final phenomena. A small error in the former will produce an enormous error in the latter. Prediction
becomes impossible, and we have the fortuitous phenomenon.
Science and method, 1903 – H ENRI P OINCARÉ
¿Qué es la física del caos? Anteriormente hemos encuadrado esta teoría dentro de los grandes para-
digmas en la historia de la ciencia. En este capítulo nos adentramos en sus fundamentos. Dentro de
los llamados sistemas dinámicos, veremos qué relación hay entre lo que se llama sensibilidad a las
condiciones iniciales y la posibilidad de predecir el futuro de un sistema o predecibilidad. Enlazando
con las ideas inherentes a la teoría del caos desde el punto de vista científico llegaremos, por fin,
al efecto mariposa. Más tarde abordaremos las ideas más relevantes de la teoría para la predicción
meteorológica.
Palabras clave: física del caos, sistemas dinámicos, sensibilidad a las condiciones iniciales, sensibilidad a los
parámetros del modelo, efecto mariposa.
Imagen parte superior: yunque “masivo” de un cumulonimbus (supercélula), Parque Juan Carlos I (Madrid), hacia el este, 7 de septiembre
de 2004 a las 19:40. Fotografía de J OSÉ A NTONIO Q UIRANTES C ALVO.
50 Física del caos en la predicción meteorológica Capítulo 5. Física del caos
5.1 Sistemas dinámicos último, identificaremos aquellos que son no lineales

y caóticos. Como veremos, los sistemas dinámicos
Los sistemas dinámicos son modelos matemáticos que no lineales ostentan dos características cruciales: la
explican sistemas cuyo estado va cambiando con el sensibilidad a las condiciones iniciales y la limitación
tiempo. En física matemática hay toda una rama que en la predecibilidad de su comportamiento futuro.
estudia estos sistemas, que se aplican también con
éxito en ecología, economía o cualquier disciplina en
la que se puedan cuantificar los elementos, límites y 5.1.1 Sistemas dinámicos discretos
relaciones del sistema de interés y, por tanto, expli-
carlos con herramientas matemáticas. Por ejemplo,
En los sistemas dinámicos discretos, como se seña-
podríamos utilizar un sistema dinámico para explicar
laba anteriormente, se trabaja matemáticamente con
el movimiento de un péndulo, de una noria o de un
ecuaciones recursivas o iteraciones.
coche; pero podríamos también utilizar sistemas di-
námicos para explicar la evolución de una población
de conejos en un ecosistema, la volatilidad en la bolsa Un ejemplo conocido es la llamada ecuación logísti-
durante unos días o el número de usuarios de un portal ca:
xk+1 = axk (1 − xk ) (5.3)
web en función de algunas innovaciones en el mismo.
Atendiendo a ciertas propiedades matemáticas del sis- donde x es la variable dinámica y el subíndice k deno-
tema dinámico distinguiremos, por un lado, entre sis- ta los pasos de tiempo. Esta ecuación puede utilizarse
temas discretos y continuos. para modelizar dinámica de poblaciones en algunos
ecosistemas. En ese contexto, x sería, por ejemplo, una
población de conejos en ausencia de depredadores, a
Sistemas dinámicos discretos y continuos. Desde representaría una cantidad de alimento fija disponible
el punto de vista matemático [290], la evolución de anualmente y k sería el número de años. El sistema
algunos sistemas dinámicos puede describirse dando dinámico así definido es sensible a las condiciones
pequeños saltos en el tiempo y entonces hablamos de iniciales x0 y al parámetro del modelo a. Haciendo va-
sistemas dinámicos discretos. Se trabajan matemática- riar el parámetro a, el sistema puede evolucionar hacia
mente con ecuaciones recursivas o iteraciones: puntos fijos o hacia estructuras mucho más complejas,
incluyendo bifurcaciones [25].
xk+1 = f (xk ) (5.1)
donde x representa el estado del sistema, k es el mo-

mento discreto en el tiempo, y f es una función de
x. Estas relaciones permiten expresar el estado del La representación gráfica de las soluciones de la ecua-
sistema en el instante k+1 como función de su esta- ción logística conduce a hermosas figuras llamadas
do inmediatamente anterior k. Si el sistema, por el diagramas de bifurcación, e.g. Figura 5.1.
contrario, puede caracterizarse mediante la evolución
en el tiempo de forma continua, entonces se denomi-
nan sistemas dinámicos continuos y se representan
matemáticamente con ecuaciones diferenciales:
dx
= f (x) (5.2)
dt
donde ahora t es el tiempo.
Como veremos más tarde, las condiciones iniciales de

los sistemas están directamente relacionadas con las
constantes de integración de estas ecuaciones diferen-
ciales.
Figura 5.1: Diagrama de bifurcación para la ecuación

Por otro lado, distinguiremos aquellos sistemas que logística haciendo variar el parámetro a descrito en el
son lineales de aquellos que son no lineales y, por texto.
5.1 Sistemas dinámicos 51
5.1.2 Sistemas dinámicos continuos

En el ejemplo anterior, la trayectoria f1 (t) de la carga
eléctrica en presencia de un campo magnético será
¿Cómo describimos la evolución de los sistemas diná- diferente de la trayectoria f2 (t) que seguirá la misma
micos en física? La invención del cálculo diferencial carga bajo un campo eléctrico.
por N EWTON y L EIBNIZ para este propósito fue de-
Las ecuaciones dinámicas integradas, algebraicas, nos
terminante en el desarrollo posterior de esta ciencia en
permiten manejar el tiempo directamente como varia-
todos sus campos. En el caso concreto de la mecánica, ble y no solamente a través de su efecto sobre la tasa
el cálculo nos permite relacionar entre sí las varia- de cambio de las magnitudes de interés, como en el
bles que gobiernan el comportamiento de los sistemas: caso de las ecuaciones diferenciales.
su posición, velocidad y aceleración. Las relaciones
particulares que se establezcan entre dichas variables Ambas expresiones deben contener la misma infor-
recogerán la física del sistema. Por ejemplo, una carga mación para que sean intercambiables: unas resultan
eléctrica describirá una trayectoria en presencia de más cómodas para describir la física del problema
que tratamos de resolver mientras que las otras nos
un campo eléctrico distinta a la que seguiría en pre-
permiten visualizar más fácilmente las trayectorias de
sencia de un campo magnético. Cada tipo de campo los sistemas estudiados. Pero esencialmente se trata
ejercerá una fuerza característica sobre la carga y le de dos maneras equivalentes de decir lo mismo. Di-
impartirá una aceleración distinta en magnitud y dicha equivalencia se traduce en que si derivamos con
rección, lo que determinará la posición de la partícula respecto al tiempo la solución integrada obtenida a
en un instante de tiempo posterior. Matemáticamente partir de la ecuación diferencial (es decir, deshacemos
las relaciones entre posición, velocidad y aceleración la integración), recuperaremos de nuevo la ecuación
diferencial original.
se expresan mediante ecuaciones diferenciales. Éstas
pueden ser ordinarias o parciales, dependiendo de la Sin embargo existe una cierta asimetría entre los pro-
existencia de una o más variables de las que dependa cesos de integración y diferenciación. El paso de una
cada magnitud. expresión diferencial a otra algebraica mediante la
integración introduce términos adicionales, antes au-
sentes en las expresiones. Dichos términos no son
Velocidad, aceleración y trayectoria. Por ejemplo,
arbitrarios sino que deben escogerse de manera que
la velocidad de una partícula obligada a moverse en
el camino inverso, es decir, la diferenciación de la ex-
una dirección se define como el cambio de su posición
presión integrada, resulte en la expresión diferencial
en función del tiempo mediante la ecuación diferen-
original y, por tanto, desaparezcan. Estas característi-
cial ordinaria:
dx cas funcionales de los términos entrantes y salientes
v = ẋ = (5.4) implican que dichos términos deben ser independien-
dt
tes de la variable con respecto a la que derivamos e
De manera similar, su aceleración se define como el
integramos, el tiempo. Es decir, son constantes. Di-
cambio de velocidad en función del tiempo que, a su
chas constantes de integración son los grados de liber-
vez, podemos expresar también en función del cambio
tad que nos permiten fijar las condiciones iniciales de
de posición utilizando la ecuación anterior:
nuestro problema. La integración de la ecuación 5.4,
dv

d dx d2x por ejemplo, nos permitirá fijar una posición inicial de
a = v̇ = = = 2 = ẍ (5.5) nuestra partícula (que no necesariamente coincidirá
dt dt dt dt
con el origen de coordenadas que utilicemos), mien-
La trayectoria de la partícula vendrá determinada tras tras que la integración de la ecuación 5.5 nos permitirá
la integración de las ecuaciones diferenciales ante- fijar la velocidad inicial con la que se desplazaba la
riores, es decir, una vez que consigamos eliminar en partícula antes de sufrir el efecto del campo eléctrico
las mismas aquellos términos que incluyan las deriva- o magnético.
das temporales. De esta manera podremos expresar la
posición, por ejemplo, como función del tiempo:
x(t) = f (t) (5.6) La dinámica de los sistemas, de acuerdo con la segun-

da ley de N EWTON, relaciona las fuerzas que gobier-
nan su evolución con su aceleración.
5.1.3 El péndulo simple es. Oscilará de este modo entre uno y otro lado. Un
péndulo real siempre está amortiguado, por estar ro-
Imaginemos una re- deado de aire y por tanto sujeto a fricción (disipación
presentación sencilla de energía), de modo que irá perdiendo en cada osci-
del péndulo de un re- lación un poco de amplitud hasta que por fin, después
loj de pared como el de muchas oscilaciones cada vez más pequeñas, se
de la Figura 5.2, con- parará en el centro. En el péndulo simple simulado se
sistente en una barra ha eliminado esta característica de la fricción y podría
rígida fijada en el pun- estar oscilando eternamente.
to superior de la mis-
Figura 5.2: Péndulo simple ma y una pesa (disco ¿Por qué un sistema como el péndulo simple evolu-
verde de la figura) en ciona con el tiempo? La respuesta es que la fuerza
el extremo libre inferior. En física este sistema se de atracción gravitatoria terrestre imprime una ace-
denomina péndulo simple. leración a la masa que hará que ésta se desplace. Lo
anterior quiere decir que para averiguar la trayectoria
Para visualizar el movimiento del péndulo imagina- seguida por la masa del péndulo deberemos resolver
mos una cámara fotográfica con la que registraríamos una ecuación diferencial como la ecuación 5.5 en la
la posición de la pesa en distintos instantes de tiem- página anterior, que incluye la aceleración, en cuya
po, como se ilustra en la simulación numérica de la solución aparecerán dos constantes de integración, tan-
Figura 5.3, entre el instante inicial (t=0) y 4,25 segun- tas como las veces que tengamos que derivar la expre-
dos más tarde (t=4,25). La estela de cada fotograma sión algebraica integrada para recuperar la ecuación
brinda efecto de animación a la simulación. diferencial original. Las constantes de integración de
la ecuación 5.5 en la página anterior corresponden,
El péndulo simple arranca colocando el disco en al- como se dijo antes, a las condiciones iniciales que
guna posición separada de la vertical y soltándola sin describen la posición y la velocidad de la partícula en
aplicarle impulso. El disco caerá hacia el centro, y el instante en el que empezamos a estudiar su compor-
remontará vuelo hacia el otro lado, como péndulo que tamiento.
Figura 5.3: Simulación numérica del movimiento de un péndulo simple

5.1.4 Diagrama de fases valores positivos de velocidad cuando la masa se des-

plaza de izquierda a derecha y negativos cuando lo
Una manera práctica de describir la evolución de un hace de derecha a izquierda, tendremos además de-
sistema como el péndulo simple consiste en hacer un finido el sentido de la trayectoria de nuestro sistema
mapa con los valores de los parámetros involucrados en el espacio de fases. Podemos predecir también qué
en la evolución del sistema. ¿Qué valores de posición ocurriría con nuestro sistema si desplazáramos la ma-
y velocidad puede tomar la masa de un péndulo simple sa del péndulo un poco más allá de x1 en el instante
en acción? Evidentemente no cualesquiera, sino única- inicial: la nueva trayectoria elíptica será entonces un
mente aquellos que sean compatibles con su dinámica. poco más amplia, de manera que el valor máximo de
Ese mapa de valores posibles de los parámetros del la velocidad que alcanza la masa en su movimiento
sistema se conoce como diagrama de fases. En el caso pendular al pasar por el punto de equilibrio (x = 0)
del péndulo simple, el diagrama de fases representa será algo mayor también. Si el incremento en la po-
parejas de valores de posición y velocidad de la masa sición original es arbitrariamente pequeño, también
del péndulo en cada instante de tiempo. De esta forma, lo será el incremento correspondiente de velocidad
cada punto en el diagrama corresponde a la fotografía máxima y las trayectorias correspondientes estarán
del sistema en un cierto instante de tiempo, caracte- arbitrariamente cerca la una de la otra. Decimos pues
rizado por que la masa del péndulo se encuentra en que se trata de un sistema determinista.
una determinada posición viajando a una cierta velo-
Los diagramas de fases permiten identificar rápida-
cidad. La siguiente figura representa el diagrama de
mente propiedades importantes de la evolución de los
fases de un péndulo simple (ver Figura 5.4) con una
sistemas dinámicos. Por ejemplo, si las trayectorias
familia de trayectorias posibles. La elección de una
son cerradas nuestro sistema describirá un movimien-
curva particular de la familia de curvas posibles viene
to periódico, es decir, parejas de valores de posición
impuesta por las condiciones iniciales del problema.
y velocidad se repetirán periódicamente con el paso
Por ejemplo, si desplazamos la masa del péndulo una
del tiempo. Si, por el contrario, las trayectorias en
distancia x1 y la liberamos en el instante t = 0, de
el diagrama de fases son abiertas, el movimiento del
manera que v = 0, el punto indicado en el diagrama
sistema será aperiódico. Existen situaciones en las
con coordenadas (x1 , 0) será el fotograma de nuestro
que las trayectorias tienden a converger en un punto
sistema en el instante inicial.
del diagrama de fases al que, en un lapso de tiempo
suficientemente largo, el sistema terminará aproximán-
dose arbitrariamente cerca. Estos puntos particulares
se conocen como atractores y se asocian a situaciones
de equilibrio al que determinados sistemas evolucio-
nan de manera natural. Por ejemplo, el movimiento de
un péndulo amortiguado termina por detenerse en su
posición de equilibrio. En este caso, las trayectorias
del espacio de fases son espirales que convergen hacia
el origen (0, 0), el atractor de este sistema. El equi-
librio termodinámico al que convergen los sistemas
estudiados por la termodinámica puede considerarse
también un atractor del espacio de fases de los pará-
metros termodinámicos correspondientes de dichos
sistemas.
Existen igualmente sistemas inestables, caracterizados

por la divergencia de sus trayectorias en sus diagra-
mas de fases. La evolución temporal de la trayectoria
Figura 5.4: Diagrama de fases de un péndulo simple asociada a un atractor, considerando que el tiempo
avanza hacia el pasado en lugar de hacerlo hacia el fu-
turo, describe un ejemplo de esta situación, en la que
La evolución del sistema estará determinada a par- a partir de un punto del diagrama de fases la evolución
tir de ese instante por los puntos comprendidos en temporal «rebobinada» nos distanciaría arbitrariamen-
la curva correspondiente. Si, por ejemplo, asignamos te lejos de esas condiciones iniciales. Generalizando
esta última idea, existe una fuerte conexión entre las inestables, en cuya evolución el sistema ocupará re-
simetrías de un sistema y la conservación de ciertas giones del diagrama arbitrariamente distantes de su
cantidades importantes en física, e.g. la cantidad de posición inicial. El concepto de diagrama de fases
movimiento, el momento angular o la energía. La ma- se puede generalizar a otro tipo de sistemas carac-
temática E MMY N OETHER demostró esta conexión terizados por parámetros distintos a la posición y la
formulando el que probablemente sea el teorema más velocidad. Podemos aplicarlo a sistemas termodiná-
profundo de la física matemática: el teorema de N OET- micos, caracterizados por su temperatura y presión, o
HER . bien definir combinaciones de parámetros de distinto
tipo, dinámicos y termodinámicos, por ejemplo, para
estudiar sistemas más complejos, como es el caso de
la atmósfera.
Teorema de N ÖETHER. Toda simetría diferenciable,
en términos de la acción, en un sistema dinámico tiene
una ley de conservación correspondiente [369, 472].
La acción es una integral en el tiempo de una función
lagrangiana y permite determinar el comportamien-
to del sistema por el principio de mínima acción. En
particular, si el sistema es invariante bajo traslaciones
se conserva la cantidad de movimiento. Si lo es bajo
rotaciones, se conserva el momento angular. Y si no
varía en el tiempo, se conserva la energía.
Finalmente, el teorema de L IOUVILLE es un resultado

de la mecánica hamiltoniana, una variedad avanzada
de la mecánica newtoniana, sobre la evolución tempo-
ral de un sistema mecánico a través de su diagrama de
fases. Supone también una pieza clave para la teoría
del caos. Figura 5.5: Posibles trayectorias en el diagrama de fases
de algunos sistemas dinámicos (inspirada en Simmons
[585]).
Teorema de L IOUVILLE. Un conjunto de partículas

con condiciones iniciales cercanas puede represen- 5.1.5 Sistemas dinámicos lineales, no li-
tarse por la región conexa que ocupa en el llamado
espacio de fases, espacio de estados posibles de un neales y caóticos
sistema [50]. El teorema establece que dicha región
mantendrá invariante su volumen a pesar de que se En los sistemas lineales, pequeñas diferencias en las
estirará y se encogerá a medida que cada partícula condiciones iniciales conducen a diferencias también
evolucione. pequeñas en el estado final después de la evolución.
Sin embargo, en los sistemas no lineales, pequeñas di-
ferencias en las condiciones iniciales pueden conducir
Los diagramas de fases revelan propiedades importan- a grandes diferencias en el estado final después de la
tes de los sistemas dinámicos, como su estabilidad o evolución, como puede verse en los ejemplos de este
inestabilidad o bien su periodicidad o aperiodicidad. capítulo. Este último fenómeno, ilustrado en la Figu-
La Figura 5.5 muestra un resumen de posibles trayec- ra 5.6 en la página siguiente, es absolutamente crucial
torias en el diagrama de fases de algunos sistemas para la predicción del futuro del sistema y se llama
dinámicos, caracterizados por su posición y veloci- sensibilidad a las condiciones iniciales. La diferen-
dad o, más generalmente, descritas por coordenadas cia entre dos estados iniciales del sistema, a menudo
y momentos generalizados, q y p. Se pueden obser- llamada incertidumbre o error por estar asociada a la
var trayectorias cerradas, asociadas a movimientos máxima precisión con la que podemos identificar di-
periódicos; abiertas, correspondientes a movimientos chos estados de manera diferenciada, se mantiene en
no periódicos; estables, permaneciendo sus trayecto- los sistemas lineales cuando estos evolucionan en el
rias en regiones limitadas del diagrama de fases; o tiempo. En los sistemas no lineales, la incertidumbre
puede crecer con el tiempo, aunque también podría nes correspondientes, linealizándolas, de modo que
permanecer constante o reducirse. puedan tener solución analítica.
Sistemas dinámicos lineales, no lineales y caóticos. Linealización de sistemas dinámicos. Un sistema

Siguiendo la notación de las ecuaciones anteriores, dinámico general con vector de estado x, es decir, con-
cuando f es una función lineal de x, es decir, si se junto de valores que adquieren las variables en un
cumple que: mismo instante, lo representamos [290] con la ecua-
ción:
f (αx + β y) = α f (x) + β f (y), α, β ∈ R (5.7)
ẋ = f(x) (5.8)
entonces el sistema dinámico descrito por f se dice donde estamos usando la notación de Newton para la
que es lineal. De lo contrario, se dice que es no li- derivada temporal:
neal. Cuando el sistema dinámico es lineal, se cumple
el principio de superposición para las soluciones, se dx
ẋ = (5.9)
pueden separar las distintas variables aplicando la dt
ecuación 5.7 y, sobre todo, tiene solución analítica,
Ahora, con ciertas condiciones, e.g. un rango de va-
es decir, una expresión explícita de x en función del
lores pequeños para x, denotado |x| ≪, puede supo-
tiempo x(t). Por el contrario, cuando el sistema es no
nerse que la función f es aproximadamente lineal, i.e.
lineal no existe tal solución analítica. Si, además de
f(x) ∼ Ax, donde A es un operador lineal, representa-
no ser lineal, el sistema muestra una propiedad llama-
do mediante una matriz con coeficientes constantes.
da mezclado topológico (que veremos más adelante),
En ese caso el sistema tiene siempre solución analíti-
entonces el sistema es caótico.
ca:
ẋ = Ax (5.10)
Oscilador armónico. Se trata de un sistema dinámico

muy utilizado, con forma general:
ẍ = Ωx (5.11)
donde Ω es una matriz que contiene las frecuencias

del sistema. En el caso unidimensional (1D) queda
reducido a:
ẍ = −ω 2 x (5.12)
que se ajusta a la ecuación general 5.8 cambiando de
variable:
ẋ = y
(5.13)
ẍ = ẏ = −ω 2 x
Figura 5.6: Comportamiento frente a variaciones en las
condiciones iniciales en un sistema lineal y en otro no A su vez, en forma matricial:
lineal.

ẋ 0 1 x
= (5.14)
ẏ −ω 2 0 y
5.1.6 Linealización cuya solución nos da la amplitud de oscilación x en

función del tiempo t.
En la historia de las ciencias con soporte matemáti- ẍ + ω 2 x = 0 ⇒ x = x0 cos(ωt + φ ) (5.15)

co se ha resuelto una enorme variedad de problemas
mediante la técnica de aproximación denominada li-
nealización: si el sistema dinámico que representa
matemáticamente nuestro problema no tiene solución El oscilador armónico es un sistema dinámico de gran
analítica porque no es lineal, podemos encontrar a importancia porque a él se ajustan aproximadamente
menudo un conjunto de estados (unas circunstancias muchas pautas en la naturaleza y podemos estudiarlo
concretas) en los que el sistema puede considerarse con una ecuación diferencial prototipo, lineal, senci-
aproximadamente lineal; se simplifican las ecuacio- lla y con solución analítica. Por ejemplo, el péndulo
simple puede describirse con estas ecuaciones. sencillo de sistema dinámico no lineal: el péndulo
doble.
Grandes teorías y técnicas de considerable éxito con-
tienen ecuaciones linealizadas en física, química, eco-
nomía, biología, ingeniería, etc. Por ejemplo, en el 5.2.1 El péndulo doble
caso del oscilador armónico o del péndulo simple, se
asume a menudo que las amplitudes de las oscilacio-
Podemos construir un péndu-
nes son pequeñas, lo que permite linealizar el proble-
lo doble a partir del péndulo
ma. Ocurre lo mismo en electromagnetismo, magne-
simple de la sección anterior
tohidrodinámica, dinámica de fluidos en regímenes
añadiendo a la primera masa
laminares, soluciones particulares de la relatividad,
(disco rojo de la Figura 5.7)
cosmología, etc.
una segunda barra con su ma-
sa correspondiente en el ex-
tremo libre (disco verde). El
5.2 Sensibilidad a las condiciones Figura 5.7: Péndulo
péndulo simple y el péndulo
doble
iniciales doble son sistemas dinámicos
aparentemente inocentes por
Como decíamos anteriormente, en los sistemas diná- su sencillez, pero en su evolución está escondida la
micos no lineales pequeñas diferencias en las condi- clave de la impredecibilidad básica en la Naturaleza:
ciones iniciales pueden conducir a grandes diferencias la sensibilidad a las condiciones iniciales.
en el estado final después de la evolución del sistema.
Este último fenómeno crucial se denomina sensibili- La Figura 5.8 muestra el movimiento de un péndulo
dad a las condiciones iniciales. Para ilustrarlo conve- doble mediante una simulación, de la que mostramos
nientemente, tomemos para empezar un ejemplo muy la posición del péndulo cada cuarto de segundo.
Figura 5.8: Simulación del movimiento de un péndulo doble

5.2 Sensibilidad a las condiciones iniciales 57
El disco rojo está colgado de la pared mediante una ciendo increíble que empezaran a la par. Esta sensibi-
varilla negra, como si la varilla fuera la manecilla de lidad a las condiciones iniciales es una de las claves
un reloj. A su vez, el disco verde está colgado del rojo para entender la impredecibilidad del futuro.
por otra varilla negra, como una manecilla de reloj en-
ganchada a la primera manecilla. Podemos imaginar
que en 0,00 segundos un amigo invisible está levan-
tando el disco verde hasta esa posición y lo suelta. Los
discos y manecillas van cayendo, en 0,50 s el verde
está en una posición inferior, en 0,75 s el rojo lo ha
adelantado, remontando hacia la parte izquierda. En
1,00 s el rojo alcanza la parte superior de nuevo, mien-
tras que el verde no llega, como puede verse en 1,25 s.
En 2,50 s y 2,75 s podemos ver al disco verde dar la
vuelta por arriba, cosa que no ocurría en el pendulo Figura 5.9: Simulación del movimiento de dos péndulos
simple. Esta película en formato cómic nos permite dobles con condiciones iniciales “casi idénticas”, con
imaginar el movimiento de este péndulo doble. estela de su historial completo en 21 segundos
Nos interesa entender la sensibilidad a las condiciones

iniciales. Imaginemos ahora dos péndulos dobles, uno Para completar el cuadro, la Figura 5.9 ilustra el mo-
al lado del otro. Imaginemos también que vamos a vimiento de estos dos péndulos dobles dejando una
hacerlos moverse, colocando el disco inferior de cada estela prolongada que recoge toda la historia de su
uno de ellos en una posición algo más elevada que trayectoria en 21 segundos de simulación. Aquí ve-
en el caso anterior, soltándolos y observando lo que mos claramente que las estelas son bien diferentes, a
sucede (Figura 5.10 en la página siguiente). En esta pesar de haber partido con condiciones iniciales casi
figura se han dibujado los péndulos dobles con tonos ideńticas. Puede llamar la atención la trayectoria del
de color distintos, para poder distinguir mejor a cada disco rojo, que tiene, naturalmente, menos libertad
péndulo doble y las viñetas se siguen en vertical. que el verde.
Si las condiciones iniciales, es decir, las posiciones de

los discos inferiores en el instante inicial son idénticas 5.2.2 Problema de los tres cuerpos
entonces su evolución también lo será. Pero, ¿cómo
sabemos si son realmente idénticas en la práctica? En Este problema de física clásica consiste en encontrar
una simulación por ordenador lo sabemos, pero en el movimiento en el espacio de tres cuerpos con masas
una construcción real hay una imposibilidad prácti- diferentes sometidos a mutua atracción gravitatoria,
ca de asegurar que las dos condiciones iniciales son como por ejemplo el sistema Luna, Tierra y Sol.
realmente idénticas. Si aceptamos el hecho de que
no conocemos las condiciones iniciales a la perfec- El enunciado del problema se sitúa en 1687, por el
ción, debemos admitir la posibilidad de introducir mismo I SAAC N EWTON en sus Principia Mathema-
un ligerísimo error o incertidumbre. Para investigar tica [470]. Dos siglos más tarde, H ENRI P OINCARÉ
el impacto de ese ligerísimo error podemos preparar demostró que este problema no tiene una solución en
una simulación con dos péndulos dobles que tengan forma de expresiones algebraicas e integrales [519].
condiciones iniciales casi, pero no del todo, iguales. Las soluciones, en general y salvo conocidas excep-
Esa simulación la podemos observar en la Figura 5.10 ciones, son órbitas que, a diferencia del problema de
en la página siguiente. Se muestra la posición de los dos cuerpos, no se repiten nunca o no son cerradas. El
péndulos cada cuarto de segundo. El cómic hay que trabajo de P OINCARÉ es uno de los primeros prece-
seguirlo en vertical y en cuatro columnas, para faci- dentes claros de la teoría del caos [155].
litar la visualización. Los péndulos comienzan con
movimientos iguales, por ejemplo en 0,75 segundos El problema de los tres cuerpos tiene versiones sim-
con posiciones parecidas, pero a partir de 6,00 s hay plificadas, que, sin perder la característica principal
diferencias sospechosas, en 7,50 s vemos diferencias de sistema dinámico caótico, pueden ser analizadas
rotundas, en 10,00 s va cada uno por su cuenta, pare- mejor.
Figura 5.10: Simulación del movimiento de dos péndulos dobles con condiciones iniciales muy parecidas
P OINCARÉ estudió el problema de tres cuerpos con expresión cerrada sino únicamente mediante cálculos
las siguientes simplificaciones: supuso que una de las numéricos particulares para cada instante dado. Al
tres masas es insignificante frente a las otras dos, el igual que hicimos con el péndulo doble, podemos rea-
movimiento de las tres masas ocurre en un plano y, por lizar una simulación de ordenador para esos cálculos
último, el movimiento de las dos masas principales numéricos.
es circular con velocidad angular constante. Para vi-
sualizarlo, podríamos pensar en el movimiento de una ¿Cómo es esta simulación? Tomamos las ecuacio-
nave espacial atrapada en el campo gravitatorio de la nes de evolución de las variables (ver caja siguiente)
Tierra y la Luna. En su movimiento, la nave espacial y las preparamos en un programa, algo asequible a
pasaría cerca de la Tierra en algunos momentos y de cualquier persona aficionada a la simulación con un
la Luna en otros en una órbita, en general, no cerrada ordenador corriente, no hace falta un superordenador.
El ordenador tampoco puede proporcionarnos la solu-
y caótica. En la búsqueda de las soluciones de este
ción exacta, pero nos puede ayudar, calculando mucho
problema, P OINCARÉ llegó muy cerca a varios puntos más rápido que nosotros. A partir de las ecuaciones y
centrales de la teoría del caos, como son las órbitas no el estado inicial de las variables, que llamamos con-
periódicas acotadas y las estructuras fractales (ver diciones iniciales, el ordenador calculará el primer
Tabla 5.2 en la página 65) paso: aumentando el tiempo, puede calcular los valo-
res nuevos de las variables en ese primer paso. Esos
nuevos valores los guarda para repetir la operación en
5.2.3 El sistema de Lorenz un segundo paso. Nos dará valores aproximados de las
variables en ese segundo paso, basándose en los valo-
res obtenidos en el primer paso. Y así sucesivamente,
El meteorólogo estadounidense E DWARD N. L ORENZ paso a paso, en un proceso llamado iterativo, iremos
investigaba en 1963 los límites en la predicción me- obteniendo los valores de las variables, es decir, lo
teorológica. Diseñó experimentos muy interesantes que llamamos evolución del sistema. Finalmente, en
para tal fin e ideó un sistema dinámico sencillo para un gráfico dibujamos, con ayuda del ordenador, esos
profundizar en sus ideas. Buscaba una relación entre valores progresivos del estado del sistema. El resulta-
la predecibilidad de las condiciones atmosféricas y la do lo tenemos en la Figura 5.11 en la página siguiente,
física y las matemáticas que nos ayudan a entender- parte izquierda.
las. L ORENZ ideó un sistema dinámico no lineal, algo
más complicado que los ejemplos del péndulo doble
o el problema de los tres cuerpos, pero todavía con la
aparente sencillez de los anteriores cuando lo compa- La evolución del sistema describe una figura curio-
ramos con los sistemas reales como la atmósfera. El sa. Parece que algunas zonas tienen preferencia sobre
de L ORENZ es un sistema que describe la convección otras, las líneas se agrupan en torno a esas zonas fa-
en un sistema cerrado como podría ser una olla o, pa- voritas, aunque también hay líneas solitarias. Y las
ra ser más precisos, la evolución de las corrientes de líneas, solitarias o no, no se cortan nunca. La región
agua dentro de la olla, en la que aparecen pequeñas del espacio de fases hacia donde el sistema tiende nos
burbujas de aire por el calentamiento. Dichos fenó- permite identificar el atractor del sistema. Este en par-
menos de convección son parte fundamental de los ticular es el atractor de L ORENZ. Dado que recuerda
fenómenos atmosféricos, en los que parámetros como las alas de una mariposa, L ORENZ acuñó el término
la temperatura, diferencias de presión o de densidad efecto mariposa, para denotar la sensibilidad a las
juegan un papel determinante. Considerando la atmós- condiciones iniciales en el atmósfera. Esta evolución
fera como un sistema cerrado, limitado por el espacio temporal del sistema en una región del espacio de
y por la superficie terrestre, y con una interpretación fases puede solaparse en un momento dado con la de
distinta de las magnitudes de las variables del mode- otra región, propiedad que se denomina mezcla topo-
lo, el sistema de L ORENZ proporciona información lógica y permite distinguir a los sistemas caóticos de
muy valiosa sobre la dinámica atmosférica. Matemá- los puramente inestables. De modo que los sistemas
ticamente el modelo es un sistema dinámico con tres caóticos son un caso particular de los sistemas no
variables, es decir, tridimensional en el espacio de lineales. La Figura 5.11 en la página siguiente, parte
fases, aunque esas variables no sean espaciales. Es derecha, muestra mediante dos ampliaciones sucesi-
un sistema dinámico y es no lineal, por tanto no tiene vas de una región del atractor de L ORENZ que, de
solución analítica: no podemos saber el valor de esas todos modos, las trayectorias no se cortan si se amplía
variables en función del tiempo a partir de una única lo suficiente la escala de la figura.
Figura 5.11: Izquierda: representación tridimensional del sistema de L ORENZ (1963). derecha: dos ampliaciones
sucesivas de una región del atractor de L ORENZ .
El sistema dinámico de L ORENZ (1963). El sistema Por otro lado, caótico por ostentar mezclado topológi-
dinámico de L ORENZ es un modelo simplificado de co, propiedad que tiene que ver con lo parecidas que
convección que describe el flujo caótico emergente de podrán llegar a ser dos condiciones meteorológicas
ecuaciones hidrodinámicas no lineales [50]. Tiene só- inicialmente diferentes en la evolución del sistema
lo tres dimensiones o grados de libertad, pero muestra [391]. Como se ha dicho, la dimensión del espacio
muchas propiedades de otros sistemas caóticos más de fases es 3, aunque la dimensión del subespacio
complejos que representan el comportamiento de la de soluciones es más pequeña, diferencia relacionada
atmósfera. El sistema es forzado y disipativo, en con- con la divergencia del flujo:
traste con los sistemas hamiltonianos que conservan
la energía; es no lineal, puesto que las ecuaciones con- ∂ ẋ ∂ ẏ ∂ ż
+ + = −(σ + r + b) (5.17)
tienen productos cruzados de variables dependientes ∂x ∂y ∂z
y es autónomo al ser los coeficientes independientes
De modo que un volumen original V del espacio de
del tiempo.  fases se contraerá en el tiempo:
ẋ = σ (y − x)

ẏ = rx − y − xz (5.16) V → Ve−(σ +r+b)t (5.18)

ż = xy − bz

Esta reducción del volumen del espacio de fases no
Todas las variables son adimensionales, siendo x(t) es más que la concentración de estados posibles del
proporcional a la amplitud del movimiento de convec- sistema, tras un cierto tiempo de evolución, en una
ción, y(t) proporcional al gradiente térmico entre las región más pequeña que la inicialmente ocupada por
corrientes ascendente y descendente, y z(t) a la distor- los estados, región que, si tiene lo que se llama estruc-
sión de la linealidad del perfil vertical de temperatura. tura fractal, entonces hablamos de atractor extraño.
Dadas unas condiciones iniciales en t = 0, (x0 , y0 , z0 ) Una solución del sistema de L ORENZ tiene una parte
existe una única solución (x(t), y(t), z(t)), es decir, el inicial transitoria y después converge a un atractor
sistema es teóricamente determinista. Los parámetros extraño. La parte derecha de la Figura 5.11 muestra
σ , r y b son constantes del sistema y diferentes valo- una simulación numérica con condiciones iniciales
res dan lugar a diferentes familias de soluciones. σ (x0 = 0, y0 = 1, z0 = 0) usando un esquema euleriano
es el número de P RANDTL (viscosidad/conductividad con paso de tiempo △t = 0,01. El llamado exponente
térmica), r es el número de R AYLEIGH (diferencia de de LYAPUNOV cuantifica la separación de trayectorias
temperatura entre base y tope) y b es la razón entre infinitamente próximas; por tanto, da una medida de
la longitud y la altura del sistema. L ORENZ eligió la sensibilidad a las condiciones iniciales [396]. No
los valores σ = 10, r = 28 y b = 8/3 que conforman puede hallarse analíticamente en general y suele, por
un sistema no lineal y, además, caótico. Por un lado, tanto, simularse [357].
no lineal por ser sensible a pequeños cambios en las
condiciones iniciales.
Figura 5.12: Simulación de la evolución en el atractor de L ORENZ de un conjunto de condiciones iniciales

ligeramente diferentes entre sí. Los puntos de color verde identifican los estados actuales del sistema en cada instante
dado. Las lineas de color gris representan las trazas dejadas por los estados del sistema (ver texto).
En la Figura 5.12 mostramos una simulación de gran 7,45 se entretiene un rato en el ala izquierda del atrac-
belleza en la que un conjunto de condiciones iniciales tor. En 9,55-9,70 s se cambia al ala derecha. Hasta
próximas evoluciona en el tiempo en el atractor de aquí la predecibilidad del sistema es grande, esto es,
L ORENZ. Por simplicidad, se ha omitido una buena se observa que la zona verde de estados actuales a
parte de la evolución inicial, de modo que sólo mostra- partir de condiciones iniciales ligeramente distintas
mos un segmento que comienza a los 7,00 segundos ocupa un región delimitada del espacio de fases, lo
de simulación y llegando hasta 12,25 s. Observamos que quiere decir que dichos estados, aún siendo dis-
al principio que el conjunto de estados del sistema, tintos, son aún similares. En 10,45-10,60 s hay una
especificado para un conjunto de condiciones iniciales bifurcación: el conjunto se descompone en dos, di-
ligeramente diferentes, está estirándose. A partir de rigiéndose a partir de entonces cada una de las dos
partes a una rama diferente del atractor. Se puede de- 5.3.1 Otra vez el sistema de Lorenz
cir que a partir de ese paso se pierde predecibilidad.
En pasos como 11,05 s la probabilidad de encontrar Sensibilidad a los parámetros del modelo en el sis-
soluciones en una rama o en otra, es decir, con valores tema de L ORENZ. Para comparar el impacto de las
notablemente distintos de los parámetros involucrados sensibilidades tratadas hasta ahora, a las condi-
dos en la evolución del sistema, es prácticamente la ciones iniciales y a la formulación del modelo, ob-
misma. Obsérvese con atención la sensibilidad a las servemos la Figura 5.13. A la izquierda se muestra
condiciones iniciales. El sistema de L ORENZ, aparen- la evolución del sistema de L ORENZ para cada una
de sus variables por separado para dos condiciones
temente sencillo, esconde una complejidad fascinante.
iniciales muy similares (en azul y en verde). Las solu-
En esencia, la atmósfera se comporta de un modo ciones se parecen mucho hasta t = 25 s (la azul tapa
similar a este sistema. Por esa razón lo eligió L O - a la verde) y después crece su diferencia, sobre todo
RENZ para convencer a la comunidad científica de sus para x e y; después de t = 30 s la predecibilidad para
importantes descubrimientos. los valores de x e y ha quedado notablemente reducida,
aunque z es más predecible: la diferencia entre la línea
azul y la verde es mucho menor. En general, el plazo
5.3 Sensibilidad a parámetros del de tiempo en el que el sistema es todavía predecible
depende del estado inicial. Esta característica se llama
modelo dependencia de la predecibilidad con el flujo.
Además de la sensibilidad a las condiciones iniciales, Por otro lado, el efecto del error en la formulación
la dificultad para predecir las condiciones atmosféri- del modelo puede verse variando ligeramente los pará-
cas reside también en la llamada sensibilidad a los metros constantes del mismo σ , r y b (L ORENZ 1963
parámetros del modelo. El conjunto de ecuaciones [391]). En un modelo más complejo y realista de la
diferenciales no lineales que usamos para describir el atmósfera estos cambios corresponderían, por ejem-
plo, a cambios en las parametrizaciones de la física
comportamiento de la atmósfera no puede resolverse
(sec. 10.5 en la página 137). En la parte derecha de la
analíticamente y por ello se hacen las simulaciones por misma figura vemos de nuevo la evolución del sistema
ordenador. Estas simulaciones simplifican las ecua- de L ORENZ, pero esta vez para dos juegos ligeramen-
ciones mediante lo que se llama esquemas numéricos. te distintos de parámetros σ , r y b. La predecibilidad
Estos esquemas no tienen una precisión absoluta y pese pierde después de t = 20 s para todas las variables
queñas variaciones en los mismos pueden conducir a del modelo (x, y, z).
grandes variaciones en sus resultados, lo que se llama
a menudo error del modelo.
Figura 5.13: Integración numérica del sistema de L ORENZ (1963). Izquierda: para dos condiciones iniciales muy
similares pero diferentes, en azul (x, y, z)0 = (6,272, 10,221, 15,904), en verde (x, y, z)0 = (6,273, 10,221, 15,904).
Derecha: para dos juegos de parámetros del modelo muy similares pero diferentes, en azul σ , r, b = 10, 28, 8/3 y en
verde σ , r, b = 10,001, 28,001, 8/3 + 0,001.
5.4 El caos 63
Con los resultados obtenidos a partir de los estudios y el paradigma del caos. En el paradigma clásico se
del modelo de L ORENZ y otros similares que se desa- trabaja principalmente con sistemas dinámicos linea-
rrollaron tras él, se dio un soporte formal por primera les, mientras que al introducir sistemas dinámicos no
vez a la cuestión de los límites en la predecibilidad de lineales, algunos de ellos caóticos, nos movemos al
los fenómenos atmosféricos. Se perfiló un camino a paradigma del caos.
seguir para la comunidad meteorológica. Ese camino
nos lleva hasta el momento actual y aún queda mucho
por recorrer.
Recordemos que los sistemas no lineales se carac-
terizan entre otras propiedades por la sensibilidad a
las condiciones iniciales: pequeñas variaciones en las
condiciones iniciales pueden llevar a grandes cambios
en la evolución del sistema. Recordemos también que,
dentro de los sistemas no lineales, los sistemas propia-
mente caóticos sufren además de mezcla topológica
(ver sec. 5.1.5 en la página 54 y 5.2.3 en la página 59),
que tiene que ver con lo parecidos que podrán llegar
a ser dos estados del sistema que han evolucionado
a partir de condiciones iniciales diferentes. Es intere-
sante notar que dos trayectorias pueden llegar a estar
arbitrariamente cerca, pero la trayectoria intermedia
entre dos trayectorias dadas no tiene necesariamente
sentido físico. En la Figura 5.14, donde se rescata una
Figura 5.14: Un punto intermedio entre dos puntos fí- parte de la Figura 5.11 en la página 60, podemos ob-
sicos del atractor de L ORENZ puede no tener sentido servar una región ampliada del atractor de L ORENZ.
físico (ver también Figura 5.11 en la página 60). Los puntos verdes pertenecen a dos trayectorias cer-
canas pero el punto negro, intermedio entre las dos
trayectorias, no tiene sentido físico, no hay ninguna
5.4 El caos trayectoria en esa región. Como consecuencia no se
debe, en general, realizar el promedio entre distin-
La Tabla 5.1 muestra un esquema comparativo entre tas trayectorias o soluciones. Volveremos sobre este
las principales características del paradigma clásico concepto en otros capítulos.
Paradigma clásico Paradigma del caos

Sistemas dinámicos lineales Sistemas dinámicos no lineales
Ecuaciones diferenciales lineales Ecuaciones diferenciales no lineales
Sensibilidad acotada a las condiciones
Sensibilidad a las condiciones iniciales
iniciales
Solución analítica No existe solución analítica
El futuro de un sistema dinámico se El futuro de un sistema dinámico se puede calcular pero en
puede calcular y predecir a partir del general es impredecible a partir de un cierto horizonte:
conocimiento de su estado anterior predecibilidad limitada en el tiempo
Determinismo Determinismo formal, pero limitaciones en la predecibilidad
El comportamiento del todo se puede
La suma de las partes introduce comportamientos
inferir como la suma de los
cualitativamente nuevos, emergen nuevas propiedades
comportamientos de las partes
Se profundiza y enriquece el concepto de caos: no es opuesto
Dualidad conceptual orden vs caos
al orden, sino un distinto tipo o grado de orden.
Tabla 5.1: Esquema comparativo entre los paradigmas clásico y del caos
Los sistemas caóticos son, pues, sistemas dinámicos

no lineales en los que se observa mezclado topológi- La predicción detallada del tiempo meteorológico a
largo plazo es por tanto imposible y la única posibili-
co. Se suele hablar de caos determinista porque estos
dad es la inferencia de la tendencia principal y carácter
sistemas son, estrictamente hablando, sistemas deter- de la(s) tormenta(s) a partir de observaciones de su
ministas cuyo comportamiento puede, en principio, estadio temprano. La exactitud de esta predicción está
ser calculado. Sin embargo, son predecibles por un sujeta a la condición de que el vuelo de un saltamontes
tiempo y después aparentan volverse aleatorios. El en Montana ¡podría trasladar una tormenta de Filadel-
tiempo durante el cual un sistema caótico se puede fia a Nueva York!
predecir depende de tres factores: la incertidumbre
que toleramos en la predicción, la exactitud con la
que podemos medir su estado y una escala de tiem- Por lo tanto, aunque las ideas de L ORENZ tienen pre-
po llamada tiempo de LYAPUNOV que depende de la cedentes, se asume a menudo que L ORENZ acuñó
dinámica del sistema. La incertidumbre en la predic- el término efecto mariposa para denotar la sensibili-
ción crece exponencialmente con el paso del tiempo, dad a las condiciones iniciales en la atmósfera. Como
de modo que si doblamos el plazo de predicción la hemos visto, podría haberse llamado efecto saltamon-
incertidumbre, al menos, se cuadriplica o algo peor. tes o efecto gaviota, pero terminó llamándose efecto
En la práctica esto implica que una predicción útil mariposa. La representación del atractor de L ORENZ
no puede hacerse para un plazo superior a 2-3 veces recuerda las alas de este animal y el efecto mariposa
el tiempo de Lyapunov del sistema. En esos plazos ha llegado a convertirse en un icono cultural popular-
mayores el sistema aparenta ser aleatorio. Esto es lo mente asociado al caos. En este libro utilizaremos este
que ocurre en la predicción meteorológica, a la que se icono como puente entre los sistemas dinámicos no
suele asociar un tiempo de Lyapunov de 2-3 días, a lo lineales sencillos y la atmósfera como sistema dinámi-
sumo una semana, según la situación. co no lineal complejo, así como como icono gráfico
del espacio de fases de la atmósfera en conjunto, tal
como veremos en el capítulo 12 en la página 155.
5.5 El efecto mariposa

5.6 Conclusiones
En una conferencia en 1972 en la Sociedad Americana
para el Avance de la Ciencia (American Association Los sistemas dinámicos son modelos matemáticos
for the Advancement of Science, AAAS), el meteo- que explican sistemas cuyo estado va cambiando con
rólogo E DWARD N. L ORENZ pronunció la célebre el tiempo. Los sistemas dinámicos lineales son una
frase «El aleteo de una mariposa en Brasil puede pro- aproximación restrictiva de la realidad que, a pesar
ducir un tornado en Texas». Según parece, L ORENZ de su éxito, no puede dar explicación a muchos fenó-
había empleado anteriormente el símil de una gaviota menos observados en la naturaleza. Para los sistemas
provocando una tormenta, pero la de la mariposa es no lineales no existen herramientas matemáticas tan
una frase más llamativa [571]. Aunque desde el punto poderosas como las desarrolladas para los sistemas
de vista científico no es precisamente cierta, sí que lineales, pero sus propiedades pueden explorarse me-
resume de forma notablemente efectista el efecto de diante simulaciones que permiten explicar un amplio
la sensibilidad a las condiciones iniciales. abanico de procesos físicos fuera del alcance de la
aproximación lineal.
Aunque, desgraciadamente, en la comunidad meteo-
rológica no se pudo prestar demasiada atención al Estos sistemas dinámicos no lineales son sensibles
descubrimiento de L ORENZ hasta finales de los años a las condiciones iniciales, es decir, pequeñas dife-
80, éste no fue el primero en llamar la atención so- rencias en las condiciones iniciales pueden conducir
bre el problema de la predecibilidad atmosférica. A a grandes diferencias en la evolución del sistema, lo
mediados de los años 1950 N ORBERT W IENER ya cual limita en el tiempo su predecibilidad. A aquellos
expresaba su preocupación por este problema [677] sistemas dinámicos no lineales que, además, presen-
y, anteriormente, en 1898 el físico W ILLIAM S UD - tan mezclado topológico en sus diagramas de fases
DARDS F RANKLIN escribió [571]: los llamamos sistemas caóticos. En particular, la at-
mósfera es un sistema dinámico fuertemente no lineal
5.7 Anexo: conceptos asociados a sistemas dinámicos no lineales 65
y caótico, con gran sensibilidad a las condiciones ini- riosa y fascinante aunque, desde P OINCARÉ , hacemos
ciales y, por ende, con predecibilidad en un tiempo camino al andar.
finito.
El paradigma clásico, con aproximaciones lineales, 5.7 Anexo: conceptos asociados a

con todo su rotundo éxito, es una aproximación que
ha encontrado sus limitaciones. Tan importante es co- sistemas dinámicos no linea-
nocer la aproximación propiamente dicha como sus les
limitaciones y su rango de aplicabilidad. El universo
es, principalmente, caótico y utilizamos a menudo la Aunque no es necesario para seguir este capítulo ni
linealidad como aproximación. Sólo vemos la pun- el resto de este libro, a modo ilustrativo y para mo-
ta de un iceberg: en la naturaleza hay una enorme tivar otras lecturas, introducimos brevemente en la
complejidad. Todavía nos falta lenguaje matemático, Tabla 5.2 algunos conceptos y propiedades generales
físico y ordinario para abordar esa problemática miste- ligados a los sistemas dinámicos no lineales.
Sensibilidad a las condiciones Pequeñas diferencias en el estado inicial pueden conducir a grandes
iniciales diferencias en la evolución del sistema.
Subconjunto del espacio de fases (estados posibles) hacia el que converge
Atractor un sistema en su evolución. Los llamados atractores extraños van ligados al
caos.
Transición de una fase de equilibrio con un punto fijo (punto hacia el que
Bifurcaciones
converge el sistema) a otra con dos o más al variar un parámetro.
Objeto geométrico con estructura aparentemente irregular pero que se repite
Fractal
a diferentes escalas, hay ejemplos abundantes en la naturaleza.
Flujo con baja difusión de momento, alta convección y cambios
espacio-temporales rápidos de presión y velocidad. El número de
Turbulencia
R EYNOLDS, proporción entre fuerzas inerciales y viscosas, permite
diferenciar el flujo laminar del turbulento.
Generalización de la dimensión ordinaria, puede tener valores no enteros,
Dimensión fractal
e.g. entre 2 y 3, mide cómo llena el espacio una estructura.
El flujo inestable produce torbellinos cada vez más pequeños, hasta que son
Cascada de energía
difundidos en calor por viscosidad.
Propiedad de objetos en los que el todo tiene la misma forma que una o
Autosemejanza
varias de sus partes, e.g. las ramas de helecho.
Una parte de la señal de salida de un sistema se redirige a la entrada del
Realimentación mismo, formando un bucle, que puede contribuir a la estabilidad del
sistema.
Proceso espontáneo con fluctuaciones aleatorias amplificadas por
Auto-organización realimentación positiva, resultando en organización distribuida, robusta y
estable, e.g. la emergencia de patrones de convección en un fluido.
Complejidad topológica en el diagrama de fases. El caos se da sólo en
Caos
algunos sistemas dinámicos no lineales.
Tabla 5.2: Conceptos y propiedades generales ligados a los sistemas dinámicos no lineales. Se incluyen términos
técnicos que no se explican en detalle pero pueden motivar para otras lecturas.
Ciencias de la atmósfera 6
DOI: 10.31978/014-18-009-X.06
M ARCOS G ÓMEZ M OLINA Y Á LVARO S UBÍAS D ÍAZ -B LANCO
Área de Técnicas y Aplicaciones de Predicción (ATAP), Agencia Estatal de Meteorología (AEMET)
La ciencia es respecto del alma lo que es la luz respecto de los ojos, y si

las raíces son amargas, los frutos son muy dulces.
A RISTÓTELES
Ofrecemos en este capítulo una introducción a las ciencias atmosféricas que puede servir como
base para entender otros capítulos de este libro. En particular, el capítulo que versa sobre modelos
atmosféricos puede ser opaco para el profano pero, con ayuda de esta introducción, puede abordarse su
lectura y aumentar el grado de comprensión. Una introducción a las ciencias atmosféricas preparada
para profanos es un auténtico reto. Intentar ahorrar en expresiones matemáticas, exprimir materia
hasta quedarse en el concepto, equilibrar la completitud con la profundidad, sabiendo lo difícil que
resulta todo ello. El abanico de las ciencias atmosféricas se va ampliando progresivamente y, a día de
hoy, disciplinas como la química atmosférica resultan de vital importancia. Hemos querido ofrecer un
capítulo asequible sin exceder un cierto número de páginas, por lo que hemos decidido quedarnos, si
no con lo más esencial, con lo más clásico: la radiación, la termodinámica y la dinámica atmosféricas.
Invitamos al lector interesado a acudir a textos especializados para profundizar en estas materias o
bien para ampliar ese abanico tan difícil de abarcar.
Palabras clave: ciencias de la atmósfera, termodinámica atmosférica, radiación en la atmósfera, dinámica
atmosférica.
Imagen parte superior: “Cascada de nubes”. Muro de Föhn desde el Volcán de Tacande, en la isla de La Palma, el 8 de julio de 2011 a las
19:48 horas. Fotografía de F ERNANDO B ULLÓN.
68 Física del caos en la predicción meteorológica Capítulo 6. Ciencias de la atmósfera
Figura 6.1: Espectro de radiación de las ondas electromagnéticas (ver texto) (P HILIP RONAN , CC-BY-SA https:
// es. wikipedia. org/ wiki/ Archivo: EM_ spectrum_ es. svg ).
6.1 Radiación El estudio de la materia y su interacción con las di-

ferentes longitudes de onda de la radiación se llama
espectroscopía. Así, cuando hablamos de espectro de
La radiación solar es la responsable del movimiento
un cuerpo o compuesto nos referimos al análisis de
de aire en la atmósfera y por lo tanto de los fenóme-
su radiación emitida o absorbida. Cada compuesto se
nos asociados que conocemos habitualmente como el
caracteriza por su espectro de absorción y de emisión,
tiempo. Por tanto, comprender la interacción entre la
esto es algo así como una huella dactilar que lo identi-
radiación y el sistema Tierra-atmósfera es el primer
fica. Que cada elemento o compuesto químico tenga
paso para comprender su funcionamiento.
un espectro diferente es importante ya que permite
determinar la composición de un cuerpo a partir del
Lo primero que hay que destacar es que la radiación análisis de su radiación.
solar supone más del 99 % de la energía que entra en
el sistema y por tanto, a efectos prácticos, se considera En la Figura 6.1 podemos ver todo el espectro elec-
su única fuente de energía. Pero lo realmente impor- tromagnético, del cual a efectos prácticos solo nos
tante de toda esta energía es la forma en la que se interesa la radiación ultravioleta, visible e infrarroja.
distribuye. Por lo pronto diremos que no se distribuye Nótese lo estrecha que es la franja visible en compa-
de forma homogénea lo cual crea un calentamiento de- ración al resto.
sigual que atmósfera y océanos tratan incesantemente
de compensar para alcanzar así el equilibrio térmi- Por último, veamos de forma cualitativa las leyes y
co. Los movimientos que se producen en el sistema conceptos más importantes que gobiernan la radia-
Tierra-atmósfera tratan por tanto de llevar calor de las ción:
zonas más calientes a las más frías.
Todos los cuerpos emiten radiación por el hecho de
encontrarse a cierta temperatura. Por tanto no solo
el Sol emite radiación sino que el suelo, las nubes,
6.1.1 Leyes y conceptos fundamentales
el agua, el hielo también lo hacen. El caso del Sol o
de una bombilla es más evidente porque parte de la
Cuando hablamos de radiación electromagnética es radiación es visible a nuestros ojos. Esto se conoce
habitual pensar en la luz solar que podemos ver y como Ley de P LANCK, y a partir de ella se deducen
que como sabemos está compuesta por multitud de las dos leyes siguientes.
colores como queda de manifiesto al ver el arco iris. Los cuerpos más calientes emiten más energía
Podemos decir que la luz está caracterizada por su que los más fríos, según la Ley de S TEFAN -
color. Si extendemos este concepto al resto de ondas B OLTZMANN.
electromagnéticas decimos que la radiación está ca- Cuanto más caliente esté un cuerpo menor será la
racterizada por su energía, o lo que es lo mismo por longitud de onda de la radiación máxima que emite,
su longitud de onda. según la Ley de W IEN.
6.1 Radiación 69
Los cuerpos que emiten bien la radiación también la energía. Nuestros ojos no la pueden apreciar pero sí la
absorben bien. Esto se traduce en que los espectros podemos sentir, por ejemplo acercando nuestra mano
de absorción y de emisión son complementarios. a algo caliente como es nuestro propio cuerpo.
El área roja se corresponde con la radiación que ha

6.1.2 La radiación solar y su espectro logrado traspasar la atmósfera y llega al suelo. Queda
electromagnético por ver lo que ocurre con la energía de la región ama-
rilla. El estudio de la interacción radiación-materia
El espectro del Sol, es decir la cantidad de energía muestra la clave en esta cuestión.
en función de la longitud de onda puede verse en la
Figura 6.2. Fijémonos en primer lugar en el contorno
amarillo que muestra la radiación solar antes de entrar 6.1.3 Calentamiento desigual
en la atmósfera. La línea negra indica la radiación que
predice la Ley de P LANCK para un cuerpo a 5250 ºC. Veamos ahora las causas principales que crean dife-
Nótese lo bien que ajustan ambas gráficas. Según di- rencias de temperatura. Ejemplos de calentamiento
cha ley podemos identificar esa temperatura como la desigual los tenemos todos los días, para empezar pen-
de la superficie del Sol. sar simplemente en la diferencia de insolación de un
día con cielo despejado a uno cubierto o en la dife-
Aunque la parte visible parece un región estrecha en rencia de temperatura de un suelo de asfalto a uno de
la gráfica, al corresponderse con el máximo, supone hierba. Estas diferencias de temperatura se deben a las
el 49 % de la energía total. A la izquierda de la mis- diferentes características de los materiales a la hora
ma, en las longitudes de onda más cortas queda la de reflejar o absorber la radiación solar. Por otro lado,
radiación ultravioleta con un 9 % de la energía, res- cabe pensar en las grandes diferencias entre verano
ponsable de ponernos morenos y de las quemaduras e invierno. La diferencia de insolación estacional es
que nos produce un larga exposición al Sol. La radia- debida a la inclinación que tiene el eje de la Tierra
ción infrarroja queda a la derecha con un 42 % de la con respecto al plano de la órbita.
Figura 6.2: Espectro de la radiación solar por encima de la atmósfera (amarillo) y a nivel del mar (rojo) junto
a la curva de emisión de cuerpo negro a 5250 ºC (ver texto) (ROBERT A. ROHDE , GFDL, https: // commons.
wikimedia. org/ wiki/ File: Solar_ Spectrum. png ).
Piénsese, por último, en la diferencia entre el ecuador, cantidad de partículas de gran tamaño que hay presen-
donde el Sol incide de forma casi perpendicular y los tes, cuando más azul es, más limpio está el aire.
polos, donde lo hace de forma inclinada. La forma
esférica de la tierra hace que el rayo de Sol esté más También puede ocurrir que el rayo sea reflejado. Esto
concentrado en torno al ecuador, aunque ilumine más ocurre en la separación entre dos medios, por ejemplo
área cerca de los polos. Este desequilibrio debido a la entre el aire y el suelo o entre el aire y una gota de
forma esférica de la tierra es el que provoca las ma- agua. Existen superficies que reflejan mejor que otras,
yores diferencias de calentamiento. Para compensarlo la nieve, las nubes, y otras peor, el mar, la vegetación.
la atmósfera y océanos transportan calor constante- El porcentaje de radiación solar que una superficie es
mente desde el ecuador a los polos. Estas tres causas capaz de reflejar se denomina albedo (Tabla 6.1), y
son suficientes para entender de forma cualitativa la varía mucho entre superficies. De valores inferiores al
desigualdad en el calentamiento que experimenta el 5 % en asfalto hasta valores del 90 % en nieve recién
sistema y que es responsable directo del movimiento caída. El albedo medio del sistema Tierra-atmósfera
atmosférico. está en torno a 33 % (a lo cual contribuye también la
dispersión que se produce hacia el espacio).
Superficie Albedo típico

6.1.4 Interacción radiación-materia
Asfalto (fresco-gastado) 4 al 12 %
Océano 6%
La interacción radiación-materia nos permite com- Bosque 8 a 15 %
prender la cantidad de energía que es absorbida y Suelo desnudo 17 %
crea por tanto el calentamiento diferencial del que Hierba verde 25 %
hablábamos antes. Aunque la atmósfera es bastante Arena del desierto 40 %
transparente a la radiación del Sol, solo un 25 % llega
Hielo oceánico 50 al 70 %
al suelo sin sufrir ninguna interacción. El resto será o
Nieve fresca 80 al 90 %
bien absorbida por los gases que componen la atmós-
fera, o bien dispersada hasta que alcance la superficie Tabla 6.1: Albedo promedio de diferentes medios
o regrese al espacio, o reflejada directamente hacia el (https: // es. wikipedia. org/ wiki/ Albedo ).
espacio. ¿De qué depende que sufra uno u otro proce-
so? Pues en gran medida de la longitud de onda de la
radiación y del tamaño de las partículas con las que Por último, nuestro rayo puede ser absorbido por los
interacciona como veremos a continuación. gases y partículas que componen la atmósfera o por el
suelo. En el caso de los gases dependerá de la energía
A modo de ejemplo podemos acompañar a un rayo de nuestro rayo y del gas con el que interaccione. En
de Sol a lo largo de su entrada en la atmósfera para general la atmósfera absorbe muy poco de luz visible
ver qué tipo de interacciones sufre. Pues bien, puede y por eso llega hasta la superficie. Sin embargo la
ocurrir que nuestro rayo sea dispersado, es decir, que luz ultravioleta se absorbe casi completamente por el
cambie su dirección pero no su energía. Esto ocurre oxígeno y ozono, lo cual es de agradecer ya que tiene
al interaccionar con los gases, agua y aerosoles de tremendos efectos sobre la salud. La radiación infra-
la atmósfera. Este proceso depende de la energía de rroja interacciona fuertemente con el vapor de agua
nuestro rayo y del tamaño de las partículas con las y dióxido de carbono. Como veremos a continuación
que interaccione. Las moléculas gaseosas dispersan esto tiene consecuencias muy importantes. Cuando
de forma más efectiva los rayos más energéticos, lo un rayo es absorbido se incrementa la energía del áto-
que explica por qué vemos el cielo azul y por qué mo o molécula y esto se traduce en un incremento de
vemos el amanecer y anochecer de colores cálidos temperatura del cuerpo.
(dispersión de R AYLEIGH).
Hay que hacer notar que nuestro rayo puede sufrir
Las partículas más grandes, aerosoles y gotitas de varias dispersiones y reflexiones en su viaje a través
agua, dispersan la luz de forma homogénea y por ello de la atmósfera y así puede que tras varios procesos
por ejemplo vemos las nubes blancas, todos los co- logre escapar de nuevo hacia el espacio o, por el con-
lores han sido dispersados por igual y no predomina trario, sea absorbido finalmente por la atmósfera o por
ninguno de ellos. El color del cielo nos da idea de la el suelo.
6.1 Radiación 71
Figura 6.3: Balance de energía en la atmósfera (ver texto) (NASA, https: // earthobservatory. nasa. gov/
ContentFeature/ EnergyBalance/ images/ global_ energy_ budget_ components. png ).
6.1.5 Balance de energía de alguna forma como una manta que ayuda a mante-
ner una temperatura más cálida en la Tierra, haciendo
que gran parte de ella sea habitable. La Figura 6.3 es-
La temperatura media de la Tierra, en periodos que quematiza muy bien los principales efectos radiativos
no abarquen cambios climatológicos bruscos, se man- en un esquema vertical. Entiéndase que son valores
tiene aproximadamente constante. Esto implica que promedio a escala global.
el balance de energía en el sistema Tierra-atmósfera
debe ser nulo y por tanto debe salir hacia el espacio Hasta ahora hemos hablado sólo de radiación y su
la misma cantidad de energía que entra en el sistema. interacción con el sistema Tierra-atmósfera. Pero para
La salida de energía se produce en forma de radiación acabar de comprender el balance de energía de es-
electromagnética. Un 29 % de esta energía es radia- te sistema hay que estudiar también la transferencia
ción solar reflejada por las nubes y por el suelo, el de calor que se produce por conducción y convec-
resto, un 71 %, es energía en forma de radiación in- ción/advección. La conducción explica la transferen-
frarroja. Como ya dijimos anteriormente, todo cuerpo cia de calor de un cuerpo más caliente a uno más
emite radiación electromagnética por el simple he- frío cuando están en contacto, por ejemplo del suelo
cho de estar a cierta temperatura. Con el suelo y los (más caliente) al aire (más frío) durante el día. La
componentes de la atmósfera ocurre lo mismo, emiten convección/advección es el transporte de calor que se
radiación infrarroja que finalmente acaba saliendo al produce por el movimiento de un volumen del aire
espacio y compensado de esta forma la radiación que de un sitio a otro. Hablamos de convección para mo-
entra. Pero cuidado, este proceso no es tan sencillo. vimientos verticales y advección para movimientos
Resulta que algunos gases como el CO2 y el vapor horizontales.
de agua son muy eficientes absorbiendo la radiación
infrarroja. Esto implica que la radiación emitida por Hay que tener en cuenta que una buena parte del calor
la tierra es en gran medida absorbida por los gases que llega al suelo se invierte en la evaporación de agua
atmosféricos que a su vez vuelven a emitir parte de y que esa energía es liberada de nuevo en la atmósfera
ella hacia el suelo. Se crea de esta forma un bucle o al producirse la condensación. Esta transferencia de
circuito que mantiene esta radiación infrarroja den- energía se conoce como transferencia de calor latente
tro de la atmósfera. Los gases responsables de este y explica cómo un 25 % de la energía es transportada
proceso se denominan de efecto invernadero y actúan desde el suelo hasta la atmósfera.
Por último, decir que un análisis latitudinal de la ra-

diación desvela que existe un gran desequilibrio en el A los espectros de radiación solar y terrestre se los de-
nomina habitualmente como radiación de onda corta
balance de energía, existiendo déficit en los polos y
y de onda larga respectivamente. Las líneas continuas
superávit en el ecuador. Se deduce de este hecho que roja y azul se corresponden con los espectros teóricos
debe existir un transporte constante de energía desde dados por la ley de P LANCK para el Sol y la Tierra.
el ecuador hacia los polos. La ley de Planck viene dada por:
2hν 3 1
Para completar el capítulo resulta muy ilustrativo ver I(ν, T ) = (6.1)
c2 e kT
hν
−1
el efecto que producen los principales gases de la at-
mósfera en el espectro de radiación solar entrante y
de radiación térmica saliente. Nótese que el vapor de donde I(ν, T ) es la radiancia espectral (cantidad de
agua es el principal gas de efecto invernadero y como energía por unidad de superficie, unidad de tiempo y
la radiación infrarroja que logra escapar hacia el espa- unidad de ángulo sólido por unidad de frecuencia o
cio (área azul) lo hace en una banda estrecha conocida longitud de onda), ν es la frecuencia, λ la longitud de
como ventana atmosférica. Notar también como el onda, T la temperatura del cuerpo negro, h la constan-
oxígeno y ozono son responsables de absorber la mate de Planck, c la velocidad de la luz y k la constante
yor parte de la radiación ultravioleta. de B OLTZMANN . Este efecto se ilustra en la Figura
6.4.
Figura 6.4: Bandas de absorción de los principales gases de efecto invernadero y su efecto sobre la radiación solar
entrante y la radiación térmica saliente (ver texto) (ROBERT A. ROHDE , GFDL, https: // commons. wikimedia.
org/ wiki/ File: Atmospheric_ Transmission. png ).
6.2 Termodinámica 73
6.2 Termodinámica La ley de los gases ideales es la ecuación de estado

que describe el comportamiento de un gas ideal. La
ventaja que presenta considerar un gas real como ideal
El propósito de este capítulo es explicar de forma
es que simplifica su estudio en gran medida. El aire
cualitativa los fenómenos de naturaleza termodinámi-
seco antes descrito puede tratarse como un gas ideal
ca de mayor interés. Para ello es necesario realizar
cometiendo un error inferior al 0,2 %. Considerar el
una serie de simplificaciones y comprender las leyes
vapor de agua como un gas ideal implica un mayor
que gobiernan el comportamiento de los gases y la
error pero en todo caso es asumible para gran parte
termodinámica.
de las aplicaciones meteorológicas y para el presente
estudio.
6.2.1 Composición de la atmósfera

La ecuación de estado de los gases ideales expresa-
da en términos de la densidad ρ, la masa molecular
La atmósfera está compuesta por: una mezcla de ga- M, la presión P y la temperatura T es:
ses, agua en cualquiera de sus tres estados y partículas
sólidas. En los primeros kilómetros, donde reside el in- R
terés meteorológico, la mezcla de gases es homogénea, P=ρ T (6.2)
M
y está compuesta de nitrógeno en un 78 %, oxígeno
en un 21 %, argón en 0.9 %, dióxido de carbono en Para conocer el estado de un gas ideal basta especificar
un 0.04 %, y el resto de componentes no alcanza el dos de sus variables, típicamente P y T .
0.003 % en volumen. Algunos componentes como el
CO2 y O3 presentan grandes variaciones de concen-
tración pero de cara al estudio termodinámico son
Cuando dos sistemas están en contacto a diferente
despreciables. Esta mezcla de gases, de la cual se ex-
temperatura se produce una transferencia de energía
cluye el vapor de agua, se denomina aire seco y en
en forma de calor, Q. Esta transferencia se produce
adelante se considerará como un único gas.
hasta que los dos sistemas están a la misma temperatu-
ra. Los sistemas también pueden intercambiar energía
El agua presente en la atmósfera puede cambiar de
en forma de trabajo, W . El ejemplo más intuitivo es
estado y por la gran implicación que esto tiene merece
pensar en trabajo mecánico, cuando una fuerza altera
un estudio detallado. Puede alcanzar valores de hasta
el movimiento de un cuerpo.
un 4 % pero presenta grandes variaciones, siendo má-
ximo cerca del suelo y disminuyendo rápidamente con
El primer principio nos dice que la variación de ener-
la altura. Esto es debido a que su fuente de entrada
gía interna de un sistema se debe al calor y al trabajo
es la superficie terrestre a través de evaporación de
intercambiado.
océanos, lagos, ríos y transpiración de plantas y suelo,
y a que la cantidad de vapor que puede contener el
aire depende de la temperatura y por tanto decrece Primer principio de la termodinámica. En su for-
ma matemática más sencilla, siguiendo el criterio de
con la altura. Cuando el aire contiene cierta cantidad
signos termodinámicos, se puede escribir para cual-
de vapor de agua se denomina aire húmedo. quier sistema cerrado como:
Las partículas sólidas en suspensión, como la sal ma- ∆U = Q +W (6.3)

rina o el polvo mineral, se conoce como aerosoles
atmosféricos. Son de gran importancia en física de nu-
∆U es la variación de energía interna del sistema, Q
bes ya que son los núcleos de condensación en torno es el calor intercambiado por el sistema a través de
a los cuales comienzan a formarse las gotas de agua. unas paredes bien definidas, y W es el trabajo inter-
cambiado por el sistema con sus alrededores.
6.2.2 Leyes y conceptos fundamentales

Este principio es un reflejo del principio de conserva-
Abordaremos la Ley de los gases ideales, el Primer ción de la energía aplicado al contexto de la termo-
principio de la termodinámica y el Segundo principio dinámica. En el caso más sencillo de un gas ideal la
de la termodinámica. energía interna solo depende de la temperatura, lo que
implica que un incremento de energía interna propicia La pared o región que delimita la masa de aire,
un incremento de temperatura. donde se produce la mezcla con el exterior, es en
general estrecha en comparación con la propia ma-
El segundo principio establece la asimetría que defi- sa.
ne los procesos irreversibles, distinguiéndolos de los Los procesos radiativos son pequeños comparados
reversibles. con los producidos por la expansión o compresión
de los movimientos verticales, y más para periodos
Cuando ponemos en contacto dos cuerpos a diferente de tiempo inferiores a un día.
temperatura sabemos por experiencia que tienden al
equilibrio térmico. No se nos ocurre pensar que el Gradiente adiabático seco. A partir del primer prin-
cuerpo frío cederá calor al más caliente para que siga cipio y considerando equilibrio hidrostático es posible
aumentando su temperatura. Pues bien, esto mismo es calcular la variación de temperatura que sigue un pro-
lo que enuncia el segundo principio de la termodiná- ceso adiabático. El valor que se obtiene es:
mica, establece un criterio para saber si es posible que
un proceso ocurra o no.
γ = 0,98 ºC/100 m (6.5)
A efectos mnemotécnicos basta quedarse con el valor
Segundo principio de la termodinámica. La formu-
de 1 ºC/100 m o 10 ºC/km.
lación más clásica de este principio es:
δQ
dS ≥ (6.4)
T
Una burbuja de aire que asciende adiabáticamente se
enfriará a razón de 1 ºC cada 100 m, y se calentará
Donde S es la función de estado llamada entropía. La
dicha cantidad si desciende.
igualdad se corresponde con procesos reversibles y la
desigualdad con irreversibles o espontáneos.
6.2.4 Aire húmedo
El aire húmedo consiste en la mezcla de aire seco y

6.2.3 Procesos adiabáticos
vapor de agua y puede tratarse como gas ideal. El error
que se comente es inferior al 0.4 % para los valores
Se define proceso adiabático como aquel en que el de presión y temperatura de interés. Ahora bien, da-
sistema no intercambia calor con su entorno. Según el do que el vapor de agua tiene una masa molecular de
primer principio de la termodinámica esto implica que Mv = 18,02g/mol y el aire seco de Md = 28,96g/mol,
∆U = W . Muchos procesos que se dan en la atmósfe- su mezcla dará como resultado un gas menos denso
ra se pueden considerar muy aproximadamente como que el aire seco a igual presión y temperatura.
adiabáticos con lo cual sus cálculos se simplifican.
La humedad es la medida de la cantidad de vapor
En termodinámica de la atmósfera se considera sis- que contiene el aire. Es habitual expresar la cantidad
tema a una determinada extensión de aire con unas de humedad del aire mediante la humedad relativa
propiedades homogéneas, típicamente de humedad expresada en % pero existen otras variables higromé-
y temperatura. Dependiendo del contexto se suele tricas de uso habitual en meteorología que conviene
hablar de masa de aire para grandes extensiones a conocer:
nivel sinóptico o de burbuja1 a nivel mesoescalar en masa de vapor (g)
el estudio de los movimientos verticales asociados a Humedad específica: masa de aire humedo (kg)
masa de vapor (g)
la convección. Las razones principales que justifican Razón de mezcla: masa de aire seco (kg) . En la
práctica
considerar el movimiento de una burbuja de aire como puede considerarse igual a la humedad específica.
un proceso adiabático son: Humedad relativa: masamasa de vapor (g)
de vapor saturante (g) × 100. Es
muy útil porque informa de lo alta que está la satu-
El aire es mal conductor del calor. Por tanto dos ración.
masas de aire a diferente temperatura tardarán un Temperatura virtual: Es la temperatura que tendría
tiempo considerable en alcanzar el equilibrio térmi- que tener el aire seco para tener la misma presión y
co. densidad que el aire húmedo.
1 parcela, término usual, es una traducción directa del término inglés parcel, que podría traducirse mejor tal vez como paquete o
porción. En este capítulo mantendremos el término burbuja.

6.2 Termodinámica 75
Figura 6.5: Humedad específica en función de la temperatura a la presión de 1000 hPa (CC-BY-SA-3.0, https:
// commons. wikimedia. org/ wiki/ File: Umidit% C3% A0specifica. svg ).
Cuando el aire húmedo no puede contener más vapor es absorbido completamente por el aire, y que el agua
de agua se dice que está saturado. La cantidad de va- precipita inmediatamente. Esto implica una pérdida
por de agua que puede contener el aire depende de la de entropía que favorece el enfriamiento y activa la
temperatura según la curva azul de la Figura 6.5. condensación. Se conoce como proceso pseudoadia-
bático y en la práctica es la aproximación utilizada en
Así para una temperatura de 10 ºC el aire puede conte- meteorología.
ner 7,8 g/m3 (humedad específica), su humedad rela-
tiva será del 100 %. Para 30 ºC el aire puede contener
27,3 g/m3 y su humedad relativa será igualmente del 6.2.5 Estabilidad vertical de la atmósfera
100 %.
Los movimientos verticales en la atmósfera son de
Gradiente adiabático saturado. El aire húmedo sin vital importancia, sobre todo en los fenómenos asocia-
saturar ante un proceso adiabático sigue muy aproxi- dos a la convección. Por esta razón es imprescindible
madamente el gradiente adiabático seco deducido an- conocer la predisposición de la atmósfera a favorecer
teriormente. Una vez se alcanza la saturación el agua o inhibir estos movimientos a la hora de realizar una
condensada libera el calor latente que se ha inverti- predicción.
do previamente para evaporarla. Este calor liberado
contribuye a calentar el aire y a reducir el enfriamien- El estudio de la estabilidad vertical se basa en conside-
to, por este motivo el gradiente adiabático saturado
será siempre menor que el gradiente adiabático seco.
rar el hipotético desplazamiento de una parcela de aire
La formulación del gradiente saturado es compleja o burbuja con el fin de analizar si ese desplazamiento
y no tiene mayor importancia llegados a este punto, es favorecido o no por la atmósfera circundante. A fin
lo que si es de interés es dar algunos datos de refe- de simplificar el estudio se considera que la burbuja
rencia. El gradiente adiabático saturado oscila entre no se mezcla con el aire que la rodea y no lo perturba,
4 y 7 ºC/km en la troposfera media, mientras que el no intercambia calor (el proceso es adiabático) y que
gradiente adiabático seco es de 10 ºC/km. A alturas las presiones, de burbuja y ambiente, son iguales. Este
elevadas el gradiente adiabático saturado se aproxima
método trata de simular lo que puede ocurrir a una
al seco.
porción de aire que da lugar a la formación de un cu-
mulonimbo, que se ha visto desplazada verticalmente
en una zona de convergencia o debido a un ascenso
Cuando el aire está saturado hay que considerar qué orográfico. Inicialmente la burbuja forma parte de la
ocurre con el agua que comienza a condensar. Es habi- masa de aire, con sus mismas propiedades de hume-
tual considerar que ese agua libera el calor latente que dad y temperatura, pero se convierte en un sistema
propio tan pronto como se produce su desplazamien- férica. En ellos se representan los datos obtenidos de
to. Aunque los resultados que se obtienen con este radiosondeos: humedad, temperatura y viento. De esta
método son exagerados y necesitan de correcciones forma el gradiente vertical de la atmósfera se dedu-
para ser directamente aplicables sí que proporcionan ce de forma inmediata a partir de la pendiente que
conclusiones cualitativas correctas. sigue la curva de temperatura (es más riguroso usar
la temperatura virtual para realizar estas comparacio-
La estabilidad vertical se determina al comparar la nes, sobre todo para altos valores de temperatura y
densidad de la burbuja y de la atmósfera que la rodea. humedad donde los errores pueden ser apreciables).
A igualdad de presiones el estudio de la estabilidad se Los diagramas termodinámicos van provistos de una
traduce en comparar temperaturas: si la temperatura serie de isolíneas para facilitar estos análisis.
de la burbuja es mayor que su entorno su densidad
será menor y ascenderá. Si se parte de una misma Al considerar que la burbuja no intercambia calor con
temperatura inicial entonces basta con comparar los el ambiente el gradiente que marcará su evolución
gradiente de evolución de la burbuja y del entorno será:
para determinar la estabilidad. De esta forma se tienen
tres posibles estados: Gradiente adiabático seco en caso de ser aire seco o
Estable: Si el gradiente atmosférico es mayor que húmedo sin saturar. En la práctica se dice que sigue
el que sigue la burbuja. Los movimientos verticales la curva adiabática seca, o simplemente adiabática.
son inhibidos. Gradiente adiabático saturado en caso de haber sa-
Inestable: Si el gradiente atmosférico es menor que turación.
la evolución de la burbuja. Se favorece que el movi-
miento continúe. Debido a la diferencia que existe entre el gradiente
Neutro: Si ambos gradientes son iguales se tiene un adiabático seco y saturado es posible que la atmósfera
equilibrio neutro. sea estable si la burbuja no está saturada e inesta-
ble si lo está. Se dice entonces que la atmósfera es
Los diagramas termodinámicos son la herramienta condicionalmente inestable. Visto en un diagrama ter-
principal utilizada para evaluar la estabilidad atmos- modinámico de tipo Skew-T (Figura 6.6).
Figura 6.6: Condiciones de estabilidad según el gradiente en un diagrama Skew-T (The COMET Program, http:
// www. meted. ucar. edu/ mesoprim/ skewt/ , requiere registrarse).
6.3 Dinámica Atmosférica 77
Figura 6.7: Atmósfera inestable para la burbuja que asciende desde 975 hPa y logra sobrepasar el NCL marcado
por T2 (The COMET Program, http: // www. meted. ucar. edu/ mesoprim/ skewt/ , requiere registrarse).
La atmósfera será estable si su gradiente de temperatu- profundizar en la termodinámica en primer lugar y en

ra es menor que el adiabático saturado. Será completa- el uso de diagramas como herramienta fundamental.
mente inestable en caso que el gradiente sea superior
al adiabático seco. Cuando la atmósfera es condicio-
nalmente inestable es necesario conocer su contenido 6.3 Dinámica Atmosférica
de humedad para poder evaluar la estabilidad. Para
ello se realiza un desplazamiento inicial de la burbuja,
6.3.1 Ecuaciones de la dinámica
siguiendo la adiabática seca hasta alcanzar la satura-
ción. Este punto se conoce como nivel de condensa-
ción por ascenso NCA. A partir de ahí su evolución La dinámica atmosférica constituye un problema muy
continua siguiendo la adiabática saturada. Si esta lí- concreto de la dinámica de fluidos. La modelización
nea corta en algún momento el perfil de temperatura del estado de la atmósfera se realiza a través de la re-
ambiente podrá evolución de forma libre. Este punto solución de las ecuaciones de NAVIER -S TOKES [37]
se conoce como nivel de convección libre NCL. Es- de un fluido en rotación sobre la superficie de la esfera
te es el caso ilustrado en la Figura 6.7, que muestra terrestre, en un campo de gravedad, con forzamiento
una atmósfera inestable para el desplazamiento de la termodinámico externo solar, con multitud de com-
burbuja considerada. Es importante remarcar que el ponentes químicos, etc. Se trata en definitiva de un
análisis de la estabilidad condicional depende de la problema muy complejo que incluso tomando deter-
burbuja que se considere. minadas simplificaciones da muestra de la enorme
dificultad que conlleva su resolución.
Se han explicado brevemente los fundamentos del Las ecuaciones que gobiernan la dinámica de fluidos
análisis de estabilidad en base a las leyes de la ter- son no lineales, lo que significa que la evolución de un
modinámica y bajo una serie de simplificaciones que determinado valor no puede obtenerse numéricamente
permiten abordar el problema de forma más sencilla. a partir una extrapolación de valores observados en un
A partir de aquí existe una bibliografía extensa para tiempo dado como por ejemplo puede ser la velocidad
del fluido. Las soluciones de las ecuaciones no lineales

presentan un comportamiento razonablemente lineal Ecuaciones de E ULER. Las ecuaciones (6.7) mues-
tran relaciones asociadas a la conservación de momen-
para intervalos de tiempo suficientemente cortos, sin
to, energía y masa tras efectuar un análisis de escala
embargo fuera de este rango temporal se hacen más válido para la descripción de la dinámica atmosférica.
grandes los términos no lineales lo que lleva a que
el comportamiento de las soluciones parezca errático.
Esto no quiere decir que no se trate de un problema d~v
+ f~k ×~v + ρ1 ~∇z p = 0 momento horizontal
determinista puesto que los valores en un tiempo futu- dt
ro están, en teoría, completamente determinados por dw

dt + g + ρ1 ∂z p = 0 momento vertical
los valores en un instante dado. Las soluciones son c p d ln T d ln p
dt − R dt = 0 energía
altamente dependientes de sus propios valores y con
dρ
una alta propagación de los errores numéricos. Peque- dt + ρ~∇~v = 0 masa
(6.7)
ñas diferencias en las condiciones iniciales pueden
dar lugar a soluciones considerablemente diferentes,
lo cual fue detectado por primera vez a partir del es-
tudio de las soluciones numéricas de la ecuación de Un ejemplo de simplificación lo constituye la aproxi-
convección [391]. mación hidrostática, en la que se desprecia el término
dw
dt en la ecuación de momento vertical. En dicha apro-
ximación la presión se identifica con el peso de la
Enfoques lagrangiano y euleriano de la dinámica.
columna de aire en la vertical de un punto dado. Las
La descripción de la evolución de una burbuja de flui-
do se realiza en términos de la evolución que ésta escalas en las que la aproximación es válida son aque-
sigue a lo largo de la trayectoria. La evolución de llas en las que no se tienen en cuenta los efectos de
valores del estado de la burbuja (tales como la tem- la convección, típicamente en distancias horizontales
peratura) se describe a lo largo de su movimiento, lo menores a 5 km. Los modelos numéricos se dividen
que se conoce como enfoque lagrangiano y es con- en hidrostáticos y no hidrostáticos según resuelvan o
ceptualmente más natural que el enfoque euleriano no estas escalas. En general las ecuaciones de la diná-
que tiene en cuenta los valores del estado de un fluido mica atmosférica suelen presentarse en términos de la
para un punto espacial determinado. La comparación
coordenada vertical de presión en vez de altura, ello
entre ambos valores tiene en cuenta el desplazamiento
de la burbuja a través de un término de transporte o es debido a que según la aproximación hidrostática la
advección. Estos términos son inherentes a las deriva- presión es una variable monótonamente decreciente
das temporales presentes en las ecuaciones de fluidos con la altura.
y son responsables entre otros del carácter no lineal
de las mismas. Si en latitudes medias consideramos únicamente la
ecuación de momento horizontal y suponemos una
d~T ∂ ~T situación en que el viento es constante a lo largo de la
= +~v~∇T (6.6)
dt ∂t trayectoria d~v
dt = 0 se obtiene una solución conocida
como viento geostrófico en la que la fuerza del gra-
diente presión (o bárica) se equilibra con la fuerza
de C ORIOLIS (ficticia porque es consecuencia de la
6.3.2 Aproximaciones rotación terrestre) y el viento geostrófico viene dado
únicamente por el campo de presión ~vg =~k × ρ1f ~∇z p.
Las ecuaciones de movimiento básicas de la atmósfe- La dirección del viento es paralela a las isobaras de-
ra están asociadas a diferentes cantidades preservadas jando las bajas presiones a su lado izquierdo en el
tendiendo en cuenta que la conservación tiene lugar a hemisferio norte. Además, la intensidad del viento es
lo largo del movimiento de la partícula. El tratamiento proporcional al gradiente de presión, por lo que las
de las ecuaciones en toda su complejidad constituye regiones de viento fuerte se corresponden con regio-
un problema inabordable, por lo que se realizan análi- nes en las que las isobaras está muy próximas entre sí.
sis de escala para realizar determinadas aproximacio- La relación del viento geostrófico a distintas alturas
nes y eliminar ciertos términos de las ecuaciones que está dada por el gradiente térmico horizontal y la di-
pueden ser despreciados debido a que toman valores ferencia en distintos niveles de viento geostrófico se
suficientemente pequeños. La realización de una de- conoce como viento térmico. En las soluciones más
terminada simplificación está condicionada a la escala realistas existen pequeñas componentes ageostróficas
espacial y temporal que se pretende analizar [298]. en las que el viento lleva aire de las zonas de mayor a
menor presión.
Figura 6.8: Mapa de altura geopotencial en 500 hPa (Agencia Estatal de Meteorología (AEMET)).
Figura 6.9: Mapa de presión en superficie (AEMET).
En las Figuras 6.8 y 6.9 pueden verse sendos mapas viento gira en sentido horario, sobre la región de Is-
del modelo ECHRES con alcance de predicción de 60 landia hay una región de bajas presiones en las que el
horas para el 14 de julio a las 00 UTC. Mientras el viento gira en sentido antihorario y al sur de la misma
mapa en superficie presenta líneas cerradas el mapa una región de viento fuerte de poniente. Este es el
en altura muestra menor número de ellas, este es un patrón característico de la región del Atlántico Nor-
hecho característico de ambos tipos de mapas. En la te. En el mapa en altura (Figura 6.8) lo que aparece
Figura (6.9) se observa una región de alta presión en son dorsales y vaguadas, relacionadas con perturba-
superficie sobre la región de las Azores en la que el ciones de escala planetaria de interés en meteorología
sinóptica (en las escalas de miles de kilómetros) y que Un tipo de ondas de sonido de propagación horizon-
tienen gran influencia sobre los fenómenos de superfi- tal son las ondas de L AMB, que sólo se producen en
cie. Estas perturbaciones están descritas en términos erupciones volcánicas y explosiones nucleares atmos-
de ondas de ROSSBY. féricas y que carecen de interés meteorológico.
Las ondas de gravedad se generan como respuesta

a desequilibrios en el campo de presión, como tiene
6.3.3 Ondas lugar en una situación frontal o en caso de ascenso oro-
gráfico en situación estable (pudiendo generar nubes
Como se ha mencionado al inicio del presente capí- de tipo lenticular). Su fundamento físico es similar al
tulo, las soluciones de las ecuaciones no lineales prede las ondas que se producen en la superficie del mar.
sentan un comportamiento lineal en un determinado Un análisis detallado de las ecuaciones linealizadas
rango de tiempo. Por tanto, resulta de interés anali- muestra que este tipo de ondas están emparentadas
zar el conjunto de ecuaciones linealizadas, es decir, con las ondas de inercia. En realidad las dos son de
aquellas en las que no se tienen en cuenta los términos un tipo más general que tiene a ambas como caso
no lineales (productos de dos, tres o más términos). límite, las ondas de inercia-gravedad. Este tipo de
Los términos lineales tienen asociados soluciones en ondas deben de ser controladas en la formulación de
términos de ondas, por lo que el conocimiento de las los modelos numéricos. Figura 6.10.
mismas es importante dado que representan estados
de la atmósfera que podemos considerar como ele-
mentales. El estado de la atmósfera en un instante
dado resultará ser una combinación de tales ondas.
Los términos no lineales no introducen nuevos tipos
de ondas, pero sí son responsables de interacciones en-
tre ellas. En latitudes medias se dan tres tipos de ondas
atmosféricas: acústicas, de gravedad y de ROSSBY.
Figura 6.11: Onda de Rossby con número de onda 4,

mapa de altura geopotencial en 500 hPa promediada
entre el 9 y el 21 de octubre de 2010 (ver texto) (CC BY-
SA 4.0, https: // commons. wikimedia. org/ wiki/ File:
Figura 6.10: Onda de gravedad en la región
500mb_ geopotential_ height_ wavenumber_ 4_ Rossby_
de Tadrat, en Argelia, vemos que en los pi-
wave_ ( planetary_ waves) _pattern. _October_ 9-21,
cos de las ondas se produce condensación (ver
_2010_ daily_ average. jpg ).
texto) (GFDL CC-BY-SA-3.0, https: // commons.
wikimedia. org/ wiki/ File: Tadrart01. JPG ).
Las ondas de ROSSBY son ondas producidas en un

fluido en rotación debido a la conservación de la vorti-
Las ondas acústicas son ondas de compresión con cidad potencial que tiene en cuenta tanto la vorticidad
velocidad de propagación de 300 m/s. Estas ondas absoluta, suma de la vorticidad terrestre f y de la
no son de interés para el estudio de la atmósfera, por vorticidad relativa del fluido con respecto a la tierra,
lo que es deseable que el conjunto de ecuaciones tra- como el espesor de la atmósfera.
te con alguna aproximación para filtrar este tipo de
ondas. Tomando la aproximación hidrostática estas El parámetro de C ORIOLIS varía latitudinalmente por
ondas desaparecen como solución de las ecuaciones. lo que un desplazamiento de aire latitudinal induce en
el mismo vorticidad relativa. Además, por la depen-

dencia con el espesor de la atmósfera, cuando el aire
pasa por encima de una cadena montañosa se induce
también vorticidad relativa. Tanto las Montañas Ro-
cosas como los Andes, por su configuración norte-sur
y teniendo en cuenta los vientos predominantes, son
zonas de generación de ondas de Rossby de escala
planetaria, que son las ondas de mayor interés meteo-
rológico puesto que son responsables de la generación
de dorsales y vaguadas de presión en altura y cau-
santes de la generación de frentes que veremos más
adelante. Figura 6.11.
6.3.4 Circulación General de la Atmósfera

Figura 6.12: Diagrama representativo de la cir-
El calentamiento de la superficie terrestre por la ac- culación general de la atmósfera con las célu-
ción de la radiación solar depende de la latitud. En las las de H ADLEY, F ERREL y polar junto el rég-
imen de vientos predominantes (ver texto) (CC
regiones tropicales el azimut solar llega a ser perpen-
BY-SA 3.0, https: // commons. wikimedia. org/
dicular mientras que en las polares el azimut resulta wiki/ File: AtmosphCirc2. png ).
siempre pequeño. Este calentamiento desigual da lu-
gar como consecuencia a una transferencia de aire
cálido de las zonas ecuatoriales a las polares. En un 6.3.5 Frentes
planeta en el que no hubiese rotación habría una única
célula por cada hemisferio que llevase el aire cálido Un frente constituye una región de separación entre
del ecuador a los polos en altura. dos masas de aire con diferentes temperaturas. Este
término fue acuñado por la escuela noruega de B ER -
El efecto de la rotación terrestre produce, a través del GEN como analogía con los frentes de guerra, ya que
término de C ORIOLIS (6.7), que los vientos se des- los primeros estudios tuvieron lugar durante la Pri-
víen hacia la derecha en el hemisferio norte y hacia la mera Guerra Mundial. El modelo de formación de
izquierda en el sur. Además, el efecto de la rotación un ciclón extratropical establece que a partir de una
terrestre rompe la célula hemisférica en tres, habiendo perturbación del frente polar estacionario (producida
dos células directas: H ADLEY (tropical) y polar, y por ondas de ROSSBY) se generan dos regiones, una
una célula inversa: F ERREL (en latitudes medias). en las que avanza la masa de aire cálido (frente cá-
lido) y otra en la que avanza el aire fío (frente frío).
La separación de las células de H ADLEY en ambos El frente frío avanza más rápidamente que el frente
hemisferios está constituida por la zona de convergen- cálido llegando a alcanzar a este último formado un
cia intertropical también conocida como de calmas frente ocluido. En la Figura 6.13 puede verse el mode-
ecuatoriales. Cada célula tiene asociada una masa de lo conceptual de ciclogénesis de S HAPIRO -K EYSER
aire: cálida, templada o fría. similar al de la escuela noruega salvo por el hecho que
permite la separación entre el frente frío y el frente
A su vez, el efecto de C ORIOLIS para cada célula es cálido. El aire frío es más denso que el aire cálido por
responsable de los vientos predominantes: vientos del lo que en el caso de frente frío es el aire frío el que
este en zonas polares y tropicales (alisios) y vientos permanece pegado al suelo empujando al aire cálido
de poniente en latitudes medias Figura 6.12. La sepa- por encima, como consecuencia se producen cumulus
ración entre la célula de F ERREL y la célula polar está congestus y posteriormente cumulonimbus. En el caso
constituida por una región con fuerte gradiente térmi- del frente cálido, el avance del aire cálido tiene lugar
co conocida como frente polar, que por el efecto del por encima del aire frío con una pendiente bastante
viento térmico da lugar un viento fuerte en altura (co- suave: un observador que contemple el avance de un
rriente en chorro o jet stream). El mismo fenómeno frente cálido verá una secuencia de nubes asociadas
tiene lugar entre la célula de H ADLEY y la célula de primeramente cirrostratus, posteriormente altostratus
F ERREL. y finalmente nimbostratus.
Figura 6.13: Ciclo de vida de ciclón extratropical según el modelo de S HAPIRO -K EYSER (National Oceanic
and Atmospheric Administration (NOAA), dominio público, https: // commons. wikimedia. org/ wiki/ File:
Shapiro-Keyser_ Cyclone. png ).
Satélites meteorológicos
7
DOI: 10.31978/014-18-009-X.07
C ECILIA M ARCOS M ARTÍN
ATAP, Agencia Estatal de Meteorología (AEMET)
The Fifties and Sixties were years of unreal optimism about weather forecasting.
Newspapers and magazines were filled with hope for weather science, not just for
prediction but for modification and control. Two technologies were maturing together:
the digital computer and the space satellite.
Chaos: making a new science - 1987 – JAMES G LEICK
Los satélites se encuentran localizados en una posición privilegiada para poder ob-
servar la atmósfera, por lo que las medidas que toman son muy útiles en diferentes
ámbitos de la meteorología. En este capítulo se hace una revisión de la evolución de
los satélites meteorológicos, poniendo el foco en aquellos que más se usan en la pre-
dicción operativa. También se hace un breve resumen sobre las bandas y productos
derivados más utilizados de manera operativa, sobre todo en las labores de nowcas-
ting y vigilancia, explicando de manera sucinta su utilización y posibles aplicaciones.
De esta manera se pretende proporcionar la información necesaria para un mejor en-
tendimiento de los productos de satélite que puedan aparecer en otros capítulos de
este libro.
Palabras clave: satélites meteorológicos, imágenes de satélite, interpretación de imágenes de satélite, productos
derivados de las imágenes de satélite, Meteosat, NWCSAF, observación de la atmósfera.
Imagen parte superior: ciclón tropical Donna, que tuvo lugar en el Pacífico Sur el 8 de mayo de 2017. La imagen es de las 3:00 UTC
tomada por el satélite Himawari (geostacionario japones) en la banda VIS 0.64. Fuente: EUMETSAT.
84 Física del caos en la predicción meteorológica Capítulo 7. Satélites meteorológicos
Los satélites meteorológicos tienen una posición pri-

vilegiada a la hora de observar la situación meteoro-
lógica en su conjunto [344]. Sin embargo, hay que
tener siempre presente que, al igual que en el caso del
resto de sensores de teledetección, lo que miden es la
radiación [384] que llega al sensor. Posteriormente y,
dependiendo del tipo de sensor y el rango de frecuen-
cias de la radiación medida, se puede relacionar dicha
radiación con otras variables meteorológicas como
pueden ser temperatura, viento, precipitación, etc. y,
por tanto, hacer una estimación de las mismas [346].
7.2 Órbitas
Los instrumentos que más se usan en meteorología

Figura 7.1: Escaneo de un satélite en una órbita polar. van embarcados principalmente en dos tipos de plata-
formas: geoestacionarias y polares.
7.1 Introducción Los primeros satélites meteorológicos fueron posi-

cionados en órbitas terrestres bajas, las denominadas
Uno de los aspectos más importantes en meteorolo- LEO (Low Earth Orbit). Durante la primera serie de
gía es el de las observaciones. Las observaciones son satélites meteorológicos experimentales lanzados por
usadas de diferentes maneras: son asimiladas por los la National Aeronautics and Space Administration
modelos numéricos para mejorar las predicciones, usa- (NASA), los TIROS, se apreciaron las ventajas de la
das en «tiempo real» por los predictores (sec. 4.2.1 órbita polar, que es un tipo de órbita baja, por lo que
en la página 31) para las labores de nowcasting [79], los últimos satélites de esta serie fueron posicionados
utilizadas para verificar las salidas de los modelos en órbita polar. La órbita polar tiene una inclinación
numéricos y de otro tipo de productos, etc. Existen muy cercana a los 90°, con lo que un satélite posi-
distintos tipos de observaciones. Las observaciones cionado en este tipo de órbita pasa muy cerca de los
realizadas in situ, por ejemplo por estaciones automá- polos y, por tanto, proporciona una buena cobertura
ticas o por un observador en una garita, son medidas de los mismos. Un ejemplo del tipo de escaneo que
puntuales de ciertas variables meteorológicas y que, hace un satélite en una órbita polar se muestra en la
normalmente, se obtienen con alto grado de precisión. Figura 7.1.
Por otro lado están las observaciones realizadas de
manera remota, es decir, mediante teledetección. Des- Actualmente, la mayor parte de los satélites meteoro-
de el punto de vista de la localización del instrumento lógicos en órbita baja están posicionados en órbitas
de medición, existen dos tipos de teledetección: la polares que, además, son heliosíncronas. Este tipo de
teledetección terrestre, que incluye las redes de rayos órbita se caracteriza por ser una órbita geocéntrica que
y de radares terrestres y la teledetección satelital. Las mantiene fija su orientación relativa al Sol, de manera
redes de rayos (sec. 8.10 en la página 114) detectan que el ángulo entre el plano de la órbita y el eje Tierra-
las descargas eléctricas de los rayos por triangulación, Sol se mantiene constante a lo largo del año. Esto
siendo capaces de estimar la localización, tipo e inten- tiene una ventaja muy importante para instrumentos
sidad de las descargas. Los radares terrestres (cap. 8 que toman medidas en los rangos visible e infrarrojo
en la página 103) son aparatos de teledetección activa, (IR) del espectro, ya que los puntos localizados a una
que a través de la emisión de un pulso en frecuen- determinada latitud terrestre son escaneados a la mis-
cia microondas que es capaz de interaccionar con las ma hora solar local cada día. Esto hace que el ángulo
gotas de agua presentes en la atmósfera, y su poste- de iluminación solar sea muy parecido cada vez y por
rior recepción, son capaces de estimar la estructura tanto las condiciones de iluminación con las que son
tridimensional de la precipitación y, en el caso de los tomadas las medidas sobre un punto cada día serán
radares doppler, también el viento radial. casi las mismas.
7.2 Órbitas 85
en latitud cero, la resolución espacial es mejor sobre

el ecuador, disminuyendo según nos alejamos de este.
En la Figura 7.2 se puede ver la estrategia de escaneo
del sensor Spinning Enhanced Visible and InfraRed
Imager (SEVIRI) embarcado en el satélite geoestacio-
nario Meteosat de Segunda Generación (MSG).
Normalmente, los instrumentos que se embarcan en

satélites meteorológicos en órbita geoestacionaria es-
tán diseñados para medir radiación global, así como
regiones del espectro en los rangos ultravioleta, visible
e IR [384]. La principal ventaja de estos instrumentos
es que, al permanecer el satélite estático sobre un pun-
to en el ecuador, la resolución temporal viene dada
por la velocidad de escaneo del instrumento y la zo-
Figura 7.2: Estrategia de escaneo de los satélites geoes-
na que se quiere escanear. Esto permite resoluciones
tacionarios Meteosat de Segunda Generación.
temporales de pocos minutos que, a diferencia de las
que proporcionan otro tipo de satélites, permiten la
obtención de series de imágenes capaces de mostrar
La altura a la que se posicionan típicamente los satéli-
la evolución y el movimiento de los sistemas nubosos
tes meteorológicos polares ronda los 890 km. Aunque
con gran detalle.
tardan alrededor de 100 minutos en dar una vuelta
completa a la Tierra, la resolución temporal de los
mismos (medidas sobre un mismo punto) es de 12 ho- En algunas ocasiones, bien por la localización de la
ras. Debido a que estos satélites son de órbita baja, zona de la que se quieren tomar medidas, bien porque
presentan la ventaja de que la resolución espacial con el tipo de medidas que se quieren tomar requieren de
respecto a otro tipo de satélites que vuelan a más altu- una configuración específica, además de los polares
ra es mayor. También por este motivo son aptos para y los geoestacionarios, existen satélites meteorológi-
llevar a bordo instrumentos de teledetección activa. cos posicionados en otro tipo de órbitas. Países que
se encuentran en latitudes altas, como es el caso de
Por otra parte y, en general más conocidos, están los Rusia y que, por lo tanto, no tienen una buena cober-
satélites posicionados en órbitas geoestacionarias. En tura de imágenes a partir de satélites geoestacionarios,
el caso de Europa, los satélites que «observan» nues- para la obtención de imágenes con suficiente resolu-
tras longitudes geográficas son los conocidos satélites ción temporal como para hacer el seguimiento de los
Meteosat. La órbita geoestacionaria es una órbita cir- sistemas nubosos, han recurrido a la órbita del tipo
cular que tiene una inclinación de cero grados, es Molniya. Esta es una órbita elíptica de alta excentrici-
decir, que orbita en el plano ecuatorial, siguiendo la dad, con una inclinación de 63.4° y un periodo orbital
dirección de rotación de la Tierra. Otra característica de 12 horas. En este tipo de órbita, el satélite pasa la
de este tipo de órbita es que posiciona los satélites a mayor parte del tiempo recorriendo el apogeo de la
altitudes cercanas a los 35 790 km, lo que hace que el órbita, fenómeno conocido como pozo del apogeo, de
periodo orbital sea igual al periodo de rotación de la manera que puede tomar mediciones de forma más o
Tierra. De esta forma se consigue que los instrumen- menos continua simulando el funcionamiento de un
tos a bordo de estos satélites sean capaces de escanear satélite geoestacionario. Tres satélites posicionados
de manera continua las mismas regiones sobre la su- en la misma órbita Molniya permiten una cobertura
perficie terrestre. completa del polo que se observa desde el apogeo de
dicha órbita.
Teniendo en cuenta que los satélites geoestacionarios
siempre están posicionados en latitud cero grados, los Existen dos misiones específicas para el estudio de
distintos satélites dedicados a cubrir el globo entero la precipitación desarrolladas conjuntamente por NA-
se caracterizan por la longitud a la que se encuentran. SA y Japan Aerospace Exploration Agency (JAXA).
En el caso de los Meteosat, la longitud es cero grados. La primera denominada TRMM (Tropical Rainfall
Estos satélites tienen una buena cobertura en el ecua- Measuring Mission) lanzó su satélite en 1997 con un
dor y mala en los polos. También, por estar situados radar a bordo específico para detectar precipitaciones
intensas tropicales y subtropicales, entre otros instru-

mentos. Dicho satélite, que proporcionó 17 años de
datos, viajaba en una órbita circular no heliosíncro-
na, con 35° de inclinación. Tras su lanzamiento se
posicionó a una altura de 350 km y posteriormente,
en 2001, se cambió a 403 km, lo que permitía la uti-
lización de un radar activo capaz de generar mapas
tridimensionales de precipitación.
En febrero de 2014 se lanzó el satélite principal de

la misión GPM (Global Precipitation Measurement),
segunda misión también dedicada al estudio de la pre-
cipitación. En este caso se trata de una órbita circular
no heliosíncrona con 65° de inclinación y que via-
ja a 407 km de altura. Este satélite también lleva a
bordo un radar activo de polarización dual capaz de
detectar todo tipo de precipitación generando mapas
tridimensionales de la misma.
Figura 7.4: Primera imagen televisiva de la Tierra vis-
ta desde el espacio tomada desde el satélite TIROS-1.
7.3 Historia Fuente: NASA
El primer satélite meteorológico, de nombre TIROS-

1 (Television Infrared Observational Satellite, Figu-
Como precursores de este hito se pueden considerar
ra 7.3), fue lanzado por Estados Unidos el 1 de abril
el lanzamiento del primer cohete de combustible lí-
de 1960 [191]. Las observaciones realizadas por este
quido que llevaba un barómetro, un termómetro y una
satélite proporcionaron la primera vista de las nubes
cámara, por parte de Robert Goddard en 1929. Y el
asociadas a un sistema meteorológico a gran escala en
lanzamiento exitoso del primer satélite artificial, el
su conjunto (ver Figura 7.4). Esto supuso una visión
Sputnik 1, llevado a cabo por la Unión Soviética el 4
de la Tierra desde una perspectiva diferente, siendo
de octubre de 1957.
la primera vez que se ve una imagen de satélite apli-
cada a fines meteorológicos tal como las conocemos
actualmente. Debido al éxito y la gran revolución que supusieron
las imágenes tomadas en meteorología por el satélite
TIROS-1, la NASA lanzó una serie experimental de
10 satélites TIROS que estuvieron funcionando con
éxito hasta 1968, siendo el TIROS-9 el primer satélite
de la serie en órbita polar. El buen resultado obtenido a
través de la serie de satélites TIROS hizo que la ESSA
(Environmental Science Services Administration) lan-
zara una serie de nueve satélites operacionales o TOS
(TIROS Operational Satellite) de nombres ESSA-1
a ESSA-9. De manera paralela al programa TOS, la
NASA desarrolló otra serie de siete satélites, llama-
dos NIMBUS, dedicados a la investigación científica.
Dichos satélites fueron usados de manera muy exitosa
como banco de pruebas para el desarrollo de futuros
instrumentos de órbita polar, tales como instrumentos
Figura 7.3: Copia del satélite TIROS-1, utilizada para de imagen IR, radiómetros microondas y sondeadores
pruebas en tierra y cedida por la NASA al Museo Na- en el IR, entre otros. Además, a través de los satélites
cional del Aire y del Espacio en Washington DC, donde NIMBUS se alcanzaron un gran número de logros
se encuentra expuesta. Fuente: Smithsonian National en las áreas de meteorología, oceanografía, geología,
Air and Space Museum. hidrología, cartografía y geomorfología.
7.3 Historia 87
Hubo una serie de seis satélites ATS que fueron lanza-

dos entre 1966 y 1974, siendo el ATS-3 el primero en
ser capaz de tomar una imagen a color de la Tierra.
Vista la gran utilidad que en meteorología tuvieron

las imágenes tomadas por los satélites de la serie ATS,
la NASA desarrolló un prototipo de satélite geoesta-
cionario operacional, el SMS (Synchronous Meteoro-
logical Satellite). Este tipo de satélite se generó por
duplicado. El SMS-1 se lanzó en mayo de 1974 y el
SMS-2 en febrero de 1975, posicionándose en las lon-
gitudes 75W y 135W, con el objetivo de cubrir todo el
continente americano y el océano Pacífico. Estos saté-
Figura 7.5: Satélite ATS-1. Fuente: NASA. lites llevaron a bordo un radiómetro multiespectral en
los rangos visible e IR del espectro con resoluciones
espaciales de 1 km y 7 km respectivamente en cada
Con base en toda la experiencia anterior, se consi- rango.
guió un gran avance con el lanzamiento del satélite
NOAA-2 [433] en octubre de 1972, especialmente en
el seguimiento operacional de nubes, cambiando la an- Dos años después, en 1977, la Agencia Espacial Eu-
terior tecnología de cámaras vidicón por radiómetros ropea lanzó el primer satélite de la serie Meteosat de
multiespectrales de alta resolución para ese momento. primera generación (Figura 7.7 en la página siguien-
Otro gran avance tuvo lugar con el primer lanzamiento te), que incluía siete satélites. El radiómetro incluido
de la serie TIROS-N en octubre de 1978 y la inclusión en esta serie, el MVIRI (Synchronous Meteorological
del sensor AVHRR (Advance Very High Resolution Satellite), disponía de tres canales, uno en el visible
Radiometer), que por continuidad de series climáticas, con una resolución de 2,5 km y dos en el IR, con re-
todavía se encuentra a bordo de algunos satélites en solución 5 km. El principal avance que supuso este
la actualidad. satélite fue el hecho de que una de las bandas del IR
está situada en una región de absorción de vapor de
El satélite Syncom-3 (Synchronous Communication agua del espectro. Esto produjo una visión diferente
Satellite) fue el primero en ser posicionado en una de los sistemas meteorológicos a gran escala propor-
órbita geoestacionaria el 19 de agosto de 1964. Dicho cionando información muy valiosa sobre humedad
satélite fue un satélite experimental de comunicacio- en la troposfera alta y sobre la circulación a escala
nes ubicado sobre el ecuador a 180° de longitud en el sinóptica.
océano Pacífico.
Después de haberse demostrado la gran utilidad de las

imágenes satelitales para el desarrollo de la meteorolo-
gía y gracias a los esfuerzos de Verner Suomi y Homer
Newell, el satélite ATS-1 (Applications Technology
Satellite, Figura 7.5) llevó a bordo una cámara de es-
caneado giratorio que permitió obtener imágenes en el
visible del disco entero cada 20 minutos (Figura 7.6).
El ATS-1, que en un principio fue concebido como un
satélite de comunicaciones, se convirtió también en el
primer satélite en órbita geoestacionaria dedicado a la
observación de la Tierra. Dicho satélite fue puesto en
órbita el 6 de diciembre de 1966 permitiendo observar,
por primera vez en la historia, el movimiento de los
sistemas nubosos gracias a una secuencia de imágenes. Figura 7.6: Imagen tomada por el satélite ATS-1 en la
Este hito supuso un gran avance en el pronóstico del que por primera vez se obtiene una vista conjunta de la
tiempo. Tierra y la Luna.
Actualmente se encuentra posicionado en la longi-

tud 0°, dando cobertura a Europa y África, el satéli-
te Meteosat-11, perteneciente a la serie MSG (Figu-
ra 7.8). Estos llevan a bordo dos instrumentos. GERB
(Geostationary Earth Radiation Budget) es un radió-
metro con dos canales de banda ancha, en los rangos
visibles e IR del espectro, que sirve para calcular la
radiación térmica [384] emitida por la Tierra en un
rango espectral entre 4.0 y 30 µm. SEVIRI es el ins-
trumento más utilizado de manera operacional. Este
radiómetro proporciona imágenes del disco completo
cada 15 minutos en 12 bandas en las regiones visible
e IR del espectro.
7.4 Uso operativo de las imáge-

nes de satélite
Figura 7.7: Primera imagen tomada por el satélite Como se menciona en el anterior apartado, debido
Meteosat-1. ESA. a su alta resolución temporal por estar embarcado a
bordo de un satélite geostacionario, las imágenes que
más se usan de manera operativa son las tomadas por
el sensor SEVIRI. Las 12 bandas de que dispone este
sensor se distribuyen en 11 bandas con 3 km de re-
solución horizontal en nadir que cubren una región
del espectro entre 0.5 y 14.4 µm y una banda visible
con una resolución de 1 km en nadir (HRVIS) con un
rango de 0.5 a 0.9 µm.
7.4.1 Bandas en el visible
Todas las bandas situadas en el rango del visible de-

tectan albedos, tratándose en este caso de radiación
emitida por el sol y reflejada por la superficie terrestre
o los topes nubosos [31]. Son bandas ventana, es decir,
se ven poco o nada afectadas por absorciones de gases
presentes en la atmósfera (sec. 6.1 en la página 68).
En cuanto a su interpretación, en ausencia de realces
se presentan en tonos de gris representando los dis-
tintos tonos el albedo de la superficie y de los topes
nubosos, siendo las zonas con mayor albedo las que
se ven más claras. La mayor desventaja de las bandas
que toman medidas en el visible es que no disponen
de información en ausencia de radiación solar.
Figura 7.8: Satélite MSG-3 antes de ser puesto en órbita.
Fuente: ESA. La banda del visible más utilizada es la HRVIS o vi-
sible de alta resolución. Debido precisamente a esa
mejor resolución espacial permite la detección de pro-
cesos subsinópticos.
7.4 Uso operativo de las imágenes de satélite 89
Figura 7.9: Ondas a sotavento en el Cantábrico oriental el 22-02-2018 a las 10:00 UTC vistas en una imagen HRVIS.
Utilizando esta banda podemos apreciar la estructura estratiformes, con gran extensión horizontal, aunque
de los topes nubosos, llegando a distinguirse los topes también se ven en tonos claros, son menos brillantes
traspasantes (también conocidos como overshooting que las convectivas. Los cirros, dependiendo de su
tops) de las nubes convectivas, que nos proporcionan espesor, se ven en tonos más o menos oscuros, ya que
una idea de la intensidad de las corrientes verticales dejan pasar la mayor parte de la radiación reflejando
que están teniendo lugar dentro de la nube. También solo una pequeña parte de ella.
se pueden ver bien estructuras nubosas relacionadas
con la orografía como las ondas a sotavento (sec. 4.3.2 Estas bandas también son utilizadas para la detección
en la página 39). La Figura 7.9 muestra un ejemplo de calimas y nubes de humo. Las partículas de esos ta-
de este tipo de nubosidad provocada por un flujo del maños producen dispersión de Mie de la radiación en
norte que atraviesa el este de la cordillera Cantábrica las longitudes de onda del visible, que se caracteriza
y los montes Vascos. por un aumento de la dispersión hacia delante, tanto
mayor cuanto menor es el ángulo de incidencia de los
Otra utilidad de las imágenes HRVIS es la detección rayos solares.
y seguimiento de nieblas durante el día. También son
útiles para detectar las primeras formaciones nubosas La principal diferencia entre ambas bandas en el visi-
en entornos preconvectivos. ble se encuentra en la diferente manera que tienen de
reflejar los tipos de superficie. En concreto, la banda
De las bandas con resolución 3 km, hay dos bandas
VIS 0.8 es sensible a los distintos tipos de vegetación,
en el rango del visible, la VIS 0.6 (0.56-0.71 µm) y la
siendo muy útil para calcular índices de vegetación.
VIS 0.8 (0.74-0.88 µm). Al igual que la HRVIS, son
bandas que permiten el seguimiento de los sistemas Otra aplicación de las bandas en el visible es que, bajo
nubosos durante el día y proporcionan información ciertos ángulos entre el sol y el satélite, las superficies
sobre el espesor óptico de las nubes. Las nubes más de agua producen reflejo especular (también conocido
espesas, con mayor desarrollo vertical, reflejan más como sun glint). Cuanto más en calma está el agua,
radiación y, por lo tanto, se ven en colores más cla- mayor es el albedo. Un mar agitado con muchas olas
ros. A través de las bandas en el visible se pueden tiene un albedo más bajo. Teniendo en cuenta que
clasificar los distintos tipos de nubes atendiendo a su el viento influye en el estado de las aguas, el reflejo
estructura horizontal vista desde el satélite. Las nubes especular proporciona información sobre el viento en
convectivas, con gran desarrollo vertical y poca ex- superficie.
tensión horizontal, son las más brillantes. Las nubes
Figura 7.10: Banda NIR 1.6 en 22-02-2018 a las 12:00 UTC en la que se muestra cómo se ven las nubes con topes
de agua líquida, de hielo y la nieve.
7.4.2 Bandas ventana en el IR cercano y la altura de los mismos. Nubes con topes fríos se en-
en el IR térmico cuentran a alturas mayores que nubes con topes más
cálidos.
Las bandas en el IR cercano tienen enorme utilidad
porque contienen, entre otras cosas, información so-
bre las propiedades microfísicas de los topes nubosos La banda IR 3.9 (3.48-4.36 µm) es una banda mixta.
[433]. SEVIRI tiene una banda localizada dentro de Por la noche es una banda IR térmica que recibe la
este rango del espectro, la NIR 1.6 (1.50-1.78 µm). energía emitida por la superficie terrestre y las nubes.
Esta es una banda puramente solar, como lo son las Por el día, además de la parte IR térmica recibe el
bandas en el rango del visible, por lo tanto también de- albedo de las superficies. Esta banda tiene multitud
tecta albedos. La principal característica de esta banda de aplicaciones que en algunos casos dependen del
es que es sensible a la fase de los topes nubosos, per- momento del día. Por la noche, al ser un canal IR
mitiendo también la detección de nieve. En este rango térmico, sirve para estimar la temperatura de la su-
del espectro las partículas de agua líquida reflejan de perficie y para detectar islas de calor urbano. Por el
manera mucho más eficiente la radiación que los cris- día, debido a la contribución solar, se obtiene informa-
tales de hielo, de modo que las nubes con topes de ción sobre la fase de los topes nubosos y el tamaño de
agua líquida se ven en tonos gris claro mientras que las partículas que forman dichos topes, permitiendo
las nubes con topes nubosos en fase hielo y la nieve, además hacer una buena discriminación de las nubes
se ven en tonos gris oscuro. Podemos ver un ejemplo multicapa. Nubes en capas bajas de la atmósfera, con
en la Figura 7.10. temperaturas cálidas y formadas por gotas de agua
líquida, que reflejan de manera eficiente la energía, se
Las bandas en el IR térmico principalmente proporcio- ven en tonos oscuros. Por el contrario, las nubes altas,
nan información sobre la temperatura de la superficie frías, formadas por cristales de hielo, se ven en tonos
y los topes nubosos. En ausencia de realces, al igual claros. Además, debido a que las partículas pequeñas
que en el caso de las bandas solares, las imágenes en esta banda reflejan mejor la radiación que les llega
se presentan en tonos de gris. En este caso, radian- que las partículas más grandes, se ven en tono más
cias más altas, que representan temperaturas de brillo oscuros. Esto permite el estudio de las estructuras de
mayores, se presentan en tonos más oscuros. Por el los topes nubosos atendiendo al tamaño de las partí-
contrario, las superficies frías se ven en tonos gris culas que lo forman. Debido a que la banda IR 3.9
claro en estas bandas. Esta información sobre la tem- tiene una respuesta subpixel muy alta, esta sirve para
peratura de los topes nubosos está relacionada con la detección de incendios, tanto de día como de noche.
los topes nubosos. Esta banda es la que se usa operati-

vamente para hacer las guías técnicas de diagnóstico
de niveles bajos en el Centro Nacional de Predicción
(CNP) de la Agencia Estatal de Meteorología (AE-
MET). La Figura 7.12 en la página siguiente muestra
un ejemplo de una de estas guías dibujada sobre una
imagen de la banda IR 10.8, en la que se ve la borrasca
Emma al este de la Península, sobre el Atlántico, con
la nubosidad típica de un sistema de bajas presiones
con sus frentes asociados.
La banda IR 10.8 también es utilizada en las labores

de nowcasting [79] por su gran utilidad en el segui-
miento de los sistemas convectivos. Su utilidad viene
sobretodo en el seguimiento de los mismos dado que
las estructuras típicas de este tipo de sistemas son fá-
Figura 7.11: Incendios en Portugal el 08-10-2017 a las cilmente detectables en esta banda. Las temperaturas
18:00 UTC vistos por la banda IR 3.9. de los topes nubosos aportan una información muy
útil sobre el estado de los mismos. Los topes traspa-
santes también son detectables en esta banda ya que,
Incluso aunque el incendio no cubra por completo el al atravesar o deformar las corrientes verticales la in-
pixel, la radiancia medida en esta banda aumenta con- versión de las capas estables presentes en niveles más
siderablemente cuando existen focos de calor intenso. altos, la temperatura en esos puntos aumenta dando
La Figura 7.11 muestra un ejemplo de incendios en lugar a estructuras de anillos fríos. Para una mejor
Portugal vistos a través de la banda IR 3.9. discriminación de las estructuras de los topes nubosos
en cuanto a su temperatura, se suelen aplicar realces
Otras aplicaciones de la banda IR 3.9 válidas en cual- de color a esta banda. Estos realces permiten estudiar
quier momento del día son la detección de cirros finos, anillos fríos, y estructuras en forma de U y V, típicas
y de nieblas y nubes bajas. Para ello se usan diferen- de sistemas convectivos severos con fuerte cizalladura
cias con otras bandas. del viento en capas altas de la atmósfera.
Existen otras tres bandas ventana en el IR térmico. Son
las IR 8.7 (8.30-9.10 µm), IR 10.8 (9.80-11.80 µm) e La banda IR 10.8, por ser la más limpia en cuanto
IR 12.0 (11.0-13.0 µm). Aunque todas ellas son ban- absorciones, es la que se usa típicamente para hacer
das térmicas que proporcionan información sobre la diferencias con otras bandas. Por ejemplo se usa junto
temperatura de las superficies, y todas ellas sirven con la banda IR 3.9 para la detección de nieblas y nu-
para el estudio y seguimiento de los sistemas nubo- bes bajas. Esta detección se basa en que la diferencia
sos, cada una de ellas tiene sus peculiaridades. Las IR3.9 – IR10.8 es negativa por la noche debido a que
distintas bandas ventana, en las que la atmósfera es la emisividad de las nubes de agua en niveles bajos
trasparente a la radiación, pueden aun así contener pe- es menor en el IR 3.9 que en el IR 10.8. En cambio,
queñas líneas de absorción que las proveen de ciertas de día, la radiación solar reflejada por la banda IR 3.9
características y las diferencian unas de otras. por parte de las gotas de agua líquida de la nube hace
que dicha diferencia sea positiva. Este método no es
La banda más usada de manera operativa es la IR 10.8. válido durante el amanecer y el anochecer.
Esta es la banda más limpia, es decir, la menos afecta-
da por pequeñas absorciones. A través de esta banda Usar conjuntamente las bandas IR 3.9 e IR 10.8 sir-
podemos detectar estructuras atmosféricas a escala ve para la detección de nubes de agua subfundida. La
sinóptica como pueden frentes, ejes del chorro, dorsa- banda IR 3.9 de día y la diferencia entre ambas bandas
les, vaguadas. . . a través de la configuración de nubes por la noche, sirve para detectar la fase. Con la banda
que nos encontremos y estudiar sistemas convectivos IR 10.8 se hace una estimación de la temperatura de
mesoescalares a través de la forma y temperatura de la nube.
Figura 7.12: Guía técnica de diagnóstico de niveles bajos para el día 27-02-2018 a las 12:00 UTC sobre imagen
IR 10.8.
Debido la diferencia en la absorción de la radiación peratura, índices de inestabilidad y vientos a través de

por parte de las partículas de hielo que forman los productos derivados.
cirros finos en las diferentes bandas del IR térmico,
las diferencias entre las mismas sirven para detectar Las bandas con absorción más fuerte y más usadas de
este tipo de nubes. manera operativa, son las de vapor de agua. Hay dos:
la WV 6.2 (5.35-7.15 µm) y la WV 7.3 (6.85-7.85 µm).
Ambas bandas caen dentro de una región del espec-
7.4.3 Bandas de absorción en el IR térmi-
tro electromagnético de absorción de vapor de agua
co
que está entre los 5 y 8 µm. La banda WV 6.2 está
Existen cuatro bandas de absorción en el IR térmico. localizada en el centro de dicha región de absorción,
La banda IR 9.7 (9.38-9.94 µm) es la de absorción de mientras que la banda WV 7.3 se encuentra situada
ozono. Se ve afectada por la absorción de ozono so- en un borde. El resultado de esto es que la radiación
bretodo en la troposfera alta. En esta banda podemos emitida por la superficie en la banda WV 6.2 es absor-
detectar dobleces de la tropopausa con franjas blan- bida de manera más intensa que la situada en la banda
cas que representan altas concentraciones de ozono. WV 7.3. Es decir, la banda WV 6.2 tiene un poder
Normalmente, en estos dobleces de la tropopausa hay de absorción mayor. Lo que ocurre con estas bandas
una cizalladura vertical del chorro combinada con una es que, en presencia de humedad, toda la radiación
convergencia ageostrófica de masas de aire polares, emitida por la superficie es absorbida por el vapor
subtropicales y estratosféricas. Estos dobleces marcan de agua antes de llegar al satélite. Al absorber esta
el cambio en la altura de la tropopausa y se caracteri- energía, las moléculas de vapor de agua modifican
zan por la ocurrencia de fuerte turbulencia. La banda su temperatura y reemiten energía dependiendo de
IR 9.7 también sirve para la detección de vientos en dicha temperatura según la Ley de P LANCK (sec. 6.1
la baja estratosfera [227]. en la página 68). Por este motivo, las imágenes que
obtenemos a través de estas bandas de absorción, nos
La banda IR 13.4 (12.40-14.40 µm) es una banda de muestran información directa sobre la presencia de
absorción de CO2 . Sirve para calcular perfiles de tem- vapor de agua en la atmósfera y sobre su movimiento.
cas, etc.
Al igual que en el resto de bandas, las imágenes obte-

nidas a través de las bandas de vapor de agua típica-
mente se presentan en tonos en gris. Y al ser bandas
en el IR térmico, estas imágenes también son mapas
térmicos en los que los tonos claros significan tem-
peraturas frías y los oscuros, temperaturas más altas.
Pero debido a que nos encontramos ante bandas de
absorción, la interpretación es la siguiente:
Tonos blancos o gris muy claro: nos encontramos

Figura 7.13: Funciones de peso de las bandas del sensor ante nubes. La radiación que proviene de la su-
SEVIRI. Fuente: EUMETSAT. perficie y las capas más bajas de la atmósfera es
totalmente interceptada y vemos los topes nubosos
más fríos.
Esto es muy interesante ya que, de esta manera, estas Tonos gris oscuro a negro: la atmósfera está seca
bandas nos permiten «ver» la atmósfera y su evolución en estas zonas (recordar que en cada banda la con-
de manera bastante clara. Además del diferente poder tribución viene de una capa de la atmósfera). La
de absorción, las dos bandas de vapor de agua difieren radiación emitida en la superficie y en capas más
en la localización del vapor de agua que afecta a cada bajas de la atmósfera, que son más cálidas, llega al
una de ellas. satélite.
Diferentes tonalidades de gris: proporcionan infor-
Este comportamiento se ve a través de las funciones mación sobre la concentración de vapor de agua en
de peso, que proporcionan información sobre la va- distintas capas de la atmósfera, dependiendo de la
riación de la transmitancia con la presión para cada banda en cuestión.
longitud de onda, es decir, nos informan acerca de
dónde proviene la mayor parte de la radiación que La gran ventaja de estas bandas es que proporcionan
llega al sensor debido a la contribución de la atmós- continuidad visual en las estructuras dinámicas de la
fera. En la Figura 7.13 se pueden ver las funciones atmósfera, ya que, no solo permiten ver las nubes,
de peso para cada una de las bandas del sensor SEVI- sino también el vapor de agua. La banda WV 7.3, por
RI. En concreto estas nos muestran dichas funciones tanto, proporciona información sobre la distribución y
calculadas para unas condiciones típicas del verano contenido de humedad en capas medias de la tropos-
de latitudes medias, pero hay que tener en cuenta que fera. Por su parte, la banda WV 6.2, una de las bandas
varían ligeramente de forma y posición dependiendo más utilizadas de manera operativa, proporciona infor-
de las condiciones de temperatura y humedad de la mación sobre la distribución y contenido de humedad
atmósfera. En rojo vemos la función de peso de la en capas altas de la troposfera. Lo que estamos vien-
banda WV 6.2 y vemos como la mayor parte de la do cuando miramos una imagen de la banda WV 6.2
contribución de esta banda viene de niveles altos de la es una imagen tridimensional de la isosuperficie de
troposfera. En cambio, la función de peso de la banda 1 mm de vapor de agua que llega al satélite. Como
WV 7.3 (en verde), es más ancha, llegando incluso a el vapor de agua está distribuido de diferente manera
tener una pequeña contribución de la superficie. Y la no solo en la horizontal, sino en la vertical a lo largo
mayor contribución en esta banda proviene del vapor de la troposfera, con las bandas de vapor de agua se
de agua presente en niveles medios de la troposfera. generan imágenes que muestran superficies tridimen-
Por ello, en condiciones muy secas en niveles medios sionales. Las áreas oscuras, que se refieren a zonas
es posible llegar a ver características de la superficie secas, muestran la radiación que proviene de zonas
tales como montañas, zonas nevadas, ondas orográfi- más bajas en la atmósfera y por tanto más cálidas.
Figura 7.14: Guía técnica de diagnóstico de niveles medios-altos para el día 27-02-2018 a las 12:00 UTC sobre
imagen WV 6.2
Las zonas con tonos grises más claros dan informa- centro de vorticidad de curvatura y su nubosidad aso-
ción sobre la concentración y la temperatura del vapor ciada en altura. Se puede ver un chorro bien definido
de agua en la región que estemos estudiando (depen- en la imagen WV 6.2 al sur de la misma y otro al norte
diendo de la banda utilizada), por ello podemos saber de la península ibérica a la altura de los Pirineos.
cómo está distribuido el vapor de agua en esas capas
de la atmósfera tanto en la horizontal como en la ver-
tical. Además, a través de las secuencias de imágenes,
disponibles cada 15 minutos, se puede hacer el segui-
7.5 Productos derivados utiliza-
miento de su movimiento y evolución. Esto también dos en predicción operativa
es muy útil para el cálculo de vientos en las zonas
donde no hay nubes. Además de las imágenes suministradas por las bandas
Teniendo en cuenta que la banda WV 6.2 muestra la SEVIRI, existe un gran número de composiciones y
distribución tridimensional de humedad en capas altas productos derivados que permiten obtener más infor-
de la troposfera, permite la identificación de estruc- mación sobre los procesos que están ocurriendo en
turas dinámicas en esos niveles tales como vaguadas, la atmósfera. Un ejemplo de ello son las imágenes
dorsales, bajas, chorros y máximos de viento, zonas Sandwich, que no son otra cosa que una composición
de deformación, dobleces de la tropopausa, anomalías de la banda IR 10.8 con un realce de color a la que
de vorticidad potencial, etc. se superpone la banda HRVIS. Este producto es muy
útil para la vigilancia de sistemas convectivos ya que
Por tanto, esta banda WV 6.2 se usa para hacer las proporciona las ventajas de ambas bandas a la vez. De
guías técnicas de diagnóstico de niveles medios-altos. esta manera tenemos información sobre la tempera-
Tenemos un ejemplo de estas guías en la Figura 7.14 tura de los topes nubosos y de su textura de un solo
en la que se ve la borrasca Emma en altura, con su vistazo.
7.5 Productos derivados utilizados en predicción operativa 95
Figura 7.15: Sistema convectivo de mesoescala sobre Navarra ocurrido el 08-06-2017 (imagen de las 18:00 UTC)
visto desde el satélite a través de la banda HRVIS (arriba izquierda), banda IR 10.8 sin realce (arriba derecha),
banda IR 10.8 con realce PREVIMET (abajo izquierda) y producto Sandwich (abajo derecha).
En la Figura 7.15 se puede ver el tope nuboso de un ya que los contrastes en la escala de grises no son muy
sistema convectivo de mesoescala (con productos de evidentes.
radar se vio que se trataba de una supercélula). En la
imagen que muestra la banda HRVIS se ven varios
Por esta razón normalmente se aplican realces de co-
topes traspasantes sobre el yunque así como las ondu-
lor a estas imágenes. Abajo a la izquierda vemos la
laciones provocadas por los intensos vientos en esa
misma imagen con un realce aplicado (PREVIMET),
capa.
específico para situaciones de convección. De esta
manera podemos apreciar el reflejo del punto cáli-
Si observamos este tipo de estructuras en horas del día
do a sotavento de dos de los topes traspasantes que
en las que el sol no esté demasiado alto, la longitud
detectamos en la banda HRVIS.
de las sombras de los topes traspasantes nos puede
dar una idea de la severidad del sistema debido a la
intensidad de sus corrientes verticales. La imagen Sandwich, en la que la banda IR 10.8 tie-
ne aplicado un realce de color propuesto por el gru-
En la imagen de la banda IR 10.8 sin realce, sí se pue- po internacional de convección (Convection Working
de apreciar la diferencia de resolución horizontal con Group), al que se superpone el canal HRVIS con lo
respecto a la banda HRVIS en este caso, y vemos que que podemos ver toda la información que hemos obte-
por sí misma no proporciona demasiada información nido de las anteriores imágenes de una sola vez.
SEVIRI es que la nieve y las nubes con topes de hielo

se ven en colores turquesa. Esto es debido a que en el
canal rojo se introduce la banda NIR 1.6, que refleja
poco la radiación en superficies de hielo, con lo cual
la ausencia de color rojo produce colores turquesa.
No obstante esta imagen RGB Natural es útil para el
estudio y evolución de los sistemas nubosos así como
la detección de humo y polvo en suspensión sobre
el océano, siempre durante el día. Un ejemplo de la
misma se puede observar en la Figura 7.16, donde un
sistema nuboso con topes de hielo cruza la península
ibérica de sur a norte mientras que una nube de polvo,
fácilmente detectable sobre el océano Atlántico, entra
por el suroeste.
Figura 7.16: RGB Natural del día 20-07-2016 a las Para la detección de polvo en suspensión existe tam-
07:00 UTC. bién una RGB de Polvo que explota la diferencia que
hay entre las emisividades del polvo y de la super-
ficie del desierto en las bandas IR 12.0, IR 10.8 e
7.5.1 Composiciones RGB IR 8.7. Esta RGB, que puede ser utilizada durante las
24 horas del día, es muy útil para el seguimiento de
Otro tipo de composiciones muy útiles son las imáge- la evolución de las tormentas de polvo del desierto
nes RGB. Estas imágenes se basan en la obtención de sobre tierra. Durante el día se puede complementar
cualquier color a través de la mezcla por adición de con el uso de la RGB Natural e imágenes realzadas de
los tres colores primarios de la luz: rojo, verde y azul. la banda HRVIS para el seguimiento de polvo sobre
De esta forma, construyendo imágenes desde esos tres mar. Las concentraciones de polvo en suspensión se
canales (R,G,B), utilizando en cada canal una banda ven en esta imagen en tonos rosa y magenta, tal como
o diferencia de bandas del satélite, podemos resaltar muestra Figura 7.17 en la que se ve una tormenta de
en diferentes colores las estructuras meteorológicas polvo sobre Mauritania, Malí y el sur de Argelia que
que nos interesen. Existe ya un gran número de imá- tuvo lugar el 17-07-2016. Existe una modificación
genes RGB recomendadas para detectar distinto tipo de esta RGB para la detección de cenizas volcánicas,
de situaciones, sin perjuicio de que se puedan obtener en las que dichas cenizas se ven en tonos rojos y las
otras nuevas con el mismo o distintos objetivos. nubes de dióxido de azufre se distinguen en verde.
Una de las imágenes RGB más utilizadas es la deno-

minada de Color Natural. Ésta consiste en tratar de
construir, a partir de las bandas del satélite, una ima-
gen con la misma apariencia que la que vería el ojo
humano. Para ello hay que utilizar una banda localiza-
da en el color rojo (618-780 nm) para el canal rojo (R),
una banda localizada en el color verde (497-570 nm)
para el canal verde (G) y una banda localizada en el
color azul (427-497 nm) para el canal azul (B). De
esta manera obtendríamos una imagen en la que la
vegetación se vería en colores verdes, el agua azul, la
tierra desnuda marrón y las nubes blancas.
En el caso del sensor SEVIRI se utilizan las bandas

(NIR 1.6, VIS 0.8, VIS 0.6) que no coinciden exac-
tamente con este esquema, por lo que los colores se
ven ligeramente modificados. Lo más llamativo de Figura 7.17: RGB de Polvo del día 17-07-2016 a las
esta RGB Natural construida a partir de las bandas 18:00 UTC.
Figura 7.18: RGB de Masas de Aire el 27-02-2018 a las 12:00 UTC.
Una de las RGB más interesantes es la llamada de bajo contenido en humedad en capas altas. Y las zonas
Masas de Aire. Esta RGB, que puede ser utilizada las rojizas se refieren a aire seco, pudiendo ser zonas de
24 horas del día ya que se basa en bandas IR, utiliza subsidencia, chorros o anomalías de vorticidad poten-
las bandas de absorción de vapor de agua y ozono, cial. En cuanto a nubes se refiere, aquellas espesas con
con lo que centra su atención más en las masas de aire topes en niveles altos, se ven blancas. Si son nubes
que en las propias nubes, permitiendo distinguir entre en niveles medios se ven color marrón claro o dorado.
masas de aire polar y tropical. También sirve para Las nubes bajas no se distinguen bien, salvo por su
distinguir nubes en niveles altos de nubes en niveles estructura, ya que toman el color de la masa de aire
medios. Las nubes en niveles bajos se distinguen mal en las que están inmersas.
con esta RGB. Teniendo en cuenta que con esta RGB
se puede hacer un seguimiento de las masas de aire En la Figura 7.18 se ve la RGB de Masas de Aire
con diferentes características, es muy útil para analizar para la situación del 27-02-2018 a las 12:00 UTC, en
los procesos dinámicos en la atmósfera, sobretodo en la que se ve la borrasca Emma en el Atlántico y dos
niveles medios y altos. Con ella se puede estudiar la masas de aire, una polar, fría y seca, y una tropical
evolución de sistemas de bajas presiones, en particular más cálida y cargada de humedad, chocando sobre la
aquellas con ciclogénesis rápida, detectar la posición península ibérica.
de los chorros y zonas de deformación, zonas con
anomalías de vorticidad potencial, así como sistemas Existen otras RGBs muy útiles como la de Nieblas y
frontales con el aire seco estratosférico descendiendo nubes bajas de noche, que se basa en las diferentes
en su parte trasera. capacidades de absorción que tienen el agua y el hielo
en los distintos canales IR de SEVIRI. Esta RGB, que
Para interpretar esta RGB hay que saber que las zonas solo funciona por la noche, muestra los estratos bajos
azuladas se refieren a aire polar frío con alto conte- y las nieblas, es decir, las nubes formadas por gotitas
nido en ozono. Las masas de aire en colores verde de agua líquida, en colores verde claro, que contrastan
claro son aire tropical, cálido, con bajo contenido en claramente con la superficie de la tierra en colores
ozono y humedad en capas altas. Si el verde es oscuro, rosados y del mar en colores lilas, y con el resto de
tirando a marrón, la masa de aire es cálida pero con nubes en colores rojos y anaranjados.
Otra RGB muy popular es la específica para Convec- SAF son los productos de aire claro (imagery Satellite
ción. Esta RGB se utiliza en la caracterización de Humidity and Instability - iSHAI). Estos productos,
nubes convectivas, al ser útil para diferenciar la altura que solo se calculan en las zonas donde no hay nube,
de las nubes, la fase y el tamaño de las partículas que parten de perfiles verticales de humedad y tempera-
se encuentran en sus topes. Las nubes con convección tura (también los perfiles de contenido de ozono de
profunda aparecen en color amarillo y naranja inten- manera opcional) dados por un modelo numérico, y
so. La diferencia está en que las nubes con corrientes utilizando la información contenida en las bandas de
ascendentes intensas con cristales de hielo pequeños SEVIRI, se corrigen conforme a la observación. En
en sus topes, es decir, nubes convectivas en estado de AEMET se utilizan los campos del ECHRES. A partir
crecimiento y muy activas, aparecen en color amari- de los perfiles corregidos se calculan campos de agua
llo. Aquellas nubes convectivas con cristales de hielo precipitable en tres capas:
grandes en sus topes, en fase de disipación, se ven
anaranjadas. Esto permite diferenciar el estado de evo- BL (boundary layer) entre la superficie y 850 hPa.
lución del sistema convectivo que se está vigilando. ML (medium layer) entre 850 y 500 hPa.
HL (high layer) entre 500 hPa y el tope de la atmós-
fera.
7.5.2 Productos del NWCSAF
Asimismo, se calcula el agua precipitable total en
Además de las composiciones tipo RGB, existen a la columna (TWP). También se calculan los índices
disposición del predictor un gran número de produc- de inestabilidad Lifted Index, K-Index y Showalter
tos derivados, que no solo utilizan información de las (sec. 6.2.5 en la página 75). El campo de temperatura
bandas del satélite, sino que compilan otro tipo de de skin (ver caja más adelante), y de manera opcional,
información, como puede ser datos de rayos o cam- en caso de que haya sido introducido como entrada
pos de modelos numéricos, para hacer estimaciones en el producto, los perfiles verticales de contenido de
de un gran número de variables. En este sentido y, ozono, corregidos.
para una mejor explotación de los datos de satélite,
EUMETSAT ha impulsado la creación de ocho cen- Skin temperature es la temperatura de una ca-
tros de excelencia dedicados a explotar los datos de pa de espesor infinitesimal sobre una superficie
satélite en diferentes ámbitos, como puede ser clima, de tierra o agua que se encuentra en equilibrio
hidrología, composición atmosférica, etc. El primero radiativo (https://software.ecmwf.int/wiki/
en formarse fue el dedicado al nowcasting, que está li- display/UER/Skin+temperature).
derado por AEMET y en el que también participan los
Servicios Meteorológicos Nacionales de Francia, Sue-
cia, Austria y Rumanía. Este consorcio, denominado
Teniendo en cuenta que estos productos se calculan
NWCSAF (Satellite Application Facility in support
en zonas donde todavía no se han empezado a formar
to Nowcasting and Very Short Range Forecasting), se
nubes, permiten una estimación previa a la aparición
dedica a desarrollar productos útiles en las tareas de
de las primeras nubes de las regiones críticas donde se
nowcasting y vigilancia de sistemas convectivos.
pueden esperar desarrollos convectivos, ya que propor-
En el paquete de software que distribuye el NWC- cionan información sobre dos de los tres ingredientes
SAF se pueden encontrar productos de nubes, tales necesarios para que se inicie la convección (humedad
como una máscara nubosa (Cloud Mask - CMa), un e inestabilidad).
producto que informa sobre el tipo de nube (Cloud Ty-
pe - CT) diferenciando entre nubes espesas con topes Además de los mencionados campos de humedad e
en niveles bajos, medios, altos y muy altos, y nubes índices de inestabilidad, el producto proporciona in-
fraccionales y semitransparentes. También existe un formación sobre la magnitud de las correcciones rea-
producto que proporciona información sobre la altu- lizadas, es decir, muestra campos de diferencia para
ra, la temperatura y la presión de los topes nubosos cada parámetro (campos del producto menos cam-
(Cloud Top Temperature and Height - CTTH), muy pos del modelo sin corregir). Esta información puede
útil para aplicaciones aeronáuticas. ser muy útil para el predictor en el sentido de que le
permite evaluar el comportamiento del modelo en el
Unos productos especialmente interesantes que pode- momento en el que hay observaciones y extrapolar la
mos encontrar en el paquete de software del NWC- información obtenida a momentos futuros.
Figura 7.19: Campos de total de agua precipitable (arriba izquierda), diferencia del campo del total de agua
precipitable con el modelo (abajo izquierda), índice K (arriba derecha) y diferencia del índice K con el modelo
(abajo derecha) del producto iSHAI del NWCSAF (NWCSAF © 2016 EUMETSAT), para la situación del día
08-06-2017 a las 11:00 UTC.
En la Figura 7.19 vemos un ejemplo de los campos ducto de vientos (High Resolution Winds – HRW),
del total de agua precipitable y del índice K junto con que a través de trazadores encontrados en los topes
sus campos de diferencia con el modelo para el día nubosos, en los bordes de las nubes o en zonas carac-
08-06-2017 a las 11:00 UTC. Se trata de la misma terísticas de las imágenes de vapor de agua, y a través
situación que el sistema convectivo mostrado en la de comparación de los mismos en imágenes sucesivas,
Figura 7.15 en la página 95 vista unas horas antes. A calcula vientos de alta resolución (intensidad, direc-
través de estas imágenes se aprecia que la masa de ción y trayectoria). La información proporcionada por
aire, que de por sí es húmeda, contiene más humedad este producto puede ser útil para la vigilancia de si-
que la pronosticada por el modelo. También muestra, tuaciones con vientos fuertes, para el estudio del flujo
a través del índice K que la probabilidad de ocurrencia general, para buscar zonas de convergencia y diver-
de tormentas es superior al 80 % en algunos puntos, gencia en distintos niveles, así como para el estudio
donde también está infra estimada por el modelo. de circulaciones a pequeña escala.
Productos interesantes para la vigilancia incluidos en También hay productos específicos para la precipi-
el paquete del NWCSAF son, por ejemplo, el pro- tación. Uno que proporciona información sobre la
probabilidad de que una nube dada produzca preci- utilizan las propiedades microfísicas de los topes nu-
pitación (Precipitating Clouds – PC) y otro para la bosos es que solo están disponibles durante el día, de
estimación de precipitación convectiva en superficie a ahí la duplicidad de los productos.
partir de las características de los topes nubosos (Con-
vective Rainfall Rate - CRR), útiles sobre todo en las Específico para la vigilancia de sistemas convectivos
zonas donde el radar meteorológico no está disponible es el producto de tormentas en desarrollo rápido (Ra-
o como complemento del mismo. Ambos productos se pid Developing Thunderstorms - RDT) que hace una
calculan a su vez a través de dos algoritmos diferentes. detección de células convectivas basándose en umbra-
Uno de ellos utiliza directamente las radiancias de les adaptativos de temperatura de brillo de la banda
los topes nubosos, lo que provoca que los patrones IR 10.8, y su seguimiento en imágenes consecutivas.
de precipitación tengan una forma parecida a dichos En la visualización disponible para los predictores
topes nubosos, sobrestimando normalmente las áreas de AEMET, muestra las células convectivas a través
de precipitación e infraestimando las intensidades. El de su contorno, proporcionando además información
otro tipo de algoritmo se basa en las propiedades mi- sobre su estado de evolución. También dibuja la tra-
crofísicas de los topes nubosos, que han demostrado yectoria del centroide correspondiente a cada célula
estar mejor correlacionadas con la precipitación que hasta el momento de captura de la imagen y su tra-
las radiancias, por ello este algoritmo muestra unas yectoria prevista. En la Figura 7.20 se pueden ver las
estimaciones mejor ajustadas a las detectadas por el células convectivas detectadas por este producto sobre
radar. La limitación que muestran estos productos que el sur de España el día 01-03-2018 a las 13:00 UTC.
Figura 7.20: Producto de tormentas en desarrollo rápido del NWCSAF (NWCSAF © 2016 EUMETSAT) el día
01-03-2018 a las 13:00 UTC.
7.6 Misiones futuras 101
En la última versión del paquete de software del NWC- bandas tomarán medidas en el rango del IR térmico
SAF se han incluido algunos productos en estado de entre 3.8 y 13.4 µm, con resolución horizontal de 2 km
pruebas que parecen bastante prometedores. Entre en nadir. La resolución temporal será de 10 minutos
ellos se encuentran: en el modo de escaneo de disco completo (Full Disk
Scan – FDS). En el modo de escaneo rápido (Rapid
Producto ASII-NG (Automatic Satellite Image Scan - RSS), el radiómetro FCI escaneará una cuarta
Interpretation-Next Generation) dedicado a la detec- parte del disco sobre Europa, con una resolución tem-
ción de turbulencia en aire claro debido a dobleces poral de 2.5 minutos y proporcionando una resolución
de la tropopausa. Producto muy útil en la predicción espacial de 0.5 km para las bandas VIS 0.6 y NIR 2.2,
aeronáutica. y de 1 km para las bandas IR 3.8 e IR 10.5.
Producto de inicio de la convección CI (Convection
Initiation) que da la probabilidad de que un pixel El instrumento novedoso que irá embarcado en los
nuboso se convierta en una tormenta en un perio- satélites MTG-I será un detector de rayos en tiempo
do de tiempo dado. Este producto pretende captar real (Lightning Imager – LI) que detectará rayos nube-
los primeros estados del inicio de la convección, nube y nube-tierra e informará sobre su localización
cuando aparecen los primeros indicios después de con una resolución espacial de 4.5 km.
la formación de las primeras nubes o con la modifi-
cación de las condiciones medioambientales. Esta A bordo del satélite MTG-S irán embarcados dos son-
información es de gran interés para las tareas de deadores:
nowcasting y vigilancia.
Producto de extrapolación temporal de imágenes Sondeador IR (Infrared Sounder – IRS) que tomará
EXIM (Extrapolated Imagery Processor), que hace medidas en dos regiones del espectro con interva-
una extrapolación cinemática utilizando los vec- lo de muestreo espectral de 0.625 cm−1 : 1600 a
tores de movimiento calculados por el producto 2250 cm−1 (4.44–6.25 µm) y 680 a 1210 cm−1
HRW de los productos CMa, CT, CTTH (campos (8.26–14.70 µm). Su resolución espacial será de
de presión y altura) y CRR, con alcance de hasta 4 km en nadir y tomará medidas del disco completo
una hora. cada hora. Este sensor proporcionará información
detallada de los perfiles verticales de temperatura y
humedad, suponiendo una mejora importante para
7.6 Misiones futuras los productos de aire claro.
Sondeador en las regiones ultravioleta, visible e IR
Actualmente ya se encuentra operativo el último saté- cercano del espectro (Ultra-violet, Visible and Near-
lite de la serie MSG, el MSG-4. Por ello EUMETSAT, infrared Sounder – UVN), diseñado para el estudio
en colaboración con la Agencia Espacial Europea de la química atmosférica. Es un espectrómetro que
(ESA), ya tiene previsto el lanzamiento de la siguien- toma medidas en tres regiones del espectro: UV:
te serie de satélites geostacionarios, los Meteosat de 305–400 nm, visible: 400–500 nm e IR cercano:
Tercera Generación (MTG). 755–775 nm, con una resolución espacial menor
que 10 km y una resolución temporal menor o igual
A diferencia de las series anteriores, esta serie inclui- que una hora en un área entre 30º y 65º N en latitud
rá dos tipos de satélite diferentes, uno centrado en y 30º O a 45º E en longitud.
sensores de imagen (MTG-I) y otro que llevará instru-
mentos sondeadores a bordo (MTG-S). La serie de satélites MTG constará de cuatro satélites
MTG-I, el primero de los cuales está planificado ser
El primero de los instrumentos que irán embarcados lanzado a finales de 2021, y dos MTG-S, el primero
a bordo de los satélites MTG-I será un radiómetro de los cuales está planificado ser lanzado a comienzos
de imagen (Flexible Combined Imager – FCI), que de 2023. Esta misión se prevé que trabaje a capaci-
funcionará como continuación del sensor SEVIRI a dad completa con la utilización a la vez de un satélite
bordo de MSG. Este radiómetro tomará medidas en MTG-S y dos MTG-I, uno dedicado al escaneo del
16 bandas, ocho de las cuales estarán situadas en la disco completo y otro dedicado al servicio de escaneo
región solar del espectro, entre 0.4 y 2.2 µm, con reso- rápido, tal como se muestra en la Figura 7.21 en la
lución horizontal en nadir de 1 km. Las restantes ocho página siguiente.
Figura 7.21: Constelación completa de los satélites Meteosat de Tercera Generación. Fuente: EUMETSAT.
7.7 Enlaces de interés
https://www.nasa.gov/centers/goddard/missions/ats.html
https://www.nasa.gov/content/goes-overview/index.html
https://www.eumetsat.int
https://pmm.nasa.gov/trmm/trmm-instruments
https://www.nasa.gov/mission_pages/GPM/spacecraft/index.html
http://eumetrain.org/satmanu/index.html#here
https://www.meted.ucar.edu/training_module.php?id=1108#.WbeJ7bKrTCM
http://tropic.ssec.wisc.edu/real-time/mtpw2/about.html
Radar meteorológico y red de rayos
DOI: 10.31978/014-18-009-X.08
8
J OSÉ M IGUEL G UTIÉRREZ N ÚÑEZ
Unidad de Teledetección Terrestre, Agencia Estatal de Meteorología (AEMET)
A NEXO : I MANOL G UERRERO P ERALTA1 Y DAVID M OMBLONA M ONTIEL2
1 Unidad de Teledetección Terrestre, AEMET
2 Delegación territorial (DT) en Aragón, AEMET
Los radares meteorológicos pueden detectar la precipitación y las variaciones del índice de
refracción en la atmósfera generadas por variaciones locales de la temperatura o la humedad.
También pueden producir ecos de radar las aeronaves, el polvo, los pájaros o los insectos. Están
concebidos para detectar y trazar zonas de precipitación, medir su intensidad y desplazamiento, y
a veces su tipo.
Guía de instrumentos y métodos de observación meteorológicos – OMM, Nº 8, 1996
Las imágenes de radar son herramientas esenciales para la vigilancia y la predicción meteorológicas. La intención
en este capítulo no es profundizar en sus fundamentos científicos o técnicos, sino mostrar una aproximación
sencilla a los principales tipos de productos de radar usados en la predicción operativa. con un boceto de sus
bases y una explicación sobre su interpretación meteorológica. Esperamos así que puedan entenderse mejor
en aquellos capítulos de casos de estudio donde se presentan e interpretan imágenes de productos de radar
meteorológico.
Palabras clave: radar meteorológico, imágenes de radar, interpretación de imágenes de radar, productos derivados del
radar, red de rayos, red de descargas eléctricas, actividad eléctrica en la atmósfera, observación de la atmósfera.
Imagen parte superior: instalaciones de la estación radar de AEMET situada en Cullera, Valencia, en el entorno de 1996. La cubierta casi
esférica se denomina radomo. Fotografía de C ARLOS S ANTOS B URGUETE.
104 Física del caos en la predicción meteorológica Capítulo 8. Radar meteorológico y red de rayos
8.1 Radares meteorológicos Como para cada tipo de precipitación la distribución

de tamaños de las gotas es diferente, en general, no
se puede establecer una relación biunívoca entre re-
Los sistemas de radar consisten, básicamente, en equi-
flectividad y contenido acuoso, y menos aún entre
pos capaces de generar ondas, por lo general en el ran- reflectividad e intensidad de precipitación. El hecho
go de las microondas, de muy corta duración pero muy de que la contribución de las gotas a la reflectividad
energéticas, denominadas pulsos, que son emitidas a venga dada por la sexta potencia de su diámetro deja
través de una antena parabólica en una determinada di- patente la gran dependencia que guarda la reflecti-
rección. Al incidir sobre ciertos objetos, denominados vidad con la distribución de tamaños de las gotas,
blancos, éstos emiten una onda de vuelta, denominada primando exageradamente las gotas grandes sobre las
eco. La antena va captando los ecos de los blancos pequeñas.
que el pulso ha ido interceptando en su recorrido, y
Normalmente, los productos de precipitación genera-
asigna a cada uno una distancia en función del tiempo dos por los sistemas radar estiman la intensidad de
transcurrido desde que se emitió el pulso. Puesto que precipitación a partir de unas relaciones obtenidas em-
se trata de ondas electromagnéticas, su velocidad de píricamente que relacionan reflectividad e intensidad
propagación es la de la luz y conociendo el tiempo de precipitación, son las denominadas relaciones Z/R.
transcurrido entre la emisión del pulso y la llegada del La relación Z/R más utilizada para precipitaciones de
eco se calcula la distancia del blanco. lluvia en latitudes medias, conocida como relación de
M ARSHALL -PALMER, viene dada por la expresión
Los radares se aplicaron en un principio exclusiva- Z = 200 R1,6 (8.2)

mente a la vigilancia del espacio aéreo y al control
donde la reflectividad, Z, viene expresada en
del tráfico aéreo. Es decir, interesaba detectar los ecos
mm6 /m3 y la intensidad de precipitación, R, en mm/h.
procedentes de los aviones y cualquier otro eco, por
ejemplo, el proveniente de las precipitaciones era con-
siderado ruido indeseable. Sin embargo ese ruido debi-
do a los sistemas de precipitación empezó a revelarse
como una valiosa fuente de información en meteoro- 8.3 Limitaciones y fuentes de
logía. Hoy en día, el radar se ha convertido en una he- error en la medida radar
rramienta indispensable en la vigilancia de fenómenos
meteorológicos adversos (ver fenómeno meteorológi- A continuación se enumeran las principales limitacio-
co adverso (FMA)), en el estudio de las estructuras de nes y fuentes de error que provocan una disminución
precipitación y en hidrología [166, 539]. en la exactitud de las estimaciones de precipitación a
partir de los datos tomados por el radar meteorológico:
Atenuación debida a lluvia o granizo en el recorrido

8.2 El problema de la estimación del pulso radar y del eco de vuelta.
de precipitación a partir del Apantallamiento parcial o total del haz radar por la
radar orografía o por otros obstáculos.
Zonas ciegas debidas a saturación por ecos de tierra
Cuando el radar explora una región de la atmósfera intensos.
en la que se está produciendo precipitación, la infor- Presencia de granizo de gran tamaño, que afecta al
mación con el máximo contenido meteorológico que fenómeno de la dispersión.
podremos extraer del radar es el factor de reflectividad, Subestimación de la reflectividad (casi 7 dBZ) de-
Z, que se define así: bido a la presencia de hielo seco.
Z = ∑ D6i (8.1) Sobrestimación debida a la fusión y coalescencia
vol de los copos de nieve (banda brillante).
Presencia de ecos no meteorológicos (ecos espu-
donde el sumatorio está extendido a la unidad de vo-
lumen y D representa el diámetro de las gotas de
rios):
precipitación. • Ecos de tierra o mar debidos a lóbulos latera-
les o propagación anómala.
• Ecos debidos a molinos de viento, aviones,
pájaros, insectos, etc.
8.4 El radar DOPPLER 105
• Ecos provocados por emisiones externas in- tencia total corregida (sin ecos de tierra), obteniéndose
terferentes (principalmente emisores wifi). a partir de ella la reflectividad corregida.
Precipitaciones que no se ajustan a la relación de
M ARSHALL PALMER (nieve, chubasco, etc.). La velocidad radial de la precipitación en cada punto
Errores en rangos alejados al extrapolar al nivel del se determinará aplicando la ecuación del efecto dop-
suelo el dato radar de precipitación. pler a la desviación de la frecuencia media respecto
Excesivo tamaño, a grandes distancias, de la sec- a la frecuencia inicial del pulso. La frecuencia media
ción transversal del haz radar. se obtiene a partir del espectro de potencias mediante
Movimientos verticales de aire que condicionan la una media ponderada.
precipitación que llega al suelo.
Ocultación de zonas generadoras de precipitación
en niveles bajos. 8.5 Exploración volumétrica radar
Zonas ciegas en niveles bajos debido a la progresi- y volumen polar de datos
va elevación que va adquiriendo el haz del radar a
medida que avanza en rango Los radares generalmente exploran la atmósfera en
Evaporación de la precipitación al atravesar capas tres dimensiones realizando una secuencia predefinida
secas situadas bajo el haz radar. de barridos en azimut, cada uno a una elevación fija
de la antena. Esto significa que la antena va emitiendo
pulsos mientras da una vuelta completa en azimut,
8.4 El radar DOPPLER manteniendo el eje de la antena a una inclinación fi-
ja sobre la horizontal. Cuando acaba un barrido en
Los radares que, además de detectar los blancos y azimut, el eje de la antena se posiciona en un nue-
determinar su posición, tienen capacidad para calcu- vo ángulo sobre la horizontal e inicia otro barrido
lar la velocidad con la que dichos blancos se acercan en azimut. Así hasta completar la secuencia que ten-
o alejan del radar se denominan radares doppler. El ga predefinida. Dicha secuencia se repite cada cierto
nombre hace referencia al efecto Doppler que esta- tiempo, es lo que denominamos ciclo de exploración.
blece la variación de frecuencia que experimenta una
onda para un observador en reposo cuando el emisor El resultado de una exploración volumétrica radar es
se está moviendo respecto a él. un conjunto de datos puntuales distribuidos sobre las
distintas superficies de revolución correspondientes a
Los radares meteorológicos doppler procesan la señal cada barrido en azimut. Es decir, dispondremos de un
de los ecos recibidos de cada región explorada de la conjunto de datos que quedan perfectamente identifi-
atmósfera (representada por un punto en coordenadas cados por sus coordenadas polares: elevación, azimut
polares) recurriendo a técnicas matemáticas FFT (Fast y rango. Por eso al conjunto de datos obtenido de
Fourier Transform) y calculan el denominado espectro una exploración volumétrica se le denomina volumen
de potencias, que representa la potencia recibida de polar de datos. Cada punto del volumen polar pue-
los blancos descompuesta en canales de frecuencia. de contener hasta cuatro tipos de dato: reflectividad
La información de la potencia recibida en cada canal corregida, reflectividad sin corregir, viento radial y
de frecuencia permitirá estimar el movimiento radial anchura de espectro (turbulencia).
predominante de la precipitación en esa zona.
El disponer del espectro de potencias posibilita tam- 8.6 Características generales de

bién la eliminación de los ecos de tierra (clutter) sin
necesidad de recurrir a ningún tipo de máscaras. Pues- los productos radar
to que los ecos de tierra son fijos, la potencia recibida
de dichos ecos quedará incluida en el canal corres- La proyección que se utiliza normalmente en los pro-
pondiente a la frecuencia en la que se emite el pulso. ductos radar es la azimutal equidistante, con la posi-
Por tanto, los ecos de tierra se eliminan automática- ción del radar en el centro de la imagen. Esta proyec-
mente desechando la potencia recibida del canal de ción mantiene las distancias entre dos puntos indepen-
frecuencia correspondiente al pulso emitido. dientemente de la dirección en la que estén alineados
(norte-sur, este-oeste, etc). Los haces de azimut se
Una vez que tenemos el espectro de potencias con los representarán como líneas rectas que parten del centro
canales de ecos fijos ya eliminados, se calcula la pode la imagen.
En los productos radar planos se adopta una distri- Respecto a la interpretación del PPI, hemos de tener
bución cartesiana de los datos, esto tiene la ventaja siempre muy presente que los ecos que se muestran
de que la densidad de datos es uniforme en cualquier en la imagen PPI no corresponden todos a la misma
punto de cobertura radar, mientras que con la estruc- altura. Debido al ascenso no lineal que experimenta
tura polar de datos la densidad es mayor cuanto más el pulso a medida que avanza en rango, la altura de
cerca se está del radar. En los radares de la Agencia los ecos sobre el nivel del radar dependerá de su dis-
Estatal de Meteorología (AEMET) el tamaño de las tancia al radar. Así, en los radares de AEMET en que
imágenes es de 480 x 480 píxeles, con una resolución la primera elevación se realiza a 0.5º, el eje del pulso
de 1 km x 1 km para los productos en rango largo y cuando haya alcanzado el rango máximo de 240 km
de 0.5 km x 0.5 km para los de rango corto. se encontrará a una altura sobre el nivel del radar cer-
cana a los cinco kilómetros, siempre que no exista
La proyección azimutal equidistante es la idónea para propagación anómala (Figura 8.1).
los productos radar, siempre que la posición del radar
ocupe el centro de la imagen, por su carácter isótropo, Lo anterior, unido al hecho de que algunos radares
como corresponde con la simetría axial que manifies- ya se encuentran a una altitud considerable, suele dar
tan los datos polares radar. Sin embargo, al tratarse lugar a que las precipitaciones bajas no sean bien de-
de una proyección relativa a la posición de un radar tectadas hasta que están suficientemente próximas al
dado, no se puede utilizar para generar productos en radar. Esto puede inducir a pensar, erróneamente, que
los que se combinen datos de varios radares. Para los las precipitaciones que se acercan se van intensifican-
productos de composición radar se suele emplear la do, o que se están generando allí mismo, cuando en
proyección conforme cónica Lambert. realidad se trata de un frente que se va acercando al
radar y que mantiene su actividad. El efecto contrario
sucederá cuando el frente se va alejando del radar.
8.7 Tipos principales de produc- También sucede a veces, con mayor frecuencia en
tos radar la cornisa Cantábrica, que las lloviznas procedentes
de estratos bajos, típicas de las comarcas costeras,
8.7.1 PPI pueden no ser detectadas en el PPI si el radar está su-
ficientemente elevado o quedar circunscritas a rangos
Se denomina PPI (Plan Position Indicator) a la proyec- cercanos al radar.
ción sobre el plano horizontal que pasa por el radar
de los datos contenidos en una elevación radar. En la actualidad en los radares de AEMET se están
generando PPI de reflectividad en rango largo y corto,
Normalmente, cuando se habla del producto PPI sin y de viento radial y anchura de espectro (turbulencia)
especificar a qué elevación se refiere, entenderemos en rango corto.
que se trata del PPI de la elevación más baja del vo-
lumen polar, que es con la que podremos estimar con
mayor fiabilidad la precipitación que llega al suelo.
Figura 8.2: PPI de viento radial a la elevación de 0.5º

Figura 8.1: PPI de reflectividad a la elevación de 0.5º del radar de Cáceres. Se observa un patrón típico de
del radar de Barcelona. advección cálida (frente cálido).
8.7 Tipos principales de productos radar 107
También es posible definir un producto PPI de inten- nulas, lo cual no quiere decir que los blancos estén
sidad de precipitación, en cuyo caso al configurar el quietos sino que su velocidad es perpendicular a la
producto, se debe introducir como un parámetro la línea que une el blanco con el radar.
relación Z/R que se considere más apropiada para el
tipo de precipitación que esté teniendo lugar. En las imágenes de viento radial podemos llegar a
identificar patrones de cizalladura, advección cálida o
En las imágenes PPI de viento radial doppler (Figu- fría, chorros a bajos niveles, líneas de convergencia,
ra 8.2 en la página anterior) se representa la velocidad mesociclones, etc.
media con la que se aleja o acerca la precipitación
al radar, expresada en m/s. En la escala se emplean
colores cálidos (amarillos y rojos) para las velocida- 8.7.2 CAPPI
des positivas (precipitaciones alejándose del radar) y
colores fríos (verdes y azules) para las velocidades Se define el CAPPI (Constant Altitude Plan Position
negativas (acercamiento al radar). Los colores blancos Indicator) como la representación de un corte horizon-
o grises se emplean para indicar velocidades radiales tal, a altitud constante, del volumen polar de datos.
Figura 8.3: CAPPIa las altitudes (de izquierda a derecha y de arriba abajo) de 3, 5, 7 y 10 km del radar de Zaragoza.
En rango largo, debido a la curvatura creciente hacia verticalmente el volumen polar de datos, podemos
arriba que experimenta el haz radar a medida que au- definir el valor de ECHOTOP en ese píxel como la
menta el rango, los CAPPI a alturas inferiores a los altura máxima de la columna a la que se podría asig-
4 ó 5 km sobre el nivel del radar cortarán a la primera nar, por interpolación de los puntos del volumen polar
elevación a una distancia del radar inferior al rango cercanos, un valor de reflectividad superior o igual a
máximo de operación (240 km). Esto quiere decir que, un determinado umbral en dBZ.
para rangos mayores que esa distancia a la que se
produce el corte, el dato que acabaría proyectándose Los datos del producto ECHOTOP se expresan en
sobre el CAPPI provendría de una altura mayor a la kilómetros sobre el nivel del mar, es decir, el ECHO-
que le correspondería nominalmente. TOP representa una topografía de la parte superior de
la región cubierta por ecos que superan, o igualan, un
Algo parecido ocurre para rangos próximos al radar, cierto umbral de reflectividad.
afectando sobre todo a los CAPPI relativamente altos.
En estos casos, para rangos inferiores al corte de la Normalmente, se suele emplear para el ECHOTOP
última elevación (la de mayor ángulo) con el plano del un umbral de 12 dBZ, que se entiende que marca el
CAPPI, el dato del volumen que habría que proyectar umbral de las precipitaciones débiles. Con ese umbral
estaría por debajo del nivel del CAPPI. Se trata de el producto ECHOTOP representaría los topes (el lí-
una consecuencia de la zona ciega que poseen todos mite superior) del campo de precipitación, o dicho de
los radares por encima de la última elevación y que se otra manera, representaría la topografía de la región
conoce por cono ciego. de precipitación presente en la atmósfera.
Para hacer frente a estos dos efectos que afectan al El ECHOTOP con umbral de 12 dBZ (Figura 8.4)
producto CAPPI existen dos opciones: es especialmente útil en la detección temprana de fe-
nómenos convectivos y para identificar convección
En el producto CAPPI se consideran sólo aquellos
embebida en regiones de precipitación estratiforme.
datos que están comprendidos entre las dos circun-
Una vez desatada la convección nos alerta, antes de
ferencias de corte que se forman al intersectar el
que lo haga el PPI, de los nuevos núcleos que van
plano del CAPPI con la última elevación y con la
surgiendo, nos permite seguir la evolución de cada
primera, dejando como «no dato» los píxeles que
uno, nos ayuda a identificar los cumulonimbos más
se encuentran fuera.
potentes y a estimar su grado de severidad.
Se genera un CAPPI extendido, es decir, los píxe-
les que queden fuera de esos límites se rellenan
También en los radares de AEMET se define otro pro-
con la proyección del dato del volumen polar más
ducto ECHOTOP con el umbral de 45 dBZ, que se
próximo. Es lo que se llama la extensión PSEUDO-
considera marca el umbral de la región del granizo,
CAPPI o extensión PPI, pues es como si el CAPPI
resultando de gran utilidad en situaciones de convec-
propiamente dicho se rellenara con el PPI de la pri-
ción severa para delimitar los topes de la región del
mera elevación cuando ésta supera la altitud nomi-
granizo.
nal del CAPPI, y con el PPI de la última elevación
mientras ésta aún no haya alcanzado la altitud del
CAPPI (cono ciego).
En la red de radares de AEMET en cada radar se defi-

ne un CAPPI a 500 metros por encima del nivel del
radar que sirve de base para determinados productos
de acumulación. Este CAPPI sí tiene activado el re-
lleno, para no perturbar el alcance de los productos
de acumulación. Se muestran algunos ejemplos en la
Figura 8.3 en la página anterior.
8.7.3 ECHOTOP
Si imaginamos, para un determinado píxel de la ima- Figura 8.4: ECHOTOPcon umbral de 12 dBZ del radar
gen, la columna con base en el píxel que atraviesa de Barcelona.
El producto combinado de máximos es de gran uti-

lidad para la vigilancia de situaciones convectivas,
pues con una sola imagen informa de la posición e
intensidad de los ecos más intensos presentes en el
volumen explorado por el radar. Además, las solapas
nos darán información no sólo de la altura de los ecos
más intensos detectados, sino también de la estructura
vertical de los sistemas precipitación presentes en el
volumen explorado por el radar.
8.7.5 VIL
El producto VIL (Vertical Integrated Liquid), repre-

senta en cada píxel el contenido de agua líquida en
Figura 8.5: Imagen combinada de máximos (ZMAX con toda la columna. Se obtiene integrando en altura el
solapas) del radar de Zaragoza. contenido de agua en forma de gotitas o de núcleos
de hielo.
8.7.4 ZMAX - Proyección de máximos de Puesto que no existe una relación biunívoca entre el
reflectividad sobre la horizontal contenido acuoso y la reflectividad, sino que depende
de la distribución de tamaños de las gotitas, lo que
Representa en cada píxel el valor máximo de reflecti-
se hace es recurrir a una relación Z/W , entre reflec-
vidad en la columna. Este producto permite localizar
tividad y contenido acuoso, que sea apropiada para
con rapidez, es situaciones convectivas, aquellas cé-
situaciones convectivas, que es donde este producto
lulas que en su fase inicial de desarrollo puedan estar
se ha revelado más eficaz.
manteniendo en altura, sujeto por fuertes corrientes
ascendentes, núcleos de granizo, sin que todavía estén Los valores de VIL se expresan en kilogramos de agua
dando eco en las elevaciones más bajas. contenidos en una columna de un metro cuadrado de
Este producto es muy útil, especialmente en situacio- sección (kg/m2 ). La unidad anterior es equivalente a
nes convectivas, como alternativa al PPI, en aquellos expresar el espesor de la lámina de agua sobre una
sectores afectados por bloqueos orográficos o para superficie plana de un metro cuadrado, suponiendo
compensar los efectos de pérdida de señal que se dan que toda el agua líquida que está en la columna llegara
en aquellos puntos con fuerte presencia de ecos de a caer al suelo. Es decir, también podemos emplear
tierra (clutter), como montañas o grandes ciudades, mm como unidad para el VIL.
como ocurre en el caso de Madrid.
Otro producto de máximos que incluye al ZMAX es el

producto combinado de máximos o máximos con sola-
pas. Se trata de un producto compuesto por el ZMAX
y dos solapas adosadas que nos dan las proyeccio-
nes tomadas horizontalmente en sentido norte-sur y
oeste-este (Figura 8.5).
Este producto requiere previamente construir un con-

junto de CAPPI en formato cartesiano (volumen car-
tesiano), con una separación uniforme entre ellos, de
modo que las proyecciones verticales sobre cada píxel
se hagan a lo largo de la correspondiente columna que
atraviesa todos los CAPPI, y las proyecciones hori-
zontales a una altura dada se hagan a lo largo de las
filas y columnas del CAPPI situado a esa altura. Figura 8.6: Producto VIL del radar de Málaga.
Figura 8.7: Imágenes del PPI (izquierda) y del SRI (derecha) del radar de Zaragoza.
El producto VIL (Figura 8.6 en la página anterior) El perfil vertical de reflectividad que se aplica es el
es un producto que delimita muy bien las zonas en estándar para precipitaciones estratiformes y tiene en
las que se están produciendo precipitaciones de ca- cuenta el efecto de la banda brillante, que es el au-
rácter convectivo muy intensas o precipitaciones de mento de reflectividad que se observa en las imágenes
granizo. El VIL constituye, por tanto, una valiosa he- radar cuando los copos de nieve atraviesan en su caída
rramienta para la vigilancia de fenómenos asociados el nivel de isocero y se produce la fusión del hielo
a convección severa, principalmente granizo. empezando por la parte más externa (coalescencia).
El ajuste de la altura de la banda brillante se consigue
ingestando en cada radar el dato previsto del nivel de
8.7.6 SRI isocero dado por los modelos numéricos.
El producto SRI (Surface Rainfall Intensity) represen- En situaciones de precipitación estratiformes el efecto
ta una estimación de reflectividad al nivel del suelo, de la disminución de la reflectividad provocado por la
obtenida a partir de los datos del volumen polar corre- elevación del haz se hace más marcado, mientras que
gidos mediante la aplicación de un perfil vertical de en situaciones de precipitación convectiva ese efecto,
reflectividad. Se muestra un ejemplo en la Figura 8.7 prácticamente, no tiene incidencia. Por eso, el algorit-
mo del SRI distingue entre precipitación convectiva y
La justificación de un producto de este tipo viene estratiforme.
de la necesidad de disponer de un campo de reflec-
tividad fiable al nivel del suelo, que es donde tiene
sentido estimar la precipitación. El PPI más bajo nos
8.7.7 Precipitación acumulada
da el campo de reflectividad más próximo al suelo que
puede ofrecer el radar pero, debido a la progresiva ele-
vación que va adquiriendo el haz radar a medida que Los productos de precipitación acumulada que se ge-
avanza en rango, el dato de reflectividad va dejando neran en los radares de AEMET pueden ser de dos
de ser representativo del valor que realmente debería tipos, en función del producto que se tome como base
dar la precipitación junto al suelo. También los fuertes para su generación. Respecto al intervalo temporal
ecos de tierra sobre montañas o grandes ciudades pue- que cubren, pueden ser horarios, diarios, o de un nú-
den provocar lagunas o zonas ciegas en el campo de mero de horas tal que sea divisor entero de 24 (por
precipitación obtenido por el radar. Para evitar estos ejemplo 6 ó 12 horas).
dos efectos el SRI obtiene, para cada píxel, el dato de
reflectividad correspondiente a la elevación en que la Los productos de acumulación que cubran más de
visión del radar es mejor y lo extrapola hasta el nivel una hora se generarán a partir del correspondiente
del suelo aplicándole el perfil vertical de reflectividad. producto horario.
Figura 8.8: Imágenes de precipitación acumulada en seis horas del radar de Madrid, basadas en el CAPPI (izquierda)
y en el SRI (derecha).
Se pueden tomar dos productos como base para las M ARSHALL -PALMER (ecuación 8.2 en la página 104).
acumulaciones: Ver Figura 8.8.
Un CAPPI de reflectividad. En la actualidad se está

tomando el CAPPI a 500 metros por encima del También se generan productos de precipitación acu-
nivel del radar. mulada basados en el SRI que introducen ajuste plu-
El producto SRI viométrico (Figura 8.9), para lo cual se ingestan datos
horarios de precipitación acumulada provenientes de
En ambos casos en el fichero de configuración del la red de pluviómetros. Estos productos, que corrigen
producto se debe definir la relación Z/R empleada en gran medida los errores producidos al tomar unas
para convertir reflectividad en intensidad de precipi- relaciones Z/R no adecuadas al tipo de precipitación
tación. En la actualidad los dos tipos de productos de que se está produciendo, también compensan posibles
acumulación han sido configurados con la relación de descalibraciones en el equipo radar.
Figura 8.9: Imágenes de precipitación acumulada de 6 horas del radar de Madrid. Izquierda: basada en el SRI.
Derecha: obtenida de aplicar ajuste pluviométrico a la imagen acumulada de 6 horas basada en el SRI.
8.7.8 VVP En la Figura 8.10 se muestra una imagen VVP del ra-
dar de Cáceres donde se representan gráficamente los
El VVP (Velocity Volume Processing) no es un pro- datos de dirección y velocidad del viento horizontal
ducto tipo imagen como los vistos anteriormente en para cada nivel de altitud, cada diez minutos. La alti-
que se proyectan datos sobre un plano horizontal, sino tud se representa en el eje vertical (en km) y el tiempo
de un conjunto de datos relativos al campo de viento en el eje horizontal, lo que nos permite apreciar la evo-
a distintos niveles sobre la vertical del radar, pero que lución temporal del perfil vertical de viento sobre el
también se pueden representar en forma gráfica como radar. También se muestra como fondo la reflectividad
veremos más adelante. media a cada nivel sobre la vertical del radar.
El VVP se obtiene a partir de los valores del volumen

polar de viento radial. En primer lugar se definen los
niveles para los que queremos obtener datos de viento.
8.8 Secciones verticales
Luego, para cada nivel se calcula qué elevación corta
al plano horizontal situado a ese nivel de modo que Cuando se dispone del volumen polar de datos, se
la circunferencia de corte no se aleje mucho de una pueden generar imágenes de cortes verticales de re-
corona cilíndrica centrada en el radar y de unos 20 km flectividad en cualquier orientación. Los cortes o sec-
de radio. ciones verticales nos permiten analizar con todo de-
talle la estructura vertical de la precipitación. Esto es
A partir de los datos de viento radial que se asientan especialmente útil en situaciones convectivas para ca-
en torno a esa circunferencia de corte se realiza un racterizar el grado de severidad de los cumulonimbos
análisis armónico. Del primer armónico (armónico 0) (Figura 8.11).
se obtendrá la divergencia y del siguiente (armóni-
co 1) el viento horizontal (módulo de la velocidad y
dirección). La velocidad vertical se obtiene aplican-
do la ecuación de continuidad. También el VVP da
información, para cada nivel, de la reflectividad me-
dia de los datos considerados y calcula determinados
parámetros de calidad.
Figura 8.11: Corte vertical sobre un cumulonimbo si-

tuado al SE de Teruel, tomando como base una imagen
de ECHOTOP del radar de Zaragoza.
Figura 8.10: Producto VVP del radar de Cáceres al pa-

so de un frente cálido. Se puede apreciar el fenómeno
de la banda brillante a unos 2 km de altitud.
8.9 Mosaicos de productos radar 113
8.9 Mosaicos de productos radar to del radar que da un valor más alto.
Criterio del más cercano, que asigna en cada píxel
Es posible realizar composiciones de varios radares, el dato del radar que se encuentra más próximo
denominadas mosaicos, de cualquiera de los tipos de a dicho píxel.
productos vistos anteriormente, excepto del VVP.
Otra cuestión a tener en cuenta es que el producto
Para generar un mosaico debemos primeramente esta- a componer de cada radar que participa en la com-
blecer un criterio de composición, es decir, debemos posición, debe ser convertido previamente a una pro-
decidir de qué radar tomamos el dato en los píxeles yección común. No se pueden componer productos
que están cubiertos por dos o más radares. Los crite- en proyección azimutal equidistante, ya que ésta es
rios de composición más utilizados son los siguientes: específica de cada radar. Se muestra un ejemplo de
mosaico de ZMAX en Península y Baleares en la Fi-
Criterio del máximo, que asigna en cada píxel el da- gura 8.12.
Figura 8.12: Mosaico de los radares de AEMET, excepto el radar Canarias, de la imagen de máximos (ZMAX), con
el criterio del máximo. La proyección empleada es la conforme cónica Lambert.
8.10 Anexo: red de rayos de AE- en Canarias. Gracias a la colaboración internacional,

están disponibles también los datos de los sensores de
MET
países vecinos: Portugal, Francia, Italia y Marruecos,
conjuntos de datos que hay que añadir a los anteriores
A NEXO : I MANOL G UERRERO P ERALTA
para todo su proceso. Este intercambio de informa-
Unidad de Teledetección Terrestre, AEMET
ción con las redes contiguas mejora la localización
Las redes de rayos proporcionan observaciones de de las descargas al aumentar el número de datos para
actividad eléctrica en la atmósfera mediante procedi- su determinación y también consigue una configura-
mientos de teledetección [478], procedimientos que ción geométrica más rica para la localización de las
también usan el radar o el satélite. Las redes de rayos descargas al recoger información desde más flancos.
se usan principalmente en las labores de vigilancia del
tiempo y para predicción inmediata o nowcasting (ver La actividad eléctrica está estrechamente relaciona-
cap. 4 en la página 29). da con situaciones convectivas intensas (ver también
cap. 34 en la página 563), lo que puede dar lugar a fe-
AEMET dispone de una red terrestre de detección nómenos meteorológicos extremos y/o adversos como
de descargas que trabaja en el rango de las bandas lluvia torrencial, granizo, fuertes vientos, etc. La Fi-
LF/VLF, por lo que está diseñada para detectar rayos gura 8.13 muestra un día de fuerte actividad eléctrica
nube-tierra, que son los de mayor interés para la vida sobre la península ibérica producida por tormentas con
diaria, aunque puede detectar de forma marginal rayos gran intensidad de precipitación que en algunos casos
nube-nube. La red de rayos de AEMET está formada llegó a ser granizo. Se registraron más de 20 000 des-
por 19 sensores, 14 en la Península, 1 en Baleares y 4 cargas, 9 000 de ellas en la franja 16:00-20:00 UTC.
Figura 8.13: Mapa de descargas nube-tierra detectadas por la red de rayos de AEMET el 27 de agosto de 2017.
8.10 Anexo: red de rayos de AEMET 115
Figura 8.14: Número de rayos por km² y año para el periodo 2008-2017, ambos inclusive, sobre la península ibérica
y Canarias.
Los datos de rayos son esenciales para la navegación completos (2008-2017 ambos inclusive). Se observa
aérea, especialmente en las maniobras de aproxima- la actividad eléctrica más intensa en el noreste de la
ción y repostaje. La información de rayos también Península y en Baleares, particularmente en la vertien-
es útil para usuarios tales como empresas eléctricas, te sur de los Pirineos y en el sistema Ibérico oriental,
confederaciones hidrográficas, en actividades que se así como en el área delimitada por un lado la franja
desarrollen al aire libre, etc. La actividad eléctrica de litoral mediterráne entre el cabo de Creus y el cabo
juega, además, un papel importante en la generación de la Nao y por el otro por las islas Baleares. Puede
de óxido de nitrógeno y ozono a nivel de la troposfe- observarse un máximo marcado en el Maestrazgo tu-
ra, conocidos agentes contaminantes en esos niveles rolense, en el entorno de la sierra del Rayo (ver caja
bajos de la atmósfera. más abajo). Canarias tiene una actividad eléctrica me-
nor y más episódica, por lo que no presenta un patrón
En la Figura 8.14 podemos ver la densidad de rayos de la misma tan persistente como el de la Península.
sobre la península ibérica para un periodo de 10 años
La toponimia no engaña mayor densidad de rayos de toda España.

DAVID M OMBLONA M ONTIEL La cercanía al Mediterráneo como fuente de humedad,
DT en Aragón, AEMET la elevada altitud media de gran parte de su superficie,
donde predominan las formas topográficas tabulares y
Si buscamos en un mapa las localidades turolenses de el hecho de ser una zona típica de convergencias de
Mosqueruela, Valdelinares, Fortanete y La Iglesuela del viento en superficie, facilitan sobremanera la génesis de
Cid, a caballo entre las comarcas de Gúdar-Javalambre la convección durante la época estival, algo que puede
y el Maestrazgo, allí encontraremos ubicada la sierra comprobarse todos los veranos, año tras año.
del Rayo, una verdadera singularidad meteorológica de En las Figuras 8.15 y 8.16 en la página siguiente pode-
nuestro país, pues ostenta el honor de ser el área con mos observar algunas fotografías tomadas en esta zona.
Figura 8.15: Claro ejemplo de cómo la cizalladura separa corrientes ascendentes y descendentes dentro de una
tormenta. La Iglesuela del Cid, 3 de septiembre de 2014. Fotografía: DAVID M OMBLONA M ONTIEL.
Figura 8.16: Rayos en el Maestrazgo desde el valle de Sollavientos, 6 de septiembre de 2014. Fotografía: DAVID
M OMBLONA M ONTIEL.
Climatología y observaciones
9
DOI: 10.31978/014-18-009-X.09
A NDRÉS C HAZARRA B ERNABÉ , C ÉSAR RODRÍGUEZ BALLESTEROS Y C ELIA M ILAGROS F LORES H ERRÁEZ
Área de Climatología y Aplicaciones Operativas, Agencia Estatal de Meteorología (AEMET)
La palabra Clima, etimológicamente, significa inclinación, y se refiere a

la oblicuidad de los rayos solares que llegan al suelo, la cual varía según
las horas del día, la época del año y la latitud del lugar.
Curso de climatología – J. M. JANSÀ G UARDIOLA
Un ingrediente esencial para la elaboración de predicciones acertadas es un conocimiento preciso y lo más exacto
posible del estado actual de la atmósfera. Los sistemas de observación son, por tanto, esenciales para los sistemas
de predicción. La predecibilidad, que tiene que ver con la capacidad para predecir el tiempo correspondiente a
cada día y lugar, depende de las situaciones o configuraciones atmosféricas y, así mismo, el contraste de estas
configuraciones con la climatología aumenta nuestro conocimiento de esa predecibilidad y puede ayudar a
mejorar su formulación. De este modo, la predecibilidad está relacionada en cierta medida con la geografía y
con la climatología correspondientes al fenómeno y al lugar donde realizamos la predicción. Climatología y
predecibilidad guardan así una relación a la que se debe prestar atención. Nos acercamos en este capítulo a la
climatología y a algunas de las redes de observación utilizadas en AEMET con fines climatológicos.
Palabras clave: climatología, observación de la atmósfera, redes de observación, normales climatológicas, Banco Nacional
de Datos Climatológicos, control de calidad y almacenamiento de datos climatológicos.
Imagen parte superior: jardín meteorológico de AEMET en la Antártida en su antigua ubicación, en segundo plano el buque Las Palmas
en medio del brash, 8 de enero de 2007, Base Antártica Española Juan Carlos I, isla Livingston, South Shetland, Antártida. El jardín se
trasladó posteriormente durante la campaña 2008-2009 con motivo de las obras de la nueva base. Fotografía tomada por F RANCISCO
VASALLO L ÓPEZ.
118 Física del caos en la predicción meteorológica Capítulo 9. Climatología y observaciones
Figura 9.1: Mapa de la precipitación media anual en España correspondiente al período 1981-2010. Fuente: Agencia
Estatal de Meteorología (AEMET).
9.1 Climatología y clima ciones estadísticas de los valores que toman los prin-
cipales elementos climáticos como la temperatura del
Según la definición de la Guía de Prácticas Climato- aire, la precipitación, la humedad, el viento, la insola-
lógicas de la Organización Meteorológica Mundial ción, etc., las cuales permiten caracterizar tanto el es-
[688], la climatología consiste en el estudio del clima, tado medio del tiempo como su variabilidad y sus ten-
sus variaciones y extremos y su influencia en varias dencias en un periodo de tiempo determinado. Así, el
actividades, sobre todo (aunque no exclusivamente) clima de un lugar queda caracterizado mediante valo-
en los ámbitos de la salud, la seguridad y el bienestar res medios, máximos, mínimos, distribuciones de pro-
humanos. babilidad y otros estadísticos de magnitudes medibles
relacionadas con los elementos climáticos (ejemplos
A su vez, se entiende por clima las condiciones me- en Figura 9.1 y en el Atlas Climático Ibérico [5] http:
teorológicas normales correspondientes a un lugar y //www.aemet.es/documentos/es/conocermas/
a un período de tiempo determinados. recursos_en_linea/publicaciones_y_estudios/
publicaciones/Atlas-climatologico/Atlas.
Conviene tener presente la diferencia entre tiempo y pdf).
clima: el tiempo es el estado atmosférico en un mo-
mento y lugar concretos, tiene por tanto un carácter
instantáneo, mientras que el clima hace referencia al Hasta bien entrado el siglo XX se consideraba que las
estado medio del tiempo, así como sus variaciones variaciones del clima eran generalmente lentas y gra-
y extremos, en un lugar y un periodo de tiempo de- duales, siendo frecuentes en los textos de climatología
terminados. Es decir, el clima es una síntesis de los de la época las referencias al clima de un lugar como
diferentes tiempos o estados atmosféricos que pode- una característica apenas invariante en el tiempo. Sin
mos esperar que ocurran en cada lugar y momento. embargo, el cambio climático observado en los últi-
Así, cuando calificamos el clima actual del sureste de mos decenios del siglo XX, el cual ha dado lugar a
la península ibérica como seco, nos estamos refiriendo una notable variación estadística tanto del estado habi-
a que las precipitaciones son generalmente escasas en tual del clima como de su variabilidad a escala global,
comparación con otras regiones, pero evidentemente ha supuesto un reto para los climatólogos. A partir
podrá haber días en los que el tiempo sea lluvioso y de entonces, se ha comenzado a considerar el clima y
se registren precipitaciones abundantes e intensas. sus variaciones como una consecuencia de las inter-
acciones entre los componentes del sistema climático,
Para describir el clima de un lugar se utilizan descrip- el cual está formado por la atmósfera, la superficie
9.2 Caracterización del clima a partir de datos climatológicos 119
terrestre, la nieve y el hielo, los océanos y otras masas También es habitual el empleo de índices climáticos,
de agua y los organismos vivos. El sistema climático los cuales sintetizan en un único valor numérico rela-
presenta una variabilidad interna debida a las interacciones más o menos complejas entre elementos climá-
ciones entre los componentes del sistema climático, ticos que conservan cierto sentido físico y que pueden
las cuales ocurren a todas las escalas espaciales y tem- utilizarse para el seguimiento de un proceso determi-
porales y, por otro lado, una variabilidad externa que nado, como por ejemplo el índice de PALMER para la
depende de factores externos al sistema, tanto natura- gravedad de la sequía o los índices utilizados en las
les (variaciones solares, erupciones volcánicas, etc.) clasificaciones climáticas (OMM, Guía de Prácticas
como antropogénicos (alteraciones de la composición Climatológicas 2011 [688]). Además, el estudio de
de la atmósfera y de la superficie terrestre). las series temporales, formadas por las observaciones
ordenadas según la secuencia en la que se efectuaron,
permite determinar de forma cualitativa y cuantitativa
9.2 Caracterización del clima a las variaciones del clima en el tiempo [591].
partir de datos climatológicos
La caracterización del clima se realiza a partir de los A la hora de presentar los resultados, en climatología
datos recogidos en las redes de estaciones climáticas. se utilizan con frecuencia tablas, series de datos, ma-
La abundante información almacenada en las bases de pas climáticos y gráficos con el objeto de mostrar y
datos climáticos es analizada y resumida en un núme- sintetizar de la manera más clara e intuitiva posible la
ro relativamente pequeño de valores que se obtienen al información contenida en los conjuntos de datos y en
aplicar métodos estadísticos. Si se escogen de forma los estadísticos derivados de ellos.
adecuada, estos valores estadísticos permiten resaltar
y poner de manifiesto las principales características
del clima de forma sencilla y fácilmente interpretable. Para que los valores estadísticos de las observaciones
realizadas en observatorios distintos sean compara-
Son muchos los estadísticos que pueden calcularse bles debe tenerse especial cuidado en que las medidas
a partir de los conjuntos de datos y que resultan de se hayan realizado mediante procedimientos análogos,
utilidad para la descripción del clima. Los más ha- empleando instrumentos y métodos de medida com-
bitualmente empleados en climatología comprenden: patibles entre sí y, además, que el periodo de tiempo
medidas de tendencia central, como la media y la me- a lo largo del cual se han realizado las medidas sea
diana, las cuales indican un valor central alrededor del el mismo ya que, como hemos visto, el clima y, por
cual tienden agruparse los datos de una variable cli- tanto, los valores que toman los elementos climáticos
mática; medidas de variabilidad, como la desviación en cada lugar pueden variar de forma significativa a lo
típica y el rango de los datos (diferencia entre el valor largo del tiempo. Por ello, tiene especial importancia
máximo y el mínimo); distribuciones de probabilidad, en climatología el concepto de normal climatológica
percentiles, valores extremos, etc. que vemos a continuación.
Figura 9.2: Valores climatológicos normales del período 1981-2010 del observatorio del Puerto de Navacerrada.
Fuente: AEMET.
Figura 9.3: Mapa de anomalías de la temperatura media de septiembre de 2017 respecto de los valores normales del
periodo 1981-2010. Uno de los fines principales de los valores normales es servir de referencia para evaluar las
condiciones climáticas observadas en una fecha o un período de tiempo determinados. Fuente: AEMET.
9.3 Normales climatológicas se escogieron periodos consecutivos de 30 años, co-

menzando en el primer día del siglo XX: 1 de enero
de 1901 a 31 de diciembre de 1930, 1 de enero de
Las normales climatológicas son las medias de los
1931 a 31 de diciembre de 1960, 1 de enero de 1961 a
datos climatológicos calculadas para un periodo uni-
31 de diciembre de 1990, etc.
forme y relativamente largo que comprende al menos
tres periodos consecutivos de diez años (ejemplo en Hasta bien entrado el siglo pasado se consideraba que
Figura 9.2 en la página anterior). Según la Organiza- el clima es fundamentalmente constante para escalas
ción Meteorológica Mundial, el uso de normales tiene temporales de décadas a siglos y que las variaciones
dos finalidades principales: observadas respecto de ese estado medio se debían
principalmente al método de muestreo. Por tanto, los
Constituyen una referencia para evaluar las condi- valores medios debían converger a ese estado medio
ciones climáticas actuales o recientes, permitiendo al tomar periodos de tiempo suficientemente largos,
obtener, por ejemplo, anomalías térmicas (diferen- y se consideró que treinta años eran suficientes para
cias de la temperatura observada en un lugar de- filtrar las fluctuaciones.
terminado respecto de la normal en ese lugar) que
pueden compararse con las calculadas en otro lugar Sin embargo, durante la segunda mitad del siglo XX
distinto, siempre que el periodo de referencia sea fueron cada vez mayores las evidencias de que el cli-
el mismo (ver Figura 9.3). ma es cambiante (IPCC, 2014 [481]), por lo que los
Se utilizan además con fines de predicción, como valores normales dejan pronto de tener validez co-
indicadores de las condiciones que es probable que mo indicadores del clima presente y futuro [630] (ver
se observen en un determinado lugar en el futuro. Figura 9.4 en la página siguiente). Por este motivo,
la Organización Meteorológica Mundial modificó re-
Las normales climatológicas reglamentarias o están- cientemente los periodos de referencia para el cálculo
dares se establecieron por la Organización Meteoroló- de las normales climatológicas reglamentarias, de for-
gica Mundial a comienzos del siglo XX con el objeto ma que siguen siendo períodos consecutivos de treinta
de que los servicios meteorológicos de los distintos años, pero pasando a actualizarse cada diez años, abar-
países utilizaran los mismos periodos de referencia, cando desde un año que termina en 1 hasta un año
de forma que los valores normales y las anomalías terminado en 0. Es decir, ahora las normales reglamen-
fueran comparables en todo el mundo. Inicialmente, tarias incluyen periodos de treinta años que van del
9.4 La importancia de las observaciones climatológicas 121
1 de enero de 1981 al 31 de diciembre de 2010, del motivo, la Organización Meteorológica Mundial ha

1 de enero de 1991 al 31 de diciembre de 2020, y así establecido el 1961-1990 como periodo de referencia
sucesivamente. Los organismos responsables deben fijo para la evaluación a largo plazo del cambio climá-
calcular las normales climatológicas reglamentarias lo tico y de la variabilidad del clima, de forma que todos
más pronto posible una vez finalizado cada decenio y los estudios sobre cambio climático que se realicen
los períodos de las normales climatológicas reglamen- ofrezcan resultados comparables entre sí. Este período
tarias deben respetarse siempre que sea posible a fin permanecerá en principio fijo para siempre, o al me-
de ofrecer una base uniforme para las comparaciones nos hasta que exista un motivo científico convincente
de valores en todo el mundo. para cambiarlo, según la OMM.
Una cuestión planteada a menudo a los climatólogos

es por qué no se actualizan las normales climatoló-
gicas con una frecuencia mayor, por ejemplo, cada
9.4 La importancia de las obser-
año. Si bien es cierto que podría mejorarse ligera- vaciones climatológicas
mente la capacidad predictiva de los valores normales
al utilizarse así siempre el periodo de treinta años Prácticamente todos los estudios climatológicos uti-
más reciente, una actualización frecuente tiene el in- lizan datos procedentes de las redes de observación
conveniente de que es necesario volver a calcular no climatológicas, ya sean medidas directas registradas
solo los propios valores normales, sino también todos en un momento determinado o bien valores norma-
aquellos conjuntos de datos y productos que utilizan les u otros estadísticos obtenidos a partir de series de
las normales como referencia, resultando un proce- observaciones. Resulta evidente que la calidad de los
so excesivamente costoso en esfuerzo y tiempo. Por resultados que se obtengan dependerá en gran medida
otra parte, cuando las normales se utilizan como refe- de la calidad de los datos originales, siendo por tan-
rencia para la vigilancia y el análisis del clima, una to fundamental procurar que las medidas se realicen
actualización demasiado frecuente de las normales siguiendo los requerimientos y recomendaciones de
resultaría más un inconveniente que una ventaja ya la Organización Meteorológica Mundial para que los
que, al cambiar continuamente los valores de referen- datos de los distintos observatorios sean comparables
cia, no resultarían comparables las anomalías y otros entre sí y ofrezcan la calidad necesaria para realizar
estadísticos calculados en diferentes estudios. Por este los estudios climatológicos a partir de ellos.
Figura 9.4: Temperatura media mensual de enero en el observatorio de Madrid-Retiro desde 1984. Las series largas
de observaciones resultan fundamentales para el estudio de la variabilidad climática. Fuente: AEMET.
En la medida de lo posible, los datos que se empleen 9.5 El Banco Nacional de Datos
para calcular normales y otros estadísticos climato-
Climatológicos de AEMET
lógicos deben ser homogéneos, prestando especial
atención a la posibilidad de que haya habido duran-
te el periodo considerado factores que hayan altera- El Banco Nacional de Datos Climatológicos de AE-
do la homogeneidad de la serie de datos, como pue- MET es una herramienta fundamental en todos los
den ser cambios de emplazamiento, cambios en el procesos relacionados tanto con la caracterización cli-
entorno, cambios en el procedimiento de observación mática de un lugar como con las labores de Vigilancia
(por ejemplo, en la hora de observación), cambios en del Clima en tiempo cuasi-real o la generación de
los tipos de instrumentos o en su exposición y cambios aplicaciones dirigidas a dar respuesta a las demandas
en el proceso de datos. La mejor manera de preservar de diferentes sectores de la sociedad. En él se archi-
la homogeneidad de un registro es evitar en la medida van y gestionan principalmente datos meteorológicos
de lo posible todos estos cambios. Sin embargo, la procedentes de las diferentes redes de observación de
mayoría de las series climáticas de larga duración se superficie.
ven afectadas en menor o mayor medida por facto-
AEMET, por su pertenencia a la OMM (Organización
res como los anteriormente mencionados que pueden
Meteorológica Mundial), cumple con los requisitos
ocasionar heterogeneidades en las series. Existen mé-
establecidos por el Sistema Mundial de Observación
todos estadísticos para estudiar la homogeneidad de
(SMO) que pertenece al Programa para la Vigilancia
un conjunto de datos y es posible realizar correcciones
Meteorológica Mundial de la OMM [690]. Las obser-
en las series de datos para eliminar las inhomogenei-
vaciones meteorológicas de superficie forman parte
dades detectadas, especialmente cuando se dispone
del SMO y en ellas se registra información de diferen-
de información (metadatos) acerca de las fechas de
tes variables meteorológicas como son presión, viento,
los cambios y se dispone además de series paralelas
temperatura, humedad relativa, etc. Las distintas redes
suficientemente largas para comparar y corregir los
de observación meteorológica de superficie responden
datos antes y después de los cambios. También existen
a las diferentes escalas de los fenómenos meteoroló-
métodos estadísticos que utilizan series de referencia
gicos y a la necesidad de conseguir una buena obser-
homogéneas para comparar con las series que pre-
vación. Por definición, la observación meteorológica
sentan problemas de homogeneidad y proceder a su
consiste en la evaluación o medida de los distintos
corrección.
elementos meteorológicos con el fin de caracterizar el
estado físico de la atmósfera en un lugar y momento
Así mismo, a menudo existen lagunas en las series
determinados. Los requisitos referentes a la precisión
de datos que pueden distorsionar de forma significa-
de los datos, la frecuencia de las observaciones, la
tiva los resultados a la hora de calcular estadísticos
distribución espacial de las estaciones así como su
climatológicos. Si, por ejemplo, calculamos el valor
densidad, dependen de las diferentes escalas de los
normal de la precipitación anual de una estación en
fenómenos meteorológicos que han de analizarse. Las
la que falta el valor de un año que fue especialmente
escalas horizontales están estrechamente relacionadas
lluvioso, el resultado será inferior al que se obtendría
con las escalas de tiempo de los fenómenos, por lo que
si se considerara ese valor. Como es habitual que exis-
existirán redes de superficie que van desde una escala
ta correlación entre los datos climáticos a lo largo
planetaria (> 3 000 km) relacionada con las ondas
del tiempo, la falta consecutiva de observaciones sue-
largas de la troposfera superior hasta la microescala
le tener una mayor repercusión a la hora de calcular
(< 100 m) relacionada con la meteorología agrícola,
estadísticos que la falta del mismo número de obser-
la evaporación u otros efectos microclimáticos.
vaciones aleatoriamente repartidas durante el mismo
período de tiempo. En esos casos es recomendable Para garantizar la calidad de las observaciones y pro-
efectuar, previamente al cálculo de los valores norma- mover la compatibilidad y estandarización internacio-
les y de otros estadísticos, un relleno de las lagunas nal de la instrumentación y de los métodos de obser-
en el que se estiman los datos faltantes a partir de los vación utilizados, está el Programa de Instrumentos y
valores observados en estaciones cercanas. Métodos de Observación de la OMM que se lleva a ca-
bo a través de la Comisión de Instrumentos y Métodos
de Observación (CIMO [690]).
9.5 El Banco Nacional de Datos Climatológicos de AEMET 123
Figura 9.5: Mapa con la temperatura a dos metros del suelo observada en la red de estaciones sinópticas de superficie
que se utiliza en el sistema de asimilación de datos del ECMWF. Fuente: ECMWF.
Como resultado de las necesidades planteadas, de los eu/activities/observations-programme/

requisitos de intercambio de información mundial tan- current-activities/programme-management/),
to meteorológica como climatológica y la necesidad así como su utilización en modelos numéricos glo-
de caracterizar lo mejor posible la climatología de un bales y regionales (sec. 10.1 en la página 130). La
lugar, surgen las diferentes redes de observación de necesidad de conseguir una adecuada representati-
superficie en AEMET. vidad de las estaciones de la RSBR supone que la
ubicación de las mismas, su entorno y la exposición
Para el intercambio de datos de estaciones meteoro- de los instrumentos sean adecuados y esté garantizada
lógicas de superficie a nivel mundial (Figura 9.5) en su permanencia durante, al menos, 30 años.
tiempo real y asociado a las necesidades de la Región
VI de la OMM, España dispone de la Red Sinóptica La red RSBR se complementa a su vez con la Red
Básica Regional (RSBR) y varias de dichas estacio- Sinóptica Complementaria (RSC). El conjunto de las
nes forman parte a su vez de la Red Climatológica estaciones que forman parte de la RSC y las de la
Principal. RSBR, permiten cubrir todo el territorio nacional con
una resolución espacial inferior a 80 km, y en con-
La RSBR de superficie está formada por un conjunto junto forman la Red Sinóptica Nacional (RSN). Su
de estaciones dotadas de personal, con una resolu- objetivo es la vigilancia meteorológica y el intercam-
ción espacial entre 100 y 150 km, que miden presión, bio de datos con otros países e instituciones, así como
temperatura, viento, humedad, precipitación, tiem- su utilización en modelos numéricos de área limitada
po presente, visibilidad, nubosidad, temperatura del (sec. 10.1 en la página 130).
suelo y del subsuelo, insolación, estado del suelo y,
en el caso de las estaciones costeras, temperatura del No obstante, como los requerimientos de información
agua del mar, oleaje y estado del mar. La frecuencia meteorológica son cada vez mayores, estas dos redes
de transmisión de la información es horaria. El objeto anteriores se complementan con una red Mesoesca-
de la red es atender el Programa de la Vigilancia lar capaz de proporcionar información de estaciones
Meteorológica Mundial de la OMM y el progra- meteorológicas con una mayor resolución tanto es-
ma EUCOS de EUMETNET (http://eumetnet. pacial como temporal. La Red Mesoescalar o Red
Nacional de Observación Meteorológica de Superficie

(RENOMS) en AEMET incluye las redes anteriormen-
te citadas más una serie de Estaciones Meteorológicas
Automáticas (EMA) que observan presión, temperatu-
ra, viento, humedad, precipitación y tiempo presente
y, en el caso de estaciones costeras, temperatura del
agua del mar y oleaje, transmitiendo la información
cada 10 minutos. La distancia entre estaciones es de
30 a 60 km.
Además AEMET dispone de más estaciones de super-

ficie que junto con las anteriores conforman la Red Figura 9.6: Estaciones de la Red Climatológica Ordina-
Climatológica Ordinaria (RCO). En la actualidad la ria. Fuente: AEMET.
componen aproximadamente 3300 estaciones en fun-
cionamiento que facilitan datos de distintas variables
y con distinta periodicidad. Su finalidad es constituir una red mínima que permita
caracterizar las zonas climáticas del país.
Las estaciones automáticas suministran cada 10 mi-
nutos datos de temperatura, precipitación, dirección Si nos atenemos a consideraciones climatológicas ta-
y velocidad del viento, presión, humedad e insola- les como variables medidas en los distintos tipos de
ción. Por otra parte, las estaciones termométricas y estaciones, presencia o no de personal de AEMET,
pluviométricas, atendidas por personal colaborador, métodos y periodicidad de transmisión de la informa-
anotan diariamente las temperaturas extremas y la ción, cabe establecer tres categorías de estaciones:
precipitación junto con los meteoros observados y,
habitualmente, transmiten sus datos en los primeros Estaciones de la red principal: La OMM considera
días del mes siguiente. estación principal a las estaciones climatológicas en
las que se hacen lecturas horarias, u observaciones,
Este elevado número de puntos de observación permi- por lo menos tres veces por día, además de la tabula-
ten a AEMET mantener su operatividad diaria en ma- ción horaria de las lecturas de los registradores. En
teria de observación, vigilancia y climatología, cum- AEMET son las estaciones de la RSBR y parte de
plir con los compromisos nacionales e internacionales las de RSC y están dotadas de personal. Envían sus
en materia de intercambio de datos y facilitar a la so- datos diariamente cuando son grabados y validados
ciedad una gran variedad de productos y servicios en en el programa del que disponen, Climatología Sis-
tiempo real o casi real a través de su página web y las temas Semi-automáticos (CLISSA) o Climatología
redes sociales. Estaciones Completas (CLESCOM). A fecha 11 de
octubre de 2017 son 92 estaciones y las podemos ver
representadas en el mapa de la Figura 9.7.
Red Climatológica Ordinaria (RCO): A fecha 11
de octubre de 2017 la RCO está constituida por 2902
estaciones, atendidas por personal colaborador; de
ellas, 563 son automáticas y las 2339 restantes ma-
nuales. Podemos ver su ubicación en el mapa de la
Figura 9.6. Las 2339 estaciones manuales registran
diariamente la precipitación recogida y los meteoros
observados y en aproximadamente 1000 de estas 2339
estaciones se anota también la temperatura máxima
y mínima diaria. Las automáticas obtienen al menos
datos de temperatura y precipitación, incorporando
habitualmente otras variables, principalmente viento
y humedad. La frecuencia de observación es diezmi-
nutal y la de transmisión cada 4 horas, aunque en Figura 9.7: Estaciones principales de AEMET. Fuente:
algunos casos se transmiten cada hora. AEMET.
9.5 El Banco Nacional de Datos Climatológicos de AEMET 125
El número de estaciones de cada tipo ha ido variando

con el tiempo, especialmente las termopluviométri-
cas, tal como recoge el gráfico de la Figura 9.10 en la
página siguiente. El número de estaciones pluviomé-
tricas aumenta rápidamente desde final de la guerra
civil hasta mediados de la década de los 70, pasando
de 594 estaciones en 1939 a 5589 en 1976, cayendo
notablemente su número posteriormente, lo que nos
ha llevado a pasar de 5022 estaciones en 1993 a las
2339 actuales. El número de estaciones termométricas
es notablemente menor, ya que la temperatura precisa
Figura 9.8: Estaciones automáticas de AEMET. Fuente: de un menor número de estaciones para su correcta
AEMET. observación, alcanzándose el máximo en el año 1994
con 2047 estaciones, disminuyendo posteriormente
hasta las 994 actuales. El descenso en el número de es-
Estaciones automáticas: Estas estaciones adquieren taciones termopluviométricas que se observa a partir
datos cada 10 minutos que envían al Sistema inte- de los años 90 coincide con la aparición de las esta-
grado para la Gestión de las Redes de Observación ciones automáticas que, como puede observarse en el
(SIGROBS) actual concentrador de estaciones auto- gráfico, aumenta muy rápidamente, pasando de 75 en
máticas, desde el que son distribuidos a las distintas 1996 a 897 en 2014, año en que se alcanza el número
unidades de AEMET que los demandan, entre ellas el máximo, con una ligera disminución posterior hasta
Banco Nacional de Datos Climatológicos. A fecha 11 las 863 con las que se cuenta a 11 de octubre de 2017.
de octubre de 2017 hay 863 estaciones automáticas en
funcionamiento, pertenecientes a la RSC y a la RCO,
así como algunas instaladas en estaciones de la RSBR. Estaciones de la red secundaria: La estaciones au-
El mapa de la Figura 9.8 recoge la localización de tomáticas y las termopluviométricas conforman la red
estas estaciones. secundaria de estaciones de AEMET, que a fecha 11
de octubre de 2017 suman 3202 estaciones.
Estaciones termopluviométricas: Son estaciones
atendidas por colaboradores, pertenecientes a la RCO.
A fecha 11 de octubre de 2017 la componen 2339
estaciones, que anotan diariamente la precipitación
diaria y los meteoros observados; de ellas 994 son a la
vez termométricas y registran también la temperatura
máxima y mínima diaria. Aunque algunas disponen
de un software desarrollado por AEMET que les per-
mite mandar los datos en el momento de grabarlos,
lo habitual es que los manden en los primeros días
del mes siguiente mediante un impreso que una vez
escaneado permite extraer los datos mediante OCR
(reconocimiento óptico de caracteres). En el mapa de
la Figura 9.9 podemos ver la localización de estas Figura 9.9: Estaciones termopluviométricas de AEMET.
estaciones. Fuente: AEMET.
Figura 9.10: Evolución del número de estaciones meteorológicas en AEMET (o INM) desde 1 900. Fuente: AEMET.
9.6 Almacenamiento de datos y corrección, evitando que se introduzcan en la

Base.
control de calidad
• Los datos de las estaciones automáticas no
pasan validaciones previas a su carga en la
Los datos procedentes de las distintas estaciones se
Base para evitar retrasos en su disponibilidad,
almacenan en la Base Climatológica, que resulta ser
aunque dentro de las 24 horas posteriores a su
fuente básica de información para el desarrollo de
carga en la base son tratados por un proceso
productos y aplicaciones y para la atención de los
automático que localiza posibles errores que
Servicios Climatológicos ofrecidos por AEMET.
son validados a diario por personal cualifica-
La calidad de la información y de los productos gene- do.
rados depende de la de los datos empleados. Una de Una vez en las bases de datos, los datos se some-
las principales preocupaciones del Servicio del Ban- ten a distintos procesos automáticos o manuales
co Nacional de Datos Climatológicos es asegurar la para la localización de posibles errores que son es-
integridad y calidad de la información que almacena, tudiados, corregidos o eliminados por el personal
por eso ha desarrollado un conjunto de procesos de técnico de AEMET:
control que, aplicados a los datos antes o después de • Control de superación de efemérides con el
su incorporación a la Base evitan, en lo posible, la que se localizan los datos que, cargados duran-
existencia de errores: te un día, han superado los valores extremos
de la serie a la que pertenezcan.
Antes de su almacenamiento en las bases de da- • Proceso diario automático de depuración
tos: de datos diezminutales que localiza errores
• Los datos de estaciones principales y sede los datos de estaciones automáticas alma-
cundarias se controlan a través de los pro- cenados en el día anterior
gramas de captura que incluyen depuraciones • Control de coherencia espacial para la loca-
encaminadas a localizar datos que presenten lización de datos diarios con coherencia espa-
errores de consistencia, continuidad temporal cial dudosa. Este control se aplica de forma
o superen los límites de intervalos de valores automática a los datos almacenados cada día,
posibles, avisan de los errores y permiten su pero puede realizarse también de forma ma-
9.6 Almacenamiento de datos y control de calidad 127
nual a cualquier periodo de tiempo lo que temporal de distintas variables que pueden mostrar la
permite localizar datos históricos que puedan incoherencia de las observaciones como resultado de
estar afectados de este tipo de error. Existe un dato incorrecto, imágenes de satélites, radar, mapas
una versión manual del programa aplicable a de isolíneas, etc. (Figura 9.11).
datos mensuales.
• Controles ocasionales cuando se sospecha
de algún dato como resultado de su aplica- Actualmente, el Banco Nacional de Datos Climatoló-
ción en determinados estudios o tratamientos gicos ofrece información climatológica básica y ela-
estadísticos (como por ejemplo estudios de borada a través de la web de AEMET, proporciona
homogeneidad de series). Los errores loca- a los usuarios información más personalizada y acor-
lizados en estos casos suelen corresponder a de a sus necesidades suministrando los datos necesa-
datos históricos almacenados con anterioridad rios para la elaboración de certificados e informes y
a 1995, no sometidos a los actuales controles atendiendo las solicitudes que por su complejidad o
de calidad. volumen requieren un tratamiento especial, desarro-
lla nuevos productos, colabora con otras unidades de
Tan importante es la localización de errores como su AEMET en tareas de vigilancia, verificación e infor-
estudio y verificación por el personal de Climatolo- mación climatológica, y con organismos nacionales e
gía. Para ello se dispone de varias herramientas que internacionales de manera puntual o continua, propor-
facilitan esta labor como las gráficas de evolución cionando, por ejemplo:
Figura 9.11: Entre las herramientas utilizadas para la detección de errores en las observaciones se encuentran las
imágenes de radar y de satélite, los mapas de isolíneas y las gráficas de evolución temporal de distintas variables
(fuente: AEMET).
Figura 9.12: Jardín meteorológico de AEMET.
Datos diarios de 115 estaciones para el proyecto Información fenológica al Pan European Phenology
ECA&D (European Climate Assessment & Dataset Project.
Project) de EUMETNET, cuyo objetivo es el filtra- Colaboraciones para la determinación del Estado
do de las series diarias de observaciones, control Mundial del Clima de la OMM y publicaciones
de calidad, análisis de extremos, difundiendo tanto relacionadas.
los datos de las series (de acuerdo a la política de
datos del organismo o estado de origen), como los A pesar de la continua vigilancia realizada sobre los
resultados de los análisis. datos almacenados en la Base Climatológica, la fuerte
Datos diarios de precipitación de casi 1300 esta- demanda de información, sobre todo en tiempo real,
ciones al GPCC (Global Precipitation Climatology impide realizar controles suficientes que eviten la di-
Centre). Este centro está al servicio de los intere- fusión de errores en algunas ocasiones. Es primordial
ses científicos internacionales en lo que se refiere evitarlo y por eso se sigue trabajando en las tareas de
a la vigilancia del ciclo del agua y del clima. Su control, mejorándolas de forma continua, añadiendo
tarea principal consiste en recopilar y analizar los nuevas pruebas y sometiendo a los datos a tantas depu-
datos de observaciones convencionales de las pre- raciones como se crea necesario. Como consecuencia
cipitaciones, permitiendo la consulta gratuita de de ésto, la Base Climatológica puede considerarse un
productos. sistema de almacenamiento vivo, cuya información
Datos diarios y mensuales de distintas variables pa- puede variar en cualquier instante como resultado de
ra el grupo WWR (World Weather Records) de la estos chequeos continuos y siempre con el resultado
OMM, para su registro y difusión. de una mejora de la calidad del dato.
Modelos atmosféricos 10
DOI: 10.31978/014-18-009-X.10
F RANCISCO JAVIER C ALVO S ÁNCHEZ

Área de Modelización, Agencia Estatal de Meteorología (AEMET)
Quizás algún día será posible que los cálculos se hagan más rapidamente de lo que avanzan los sistemas
meteorológicos y con un coste menor al beneficio que reportan debido a la información que proporcionan. Pero esto
es un sueño.
Frase de 1922 – L EWIS F RY R ICHARDSON, matemático, físico, meteorólogo y psicólogo británico pionero en
aplicar técnicas computacionales a la predicción del tiempo, estudiar las causas de las guerras y cómo prevenirlas.
Los modelos de predicción numérica del tiempo son modelos físico-matemáticos que simulan la evolución de la
atmósfera y permiten realizar predicciones del tiempo. Las ecuaciones que describen los procesos atmosféricos
son muy complejas y han de aproximarse numéricamente y resolverse por medio de ordenadores. Los modelos
comienzan estimando el estado inicial de la atmósfera utilizando todas las observaciones atmosféricas disponibles
y luego simulan su evolución. Para que las predicciones que nos brindan estos modelos sean útiles es necesario
que estén disponibles poco tiempo después de haber recibido las observaciones, por lo que se requieren grandes
sistemas de computación. En las últimas décadas los modelos numéricos han mejorado mucho gracias al aumento
de las observaciones, un gran aumento en la capacidad de cálculo y los desarrollos científicos de los modelos.
No obstante, los modelos no son perfectos y se requiere la interpretación por parte de predictores entrenados en
sus características y limitaciones, así como técnicas estadísticas y sistemas de predicción probabilistas. En este
capítulo se describen los fundamentos de los modelos atmosféricos.
Palabras clave: modelos atmosféricos, predicción numérica, modelización numérica, asimilación de datos,
parametrizaciones en los modelos.
Imagen parte superior: cumulus humilis y cumulus mediocris. Uceda (Guadalajara), hacia el sureste, 14 de mayo de 2007, a las 18:44.
Fotografía de J OSÉ A NTONIO Q UIRANTES C ALVO.
130 Física del caos en la predicción meteorológica Capítulo 10. Modelos atmosféricos
Figura 10.1: Modelos con diferentes resoluciones en el entorno de las islas Canarias. A la izquierda una represen-
tación de la orografía con la que trabaja un modelo global, ECHRES (sec. 19.2 en la página 291) con resolución
horizontal de unos 16 km. A la derecha, orografía de un modelo regional de mesoescala, HARMONIE-AROME
(sec. 20.4 en la página 310) con resolución horizontal de 2.5 km. Puede comprobarse cómo la orografía del modelo
de 2.5 km es mucho más realista y, por tanto, podemos esperar un realismo mayor en su descripción de los procesos
meteorológicos.
10.1 Modelos atmosféricos grandes sistemas de cálculo para poder usar las pre-
dicciones operativamente. Por tanto, el desarrollo de
la PNT va muy ligado a los avances de los ordenado-
Los modelos atmosféricos de Predicción Numérica res.
del Tiempo (PNT) son modelos matemáticos que se
utilizan para predecir el estado futuro de la atmósfera Los primeros intentos de modelizar la atmósfera datan
partiendo del estado actual que estimamos por medio de los años veinte del siglo XX y es en 1950 cuando
de las observaciones atmosféricas y un proceso que empiezan las simulaciones por ordenador [397]. En
se conoce como asimilación de datos. las últimas décadas los modelos han mejorado mu-
cho por el gran aumento de la potencia de cálculo
Las ecuaciones que describen los procesos atmosféri- (cap. 11 en la página 145), el aumento de las observa-
cos no son lineales por lo que, desafortunadamente, no ciones atmosféricas, sobre todo de satélite (cap. 7 en
tienen solución analítica (sec. 5.1.5 en la página 54); la página 83) y también por los avances científicos.
por tanto, han de ser aproximadas numéricamente,
existiendo distintos métodos que dan lugar a una gran No obstante, como simulamos la atmósfera de forma
variedad de modelos. aproximada con sistemas caóticos (sec. 5.5 en la pági-
na 64), hay límites en la calidad de las predicciones,
Para que estas predicciones sean útiles es necesario que denominamos predecibilidad (cap. 12 en la pá-
que estén disponibles poco tiempo después de haber gina 155) que dependen del tipo de fenómeno que
recibido las observaciones, por lo que se requieren necesitemos representar.
10.1 Modelos atmosféricos 131
Figura 10.2: El modelo global realiza simulaciones de la atmósfera sobre todo el Globo mientras que el modelo de
área limitada se centra en un dominio regional, lo que le permite aumentar la resolución.
En otras palabras, los modelos no son perfectos, como diario y requieren observaciones globales. Actual-
se muestra en otros capítulos de este volumen (cap. 15 mente, las versiones operativas de estos modelos
en la página 207). pueden llegar hasta los 9 km de resolución hori-
zontal del ECHRES (sec. 19.2 en la página 291),
Por tanto, la utilización de las salidas directas de los modelo determinista del Centro Europeo de Predic-
modelos tiene sus limitaciones y se recomienda su ción a Plazo Medio (European Centre for Medium-
interpretación por parte de predictores entrenados en range Weather Forecasts, ECMWF, cap. 19 en la
sus características y las citadas limitaciones (cap. 4 página 289).
en la página 29), la utilización de técnicas estadísti- Modelos regionales o de área limitada (Limited
cas para corregir errores sistemáticos (cap. 14 en la Area Model, Limited Area Model (LAM). Utilizan
página 193) y el uso de métodos de estimación de la un dominio regional, por lo que la resolución ho-
predecibilidad de la atmósfera, llamados sistemas de rizontal puede ser mucho mayor (Figura 10.1 en
predicción por conjuntos (cap. 13 en la página 165). la página anterior) a la vez que los modelos pue-
den ser más sofisticados. Además su asimilación
10.1.1 Escalas puede utilizar observaciones locales como los datos
radar. Los modelos operativos de este tipo como
Existen dos grandes grupos de modelos atmosféricos HARMONIE-AROME operan actualmente con re-
según su escala: modelos globales y modelos regiona- soluciones en torno a 2 km, aunque hay versiones
les. con resoluciones subkilométricas. El problema es
que necesitan conocer el estado de la atmósfera en
Los modelos globales simulan la atmósfera de todo los bordes de su dominio y esta información se la
el planeta (Figura 10.7 en la página 135). Nece- tiene que proporcionar un modelo global, lo cual
sitan una gran capacidad de cálculo para su uso siempre es una fuente de error.
10.1.2 Anidamiento las condiciones iniciales y de contorno suministradas.

En oposición, el downscaling estadístico baja la esca-
Cuando se integra un modelo de área limitada utilizan- la de un modelo basándose en metodología estadística
do un modelo global que suministre las condiciones únicamente.
iniciales y de contorno, se dice entonces que el mode-
lo regional está anidado en el global. El anidamiento
no está limitado a este caso: puede anidarse un modelo 10.2 Componentes de un modelo
regional de una cierta escala en otro modelo regional
de mayor escala con el mismo propósito: suminis-
atmosférico de predicción
tro de condiciones iniciales y de contorno. De hecho,
puede montarse una cadena de anidamiento con más Los modelos suelen incluir los componentes ilustrados
de un modelo anidado, por ejemplo, un regional sien la Figura 10.3 y que se describen a continuación.
nóptico anidado en un global y, después, un regional
mesoescalar anidado en el regional sinóptico. En el Asimilación de datos. Estimación del estado atmos-
anidamiento se supone que el modelo anidado realiza férico en un momento dado a partir de las ob-
su propio ciclo de asimilación, calculando un análisis servaciones distribuidas por el llamado sistema
a partir de las condiciones iniciales suministradas por mundial de telecomunicaciones.
el modelo global (ver sec. 10.3 en la página siguiente). Dinámica. Trata de aproximar de forma eficiente
(desde el punto de vista de rapidez de cálcu-
lo) las ecuaciones de la atmósfera. Describe
10.1.3 Downscaling dinámico procesos que se representan explícitamente en
la resolución del modelo.
En el caso particular de un anidamiento en el que el Parametrizaciones físicas. Estimación de los efectos
modelo anidado no realiza su análisis, sino que toma de los procesos físicos que tienen lugar a escalas
dircetamente las condiciones iniciales del modelo que demasiado pequeñas para poder ser representa-
lo anida, entonces se utiliza el término downscaling dos explícitamente por la dinámica del modelo.
dinámico o reducción de escala. Es decir, se habla de Posprocesado. A partir de las variables de predicción
downscaling cuando se utiliza un modelo de escala del modelo se calculan muchas variables de in-
superior, e. g. global, como condiciones iniciales y de terés para describir el tiempo: viento a 10 m,
contorno para un modelo de escala más fina, e. g. re- temperaturas junto a la superficie, visibilidad,
gional, sin realizar análisis, iniciando «en frío» desde descargas eléctricas, etc.
Figura 10.3: Componentes de un modelo atmosférico de predicción. Suelen corresponder a módulos separados
dentro del modelo de predicción.
10.3 Asimilación de datos 133
10.3 Asimilación de datos en miles de pequeños elementos y se necesitará cono-

cer el valor de todas las variables del modelo en esos
elementos. El problema se resuelve utilizando una
Para poder realizar una predicción del tiempo, lo pri- predicción previa o campo previo (first-guess) del mo-
mero que se necesita es una estimación del estado delo, que da una primera estimación de la atmósfera,
inicial de la atmósfera y esto se consigue por medio que contendrá errores. Posteriormente, se utilizarán
de las observaciones meteorológicas tanto en superfi- las observaciones para corregir este campo previo.
cie como en distintos niveles de la atmósfera. Actual-
mente hay gran número de observaciones como puede La asimilación de datos es por tanto el proceso de
verse en la Figura 10.4. Varias veces al día se lanzan combinación estadística entre las observaciones y las
globos sonda que van midiendo distintas variables a predicciones de corto plazo que da lugar a un análisis
medida que van ascendiendo, distintos satélites meteo- atmosférico, que será utilizado como condición inicial
rológicos realizan frecuentes observaciones atmosféri- en el modelo de predicción. Hay que tener en cuenta
cas y miles de observaciones de superficie se realizan que las observaciones están irregularmente distribui-
simultáneamente en distintos puntos del globo. Todas das, que no todas ellas tienen la misma calidad y que
estas observaciones se comparten rápidamente para muchas de las observaciones no están en el espacio
que los distintos centros de proceso de datos puedan de las variables del modelo (por ejemplo las radian-
realizar análisis atmosféricos. cias de satélite) por lo que es necesario un operador
de observación que transforme entre las variables del
A pesar del volumen tan grande de observaciones dis- modelo y las variables observadas. Por otra parte, para
ponibles, estas todavía no son suficientes para estimar realizar el análisis es necesario utilizar las estadísticas
el estado en cualquier punto de la atmósfera. Hay que de los errores de las observaciones y las de los errores
tener en cuenta que un modelo discretiza la atmósfera del campo previo.
Figura 10.4: Sistema Global de Observación. Las observaciones se transmiten en tiempo casi real y son utilizadas por
los modelos para hacer una estimación del estado de la atmósfera (análisis). Fuente: Organización Meteorológica
Mundial (http: // www. wmo. int )
Método 3DVAR. Es un método muy utilizado en la

asimilación de datos. Se realizan análisis para un ins-
tante dado utilizando todas las observaciones realiza-
das en una ventana temporal alrededor de la hora del
análisis. Para realizar la estimación del estado atmos-
férico se minimiza una función de coste, J(x), dada
por:
T
J(x) = x − xb B−1 x − xb +
| {z }
JB (10.1)
+(y0 − H(x))T R−1 (y0 − H(x))
| {z }
J0
Figura 10.5: Esquema de un proceso de asimilación
de datos que produce un análisis tipo 3DVAR: Para un
instante dado tenemos una predicción meteorológica de siendo:
unas horas antes (campo previo) que corregimos con
las observaciones disponibles para dar lugar al análi- y = vector de observación
sis que nos sirve como campo inicial para realizar la x = vector de estado del modelo
siguiente predicción. H = operador de observación
B = Matriz de covarianzas de los errores del campo
previo
R = Matriz de covarianzas de los errores de las ob-
En la Figura 10.5 se explica de forma esquemática servaciones
cómo se realiza un análisis atmosférico y en la Figura
Por tanto la función de coste está relacionada con la
10.6 su aplicación práctica en un modelo operativo
distancia entre el estado del modelo y el campo previo,
con ciclos de asimilación-predicción. Los errores del pesada con la precisión del campo previo, y la distan-
modelo de predicción van aumentando con el alcan- cia entre el estado del modelo y las observaciones,
ce de la predicción y los análisis controlan este error pesada con la precisión de las observaciones.
acercando el estado atmosférico a las observaciones.
Figura 10.6: Ciclos de asimilación-predicción en un modelo de área limitada (LAM) que realiza un análisis cada 3
horas utilizando una predicción de 3 horas antes y todas las observaciones disponibles en una ventana temporal de
2 horas en torno a la hora de interés. Por otra parte el LAM necesita condiciones de contorno en sus bordes que le
proporciona el modelo global.
10.4 Dinámica 135
Figura 10.7: El modelo global discretiza la atmósfera sobre todo el Globo mientras que el LAM se centra en un
dominio regional, lo que le permite aumentar la resolución. Los cálculos en la atmósfera se realizan en columnas
independientes.
10.4 Dinámica Estas ecuaciones son bastante generales y son capaces

de representar una gran variedad de escalas y de pro-
cesos atmosféricos, incluyendo los llamados procesos
Las ecuaciones que describen con más detalle la di- no hidrostáticos (sec. 6.3.2 en la página 78). Para po-
námica de un fluido son las ecuaciones de NAVIER - der resolverlas se recurre a simplificaciones como la
S TOKES, ecuaciones muy complejas. Las ecuaciones aproximación hidrostática.
de E ULER son una simplificación de las de NAVIER -
S TOKES, despreciando los efectos de la viscosidad y Sistema de ecuaciones primitivas. Las ecuaciones
de la conductividad térmica, facilitando enormemente más utilizadas por los modelos globales son las llama-
la descripción del flujo atmosférico y su computación. das ecuaciones primitivas que simplifican las ecuacio-
Las ecuaciones de E ULER contienen las leyes de N EW- nes de E ULER utilizando la aproximación hidrostática:
TON , la ecuación de la termodinámica (conservación
de la energía), la ecuación de continuidad (conser- dvh
= − f k × vh − RT p ∇p
vación de la masa) y la ley de los gases perfectos. dt
dT RT d p
Además se utilizan ecuaciones de conservación para dt = C p p dt
dp p ∂w
(10.2)
el vapor de agua, agua de nube líquida y en forma de dt = 1−R/C p
∇ · v h + ∂z
hielo y los distintos tipos de precipitación. ∂p p
∂z = RT g
Ecuaciones de E ULER y de N AVIER -S TOKES. Las donde las derivadas temporales (variables de predic-
ecuaciones de NAVIER -S TOKES incorporan los efec- ción) son las que nos van a permitir calcular el valor
tos disipativos de la viscosidad. Las ecuaciones de de las variables atmosféricas en el futuro. En la apro-
E ULER, a pesar de ser una simplificación de las de ximación hidrostática la velocidad vertical, w, no es
NAVIER -S TOKES, son de naturaleza no lineal, pro- una variable de predicción y la presión se diagnostica
piedad emergente de los términos advectivos (los que a partir de la ecuación hidrostática.
incorporan el operador v · ∇), apareciendo productos
de variables dependientes (sec. 5.6 en la página 55).
Para resolver estas ecuaciones existen muchas varian-

tes que dan lugar a distintos tipos de modelos depen- Hay una equivalencia entre el espacio espectral y el
espacio de puntos de malla, de forma que en cada
diendo de la geometría utilizada, la coordenada ver-
paso de tiempo de la integración se realiza una tran-
tical y las opciones elegidas para las discretizaciones formación entre uno y otro para calcular los términos
espaciales y temporales. no lineales y las parametrizaciones físicas en el es-
pacio de puntos de malla y los demás términos de
La mayoría de los modelos aproximan la atmósfera la dinámica en el espacio espectral. La mayoría de
en volúmenes tridimensionales (Figura 10.7 en la pá- los modelos globales son espectrales, aunque también
gina anterior), calculando los valores promedio de existen modelos de área limitada espectrales como
las variables de pronóstico en estos volúmenes, aun- HARMONIE-AROME [41] en los que es necesario
que también se consideran geometrías más complejas definir un halo alrededor del área de interés para ha-
como las mallas de espaciado variable con mayor reso- cer periódico el dominio. En principio, un modelo
espectral consigue mayor precisión que un modelo de
lución en la zona de interés degradando la resolución
diferencias finitas pero requiere gran numero de trans-
al alejarse de este centro. formaciones que necesitan mucho tiempo de cálculo,
por lo que pudiera ser que este método no fuera efi-
Método de diferencias finitas. Es un método muy ciente para resoluciones subkilométricas.
utilizado para la discretización espacial y temporal de
las ecuaciones atmosféricas. El método consiste en Método de elementos finitos. El método espectral
estimar las derivadas parciales de una función en un utiliza funciones globales definidas en todo el domi-
punto a partir de los valores de la función en los pun- nio. Una alternativa es el método de elementos finitos
tos adyacentes. Así, si queremos estimar la derivada en el que las funciones solo son no nulas en un domi-
con respecto a x de una función f (x, y, z,t) nio local. En principio el método es menos preciso que
el método espectral pero, al poderse realizar los cálcu-
∂f f (x + ∆x) − f (x − ∆x) los en dominios limitados, tiene una gran eficiencia
= (10.3) de cómputo en los actuales ordenadores masivamente
∂x 2∆x
paralelos. El modelo canadiense GEM es un ejemplo
Siendo ∆x el espaciado de la malla de cálculo. La de modelo en elementos finitos. Otra ventaja es que
ecuación 10.3 se llama de diferencias centradas; tiene este método permite rejillas no regulares, pudiéndose
una precisión de segundo orden. Existen otras varian- aumentar la resolución en un área de interés o por
tes para el cálculo de las diferencias finitas que tienen ejemplo en una zona con una orografía compleja. Una
distintos grados de precisión y propiedades numéricas. aproximación que se usa bastante consiste en utilizar
En general los métodos más precisos requieren más el método espectral para la discretización horizontal y
tiempo de cálculo. el método de elementos finitos para la discretización
vertical (modelos ECMWF y ARPEGE).
Método espectral. En oposición a las diferencias fi-
nitas, en vez de usar los valores de las variables en Modelos no hidrostáticos. Con el aumento de la po-
la malla del modelo, lo que se hace es expresar las tencia de cálculo en los últimos años con los ordenado-
variables como una combinación lineal de una serie res llamados masivamente paralelos, ha sido posible
de funciones elegidas para facilitar la resolución de aumentar la resolución espacial de los modelos opera-
las ecuaciones diferenciales. El método espectral sue- tivos regionales hasta alcanzar resoluciones de unos
le aplicarse en la horizontal y las funciones elegidas pocos kilómetros. En estas resoluciones la hipótesis
son los armónicos esféricos Ym,n (λ , µ) de modo que hidrostática deja de ser válida, lo que requiere añadir
cualquier variable podrá expresarse en la forma: al menos dos ecuaciones de pronóstico adicionales
que incluyan, por ejemplo, la velocidad vertical y la
f (λ , µ,t) = ∑ am,nYm,n (λ , µ) (10.4)
m,n
presión. Normalmente también se incluyen procesos
microfísicos de formación de nubes mucho más com-
Para los cálculos habrá que quedarse con un número plejos. Los efectos no hidrostáticos son importantes
limitado de funciones que está definido por la trun- para la representación de nubes convectivas y preci-
cación del modelo. Así un modelo con truncación pitaciones intensas y también para la simulación de
triangular T1279 utiliza un número máximo de ondas ciertos efectos orográficos. Un modelo de este tipo
de 1279. Este método permite calcular de forma exac- es el HARMONIE-AROME utilizado por la Agencia
ta las derivadas. El problema está en el cálculo de los Estatal de Meteorología (AEMET) [41].
términos no lineales para los que se suele recurrir al
método de la transformada.
10.5 Parametrizaciones físicas 137
Figura 10.8: Parametrización de los procesos físicos que suelen incluir los modelos de PNT. Los procesos que
ocurren a escalas no resueltas por el modelo o que son muy complejos se representan de forma aproximada.modelos
10.5 Parametrizaciones físicas

Atmósfera húmeda. Para considerar los efectos de la
humedad en la atmósfera se han de introducir además
Los procesos físicos que tienen lugar a escalas es- variables que describan la evolución de las distintas
paciales y temporales demasiado pequeñas para ser fases del agua. Para una unidad de masa de aire se
utilizarán las humedades específicas (sec. 6.2.4 en
representados explícitamente por la dinámica del mo-
la página 74) para el vapor de agua, agua líquida,
delo han de ser representados de forma aproximada. hielo, lluvia y nieve rv , rl , ri , rR , rS y habrá que es-
No se trata de representar los procesos individuales, tablecer ecuaciones de conservación/predicción para
sino los efectos globales que todos estos procesos pro- las distintas especies teniendo en cuenta los procesos
ducen en las variables resueltas o de pronóstico del microfísicos que ocurren entre ellas.
modelo, mediante las denominadas parametrizaciones
físicas. El tipo de procesos que hay que parametrizar
y su grado de complejidad dependerá de las escalas
que resuelva la dinámica del modelo. También se pa- 10.5.1 Radiación
rametrizan (simplifican) procesos como la radiación,
que son demasiado complejos si se incluyen las ecua- Se trata de estimar los flujos radiativos en los distintos
ciones que los describen sin aproximaciones. niveles del modelo y en la superficie. La radiación so-
lar que llega a la atmósfera es parcialmente absorbida
Los principales procesos que se parametrizan son: ra- por los gases atmosféricos, principalmente oxígeno,
diación, turbulencia, procesos de superficie, nubes de nitrógeno y ozono y, además, sufre dispersión por los
gran escala, nubes convectivas y procesos orográfi- gases atmosféricos y aerosoles. Las nubes producen
cos (Figura 10.8). Normalmente se calculan de forma un efecto de difusión y reflexión de la radiación y, tam-
independiente los distintos procesos utilizando sólo bién, absorben una pequeña parte de la radiación solar.
información en una columna (parametrizaciones uni- Parte de la radiación solar que llega a la superficie
dimensionales sin interacción entre columnas adya- será absorbida por esta, mientras que otra parte será
centes) y las tendencias que producen se añaden en reflejada hacia la atmósfera (dependiendo del albedo
las ecuaciones de predicción. superficial).
Figura 10.9: Parametrización de la radiación. Se dividen los cálculos para la radiación solar (amarillo) y la
radiación de onda larga (azul) emitida por la superficie terrestre, la atmósfera y las nubes. La mayor incertidumbre
procede de la predicción de las nubes y sus efectos.
Por otro lado la superficie, los gases atmosféricos y las la fracción nubosa y del tipo y estructura submalla de
nubes emiten radiación de onda larga que es función las nubes. En general, los modelos con alcances de
de su temperatura y su emisividad. En contraste con la predicción largos, por ejemplo para predicciones de
radiación solar, la mayor parte de la radiación de onda plazo medio y especialmente para predicciones esta-
larga es absorbida por la atmósfera, fundamentalmen- cionales y climáticas, requieren una modelización de
te debido a los llamados gases de efecto invernadero los procesos radiativos más sofisticada en contraste
(ver sec. 29.1 en la página 478), principalmente dióxi- con los de corto plazo.
do de carbono, vapor de agua y ozono.
Las ecuaciones de transferencia radiativa son bien 10.5.2 Procesos orográficos

conocidas y los flujos radiativos podrían calcularse
con gran precisión, pero esto requeriría un tiempo de Las montañas ejercen una influencia significativa so-
cálculo que la haría inviable para un modelo operativo. bre el flujo atmosférico. Los modelos suelen utilizar
La parametrización de la radiación trata de encontrar una orografía media que depende de su resolución
aproximaciones eficientes y suficientemente precisas horizontal, subestimando la altura de obstáculos oro-
para los flujos radiativos. Entre las partículas que in- gráficos e irregularidades del terreno. Por eso, muchos
tervienen en los flujos radiativos, el vapor de agua y modelos parametrizan los procesos orográficos no re-
las nubes son predichos por el modelo mientras que sueltos, como ondas de gravedad orográficas, bloqueo
para otros gases atmosféricos se utilizan distribucio- del flujo atmosférico por los obstáculos orográficos y
nes climatológicas. Actualmente los modelos tienden turbulencia de pequeña escala generada por las irre-
a incluir el ozono y los aerosoles como variables de gularidades del terreno. A medida que aumenta la
pronóstico inicializadas en la asimilación. resolución de los modelos, los efectos mesoescala-
res empiezan a representarse explícitamente por la
Los cálculos radiativos se dividen en onda corta (o dinámica del modelo y, normalmente, por debajo de
radiación solar) y onda larga (Figura 10.9). Por otra 4 km de resolución sólo es necesario parametrizar los
parte no se tiene en cuenta toda la complejidad del efectos de la turbulencia de pequeña escala.
espectro en estos rangos sino que los cálculos se res-
tringen a los intervalos de absorción y dispersión más
importantes. Por ejemplo, HARMONIE-AROME uti- 10.5.3 Procesos superficiales
liza 6 bandas espectrales para representar la radia-
ción de onda corta y 16 para la onda larga. Pese a El objetivo de un esquema de superficie es representar
las aproximaciones, los errores en las estimaciones los intercambios de calor, humedad y momento, condi-
de la radiación en aire claro son pequeños, siendo la ciones de contorno para la atmósfera. Estos procesos
mayor fuente de error los fallos en la estimación de influyen en variables importantes como la temperatura
10.5 Parametrizaciones físicas 139
a 2 m y el viento a 10 m y modulan procesos atmos- el viento presenta un perfil logarítmico y corta a las
féricos como la turbulencia, la radiación y las nubes. isobaras, y por encima la influencia de la superficie
Los esquemas tienen un papel importante en los mo- es menor. Para calcular los flujos superficiales y esti-
delos climáticos y requieren ser más sofisticados. La mar los perfiles de las variables junto a la superficie
parametrización de la superficie necesita calcular la suele recurrirse a la llamada teoría de la Similaridad
evolución de la temperatura y la humedad en el sue- de M ONIN -O BUKOV. Además, los perfiles turbulen-
lo para los distintos tipos de suelo y de vegetación tos se hacen depender de la estabilidad atmosférica:
(Figura 10.10). por encima de la capa superficial un método bastante
utilizado es el de la Energía Cinética Turbulenta. Du-
rante la noche, la atmósfera se estabiliza produciendo
remolinos pequeños y pocos intercambios turbulen-
tos mientras que, durante el día, con el calentamiento
diurno, se producen grandes remolinos turbulentos
que modifican la atmósfera en unos cientos de metros.
Cuando el viento es fuerte, también se producen flujos
turbulentos grandes debido al rozamiento con la super-
ficie terrestre. Los mayores errores en el tratamiento
de la turbulencia se producen con atmósfera estable
y es una de las razones por la que la simulación de
nieblas es muy difícil.
Figura 10.10: Componentes del esquema de superficie

Esquemas unificados de flujo de masa-
de tipo mosaico SURFEX [415].
turbulencia. Las nubes de capa límite también han
de ser descritas por los modelos. Son por ejemplo,
los cúmulos de buen tiempo o de los alisios y los
Esquemas tipo mosaico (tiles) para la parametri- estratocúmulos. La representación de capas límite con
zación de los procesos superficiales. La mayoría de nubes ha mejorado mucho con la introducción de los
las parametrizaciones de superficie subdividen la ma- esquemas unificados de turbulencia-convección some-
lla del modelo en varias teselas para representar la ra, que utilizan una combinación de los esquemas de
heterogeneidad debida a distintos tipos de suelo y difusión turbulenta y los esquemas de flujo de masa
vegetación, presencia de agua y superficies urbanas que describen las nubes. Aunque son nubes en las que
(Figura 10.10). HARMONIE-AROME utiliza 4 tipos la precipitación no suele ser importante, tienen bastan-
de superficie (natural con 12 tipos de vegetación, mar, te impacto en la configuración de las características
lagos y urbana) incluyendo modelos independientes de la atmósfera junto al suelo y, por ejemplo, en la
para cada una de las teselas. También se incluyen definición de entornos que luego pueden dar lugar a
modelos sofisticados para la evolución del manto de convección profunda.
nieve. Por otra parte, se requiere una estimación del
estado inicial de la superficie que se consigue con un
sistema de asimilación de datos específico. Existen
pocas observaciones directas de las variables del sue- 10.5.5 Nubes
lo pero empieza a generalizarse el uso de datos de
satélite.
Es uno de los fenómenos atmosféricos más importan-
tes pero también uno de los más difíciles de predecir
y que condicionan más la predecibilidad de la atmós-
fera. Los modelos numéricos de predicción suelen
10.5.4 Turbulencia
separar el tratamiento de nubes y precipitación en dos
componentes:
La parte inferior de la troposfera (capa límite pla-
netaria (CLP)) está fuertemente influenciada por la Nubes en capas. También llamadas nubes de gran
superficie terrestre y responde rápidamente al roza- escala o estratiformes. Son los grandes sistemas nu-
miento superficial y a los flujos de calor y humedad bosos que ocurren a escalas superiores a la resolución
que le llegan desde el suelo. Los remolinos turbulentos del modelo y por tanto en principio podrán ser re-
que se generan con estos intercambios condicionan sueltas por la dinámica. De todas formas los procesos
fuertemente la evolución atmosférica. Junto al suelo microfísicos (Figura 10.11) que modulan los distintos
procesos de condensación y evolución de las especies la convección utilizan los llamados esquemas de flujo
de agua condensada siempre tienen que ser parametri- de masa que representan de un modo simplificado las
zados. grandes corrientes asociadas a las nubes convectivas:
corrientes ascendentes o updrafts, corrientes descen-
dentes asociadas a la evaporación de la precipitación
o downdrafts y subsidencia (descenso) en el entorno
de la nube. La convección va consumiendo la Ener-
gía Convectiva (convective available potencial energy
(CAPE)) disponible en la columna y puede dar lugar
a precipitación muy intensa de forma localizada.
Modelos convection-permitting. Al aumentar la re-

solución horizontal de los modelos, las nubes de con-
vección profunda empiezan a ser representadas de
forma explícita por el modelo. Lo que se suele ha-
cer en estos casos es desactivar la parametrización
de la convección y dejar que las nubes convectivas
sean descritas por la dinámica del modelo y por la
parametrización de los procesos microfísicos. Como
las resoluciones operativas actuales de los LAM están
en el entorno de 1 a 3 km, las nubes convectivas no
pueden resolverse de forma completa y por eso se
utilizan eufemismos como modelos que permiten la
convección.
Figura 10.11: Procesos microfísicos parametrizados en
el modelo HARMONIE-AROME.
Escalas grises para la convección profunda. Pa-
ra los modelos que operan en escalas que van de
Nubes convectivas. Son las que dan lugar a los cumu- 2 a 10 km si se suele incluir una parametrización de
lonimbos o nubes de tormenta. Se producen porque la la convección. Son las llamadas escalas grises, en las
atmósfera es inestable en la vertical de modo que se ge- que parte de la convección se trata de forma explícita
neran corrientes verticales que tienden a estabilizar la y otra parte se parametriza. Es el caso por ejemplo
atmósfera, pudiendo producir grandes precipitaciones del modelo ALARO (dentro de ALADIN, se desarro-
en un corto espacio de tiempo. La convección juega un llan, entre otros, los modelos AROME y ALARO).
papel muy importante en el flujo atmosférico dando Estas parametrizaciones son mucho más complejas
lugar a grandes transportes de calor, humedad y mo- que las utilizadas en los modelos sinópticos y tienen
mento. Por otra parte, la convección tiene lugar en una que incluir nuevas variables de pronóstico como la
gran variedad de escalas, desde los cúmulos someros fracción nubosa convectiva y la velocidad vertical en
a los huracanes. Además, la convección juega un palas corrientes convectivas.
pel muy importante en la circulación atmosférica. La
mayoría de los modelos operativos que parametrizan
10.6 Terminología: dominio, malla, niveles, fecha, pasada y alcance 141
Término Descripción Ejemplo

Dominio Porción del espacio físico simulada por el modelo Europa
Malla Subdivisiones horizontales que separan el dominio en porciones Regular lat-lon
Celda Cada una de las subdivisiones horizontales de la malla del modelo 400x300 celdas
Suele tratarse de la resolución horizontal: el lado de la celda de
Resolución 10 km
malla del modelo
Niveles Subdivisiones verticales 60
Fecha central de las observaciones con las que el modelo se
Fecha 2017-08-03
inicializa, es decir, fecha del análisis
Hora central de las observaciones con la que el modelo se
Hora 18 UTC
inicializa, es decir, hora del análisis
Pasada Fecha y hora del análisis 2017080318
Tiempo hacia delante contando a partir de la fecha y hora del
Alcance H+18
análisis
Fecha y hora de una predicción, contando desde la fecha y hora del
Validez 2017080412
análisis, hacia delante en el tiempo, sumando el alcance
Rango Alcance máximo de predicción 48 h
Tabla 10.1: Fechas, pasadas y alcances de interés para realizar una predicción para el 4 de agosto de 2017 a las
12 UTC.
10.6 Terminología: dominio, malla, el intervalo de tiempo simulado por el modelo comien-
za en la fecha y hora central de las observaciones que
niveles, fecha, pasada y alcan-
se asimilan para inicializarlo, por lo que se llaman
ce fecha y hora del análisis o, por sencillez, fecha y hora
del modelo. La fecha y hora del modelo se denominan
Los términos relativos a la jerga de los modelos at-
conjuntamente la pasada del modelo, y suele usarse
mosféricos, tales como malla, niveles, resolución, fe-
la notación aaaammddhh, donde año=aaaa, mes=mm,
cha, pasada y alcance de un modelo atmosférico se
día=dd, hora=hh; por ejemplo, la pasada 2017080306
prodigan en este libro, de modo que se brindan aquí
corresponde a la fecha 2017-08-03 y la hora 06 UTC.
definiciones precisas. Esta terminología está resumida
El intervalo de tiempo simulado termina en lo que se
esquemáticamente en la Tabla 10.1.
llama recorrido, rango u horizonte del modelo. Para
Un modelo realiza una simulación del estado atmosfé- describir un instante del tiempo simulado se suele re-
rico en una porción del espacio físico y en un intervalo ferir un alcance en el tiempo, de modo que la fecha y
de tiempo. Esa porción del espacio físico se denomina hora del análisis, más ese alcance en el tiempo, dan
dominio del modelo y puede ser global o regional, una fecha y hora de validez.
por ejemplo Europa occidental. Puede estar definida
una malla regular o de otro tipo en ese dominio, por Notación yyyymmddhh o aaaammddhh. La fecha
ejemplo una malla regular latitud-longitud. Las sub- y hora del análisis del modelo suelen denominarse
divisiones horizontales, si las hay, de ese dominio se pasada del modelo (run en inglés). Opcionalmente,
llaman celdas de la malla. Al hablar de resolución puede añadirse el alcance predictivo y en ese caso la
del modelo suele tratarse de la resolución horizontal: notación es aaaammddhh+ttt
el lado de la celda de malla del modelo, por ejemplo
10 km. Por otro lado, las subdivisiones verticales se lla- aaaammddhh[+ttt]
aaaa año
man niveles verticales del modelo, por ejemplo puede mm mes
Ejemplo: 2017060612+030 =
haber 90 niveles verticales, que normalmente no van dd día
pasada del 6 de junio de 2017 a las
equiespaciados, sino que hay más densidad en aque- hh hora
12 UTC, alcance de 30 horas
ttt alcance
llas zonas donde se quiere describir los procesos de
interés con más precisión. Pasando a la parte temporal,
Ejemplo: fecha, pasada, alcance y validez. Son las El alcance H+06 nos da predicciones para esa fecha
23 UTC del día 3 de agosto de 2017. Vamos a utili- y hora más 3 horas, es decir, para las 00 UTC del 4
zar el modelo HARMONIE-AROME para predecir la de agosto. Así sucesivamente, hasta llegar al H+18,
temperatura de mañana, día 4 de agosto de 2017 a las que nos da predicciones para mañana día 4 de agosto
12 UTC en Sevilla. Para ello, elegiremos la salida del a las 12 UTC, precisamente lo que necesitamos. De
modelo más reciente disponible. modo que, si nos interesa la temperatura mañana 4 de
agosto a las 12 UTC, seleccionamos la pasada dispo-
Consultando la Tabla 10.1 en la página ante- nible más reciente, 2017080318 y el alcance de H+18.
rior, vemos que las pasadas más recientes dis- Haremos la predicción correspondiente. Transcurridas
ponibles, siguiendo la notación aaaammddhh (re- unas horas, dispondremos de la pasada 20170400, que
cordemos que año=aaaa, mes=mm, día=dd, ho- podremos utilizar para actualizar nuestra predicción
ra=hh) son 2017080300, 2017080306, 2017080312 y y, más tarde, podremos volver a actualizar nuestra
2017080318. La más reciente resulta ser la de hoy 3 predicción también con la pasada 2017080406, etc.
de agosto de 2017 (fecha del modelo, o del análisis) a
las 18 UTC (hora del modelo o del análisis, hh o H). En la Tabla se muestran ordenadamente las fechas,
pasadas y alcances de interés para realizar una predic-
Consultando de nuevo la Tabla 10.1 en la página an- ción para el 4 de agosto de 2017 a las 12 UTC.
terior, el alcance H+03 nos da predicciones para esa
fecha y hora más 3 horas, es decir, para las 21 UTC.
Fecha 20170803 20170804

Hora 00 06 12 18 00 06 12 18
Fecha y pasada del modelo Alcances del modelo
20170803 00 H+00 H+06 H+12 H+18 H+24 H+30 H+36 H+48
20170803 06 H+00 H+06 H+12 H+18 H+24 H+30 H+36
20170803 12 H+00 H+06 H+12 H+18 H+24 H+30
20170803 18 H+00 H+06 H+12 H+18 H+24
20170804 00 H+00 H+06 H+12 H+18
20170804 06 H+00 H+06 H+12
Tabla 10.2: Fechas, pasadas y alcances de interés para realizar una predicción para el 4 de agosto de 2017 a las
12 UTC.
10.7 Colaboraciones internaciona- Un ejemplo de esta colaboración es el Centro Europeo

de Predicción a Plazo Medio (European Centre for
les
Medium-range Weather Forecasts, ECMWF, cap. 19
en la página 289) que es una organización interna-
cional independiente financiada por 34 estados y que
Los modelos numéricos de predicción son una de las tiene un claro liderazgo en la predicción del tiempo a
herramientas principales en las que se basan las predic- plazo medio.
ciones del tiempo, aunque la incertidumbre asociada
a sus simulaciones puede ser grande para algunos fe- Otro tipo de colaboración se consigue formando con-
nómenos meteorológicos, tales como la convección y, sorcios para el desarrollo de modelos. En esta moda-
por tanto, se requieren predictores entrenados en la in- lidad, los distintos servicios meteorológicos aportan
terpretación de sus salidas. Se trata de aproximaciones recursos, tanto económicos como de personal, y se
bastante sofisticadas de los procesos que ocurren en la suele trabajar de forma distribuida en los distintos paí-
atmósfera y su calidad ha mejorado mucho en las últi- ses. Por ejemplo, AEMET forma parte del consorcio
mas décadas. El desarrollo y mantenimiento de estos HIRLAM (sec. 20.1 en la página 302) que tiene una
modelos es muy complejo por lo que se han creado colaboración muy estrecha con el consorcio ALADIN
grandes consorcios internacionales para conseguirlo. (sec. 20.1 en la página 304). Fruto de esta colabora-
10.8 Anexo: algunas personalidades relacionadas 143
ción resulta el Sistema compartido ALADIN-HIRLAM lógica de personalidades vinculadas a la predicción

dentro del cual HARMONIE-AROME es una con- numérica y la supercomputación.
figuración. Este nuevo sistema de modelización ha
supuesto un salto significativo de calidad en la predic-
ción del tiempo a escala local y en la predicción de 10.9 Lecturas recomendadas
fenómenos meteorológicos adversos (ver fenómeno
meteorológico adverso (FMA)).
Además de las obras referenciadas directamente, se
recomienda la lectura del libro de J. C OIFFIER, «Fun-
damentals of numerical weather prediction» [137],
10.8 Anexo: algunas personalida- así como seguir los cursos relacionados con los fun-
des relacionadas damentos de la Predicción Numérica del Tiempo
dentro de los módulos de enseñanza del Programa
Para finalizar este capítulo referimos la Figura 11.11 COMET®/UCAR (http://www.meted.ucar.edu)
en la página 153 que presenta una selección crono- [436, 439].
Supercomputación: un factor clave en la evolución de
la predicción del tiempo 11
DOI: 10.31978/014-18-009-X.11
DANIEL S ANTOS -M UÑOZ
Project Leader for System, High Resolution Limited Area Model (HIRLAM), Agencia Estatal de Meteorología
(AEMET)
A NEXO DE R AMÓN S UÁREZ C UBILLO
Ingeniero de sistemas Big Data, PRAGSIS
The sciences do not try to explain, they hardly even try to interpret, they mainly make models. By a model is
meant a mathematical construct which, with the addition of certain verbal interpretations, describes observed
phenomena. The justification of such a mathematical construct is solely and precisely that it is expected to
work - that is correctly to describe phenomena from a reasonably wide area. Furthermore, it must satisfy
certain esthetic criteria - that is, in relation to how much it describes, it must be rather simple.
Method in the Physical Sciences, in The Unity of Knowledge, 1955, ed. L. G. Leary – J OHN VON N EUMANN
La predicción del tiempo ha ido siempre de la mano de la necesidad de realizar cálculos numéricos,
por lo que los más grandes computadores del mundo han sido grandes aliados de los meteorólogos.
Palabras clave: supercomputación, computación de alto rendimiento, big data.
Imagen parte superior: B EATRIZ B URGUETE A ZNAR, madre del editor de este libro, con el primer supercomputador en España, IBM
1620, Laboratorio de Automática UCM-CSIC, 1962.
146 Física del caos en la predicción meteorológica Capítulo 11. Supercomputación
Figura 11.1: Representación artística del concepto de fábrica de predicciones planteado por R ICHARDSON. Fuente:
F RANCOIS S CHUITEN .
11.1 Contexto histórico artículo en alemán cuyo título puede ser traducido
como El problema de la predicción del tiempo desde
el punto de vista de la mecánica y la física [57, 58].
La meteorología como ciencia es relativamente joven. En este artículo B JERKNES aplicaba la dinámica de
La primera predicción meteorológica, con base cien- fluidos y la termodinámica para expresar la evolución
tífica, se atribuye al almirante ROBERT F ITZROY en en el tiempo de una situación meteorológica inicial.
1860 [398]. El almirante de la Marina Real Británica, Este es el punto de partida de la predicción meteoro-
además de comandar el HMS Beagle, el navío en el lógica mediante modelos numéricos tal y como hoy
que C HARLES DARWIN realizó sus viajes alrededor la conocemos en la actualidad.
del mundo, hizo grandes progresos en la predicción
del tiempo. F ITZROY utilizaba medidas de presión Las ecuaciones que B JERKNES propuso y que son la
en diversos puntos transmitidas mediante telégrafo base de la modelización atmosférica (cap. 10 en la pá-
para obtener patrones atmosféricos, que le permitie- gina 129), son un conjunto de ecuaciones diferenciales
ron lograr mayor precisión que sus contemporáneos no lineales. La no linealidad es una característica mate-
en sus predicciones. Su gran labor se vio reflejada mática que da lugar a procesos de retroalimentación y
al publicarse diariamente sus partes meteorológicos gran sensibilidad a los cambios en la condición inicial
en el London Times a partir del 1 de agosto de 1861. del problema. Debido a la no linealidad, matemática-
Desde esa fecha se considera a F ITZROY fundador del mente se establece que el conjunto de ecuaciones no
MetOffice (Servicio Meteorológico del Reino Unido). tiene solución analítica, es decir, que la solución al
sistema no puede expresarse por una «fórmula mate-
No fue hasta la llegada del siglo XX, cuando el físi- mática» o función (cap. 5 en la página 49).
co noruego V ILHELM F. K. B JERKNES (1862-1951)
sentó las bases que permiten expresar la evolución Estas ecuaciones, conocidas como sistema de ecua-
en el tiempo a partir de una situación meteorológica ciones primitivas (sec. 10.4 en la página 135), está
inicial utilizando leyes físicas y, por tanto, abrió la constituido por la ecuación de estado de los gases
posibilidad de la realización de predicciones mediante ideales, la ecuación termodinámica de la energía, la
cálculos numéricos. En 1904 B JERKNES publicó un ecuación de continuidad o conservación de masa y la
11.1 Contexto histórico 147
ecuación de momento de una partícula o burbuja de de los cálculos y el número de datos a tratar redundan-
aire [298]. Debido a la no existencia de una solución do en una mejora de las predicciones meteorológicas.
analítica se emplean métodos numéricos para su reso-
lución. Estos métodos se basan en dividir el espacio La primera predicción por ordenador se ejecutó en
y el tiempo en puntos discretos mediante el empleo 1950, en el primer supercomputador que hubo en el
de rejillas tridimensionales y aplicar metodologías de mundo. El Electronic Numerical Integrator And Com-
cálculo para establecer la evolución en el tiempo de la puter (ENIAC) fue construido en 1946 en la Univer-
atmósfera en cada uno de los puntos definidos. sidad de Pensilvania por J OHN P RESPER E CKERT y
J OHN W ILLIAM M AUCHLY [240]. ENIAC ocupaba
Pero la necesidad de un elevado número de operacio- una superficie de 167 m2 y tenía un peso de 27 tonela-
nes matemáticas llevó a que, hasta la llegada de los das al alojar 17 468 válvulas, 7 200 diodos de cristal,
grandes computadores, las predicciones del tiempo 1 500 relés, 70 000 resistencias, 10 000 condensadores
se basasen en la simple observación y la aplicación y cinco millones de soldaduras. Su capacidad de cálcu-
de unas reglas básicas para estimar su evolución. Es- lo era de unas 5 000 sumas y 300 multiplicaciones
te tipo de predicción, puramente observacional, no por segundo y requería la operación manual de unos
era muy diferente a la que podría realizar cualquier 6 000 interruptores (Figura 11.2).
persona que llevara a cabo actividades aire libre, por
ejemplo pastores o agricultores. En España son co- Usando la capacidad de cálculo de ENIAC, C HAR -
nocidos métodos de predicción basados en creencias NEY , F JØRTOFT y VON N EUMANN [125, 517] reali-
y observaciones del tiempo como Las Cabañuelas o zaron la primera integración numérica de un modelo
el Calendario Zaragozano. También la cultura popu- meteorológico, suponiendo un éxito y abrir una de las
lar reflejada en el refranero está llena de menciones puertas a la predicción meteorológica tal y como la
al tiempo y reglas para tratar de hacer predicciones conocemos en la actualidad.
meteorológicas. Muchas de estas reglas funcionan lo-
calmente, porque tienen una base científica, aunque la Desde ese momento, la previsión meteorológica siem-
cultura popular del refranero lo desconozca. pre ha estado estrechamente relacionada con los ma-
yores supercomputadores que habido en el mundo.
Aún sin supercomputadores, hubo esfuerzos titánicos
Actualmente todos los grandes centros meteorológi-
reseñables para aplicar la metodología de B JERKNES
cos cuentan con superordenadores que les permiten
a la predicción. El médico y meteorólogo británico
hacer los cálculos y procesar miles de millones de
L EWIS F RY R ICHARDSON hizo la primera predicción
datos en tiempos cada vez más ajustados a las necesi-
mediante cálculos manuales el 20 de mayo de 1910.
dades de los meteorólogos.
Para ello realizó manualmente los cálculos durante
seis semanas, y predijo un aumento de 145 hPa en la
presión en superficie en 6 h cometiendo un gran error
en su predicción. El propio R ICHARDSON en 1922 pu-
blicó Weather Prediction by Numerical Process [538]
donde introdujo la idea de la necesidad del cálculo
numérico en paralelo para la realización de predic-
ciones meteorológicas. Para ello acuñó el concepto
de forecast factory y estimó la necesidad de 64 000
HPU (Human Processing Units) para hacer viable una
buena predicción meteorológica (Figura 11.1 en la
página anterior).
El siguiente gran salto en la predicción meteorológica

se dio en el momento en el que aparecieron los prime- Figura 11.2: El matemático, físico, científico de
ros ordenadores. Ya no era necesario hacer cálculos la computación y polímata J ON VON N EUMANN
manualmente, los ordenadores comenzaban a hacerlos (N EUMANN JÁNOS L AJOS) junto a una parte del primer
por nosotros. Esto permitió aumentar la complejidad superordenador ENIAC.
Figura 11.3: Primeros supercomputadores de Control Data Corporation CDC 1604 (izquierda) y CDC 6600
(derecha).
11.2 Cray, el padre de la super- a que el CDC6600 era uno de los sistemas más po-
tentes de la época, el modelo necesitaba 12 días para
computación
producir 10 días de predicción.
S EYMOUR C RAY (1925-1996) es considerado el pa-

La primera predicción en tiempo real para medio pla-
dre de la supercomputación moderna. En 1957 creó
zo fue realizada en junio de 1979, para lo cual se
Control Data Corporation (CDC) que fue la compañía
utilizó un Cray-1A (Figura 11.4). Se utilizaban 5 ho-
que construyó el primer supercomputador comercial
ras de CPU para producir una predicción a 10 días, 50
de transistores, el CDC 1604 (Figura 11.3 izquier-
veces más rápido que el CDC6600. El Cray-1A fue
da). En 1963 se fabricó el CDC 6600 de la era actual
reemplazado por un Cray X-MP/22 en 1984 y éste por
enfriado por freón y con una potencia de cálculo de
un Cray X-MP/48 en 1986. Posteriormente, en 1990,
9 MFLOPS (Mega FLOPS), o lo que es lo mismo
el X-MP/48 fue cambiado por un Y-MP8/8-64, siendo
9x106 operaciones por segundo de coma flotante (Fi-
el primer supercomputador del ECMWF con sistema
gura 11.3 derecha).
operativo UNIX llamado UNICOS por Cray.
Posteriormente apareció en el mercado el primer su-
percomputador de 4 procesadores y memoria compar-
tida, el CDC 8600. Ya en 1972 CDC detuvo el desarro-
llo de supercomputadores y S EYMOUR C RAY creó la
actual Cray Research Inc. (http://www.cray.com).
11.3 La supercomputación en el
ECMWF como ejemplo de
evolución
El nacimiento de la supercomputación comercial per-
mitió, en el año 1975, la creación del Centro Eu-
ropeo de Predicción a Medio Plazo, European Cen-
tre for Medium-range Weather Forecasts (ECMWF,
https://www.ecmwf.int, cap. 19 en la página 289)
en Reading (Reino Unido). El ECMWF está formado
por 21 estados miembros y 13 estados cooperantes.
El objetivo de esta institución europea es aglutinar
recursos para producir datos y predicciones a medio
plazo lo más precisas posible.
Figura 11.4: Primer supercomputador Cray-1A del
La primera versión del modelo numérico de predic- ECMWF. Estaba compuesto de un único procesador a
ción del ECMWF fue desarrollada en un supercompu- 80 MHz, 8 MB de memoria, un almacenamiento en disco
tador CDC6600 durante los años 1976 al 1978. Pese de 2.4 GB y una potencia pico teórica de 160 MFLOPS.
11.3 Supercomputación en ECMWF 149
Figura 11.5: Cray C90 del ECMWF. Estaba compuesto

Figura 11.6: Uno de los clusters de IBM formado por
por 16 CPU, 16 GB de memoria y una potencia pico
768 servidores POWER7-775 conectados mediante IBM
teórica de 1 GFLOPS.
Host Fabric Interface (HFI). Cada uno tenía una poten-
cia pico de 1.5 PFLOPS.
La llegada en 1992 del Cray C90 (Figura 11.5), per- En 2014, dos clusters independientes Cray XC30 se
mitió producir de forma operacional predicciones por ubicaron en salas separadas. Contaban con sistemas
conjuntos o ensembles. de energía y enfriamiento separados para proteger-
los contra una amplia gama de posibles fallos. Cada
Hasta 1994 la arquitectura de todos los supercompu- subsistema constaba de 19 armarios Cray XC30 equi-
tadores del ECMWF se basaba en sistemas de memo- pados con procesadores Bridge Intel Ivy ubicados en
ria compartida. La instalación ese año de un Cray 3 505 nodos de cómputo que contenían un total de
T3D supuso el paso a sistemas de memoria distribui- 84 120 núcleos de cómputo. Contenían además una
da y, por tanto, la recodificación de gran parte del serie nodos para login y para desarrollo y más de
modelo de predicción meteorológica para el uso de 6 petabytes de almacenamiento con capacidad para
computación en paralelo mediante paso de mensajes intercambiar sistemas de archivos entre ambas salas.
(Message Passing Interface, MPI).
En 2015, Cray y el ECMWF decidieron extender su
colaboración hasta el año 2020, por lo que a princi-
Durante los años 1996 a 2002 cuatro supercompu- pios de 2016, los XC30 fueron actualizados a la nueva
tadores Fujitsu de la serie VP700 y VP5000 fueron generación de procesadores de Intel, incrementando
utilizados para la integración del sistema de predic- la memoria y la capacidad de almacenamiento.
ción meteorológica, llegando a potencias de cálculo
sostenidas de 300 GFLOPS.
Entre los años 2002-2014 el ECMWF instaló simultá-

neamente dos clusters de supercomputación de IBM
cada vez que actualizó su sistema de cálculo (Figura
11.6). Todos ellos eran sistemas de procesadores esca-
lares, en contraposición a los procesadores vectoriales
anteriormente usados. Durante estos años se impuso el
uso de redes de baja latencia, como InfiniBand DDR,
junto con un incremento progresivo del número de
servidores y procesadores, lo que llevó a capacidades Figura 11.7: Uno de los clusters de Cray XC40 formado
de cálculo de entre el 200 al 500 % superiores en cada por 1 805 nodos y 64 980 cores de cómputo. Cada uno
nuevo cluster. tenía una potencia pico de 4 250 TFLOPS.
Figura 11.8: Superordenadores anteriores al actual en AEMET/INM: Cray C94 (1994-2003), Cray SV1 (2004-2008)
y Cray X1e (2005-2016).
Esta nueva evolución, denominada XC40, solo incre- durante la década de 1980 tuvo su primer gran or-
mentó los nodos de cómputo a 3 610, pero gracias a denador, un 360 para propósito general donde no se
los procesadores Broadwell, el número de núcleos cre- ejecutaba ningún modelo numérico de predicción. A
ció hasta los 129 960. La potencia pico teórica actual finales de los 80 llegó un Fujitsu FACOM M-760 don-
ronda los 8 500 TFLOPS (Figura 11.7 en la página de ya se ejecutó el primer modelo de área limitada,
anterior). denominado LAM-91.
Los clusters del ECMWF también dan servicio a
los países miembros, entre los que se incluye Es-
paña que, junto a los miembros del consorcio HIR- En el periodo 1994-2002 el antiguo INM dispuso de
LAM (https://www.hirlam.org) al que pertenece un Cray C94 con 4 procesadores vectoriales y un
(cap. 20 en la página 301), mantiene el sistema de 1 GByte de memoria. A partir de 2002 dos Cray, pri-
modernización de mesoescala HARMONIE-AROME mero un SV1 y posteriormente un X1E fueron la base
(ver sec. 20.4 en la página 310). para el cálculo de las predicciones. El Cray SV1, con
16 procesadores y 16 GB de memoria fue el super-
ordenador donde ya se ejecutaba el modelo de área
11.4 La supercomputación en AE- limitada HIRLAM (sec. 20.3 en la página 310). La
MET capacidad de cálculo se incrementó con la adquisición
de un Cray X1E, que tenía un rendimiento teórico de
El antiguo Instituto Nacional de Meteorología (INM), 2.2 TFLOPS. Para ello utilizaba 16 nodos y un total
actual Agencia Estatal de Meteorología (AEMET), de 128 procesadores y 512 GB de memoria.
Figura 11.9: Sistema Bull de AEMET en la actualidad (2017) formado por 324 nodos, 648 procesadores, 7 776 cores,
31.5 TB de memoria y con un rendimiento pico teórico de 168 TFLOPS.
11.5 Terminología 151
En la actualidad (2017) AEMET dispone de un siste-

ma Bull con 18 chasis Bullx B710, cada uno con 18 no- Procesadores vectoriales. En los procesadores vec-
toriales una sola instrucción opera simultáneamente
dos de 2 procesadores Intel Xeon 2697 V2 Ivy Bridge
sobre un conjunto de datos.
de 12 cores a 2.7 GHz con un total de 324 nodos, 180
de ellos con 128 GB de memoria y 144 con 64 GB de Escalabilidad. Es la capacidad de un código de eje-
memoria, ambas DDR3 (Figura 11.9), en total 324 no- cutarse cada vez más rápido al aumentar la capacidad
dos, 648 procesadores, 7 776 cores, 31.5 TB de memo- de cálculo. La mayoría de los códigos tienen un lí-
ria y con un rendimiento pico teórico de 168 TFLOPS. mite asintótico donde el aumento de la capacidad no
El sistema es enfriado mediante refrigeración líquida produce menores tiempos de ejecución.
de alta eficiencia energética, gracias a su sistema free
FLOPS. Del inglés floating point operations per se-
cooling, que refrigera mediante un circuito de agua cond, operaciones de coma flotante por segundo, es
sin apenas consumo eléctrico si la temperatura am- una medida del rendimiento de un ordenador, especial-
biente está por debajo de 26 °C. El rendimiento pico mente en supercomputación. Los ordenadores perso-
teórico de 168 TFLOPS lleva una media de consumo nales suelen operar a unos cuantos GFLOPS mientras
eléctrico de alrededor de 60 KWh. que los más rápidos supercomputadores del planeta
alcanzan varias decenas de PFLOPS.
En este sistema se ejecuta el modelo HARMONIE-
AROME (sec. 20.4 en la página 310) ocho veces al
día y está prevista la implementación de un sistema de
predicción por conjuntos a corto plazo denominado 11.6 Anexo: Big Data
AEMET-γSREPS (cap. 22 en la página 333).
R AMÓN S UÁREZ C UBILLO
Ingeniero de sistemas Big Data, PRAGSIS
11.5 Terminología asociada a la su-
percomputación El hombre siempre se las ha ingeniado para almace-
nar información en diferentes medios con objeto de
realizar posteriores análisis. Fue a mediados de los 90
Los siguientes términos son utilizados de forma habi- y debido a los avances tecnológicos cuando comenzó
tual en el lenguaje de los grandes ordenadores: a ser más rentable almacenar sobre medios digitales
que sobre papel. Desde entonces, la capacidad de pro-
Sistemas de memoria compartida. Los sistemas de cesamiento y velocidad de acceso a los datos digitales
memoria compartida permiten mantener registros en no ha dejado de multiplicarse según la ley de M OORE
un área común a varias unidades de procesamiento. En (ver caja) y en paralelo el número de herramientas de
esta memoria se puede trabajar en paralelo utilizando acceso y de análisis de datos. Sin embargo, incluso
hilos de procesamiento. los mayores ordenadores son insuficientes para cubrir
algunas necesidades de tratamiento de datos, tanto
Sistemas de memoria distribuida. Los sistemas de
comerciales como científicas. Esta insuficiencia, pro-
memoria distribuida no permiten mantener registros
en un área común de memoria a varias unidades de ducida por la incapacidad de adquirir, almacenar o
procesamiento. En esta memoria se puede trabajar en procesar gran cantidad de información, hizo necesario
paralelo utilizando software de paso de mensajes. un nuevo enfoque: Big Data.
Sistemas híbridos. Los sistemas híbridos son actual-

mente los mayoritarios teniendo capacidad de fun- La ley de M OORE expresa que aproximadamente ca-
cionar en paralelo conjuntamente como sistemas de da dos años se duplica el número de transistores en
memoria distribuida (paso de mensajes) y sistemas de un microprocesador y se puede aplicar a la velocidad
memoria compartida (hilos). de CPU y de transmisión de datos y a la cantidad de
memoria de las computadoras.
Procesadores escalares. En los procesadores escala-
res cada instrucción de un procesador escalar opera
sobre un dato cada vez.
El término Big Data se aplica al procesamiento datos
en cantidades tales que se encuentran más allá de la ca-
pacidad del hardware y software usado para producir
resultados dentro de un tiempo razonable. El concep- ubicación de las réplicas de cada bloque en los di-
to tiempo razonable es impreciso, pero indica que el ferentes nodos. Como consecuencia, estos sistemas
objetivo es disminuir ese tiempo. El modo de hacerlo tienen cierta tolerancia a fallos (no se pierden datos
consiste en utilizar en paralelo varios ordenadores allí aunque un nodo falle) y ofrecen altos rendimientos
donde uno solo no puede ofrecer la capacidad necesa- al ser posible acceder al dato simultáneamente desde
ria de almacenamiento y cómputo, lo que se conoce varios nodos.
como almacenamiento y computación distribuidos.
Hadoop Distributed File System (HDFS) [19], es-
El almacenamiento distribuido no es estrictamente crito en Java para el framework Hadoop, debe su
necesario. Hay aplicaciones, como Spark, que permi- popularidad a que está concebido para ser ejecuta-
ten realizar análisis sobre datos al vuelo. Estos datos do sobre commodity hardware, es decir, no requiere
se analizan en tiempo real sin necesidad de almacenar, superordenadores, por lo que es posible desplegar eco-
como por ejemplo análisis sobre las costumbres de sistemas de decenas de nodos a un coste bajo para
millones de usuarios basados en logs de navegación estas escalas.
por internet.
Computación distribuida. El paradigma más aplica-

Los ordenadores individuales son llamados entonces do en la actualidad es MapReduce [408]. Se trata de
nodos y realizan diferentes funciones formando parte un modelo de programación en paralelo desarrollado
de un cluster, conjunto de nodos que funciona como inicialmente para Yahoo! y de amplia difusión al tener
un todo. La principal ventaja de los clusters radica una implementación en código abierto (Open Source).
en la escalabilidad horizontal. Este término describe Su nombre se debe a sus dos principales funciones:
la capacidad de permitir crecer añadiendo más nodos Map y Reduce.
y, como consecuencia, la capacidad de aumentar la
cantidad de almacenamiento y/o disminuir el tiempo Map es una tarea que se paraleliza entre varios no-
de proceso de una manera sencilla y hasta tamaños dos. Cada tarea Map recoge una parte de la entrada
que ya han alcanzado decenas de miles de nodos. de datos (pares de valores), devolviendo una lista de
pares. Estas listas se ordenan, se agrupan por claves y
Almacenamiento distribuido. Entre los diferentes sis- finalmente se combinan.
temas de almacenamiento distribuido, el más exten-
dido es HDFS (ver caja). Los datos se almacenan en Reduce recibe los datos obtenidos de la fase Map pa-
bloques de un tamaño definido y son replicados varias ra devolver un valor reducido único para cada clave.
veces en nodos de almacenamiento llamados datano- Cada tarea Reduce, ejecutada en paralelo, produce un
des. Otro tipo de nodos, los namenodes, controlan la archivo de salida.
Figura 11.10: Esquema conceptual de Big Data.

11.7 Anexo: algunas personalidades relacionadas 153
Sobre esta arquitectura hay en continua evolución un sólo al comienzo de un nuevo camino en el que queda
ecosistema de aplicaciones que permiten gestionar mucho por recorrer.
clusters, orquestar cargas y procesos, realizar análisis
de datos, visualizar resultados y, en general, interac-
cionar con los sistemas del cluster y entre ellas. En 11.7 Anexo: algunas personalida-
2017 hay centenares de aplicaciones formando parte
de un ecosistema Big Data en continuo crecimiento
des relacionadas
[19, 134, 301, 408] (ver Figura 11.10 en la página
Para finalizar este capítulo la Figura 11.11 presenta
anterior). Ésto, unido a la capacidad de escalar hori-
una selección cronológica de personalidades vincula-
zontalmente, permiten aventurar que nos encontramos
das a la predicción numérica y la supercomputación.
V ILHELM F RIMAN KOREN B JERKNES

(1862-1951), físico y meteorólogo L EWIS F RY R ICHARDSON (1881-1953),
noruego, revolucionó la meteorología matemático, físico, meteorólogo y
planteando las ecuaciones primitivas que psicólogo británico, pionero en aplicar
usan los modelos atmosféricos y técnicas computacionales no sólo a la
dirigiendo la escuela de Bergen, predicción del tiempo, sino también al
contribuyendo así a construir los estudio de las causas de las guerras y
cimientos de la actual predicción del cómo prevenirlas.
tiempo.
J ULE G REGORY C HARNEY
N EUMANN JÁNOS L AJOS O J OHN VON
(1917-1981), meteorólogo
M EUMANN (1903-1957), matemático,
estadounidense, considerado padre de la
físico, experto en computación y erudito
meteorología dinámica moderna,
húngaro-estadounidense, contribuyó
desarrolló las ecuaciones de la vorticidad
enormemente en numerosos campos
quasigeostrófica para resolver ondas
dentro de sus disciplinas y fue pieza
planetarias y la teoría de la Inestabilidad
clave en el primer equipo que integró la
Baroclina. Lideró el equipo que integró
primera predicción numérica en 1950 un
la primera predicción numérica en 1950
superordenador ENIAC [125].
[125].
R AGNAR F JØRTOFT (1913-1998),

meteorólogo noruego, formó parte del
equipo de Princeton que en 1950 llevó a
cabo la primera predicción numérica del
tiempo de la historia con un ordenador
ENIAC [125].
Figura 11.11: Personalidades en supercomputación y predicción numérica del tiempo.
Predecibilidad 12
DOI: 10.31978/014-18-009-X.12

La predecibilidad es a la predicción como el romance es al sexo.

K IKURO M IYAKODA, Geophysical Fluid Dynamics Laboratory
Aunque los modelos numéricos deterministas han mejorado tremendamente en las úl-
timas décadas, siguen sin ser perfectos. Hemos visto que la atmósfera es un sistema
dinámico altamente no lineal, con sensibilidad a las condiciones iniciales. Veremos
ahora que esta sensibilidad impone un límite a su predecibilidad: la atmósfera puede
predecirse solo hasta un cierto tiempo y a esta limitación la denominamos el proble-
ma de la predecibilidad. Para la predicción de fenómenos adversos, que a menudo
son fenómenos extremos (aunque no siempre), el de la predecibilidad es un problema
crítico que plantea la necesidad de sistemas de predicción probabilistas.
Palabras clave: predecibilidad, predicción del tiempo, problema de la predecibilidad, limitaciones de los
modelos deterministas, fenómenos extremos y fenómenos adversos, incertidumbre en la predicción atmosférica.
Imagen parte superior: cirrus floccus con virga, AP-15, sobre Zuasti (Navarra), hacia el noroeste, 19 de abril de 2006, a las 14:56, foto
de J OSÉ A NTONIO Q UIRANTES C ALVO.
156 Física del caos en la predicción meteorológica Capítulo 12. Predecibilidad
Figura 12.1: El atractor de L ORENZ como símbolo de los estados atmosféricos (ver texto).
12.1 Limitaciones del esquema de- están considerados en un punto i de la rejilla del mo-
delo, al grupo lo llamamos xi y representa el estado
terminista
de la atmósfera en ese punto i. Entonces, el conjunto
X = (x1 , x2 , . . . , xN ) agrupando el estado atmosférico
En el capítulo dedicado a física del caos (capítulo 5 en todos los puntos del modelo, representaría el estado
en la página 49) se han presentado las limitaciones de toda la atmósfera en un instante dado. Sería un vec-
del esquema determinista para describir con detalle tor del espacio de estados atmosféricos, o conjunto
sistemas dinámicos no lineales, debido principalmen- de valores que adquieren cada una de las variables en
te a su sensibilidad a las condiciones iniciales y a los el mismo instante, figuradamente un punto en la ma-
parámetros del modelo. Estas sensibilidades ponen riposa. El conjunto de todos los posibles vectores X
un límite físico a su predecibilidad [97, 221, 302]. sería el espacio de estados atmosféricos, figuradamen-
Intentemos aplicar estos conceptos a la atmósfera. te la mariposa completa, y representaría el conjunto
de todos los estados atmosféricos posibles.
12.1.1 Caos en la atmósfera

Volviendo a la Figura 12.1, imaginemos que mediante
el modelo de L ORENZ simulamos un fenómeno como
El atractor de L ORENZ (sección 5.2.3 en la página 59) ENSO (sec. 29.2.1 en la página 484 [605]), con mari-
puede utilizarse como icono esquemático para repre- posa representando todos los estados posibles, el ala
izquierda aquellos correspondientes a La Niña, el ala
sentar los estados posibles de la atmósfera como sis-
derecha aquellos correspondientes a El Niño y, por
tema caótico, según se ilustra en la Figura 12.1. Con- último, la parte central aquellos estados en los que el
sideremos que tenemos un modelo atmosférico que océano y la atmósfera del Pacífico sur se hallan en
cubre el planeta entero (un modelo global, ver sec- régimen normal. Recordando la Figura 5.12 en la pá-
ción 10.1 en la página 130). Imaginemos cada punto gina 61 que mostraba una simulación de la evolución
de la malla (sección 10.6 en la página 141) de ese model sistema de L ORENZ, podemos entender que, apli-
delo. El estado atmosférico en ese punto se describe, cado al ENSO, sería extremadamente difícil predecir
el futuro del estado del sistema: según crece el alcan-
explicándolo de un modo sencillo, mediante cinco va-
ce de la predicción, vamos perdiendo predecibilidad
lores, e. g.: presión, temperatura, humedad específica, y es más difícil prever en qué ala de la mariposa se
componente zonal u del viento y componente meridio- encontrará el sistema. El llamado efecto mariposa se
nal v del viento. A esos cinco valores, los agrupamos describe con detalle en la sección 5.5 en la página 64.
y denotamos por x, x = (P, T, q, u, v) y, además, como
12.2 Problema de la predecibilidad 157
Figura 12.2: Izquierda: esquema determinista. Derecha: esquema probabilista (ver texto).
12.1.2 Esquemas determinista y probabilis- la cual la predicción detallada del tiempo se torna
ta impracticable [392].
Una vez aceptamos que el esquema determinista ado- La predecibilidad, o grado en el que una predicción
lece de una falta de predecibilidad a medida que avan- puede tener un grado razonable de acierto, depende
za el alcance de predicción, vamos vislumbrando que de las escalas espaciales y temporales [303], desde
es necesaria una migración conceptual del esquema unas horas en la mesoescala hasta varias semanas en
determinista a uno probabilista. Esta idea básica se la escala planetaria y depende también de la variable
ilustra en la Figura 12.2. Examinemos esta idea en de- meteorológica, por ejemplo temperatura y viento en
talle para la atmósfera. Usando modelos atmosféricos, superficie, precipitación, nubosidad, etc. Caos, ines-
el estado atmosférico queda definido con una serie de tabilidad, incertidumbre, predecibilidad y, como ve-
números que conforman, para su representación, un remos más adelante, dispersión son conceptos todos
mapa meteorológico. Un mapa de condiciones inicia- ellos relacionados.
les o estado presente y otro mapa de predicción para
el estado futuro. Volveremos a examinar este esquema Como veíamos anteriormente, debido al carácter apro-
más adelante en este capítulo. ximativo de las simulaciones de los procesos atmos-
féricos, pequeños errores en las condiciones iniciales
Una vez que aceptamos que los modelos atmosféricos y errores en el propio modelo son las dos principales
deterministas son susceptibles de errores e incertidum- fuentes de incertidumbre que limitan la calidad de una
bres en algunas situaciones y días del año, si quere- predicción determinista [391].
mos mejorar la predicción del tiempo hemos de volcar
nuestras esperanzas en modelos probabilistas. Una Inestabilidad y predecibilidad: predecibilidad de-
vez explorados los fundamentos de la problemática de pendiente del flujo. La incertidumbre limita la prede-
la predecibilidad (12.2 y 12.3 en la página 159), podre- cibilidad, especialmente bajo condiciones atmosféri-
mos establecer los objetivos que esperamos de forma cas inestables: la predecibilidad depende del flujo, no
plausible de un sistema de predicción probabilista. es igual en un ambiente estable que en uno inestable,
por ejemplo. Las inestabilidades atmosféricas típicas
asociadas a condiciones poco predecibles son: inesta-
bilidad baroclínica en escala sinóptica [84], inestabili-
12.2 Problema de la predecibilidad dades inercial y potencial (e.g. convección profunda)
en la mesoescala, entre otras [185, 295, 549, 696].
Un análisis riguroso de las propiedades caóticas de un Esta limitación inherente en la predecibilidad ha con-
ducido a la concepción y desarrollo de los sistemas
sistema tan complejo como la atmósfera sólo puede
de predicción por conjuntos, que proporcionan predic-
llevarse a cabo en contextos simplificados. Sabemos ciones probabilistas y complementan a los modelos
que la dinámica atmosférica es caótica y está bien deterministas tradicionales [449].
establecido que hay una barrera efectiva más allá de
12.2.1 El estado atmosférico como proba-

Función densidad de probabilidad (PDF). La at-
mósfera puede representarse como un sistema diná-
bilidad
mico cuya evolución en el tiempo viene dada por un
conjunto de ecuaciones diferenciales: Para extender el concepto de estado atmosférico al
( espacio de las probabilidades, lo definimos como una
dX X = estado función de densidad de probabilidad, probability den-
= Φ(X, C) donde
dt C = forzamiento sity function, PDF (ver cajas previas).
(12.1)
donde X es el vector de estado atmosférico y C es
el termino de forzamiento o condición de contorno. 12.2.2 Sensibilidad a las condiciones inicia-
Nuestro conocimiento del estado atmosférico en un
tiempo t, si admitimos la incertidumbre respecto al
les
mismo, vendrá dado por una función de densidad de
probabilidad (probability density function PDF en el En el contexto de los sistemas dinámicos, la atmośfera
espacio de fases, que evolucionará en el tiempo según es un sistema altamente no lineal, sufriendo por ello
la ecuación de L IOUVILLE [182]: sensibilidad a las condiciones iniciales y, por ende,
una limitación temporal en su predecibilidad.
∂ρ
ρ(X,t) | + ∇(ρΦ) = 0 (12.2)
∂t
Dada una PDF inicial ρ(X,t0 ), entendemos por PDF 12.2.3 Predecibilidad de primera y de se-
climatológica a aquella PDF a la que tendería nuestra
gunda clase
PDF inicial si t → ∞, es decir, si la dejamos evolucio-
nar suficientemente y que depende de la función Φ y
de las condiciones de contorno C: El llamado problema de la predecibilidad tiene dos
t→∞
formulaciones diferentes que conducen a dos proble-
ρ(X,t) −→ ρ(X; Φ, C) (12.3) máticas distintas: la de primera clase, relacionada con
la predicción del tiempo y la de segunda clase, rela-
cionada con las proyecciones climáticas.
Predecibilidad y sensibilidad a las condiciones ini-

Predecibilidad de primera y de segunda clase. Des-
ciales. En este contexto matemático, la atmósfera es
de el punto de vista matemático [80, 360, 389, 449],
un sistema dinámico altamente no lineal. Si el estado
pueden definirse dos tipos diferentes de problema de
atmosférico es X, la ecuación diferencial que describe
predecibilidad.
su evolución contiene una función Φ(X) que es no
lineal con respecto a dicho estado atmosférico.
Se llama problema de predecibilidad de primera clase
a un problema de valor inicial que se define como
Para conocer la evolución de este estado atmosférico
sigue: dada una PDF en el instante inicial de la evolu-
dada una incertidumbre, perturbación o error en el
ción del sistema en cuestión ρ(X, t0 ), estimar la PDF
mismo, incertidumbre que llamaremos δ X, procede-
en un instante futuro t > t0 , es decir ρ(X, t) :
mos como sigue:
dX d(δ X) dΦ ρ(X, t0 ) =⇒ ρ(X, t) | t > t0 (12.5)

= Φ(X) =⇒ = δ X = J(X)δ X
dt dt dX
(12.4)
Por otro lado, se llama problema de predecibilidad
Vemos que el hecho de que J sea una función de X de segunda clase a un problema de forzamiento o
impone un límite de predecibilidad en la atmósfera. condiciones de contorno, en el que dado un término
El estado atmosférico X sólo tendrá predecibilidad en de forzamiento o condiciones de contorno C′ distinto
un tiempo finito, dependiendo este fenómeno sensible- al conocido C, y dada un PDF en el instante inicial
mente de las condiciones iniciales. ρ(X, t0 ), se trata de estimar la diferencia entre las dos
PDF climatológicas ρ(Φ(X, C′ )) y ρ(Φ(X, C)):
(
ρ(X, t0 )
=⇒ ρ(Φ(X, C′ )) cf ρ(Φ(X, C))
C′ 6= C
(12.6)
12.3 Predecibilidad cotidiana 159
Figura 12.3: Problema de la predecibilidad desde el punto de vista cotidiano de un predictor del tiempo (ver texto).
12.3 Predecibilidad cotidiana podemos conocer exactamente sino solo imaginar, se

representa con una curva roja.
El problema de la predecibilidad se plasma en aspec-
tos muy concretos en la vida cotidiana de un predictor Es posible que nuestro termómetro tenga un pequeño
del tiempo o de un usuario final de la predicción. Va- error de medida y que la temperatura real (en rojo)
mos a verlo con un ejemplo muy sencillo. sea un poquito más baja que la observada al principio
para iniciar la simulación (azul oscuro). Así mismo, la
Imaginemos que tenemos un jardín en el cual tene- evolución real de la temperatura (en rojo) será distin-
mos un naranjo. El invierno se cierne sobre nosotros ta de la que simula nuestro modelo (en azul oscuro).
y durante las 24 horas que se avecinan, es posible Si la raya negra representa el umbral de congelación,
que la temperatura baje lo suficiente para helar las ver que nuestro modelo (azul oscuro) se queda las
naranjas, pero no estamos seguros. Tenemos un termó- 24 horas por encima de la congelación (raya negra),
metro (afortunadamente) que nos da la temperatura nos tranquiliza. Su temperatura final ha sido de 0.4
ahora: 3 grados. Disponemos, ademas, de un ordena- grados. Pero, durante esas 24 horas, la temperatura
dor personal con un modelo sencillo que, si le damos real (rojo) traspasó realmente el umbral de congela-
la observación (3 grados), predice la evolución de la ción (negro) y las naranjas se estropearon. ¡Menudo
temperatura para estas próximas 24 horas. chasco!. Nuestro termómetro tiene un error y nues-
tro modelo tiene un sesgo: error en las condiciones
En la Figura 12.3 podemos ver esa evolución simulada iniciales y, posiblemente, también error en el modelo.
de la temperatura. El eje X representa el alcance de la
predicción medido en horas, el eje Y la temperatura ¿Cómo podemos mejorar este sistema? En primer lu-
medida en grados y, finalmente, el eje Z representará gar, aceptamos que el termómetro puede tener un error,
la probabilidad. La representación usual de la evo- error que estimamos en medio grado más o menos,
lución de la temperatura descansará en el plano XY, según las indicaciones del fabricante del termómetro.
situado en «el suelo» de la figura, mientras que cuan- De modo que si la temperatura medida era 3 grados,
do ampliamos el ejercicio para incluir probabilidades, la temperatura observada podría estar realmente entre
entonces utilizaremos la tercera dimensión. La simu- 2.75 y 3.25. ¿Qué dato observado le damos ahora a
lación de la temperatura se representa con una curva nuestro modelo? Pues podemos trabajar «en equipo».
azul oscuro, que va desde la hora 0 hasta la hora 24 Si usamos, por ejemplo, 11 modelos en vez de uno,
(recordemos que el alcance en horas está en el eje X). podríamos darle a cada uno una temperatura inicial
La evolución «real» de la temperatura, algo que no diferente. ¿Que tal 2.75, 2.80, 2.85, 2.90, 2.95, 3.00,
3.05, 3.10, 3.15, 3.20, 3.25? Con 11 temperaturas ini- Una vez que aceptamos que los modelos atmosféri-
ciales diferentes corremos nuestro modelo 11 veces, cos deterministas son susceptibles de errores e incer-
una vez para cada una de las condiciones iniciales y, tidumbres en algunas situaciones y días del año, si
como el modelo en un PC es algo lento, esperamos un queremos mejorar la predicción del tiempo hemos de
rato, a ver qué ocurre. volcar nuestras esperanzas en modelos probabilistas.
Ahora bien, ¿Cómo generar una PDF representativa
Si la temperatura final, después de 24 horas, de nues- del estado atmosférico, en el contexto de los modelos
tro modelo único fue de 0.4 grados, podríamos pensar numéricos? Una primerísima aproximación naive es
inocentemente que nuestras 11 temperaturas finales la ofrecida en la sección anterior, pero no se trata más
serán un abanico centrado en 0.4 grados «más menos que de una figuración simple. Esta es una pregunta
0.5», es decir 0.15, 0.20 , 0.25, 0.30 , 0.35, 0.40 , 0.45, que tendrá respuesta fundamentada y detallada en el
0.50 , 0.55, 0.60 , 0.65. ¡Pues no! Sorprendentemente, capítulo siguiente sobre sistemas de predicción por
los 11 escenarios que nuestro modelo calcula, no se conjuntos (cap. 13 en la página 165). De momento,
comportan «linealmente» ni mucho menos: algunos una vez explorados los fundamentos de la problemáti-
suben más, otros bajan más, otros suben y bajan de un ca de la predecibilidad (sec. 12.2.3 en la página 158 y
modo diferente. Al final del periodo de 24 horas po- sec. 12.3 en la página anterior), podremos establecer
demos, más o menos, agrupar las temperaturas finales los objetivos que esperamos de forma plausible de un
en «grupos»: un grupo (ver Figura 12.3 en la página sistema de predicción probabilista.
anterior) en torno a -3.5, otro en torno a 3.0 y otro, el
más numeroso, en torno a 1.5. Estimar la función de densidad de probabilidad
de los estados de predicción (PDF). El estado atmos-
Acabamos de imaginar un, muy sencillo pero autenti- férico no va a ser un punto en el espacio de fases, sino
co, sistema de predicción por conjuntos. que será un región, más o menos compacta, de ese
espacio de fases: un conjunto de situaciones plausi-
Refinando la idea de «grupos» en torno a «valores», bles, meteorológicamente hablando, no necesariamen-
podemos pensar en densidad de probabilidad (PDF), te todas con la misma probabilidad, pero todas ellas
que es algo así como la probabilidad asociada a cada posibles. Describimos esas probabilidades mediante
valor de temperatura. Allá donde caigan más curvas una función de densidad de probabilidad (probability
color turquesa (Figura 12.3 en la página anterior), density function, PDF).
más probabilidad tendremos de tener esa temperatura.
Simular el efecto de las diversas fuentes de error o
Ahora nos extendemos en la tercera dimensión de la
incertidumbre en la predicción. Existen dos fuentes
Figura, la dimensión vertical. Esa PDF esta dibujada
principales de error o incertidumbre en la evolución
en la gráfica en color verde, relleno de amarillo pálido.
prevista por el modelo atmosférico: en las condiciones
Una PDF inicial centrada en 3 grados, con una forma
iniciales y en los parámetros del modelo (sec. 5.3.1 en
aproximadamente normal (una joroba y bastante si-
la página 62). Al describir el estado atmosférico con
métrica), desde el punto de vista estadístico. Y otra
una PDF, esperamos estimar el efecto de estas fuentes
PDF final, al final de las 24 horas, con tres jorobas en
de incertidumbre.
vez de una, con alturas diferentes, es decir, probabili-
dades distintas. Nuestro modelo, trabajando 11 veces, Identificar áreas de predecibilidad potencialmen-
ha convertido 11 posibles escenarios iniciales (conte baja. En la evolución de la PDF atmosférica simula-
diciones iniciales) en 11 posibles escenarios finales da, habrá regiones del dominio donde se presente más
(predicciones), con distintas PDF al inicio y al final. dispersión y por tanto haya, a priori, más incertidum-
bre. Esas regiones con más dispersión e incertidumbre
serán candidatas a regiones con poca predecibilidad.
12.4 Necesidad y objetivos de los
Calibrar la predecibilidad dependiente del flujo.
sistemas de predicción proba- La predecibilidad atmosférica es mayor o menor se-
bilistas gún el tipo de situación, es decir, según el patrón o
flujo atmosférico. Por eso se dice que la predecibilidad
Volvamos ahora a la Figura 12.2 en la página 157, a es dependiente del flujo. Mediante un sistema predic-
la luz de las secciones previas que detallan formula- tivo probabilista pueden establecerse relaciones entre
ciones teóricas del problema de la predecibilidad, así los diversos patrones o situaciones atmosféricas y la
como una explicación cotidiana del mismo problema. predecibilidad correspondiente. Este sería un proceso
12.5 Fenómenos extremos y fenómenos adversos 161
de calibración de esa dependencia de la predecibilidad meteorológicos extremos se caracterizan por su poca

con el flujo. frecuencia, fenómenos raros en un lugar, que ocurren
pocas veces y, desde el punto de vista climatológico,
Permitir al usuario estimar la probabilidad de di-
están en la cola de la distribución. Por otro lado, los fe-
ferentes escenarios de tiempo. El estado atmosféri-
nómenos meteorológicos adversos son fenómenos de
co, descrito por una PDF, tendrá diferentes posibili-
gran impacto (el término alto impacto suele encontrar-
dades o escenarios. Con la PDF podemos estimar la
se también en la literatura) en la vida humana, impacto
probabilidad de los diferentes escenarios, para ello
social, económico, etc. Hay cierta relación entre extre-
hay muchas técnicas posibles que se irán describiendo
mo y adverso, pero no directa. Así por ejemplo, una
a lo largo de este y el capítulo dedicado a SPC (cap. 13
ola de calor en diciembre en España, temperaturas
en la página 165).
extraordinarias para lo que en diciembre se entien-
Evaluar el potencial de fenómenos adversos. Al- de por normal, e. g. temperaturas de 25 grados, es
gunos de los escenarios previstos por el sistema de un fenómeno extremo porque es muy poco frecuente,
predicción probabilista implicará fenómenos adver- pero no es un fenómeno adverso. Un ejemplo de lo
sos (ver fenómeno meteorológico adverso (FMA)) de contrario serían vientos relativamente intensos en una
uno u otro tipo. Conociendo la probabilidad de ca- zona costera del litoral cantábrico: no es un fenómeno
da escenario, podemos evaluar las probabilidades de tan infrecuente, pero sí que es un fenómeno adver-
diferentes fenómenos adversos. so. Ahora bien, muchos fenómenos extremos sí que
son adversos y viceversa. En España se dan fenóme-
nos adversos de diversa naturaleza, algunos episodios
12.5 Fenómenos extremos y fenó- famosos están ilustrados en la Figura 12.4.
menos adversos
Fenómeno extremo y fenómeno adverso son términos
que se refieren a diferentes conceptos. Los fenómenos
Figura 12.4: Algunos episodios de fenómenos adversos (ver FMA) en la península ibérica, composición sobre imagen
de la ESA.
Figura 12.5: Ilustración de los episodios M ARTIN y L OTHAR (ver texto). ECMWF.
12.5.1 Episodios adversos europeos Lothar rios sin electricidad durante 20 días, 3 millones de
y Martin personas sin agua. Tratándose de Europa, se trata de
un fenómeno adverso, aunque puede no serlo en otros
Un poco antes de los albores del siglo XXI se estaban lugares del mundo donde, por ejemplo, los huracanes
gestando los fundamentos científicos y las plataformas pueden cobrarse más víctimas y provocar daños muy
técnicas para realizar los primeros sistemas de predic- superiores. En la Figura 12.5 se muestra cómo ilustra-
ción probabilistas [590]. T IM PALMER y L EONARD ba PALMER este potencial en aquel entonces para los
S MITH , personalidades que participaron directamente casos L OTHAR y M ARTIN. En la parte izquierda de la
en estos desarrollos, pudieron probar uno de los pri- figura puede verse un lugar de Europa central donde
meros SPC pioneros del mundo (el SPC del ECMWF, hay lluvias intensas en pocas ocasiones pero, cuando
ECENS, 19.3 en la página 293) buscando un lugar se dan, provocan inundaciones repentinas que pueden
adecuado para la observación de un eclipse. La ob- hacer llegar el nivel del agua hasta diferentes puntos
servación de un eclipse no se trata de un fenómeno del edificio de la fotografía, como el episodio M AR -
adverso, pero la metodología es la misma. Pasando TIN de 2002. Los mejores modelos deterministas de
a fenómenos adversos de verdad en el dominio euro- la época no eran capaces de predecir adecuadamente
peo, los episodios llamados L OTHAR (Dic 1999) Y estos eventos, pues habitualmente los modelos deter-
M ARTIN (Ago 2002), de finales del siglo XX y prin- ministas es difícil que acierten simultáneamente tanto
cipios del siglo XXI, respectivamente, fueron casos la localización como la intensidad del evento. Sin em-
ideales para ilustrar el potencial de los SPC a la hora bargo, el ECENS, SPC con 51 miembros, podía alertar
de prevenir adecuadamente fenómenos adversos. En sobre estos episodios intensos, dando precipitaciones
el caso L OTHAR se registraron 100 víctimas fatales, intensas en alguno de esos 51 escenarios, mostrados
400 millones de árboles perdidos, 3 millones de usua- en la parte derecha para el caso del episodio L OTHAR.
Figura 12.6: Episodio de Oliva-Gandía de 3-4 noviembre de 1987. Izquierda: inundación en Oliva, La Safor, València,
foto cedida por el Ayuntamiento de Oliva. Derecha: imagen de satélite infrarroja con realce, Agencia Estatal de
Meteorología (AEMET).
12.5 Fenómenos extremos y fenómenos adversos 163
12.5.2 Caso de Oliva en noviembre de en alguna zona del área mediterránea y el periodo de
1987 retorno, para una localidad o comarca particular, tam-
poco es muy elevado. Considerando la importancia
Un caso de referencia en España es el episodio de de casos como el de Oliva y su poca predecibilidad,
lluvias intensas en La Safor el 3-4 de noviembre de ilustramos la singularidad pluviométrica de las comar-
1987 (Figura 12.6 en la página anterior). En Oliva se cas de La Marina y La Safor (Figura 12.7) dedicando
estableció un récord oficial que aún (2017) no se ha una sección del capítulo del episodio (sec. 44.1 en la
batido: 817 mm en 24 h (en Gandía se registró aún página 656).
más en dos etapas, sin ser declarado oficial). Al en-
señar este episodio en congresos en Europa del norte
es un dato que a veces se ha confundido con la pre- 12.5.4 Predecibilidad de la precipitación
cipitación mensual, pero ha habido que explicar con
claridad que no, que es precipitación diaria. Para ana- La precipitación es una variable meteorológica es-
lizar este episodio en detalle, se le dedica un capítulo pecial. Su extrema variabilidad espacial y temporal,
en la parte de casos (cap. 44 en la página 655). Es un la dificultad para representarla adecuadamente debi-
caso claro de fenómeno tanto extremo como adverso. do a sus altos gradientes y, sobre todo, la tremenda
dificultad para predecirla adecuadamente con la pre-
cisión necesaria hacen de la precipitación uno de los
12.5.3 La singularidad pluviométrica de la caballos de batalla del mundo de la predicción del
Marina Alta y La Safor tiempo. La verificación de sus previsiones es también
una disciplina especial que requiere metodologías es-
En el área mediterránea estas lluvias intensas como pecíficas (e. g. métodos espaciales, sección 15.5 en
la de La Safor 1987 son tremendamente difíciles de la página 219) y ha dado lugar al nacimiento de los
predecir. El calor latente del mar, la orografía, la con- llamados métodos espaciales de verificación. Por to-
vección profunda y otros factores convierten a estos do ello podemos considerar a la precipitación como
fenómenos en tremendamente caóticos. Y, si bien son, una de las variables que ostenta, en general, menor
evidentemente, fenómenos adversos, no son fenóme- predecibilidad. Teniendo en cuenta que es una de las
nos tan extremos como pueda parecer. No son tan variables de tiempo sensible que demanda más preocu-
extremos, al menos en un sentido estadístico, porque pación en el entorno social, su adecuada predicción se
sus periodos de retorno no son tan largos: estas llu- convierte en un auténtico reto para los profesionales
vias intensas ocurren prácticamente todos los años de la meteorología.
Figura 12.7: Singularidad pluviométrica de la Marina Alta y La Safor. A la izquierda, mapa físico de la Safor, Marina
Alta y zonas próximas. Se señalan los ríos principales, la incidencia de los vientos de gregal y algunas zonas de
convergencia de sotavento. A la derecha, precipitación en el episodio de 16-19 de diciembre de 2016.
12.6 Predecibilidad y predicción de probabilidad (PDF), aportando un soporte matemá-

tico riguroso en el que el problema de la predecibili-
Comenzábamos este capítulo con la cita del científico dad se define con rigor en términos de la evolución en
K IKURO M IYAKODA, del Geophysical Fluid Dyna- el tiempo de esa PDF. En ese contexto, el problema de
mics Laboratory de la NOAA, pionero en modeliza- la predecibilidad estriba en la no linealidad del opera-
ción de las predicciones entre 10-40 días, cita que dice dor evolución del estado atmosférico, lo que implica
«La predecibilidad es a la predicción como el roman- sensibilidad a las condiciones iniciales y por tanto una
ce es al sexo». El mensaje principal, tan importante limitación en su predecibilidad.
como cierto, de la cita es que en la actualidad todo
sistema de predicción debe incorporar la predecibili- Se hace necesario un buen marco teórico para desa-
dad de forma natural. En el esquema presentado en rrollar esquemas que representen las incertidumbres
la Tabla 12.1, siguiendo a PALMER [493], podemos en las predicciones, para poder simular las fuentes de
ver algunos detalles de lo que en el siglo XX confor- error en la predicción y poder representar adecuada-
maba una dualidad que condujo a debate y, en última mente la PDF del estado atmosférico. Las técnicas
instancia, al nacimiento de un nuevo paradigma en emergentes se describen en el capítulo dedicado a los
la predicción del tiempo, como veremos en el capítu- sistemas de predicción por conjuntos.
lo 13 en la página siguiente. En la actualidad se ha
trascendido la dualidad: la predecibilidad forma ya Los sistemas de predicción probabilistas se hacen es-
parte natural de los sistemas de predicción. pecialmente necesarios para predecir adecuadamente
tanto los fenómenos extremos (fenómenos de muy
poca frecuencia) como los fenómenos adversos (fenó-
12.7 Conclusiones menos de gran impacto social y económico). No son
lo mismo, pero mantienen una estrecha, aunque no di-
Como sistema dinámico, la atmósfera tiene un carác-
recta, relación: no todos los fenómenos extremos son
ter fuertemente no lineal, lo que implica sensibilidad
adversos y, a su vez, no todos los fenómenos adversos
a las condiciones iniciales (CCII) e impone un límite
son extremos.
físico a su predecibilidad, o capacidad de realizar una
predicción de calidad razonable. Se hace necesario,
por tanto, complementar a los modelos deterministas Los sistemas de predicción actuales incorporan la pre-
con simulaciones sobre las incertidumbres (CCII y decibilidad dentro de la cadena que genera prediccio-
parámetros del modelo), extendiendo el concepto de nes. Predecir la predecibilidad es predecir el riesgo
estado atmosférico al espacio de las probabilidades. meteorológico y climático, un elemento esencial en
cualquier sistema práctico cuantitativo de predicción.
En un sistema de predicción probabilista, definimos el «La predecibilidad es a la predicción como el romance
estado atmosférico mediante una función de densidad es al sexo» (K IKURO M IYAKODA).
Dualidad obsoleta del siglo XX

Predicción Predecibilidad
Enfoque pragmático Descripción más realista y honesta de la atmósfera
Actividad rentable, seria y productiva Investigación y desarrollo
Predicciones sujetas a error Predicciones + incertidumbres
Visión del siglo XXI
En los centros meteorológicos actuales predicción y predecibilidad son ingredientes integrados de la
misma actividad
Tabla 12.1: Predicción y predecibilidad: una dualidad obsoleta del siglo XX (ver texto).
Sistemas de predicción por conjuntos (SPC)
13
DOI: 10.31978/014-18-009-X.13

Ningún hombre es una isla, algo completo en sí mismo; todo hombre es

un fragmento del continente, una parte de un conjunto.
Devociones para Ocasiones Emergentes – J OHN D ONNE
Describimos la atmósfera como un sistema dinámico altamente no lineal. Por su naturaleza, este tipo
de sistemas es sensible a las condiciones iniciales, además de serlo a la formulación del modelo, lo
que impone un límite físico a su predecibilidad: la atmósfera puede predecirse con cierta exactitud
solo hasta un cierto horizonte de predicción en el tiempo. El meteorólogo E. N. L ORENZ, en los años
1960 estimó, desde un punto de vista teórico, unos márgenes para ese límite entre 2 y 3 semanas.
Asumiendo esta limitación natural de las predicciones deterministas, el único modo de afrontar el
reto de hacer predicciones de calidad es introducir la probabilidad de forma natural en los sistemas de
predicción. El problema de la predecibilidad se articula entonces en términos de describir el estado
atmosférico mediante una función de densidad de probabilidad (en inglés probability density function,
PDF) adecuada. De ese modo podremos, además de describir la evolución del estado atmosférico,
describir las incertidumbres asociadas a esa evolución. Los sistemas de predicción por conjuntos son la
primera aproximación técnicamente plausible con la que se ha realizado esta idea. En este capítulo
exponemos los fundamentos básicos de estos sistemas.
Palabras clave: sistemas de predicción por conjuntos, ensemble, predecibilidad, escenarios, incertidumbre en la
predicción atmosférica.
166 Física del caos en la predicción meteorológica Capítulo 13. Sistemas de predicción por conjuntos (SPC)
Figura 13.1: Esquema que resume contenidos previos de otros capítulos, mostrando la necesidad de los sistemas de
predicción probabilistas (ver texto).
13.1 Necesidad modelo la misma confianza que normalmente, porque

es inconsistente, sesgado, en una palabra, poco de fiar.
Como ya hemos descrito en capítulos anteriores (ca- ¿Por qué?
pítulos 5 en la página 49 y 12 en la página 155) los
modelos atmosféricos deterministas revolucionaron el Se requiere investigar la fuentes de error e incerti-
mundo de la predicción del tiempo y han mejorado dumbres, profundizando en la teoría subyacente a la
enormemente en las últimas décadas. Los sistemas de dinámica y la modelización. Respecto a las fuentes de
observación, en particular los satélites meteorológicos error, hemos visto también en capítulos precedentes
(cap. 7 en la página 83), han supuesto un avance críti- que hay dos fuentes principales de error e incertidum-
co, así como los métodos de asimilación (sección 10.3 bre en los modelos: (i) en las condiciones iniciales,
en la página 133) de los datos correspondientes en los debido a la propia imperfección de los sistemas de
modelos. La formulación del modelo puede ser, a su observación y de asimilación de datos y (ii) en la
vez, cada vez más completa y detallada gracias, en par- formulación del propio modelo, tanto en la dinámi-
te, a las mejorías vertiginosas en supercomputación ca como en la parametrizaciones. En lo tocante a la
(capítulo 11 en la página 145) que permiten aumentar teoría, hemos visto cómo el carácter fuertemente no
la resolución espacial y temporal en la descripción lineal de los sistemas dinámicos con los que describi-
de los fenómenos meteorológicos en el modelo. Las mos la atmósfera los hace hipersensibles a pequeñas
medidas objetivas de calidad determinista de los mo- variaciones en las condiciones iniciales, lo que a la
delos muestran esta mejoría de muchos modos, ya sea postre impone un límite físico a su predecibilidad. El
con medidas cuantitativas de rendimiento como en su meteorólogo E DWARD N. L ORENZ estudió cómo este
equivalente en términos de periodo de validez de las límite variaba con la escala espaciotemporal y estimó,
predicciones (capítulo 15 en la página 207). para escalas sinópticas, un límite aproximado de 2-3
Sin embargo, estos modelos todavía están lejos de semanas (para escalas convectivas sería de 3-6 horas).
ser perfectos y siguen fallando en algunas situaciones Se hacen necesarios, por tanto, sistemas de predicción
meteorológicas importantes, como son por ejemplo probabilistas. Estas ideas quedan sintetizadas en la
aquellas en las que la convección juega un papel cru- Figura 13.1.
cial y, en general, las relacionadas con fenómenos
extremos o fenómenos adversos (ver fenómeno me- ¿Qué se hacía antes, cuando no se contaba con la
teorológico adverso (FMA)). Hay un número de días posibilidad de desarrollar sistemas de predicción pro-
del año en que el predictor del tiempo no puede dar al babilistas?
13.2 ¿Qué se hacía antes de los SPC? 167
13.2 ¿Qué se hacía antes de los también qué decía la pasada inmediatamente anterior
para ese mismo momento. Es decir, la pasada de ayer
SPC?
día D-1 de las 12 UTC, alcance de T+72 h:
Antes de la aparición, en los años 90 (en la Agen-
cia Estatal de Meteorología (AEMET) empezaron en Pasada D de 00 UTC + alcance 60 h = válido D+2 a
las 12 UTC
1 998 y, sistemáticamente, en 2 000), de los sistema(s)
de predicción por conjuntos (SPC) como herramien- Pasada D-1 de 12 UTC + alcance 72 h = válido D+2 a
ta para la predicción, en los centros de predicción las 12 UTC
operativa se seguían estrategias clásicas para tener en
cuenta, de un modo u otro, las incertidumbres en las
predicciones.
En principio, cuanto más reciente es la pasada más
fiable es la salida del modelo, pues las observaciones
con las que está inicializado son más recientes. Pero
13.2.1 Consistencia entre pasadas
no necesariamente y no siempre es mejor la última pa-
sada. En ocasiones (podemos hablar de un 10 % de los
Una comprobación habitual, vigente aún hoy y bastan- casos) la pasada anterior da una mejor aproximación
te útil aunque no exenta de cierta subjetividad, es la para la atmósfera, por diversas razones (sec. 15.1.1
consistencia entre pasadas sucesivas del mismo mode- en la página 208). En cualquier caso, la consistencia
lo atmosférico. ¿En qué consiste esta comprobación? entre pasadas sucesivas es un indicativo, subjetivo pe-
Imaginemos que hoy es día D y estamos interesados ro útil, de fiabilidad de las salidas del modelo. Esta
en hacer una predicción para el día D+2 a las 12 UTC. comprobación tiene sentido y encaja con la idea, tam-
Disponemos de pasadas de las 00 UTC y las 12 UTC bién subjetiva hasta cierto punto, de la fiabilidad que
de un modelo atmosférico, por ejemplo el ECHRES podemos otorgar al modelo en los diversos tipos de si-
(sec. 19.2 en la página 291), modelo determinista del tuación. Si se nos presenta una atmósfera estable, e.g.
European Centre for Medium-range Weather Fore- predominio de altas presiones, las sucesivas pasadas
casts -Centro Europeo de Predicción a Plazo Medio- van a parecerse considerablemente. Sin embargo, si
(ECMWF), lo que se simplifica habitualmente en jer- tenemos una situación inestable, e.g. una depresión
ga de centro de predicción como «pasadas de cero aislada de niveles altos (DANA) al oeste de Portu-
y doce». Para hacer la predicción del día D+2 a las gal, entonces las pasadas sucesivas pueden parecerse
12 UTC podemos usar la pasada de hoy día D a las poco. La experiencia de los profesionales de la predic-
00 UTC (habitualmente disponible en la práctica a ción tiene en cuenta estas pautas, que pueden orientar
las 07 UTC), alcance de T+60. Podemos comprobar bastante sobre la confianza en las salidas del modelo.
Figura 13.2: Dos pasadas consistentes del mismo modelo válidas para un mismo instante futuro: jueves 2 de
noviembre de 2017 a las 00 UTC). Se muestran los campos de altura geopotencial y temperatura en 500 hPa. AEMET
2017.
Figura 13.3: Dos pasadas, esta vez inconsistentes, del mismo modelo válidas para un mismo instante futuro: lunes 6
de noviembre de 2017 a las 00 UTC). Los campos son como en la Figura 13.2. AEMET 2017.
Como ejemplo, la Figura en la página anterior muestra confianza en el modelo no es alta y el predictor tendrá
las pasadas del 31 de octubre de 2017 a las 12 UTC que poner especial atención, sobre todo en el noroeste
alcance de T+36 horas, es decir 2017103112+036 (iz- peninsular y Baleares, donde ese núcleo más o menos
quierda) y 2017110100+024 (derecha), ambas válidas frío y más o menos presente podrá provocar actividad
para el 2 de noviembre de 2017 a las 00 UTC, es de- más o menos intensa.
cir, 2017110200. Se muestran los campos de altura
geopotencial y temperatura en 500 hPa, ingredientes
habituales en predicción operativa para diagnosticar la 13.2.2 Consistencia entre modelos
atmósfera en niveles medio-altos, identificando estruc-
turas de importancia y significado dinámico. A escala
sinóptica, vemos una dorsal de geopotencial con eje Una segunda comprobación se hace, en predicción
en el Mediterráneo occidental, con dorsal térmica aso- operativa, comparando para una situación las salidas
ciada retrasada sobre el área mediterránea peninsular, de dos o más modelos diferentes, válidas para el mis-
seguida de una vaguada de geopotencial al oeste de la mo área y momento futuro. Por ejemplo, en el anterior
península ibérica, con núcleo frío, en fase, de -20 ºC. Instituto Nacional de Meteorología (INM) y, según las
Las dos pasadas muestran escenarios consistentes, por épocas, podían examinarse las salidas de los modelos
tanto la confianza en el modelo es alta. inglés, francés, alemán, «centro europeo» (ECMWF),
etc. Esta técnica, junto con el auténtico multimodelo
Por otro lado, la Figura 13.3 muestra las pasadas de (subsec. 13.5.2 en la página 174), ha venido a llamarse
2017103112+132 (izquierda) y 2017110100+120 (de- el SPC del hombre pobre, poor man EPS en inglés
recha), ambas válidas para 2017110600 (lunes 6 de [23, 171, 526]. La consistencia entre modelos también
noviembre de 2017 a las 00 UTC). Se muestran los está relacionada con la situación atmosférica: es de-
mismos campos que en la Figura 13.2 en la página pendiente del flujo. Ambas pruebas de consistencia,
anterior para ofrecer una interpretación similar. En esa entre pasadas y entre modelos, pueden combinarse. El
escala sinóptica, vemos que la dorsal queda ya muy profesional de la predicción busca, sobre todo en las
lejos al este (Europa Central), casi fuera del mapa y situaciones difíciles de predecir, estas pruebas de con-
que la vaguada se ha desplazado hacia el este, pero ha sistencia para medir el grado de confianza que puede
evolucionado de formas distintas en las dos pasadas. otorgar a los modelos que maneja. En la parte izquier-
A la izquierda vemos una vaguada, sobre Francia, de da de la Figura 13.4 en la página siguiente podemos
estructura más afilada, con más vorticidad sobre su eje ver predicciones de diferentes modelos globales pa-
y con un núcleo relativamente frío de -28º C, mientras ra un mismo día de 1998, modelos usados, algunos
que a la derecha vemos una vaguada más redondeada, sistemática y otros ocasionalmente, en los años 90
con menos vorticidad en el eje, con un núcleo frío en en AEMET. Ese uso debía acompañarse de medidas
fase, más estructurado y más frío que en la otra, de objetivas de calidad (cap. 15.2.3 en la página 211)
unos -34º C. En este caso, las dos pasadas muestran de los citados modelos, que podemos ver en la parte
escenarios relativamente inconsistentes, por tanto la derecha de la Figura 13.4 en la página siguiente.
13.2 ¿Qué se hacía antes de los SPC? 169
Figura 13.4: Antes de los SPC se utilizaban en ocasiones distintos modelos para estimar y delimitar su predecibilidad,
izquierda, acompañando la información con medidas de calidad de los mismos, derecha (ver texto). AEMET 1998 y
ECMWF 1998.
Cuando se trata de campos de tiempo presente, como sobre 9 km) y su naturaleza (no hidrostático), es ca-
la temperatura, el viento o la precipitación, las dife- paz de ver precipitación influenciada por factores de
rencias pueden ser más notables. En la Figura 13.5 menor escala, como son la orografía o fenómenos con-
podemos ver la precipitación acumulada en 24 h, des- vectivos, en zonas como Extremadura, entorno de la
de el miércoles a las 00 UTC hasta el jueves a las Comunidad Valenciana o franja mediterránea al este
00 UTC, prevista por dos modelos diferentes. A la de Baleares. Para la labor del predictor poder contar
izquierda, el modelo ECHRES (sec. 19.2 en la pági- con varios modelos aumenta su carga de trabajo pero
na 291), pasada de 2017103112+036. A la derecha, le brinda más información para evaluar la confianza
el modelo HARMONIE-AROME, misma pasada de en los mismos. La inconsistencia entre dos modelos
2017103112+036. Mientras que los dos modelos ven es un factor habitual que obliga a interpretar concien-
precipitación de escala sinóptica en el oeste de Gali- zudamente y aportar un gran valor añadido.
cia, HARMONIE, por su mayor resolución (2.5 km
Figura 13.5: Campos de precipitación acumulada de dos modelos, inconsistentes, válidos para un mismo instante
futuro: jueves 2 de noviembre de 2017 a las 00 UTC). A la izquierda ECHRES y, a la derecha, HARMONIE-AROME
que muestra señal consistente en Galicia pero presenta patrones en otras regiones que no ve ECHRES. AEMET
2017.
13.3 Objetivos de un sistema de da, habrá regiones del dominio donde se presente más
dispersión y por tanto haya, a priori, más incertidum-
predicción probabilista
bre. Esas regiones con más dispersión e incertidumbre
Una vez que aceptamos que los modelos atmosféri- serán candidatas a regiones con poca predecibilidad.
cos deterministas son siempre susceptibles de erro-
res e incertidumbres, con graves implicaciones en la Calibrar la predecibilidad dependiente del flujo.
predicción de algunas situaciones y días del año, si La predecibilidad atmosférica es mayor o menor se-
queremos mejorar la predicción del tiempo hemos de gún el tipo de situación, es decir, según el patrón o
volcar nuestras esperanzas en sistemas de predicción flujo atmosférico. Por eso se dice que la predecibilidad
probabilistas. Una vez explorados los fundamentos es dependiente del flujo. Mediante un sistema predic-
de la problemática de la predecibilidad (cap. 12 en tivo probabilista pueden establecerse relaciones entre
la página 155), podemos establecer los objetivos que los diversos patrones o situaciones atmosféricas y la
esperamos de forma plausible de un sistema de pre- predecibilidad correspondiente. Este sería un proceso
dicción probabilista. de calibración de esa dependencia de la predecibilidad
con el flujo.
Estimar la función de densidad de probabilidad
(PDF) de los estados de predicción. El estado atmos- Permitir al usuario estimar la probabilidad de di-
férico no va a ser un punto en el espacio de fases, sino ferentes escenarios de tiempo. El estado atmosféri-
que será un región, más o menos compacta, de ese co, descrito por una PDF, tendrá diferentes posibili-
espacio de fases: un conjunto de situaciones plausi- dades o escenarios. Con la PDF podemos estimar la
bles, meteorológicamente hablando, no necesariamen- probabilidad de los diferentes escenarios, para ello hay
te todas con la misma probabilidad, pero todas ellas muchas técnicas posibles (sec. 13.5 en la página 174).
posibles. Describimos esas probabilidades mediante
una función de densidad de probabilidad (probability Evaluar el potencial de fenómenos adversos. Al-
density function en inglés, con las siglas PDF). gunos de los escenarios previstos por el sistema de
predicción probabilista implicarán fenómenos meteo-
Simular el efecto de las diversas fuentes de error o
rológicos adversos (FMA) de uno u otro tipo. Cono-
incertidumbre en la predicción. Existen dos fuentes
ciendo la probabilidad de cada escenario, podemos
principales de error o incertidumbre en la evolución
evaluar las probabilidades de diferentes FMA. Estos
prevista por el modelo atmosférico: en las condiciones
FMA, por su naturaleza, aparecen normalmente en la
iniciales y en la formulación del modelo (secs. 5.2 en
cola de la distribución de la PDF.
la página 56 y 5.3 en la página 62). Al describir el
estado atmosférico con una PDF, esperamos estimar
Ahora bien, llegó el momento de responder a la pre-
el efecto de estas fuentes de incertidumbre.
gunta crucial. ¿Cómo generar una PDF que represente
Identificar áreas de predecibilidad potencialmen- el estado atmosférico, en el contexto de los modelos
te baja. En la evolución de la PDF atmosférica simula- numéricos? (Figura 13.6).
Figura 13.6: ¿Cómo generar una PDF que represente el estado atmosférico, en el contexto de los modelos numéricos?
Es decir, ¿cómo pasar de la esquema determinista (izquierda) al esquema probabilista (derecha)? (ver texto).
13.4 Sistemas de predicción por conjuntos (SPC) 171
13.4 Sistemas de predicción por Esta ecuación solo tiene solución analítica bajo cir-
conjuntos (SPC) cunstancias especiales. Un modelo atmosférico típico
contiene unas 108 − 109 variables aleatorias o grados
de libertad, lo que hace computacionalmente inabor-
Todavía no existe (2018) un formalismo teórico con
dable integrar la ecuación de F OKKER -P LANCK o
el que representar las diversas fuentes de incertidum- incluso la de L IOUVILLE.
bre en los modelos atmosféricos durante el periodo
de predicción. El abordaje teórico del problema de
la predecibilidad consistiría por tanto, de forma muy
directa, en resolver la ecuación que describe la evolu- Dado que actualmente (2018) resulta inabordable re-
ción en el tiempo de la PDF atmosférica, la llamada solver esta ecuación, los métodos investigados con
ecuación de F OKKER -P LANCK. éxito a finales del siglo XX se basan en explorar el
espacio de estados atmosféricos plausibles descrito en
la sección 5.1.4 en la página 53. Esta exploración pue-
Ecuación de F OKKER –P LANCK, también llama-
de ser total, tipo método de Montecarlo, o selectiva,
da ecuación de KOLMOGOROV. Esta ecuación des-
cribe la evolución en el tiempo de la función densidad seleccionando algunos aspectos más importantes a la
de probabilidad, PDF, de la velocidad de una partícula hora de muestrear.
bajo la influencia de fuerzas de resistencia y fuerzas
aleatorias, como el movimiento Browniano. En el caso El primer paso sería medir el estado inicial de la at-
de distribuciones de posición, se denomina ecuación mósfera, pero ya sabemos que no puede conocerse
de S MOLUCHOWSKI y, entonces, es equivalente a la con exactitud: los datos del análisis (sec. 10.3 en la
ecuación de convección-difusión. En ausencia de di- página 133) contienen siempre un error que sólo pode-
fusión se conoce como ecuación de L IOUVILLE (ver
mos estimar. Esta inexactitud en la medida del estado
teorema de L IOUVILLE en la sección 5.1.4 en la pá-
gina 54). En el caso unidimensional más sencillo, la atmosférico conduce a admitir la existencia de un
ecuación de F OKKER -P LANCK tiene este aspecto: gran número de estados o condiciones iniciales com-
patibles con las medidas realizadas. Usando un solo
∂ ∂ ∂2 modelo, que predecirá un único estado futuro de la
p(x,t) = − [µ(x,t)p(x,t)] + 2 [D(x,t)p(x,t)]
∂t ∂x ∂x atmósfera, podremos generar múltiples predicciones,
(13.1)
donde µ(x,t) es la deriva, D(x,t) el coeficiente de cada una de ellas determinista, tomando como punto
difusión y p(x,t) la función densidad de probabilidad, de partida condiciones iniciales ligeramente diferen-
PDF, de la variable aleatoria x. tes pero igualmente probables, caracterizando así, con
estas múltiples predicciones, la incertidumbre en la
predicción[374].
Figura 13.7: Exploración del espacio de estados atmosféricos plausibles: se toma una muestra de estados iniciales,
construyendo así una buena aproximación (best guess en inglés) de la PDF del estado inicial. Esos estados iniciales
se hacen evolucionar independientemente, en la ilustración primero uno, luego otro y luego el resto de modo que,
finalmente, podemos delinear una estimación de la PDF de estados atmosféricos previstos, lo que viene a llamarse
sistema de predicción probabilista (ver texto) (imágenes de V ÍCTOR H OMAR).
Así pues, la exploración empieza por tomar, o cons- Esta generación de predicciones igualmente proba-
truir, muestras de estados iniciales y haciendo evo- bles introduce la concepción de predicción probabi-
lucionar cada uno independientemente, para obtener lista. Una aproximación práctica a la misma usando
una serie de estados previstos. De este modo construi- modelos atmosféricos es la denominada sistemas de
mos una estimación de la PDF inicial, así como una predicción por conjuntos, SPC.
estimación de la PDF discretizada en los diversos mo-
mentos de la evolución del sistema. En la Figura 13.7 Además de muestrear las incertidumbres en condi-
en la página anterior se ilustra esta idea. En estrecha ciones iniciales, es necesario introducir también el
relación con los métodos de asimilación (sec. 16.1 muestreo de las incertidumbres y errores debidos al
en la página 244), sí que existen formalismos para modelo (cap. 17 en la página 257). En la práctica y,
estimar la estadística del error en las condiciones ini- describiéndolo de un modo menos teórico, las técni-
ciales, e. g. función de coste J en análisis variacional cas de generación de SPC pueden dividirse así en dos
(ec. 16.6 en la página 247) y, aunque todavía está en grandes grupos, según que se hagan perturbaciones
desarrollo el terreno común de la asimilación de datos en las condiciones iniciales o perturbaciones en el
por conjuntos, EDA (sec. 16.2.5 en la página 248), los modelo, para muestrear las incertidumbres correspon-
resultados alumbran un camino claro a seguir. dientes.
Figura 13.8: Dado el esquema conceptual de cómo funciona un modelo numérico, fila de arriba, aparecen los dos
grandes grupos de métodos de generación de SPC en la práctica: perturbaciones en las condiciones iniciales, fila
del centro y, finalmente, perturbaciones en el modelo, fila de abajo (ver texto).
13.4 Sistemas de predicción por conjuntos (SPC) 173
En la Figura 13.8 en la página anterior se ilustran 13.4.1 ¿Qué es un SPC? Miembros y esce-
estos dos grandes grupos. En la imagen superior iz- narios
quierda tenemos el esquema, ya presentado en varias
ocasiones, de cómo funciona un modelo numérico de- Con los conceptos introducidos en secciones y capí-
terminista de predicción: una condición inicial (mapa tulos previos, estamos en disposición de definir un
izquierdo), un modelo (flecha verde simbolizando el Sistema de Predicción por Conjuntos, SPC (Ensemble
proceso de predicción) y una predicción (mapa dere- Prediction System, EPS en inglés): es una aproxima-
cho). En la imagen superior derecha preparamos dos ción probabilista a la predicción numérica del tiempo,
métodos de perturbaciones: en CCII arriba y en mode- en forma de sistema que intenta estimar la evolución
lo abajo. En la fila central se ilustra la perturbación en de la PDF atmosférica mediante un conjunto de esce-
las CCII: se genera una muestra de diversas CCII si- narios atmosféricos plausibles, tanto iniciales como
milares, pero no idénticas (izquierda) y, para cada una previstos en los sucesivos instantes del periodo de pre-
de ellas, se usa el modelo para hacer la predicción y dicción. Esta concepción se ilustra en la Figura 13.9.
saber el estado final, de modo que tendremos una serie
de predicciones distintas (derecha). En la fila inferior Con diferentes métodos, se computa un conjunto de
se ilustra la perturbación en el modelo: a partir de una condiciones iniciales plausibles y un conjunto de pre-
única condición inicial se usan diversas versiones del dicciones válidas o escenarios para un determina-
modelo (izquierda) para obtener diversas predicciones do rango temporal y para la misma zona geográfica.
(derecha). A esas predicciones o escenarios los denominamos
miembros del SPC. Esperamos de este conjunto que
satisfaga una serie de propiedades:
Es una estimación, discreta, de la PDF del estado

atmosférico esperado.
Nos permite pensar en diferentes escenarios, con-
sistentes con las condiciones iniciales y el modelo.
Nos da información cuantitativa, detallada y explí-
cita de la incertidumbre en la predicción y, por ende,
de la predecibilidad, así como del potencial de fe-
nómenos adversos, que aparecerán normalmente en
la cola de la distribución de la PDF.
Tradicionalmente y debido al coste computacio-
nal, los miembros de los SPC son usualmente
de menor resolución que los modelos determinis-
tas. Sin embargo, en la estrategia del ECMWF
(sec. 19.4 en la página 297) para el periodo 2016-
2025 está el centrar sus esfuerzos principales en su
ECENS (sec. 19.3 en la página 293), de modo que
el ECHRES ya no abarcará la mitad de los recursos
computacionales. En ese sentido, estamos en el um-
bral de una nueva era en la que las predicciones se
realizarán usando principalmente SPC.
Los SPC se producen operativamente en muchos cen-

tros de predicción del tiempo y el clima repartidos por
todo el mundo (cap. 26 en la página 387). Destacan
como pioneros en este aspecto el European Centre
Figura 13.9: ¿Qué es un sistema de predicción por confor Medium-range Weather Forecasts -Centro Euro-
juntos? Es un sistema que intenta estimar la evolución peo de Predicción a Plazo Medio- (ECMWF) [449],
de la PDF atmosférica (elipse turquesa en el dibujo) los Centros Americanos de Predicciones Ambienta-
mediante un conjunto de escenarios atmosféricos plau- les, National Centres for Environmental Predictions,
sibles, tanto iniciales como previstos (sellos en el dibujo) NCEP [626] y el Servicio Meteorológico Canadiense,
en el periodo de predicción. Meteorological Service of Canada, MSC [501].
Figura 13.10: Relación entre escalas espaciales y temporales para los distintos fenómenos meteorológicos. COMET.
13.5 Diseño de SPC En conjunto, esta metodología formaría una discipli-

na que podríamos llamar diseño de SPC a la que se
dedica una parte de este libro, un capítulo de pertur-
13.5.1 Escalas y plazos
baciones en condiciones iniciales, otro sobre las que
se hacen en el modelo y un tercer capítulo con aque-
Al igual que sucede con los modelos atmosféricos llas realizadas en las condiciones de contorno. Aquí
deterministas, los SPC heredan de la dinámica atmos- damos un breve resumen de técnicas, sin entrar en
férica subyacente la relación íntima entre las escalas excesivo detalle, para tener una perspectiva general.
de tiempo espacial y temporal que ilustra la Figu-
ra 13.10: fenómenos de más tamaño se desarrollan y
Montecarlo. Se generan muchos estados iniciales de
tienen su ciclo de vida en tiempos más largos (sec. 6.3
manera aleatoria, sin seleccionar aquellos que puedan
en la página 77) [477]. De este modo, los SPC glo- resultar más críticos [293, 599]. Fue uno de los prime-
bales cubriendo el planeta entero describen de forma ros métodos propuestos para generar SPC de estados
natural los fenómenos de escala planetaria y sinóptica iniciales [297, 374, 457].
y se utilizan idealmente para predicciones de medio
y largo plazo (sec. 4.2.3 en la página 33), estaciona- Time-lag o desfase temporal. Se usan predicciones
les, anuales y, más allá, para proyecciones del clima de diferentes pasadas, es decir predicciones hechas
y del cambio climático. Los SPC regionales están con varios análisis consecutivos en el tiempo, técnica
llamada a menudo lagged average forecast, LAF [293,
asociados naturalmente a fenómenos sinópticos o de
395, 503]. Dado que cuanto más reciente es el análisis
mesoescala alpha (cap. 21 en la página 313), siendo más calidad suele tener la predicción, opcionalmente
ideales para predicción en el corto plazo (sec. 4.2.2 puede usarse una ponderación, en cuyo caso se llama
en la página 32). Los SPC, por último, de mesoescala scaled LAF, SLAF [173].
y escala kilométrica o convectiva son óptimos para la
predicción a muy corto plazo y la vigilancia o nowcas- Multimodelo. Se combinan salidas de varios mode-
ting dado que resuelven explícitamente la convección los, con o sin pesos. Esta técnica se probó con exce-
lentes resultados en el Experimento de Ensembles de
(sec. 4.2.1 en la página 31).
Mesoescala y Tormenta, Storm and Mesoscale Ensem-
ble Experiment, SAMEX [111, 213, 221, 255, 306,
358, 492]. Se comparó la técnica multimodelo a base
13.5.2 SPC globales de modelos TIGGE (sec. 26.1 en la página 388) con
el ECENS (sec. 19.3 en la página 293) calibrado y sin
En la práctica hay muchos métodos dentro de cada calibrar, resultando muy difícil obtener mejor rendi-
miento que las combinaciones multimodelo [255].
grupo de los dos mencionados anteriormente, pertur-
baciones en la condiciones iniciales o en el modelo.
13.5 Diseño de SPC 175
13.5.3 SPC regionales

Multianálisis. Se combinan distintas integraciones
del mismo modelo inicializado con diferentes análisis.
Usando diferentes técnicas de asimilación caracteri-
zamos las incertidumbres asociadas a las condiciones Los modelos regionales, en inglés Regional Circula-
iniciales [221, 492]. Tomando diferentes modelos glo- tion Model (RCM) o de área limitada, Limited Area
bales como distintas condiciones iniciales se consigue Model (LAM), pueden usarse para generar SPC re-
mejor rendimiento que con un solo modelo [190, 341, gionales, normalmente para su uso en el corto plazo,
358, 692]. mientras que los globales quedarían para el uso en el
medio y largo plazo.
Métodos perturbativos en el análisis. Se generan
perturbaciones en los subespacios donde el error en
las condiciones iniciales crece más rápidamente, de- Las fuentes de error en los SPC regionales son las mis-
pendiendo del flujo atmosférico, identificando así se- mas que en los globales, añadiendo ahora el efecto de
lectivamente los componentes activos que dominarán las condiciones de contorno laterales, lateral boundary
el crecimiento del error. Se trata de muestreo selectivo, conditions, LBC. Éstas, junto con las condiciones ini-
en oposición a Montecarlo que no lo es. Ejemplos de ciales, aportan una buena parte de la dispersión y la
estos métodos son los vectores singulares (ECMWF calidad que un SPC regional necesita (sec. 21.4 en la
[84, 266, 278, 449]), los vectores criados (NCEP [340, página 322). Una primera manera de generar SPC re-
626, 627, 629]), las diferentes variedades de filtros de gionales por perturbación de condiciones de contorno
K ALMAN , e.g. LETKF [310, 563] o la puntera asi- es lo que llamaremos multicontorno.
milación de datos por conjuntos, EDA [54, 62, 307,
310].
Multiparametrizaciones o multifísica. Se utilizan

diferentes parametrizaciones de la física con el mismo Multicontorno: utilizar varios modelos globales co-
modelo para muestrear las incertidumbres del modelo mo condiciones de contorno para nuestro SPC regio-
[16, 307, 596, 644, 645]. nal.
Perturbaciones estocásticas. También se trata de Downscaling. Otra manera usual de generar un SPC
muestreo selectivo y con perturbaciones, pero para regional es hacer reducción de escala, downscaling
el error del modelo. Se perturban las parametrizacio- (cap. 10 en la página 129), de un SPC global [316].
nes para muestrear los errores del modelo en escala Opcionalmente, puede seleccionarse un subconjunto
submalla [46, 83, 488, 579, 580]. de miembros del SPC global mediante alguna técnica
de agrupamiento [409, 410, 450]. En cualquier caso,
A los métodos anteriores pueden añadirse métodos de los miembros del SPC global se utilizarán como con-
posproceso estadístico [213, 237, 529, 589] a los que diciones iniciales y de contorno para el SPC regional.
se dedica el capítulo 14 en la página 193. Todos los
métodos mencionados, con el apropiado esfuerzo de Normalmente, las perturbaciones del SPC global desa-
compatibilización, pueden combinarse para producir rrollan un rendimiento óptimo en el medio plazo a
SPC y, de hecho, actualmente es bastante común usar escala sinóptica, por lo que suele ser necesaria algu-
varias técnicas. E. g. En ECMWF se combinan las téc- na técnica adicional. Se puede hacer multianálisis o
nicas vectores singulares, EDA y parametrizaciones multicontorno, i. e. correr el mismo modelo inicializa-
estocásticas [488]. La combinación de multimodelo, do con diferentes análisis o conducido por diferentes
multianálisis con modelos globales y posproceso esta- condiciones de contorno. Al igual que con los SPC
dístico avanzado se ha venido probando con éxito y globales, pueden combinarse diferentes técnicas para
operacionalmente en el servicio meteorológico ameri- producir SPC regionales. E. g. en AEMET se han esta-
cano, National Centres for Environmental Prediction, do generando SPC para el corto plazo combinando las
NCEP [168, 264, 265, 598, 665], también en las cos- técnicas multimodelo, multianálisis y multicontorno,
tas noroeste [244] y noreste [335] de EE. UU., en el uno llamado AEMET-SREPS [221] (cap. 21 en la pá-
SPC de corto plazo de la Universidad de Washington gina 313) y otro llamado AEMET-γSREPS (cap. 22
[244]. en la página 333).
Figura 13.11: Izquierda: distribución de probabilidad. Derecha: distribución de frecuencia. Los detalles se abordarán
a lo largo de la sección.
13.6 Representación de la incerti- Valores extremos y carácter extremo de una distri-

bución: tienen que ver con la identificación y el
dumbre
tratamiento de situaciones que se hallan en la cola
de las distribuciones climatológicas.
En el contexto de los SPC tratamos con variables de-
nominadas aleatorias. En cada punto de malla del
dominio del SPC, en cada instante en el tiempo y para 13.6.1 Distribuciones de probabilidad y de
cada parámetro meteorológico (temperatura, viento, frecuencia
precipitación...) tenemos una variable que podemos
considerar aleatoria (toma valores, en principio, alea- Consideremos una variable aleatoria x cuya naturale-
torios, ver sección G.1.3 en la página 1020), donde za desconocemos, al menos a priori. Su distribución
los valores que nos brinda el SPC son una muestra de de probabilidad es una función, normalmente teórica,
la población de valores plausibles. Esa muestra es una que a cada suceso o valor de x (o intervalo de valores)
distribución, discreta o continua, de valores y contie- le asigna una probabilidad asociada. Esta distribución
ne mucha información sobre la incertidumbre en la de probabilidad contiene información completa sobre
predicción del estado atmosférico, incertidumbre que el comportamiento de la variable aleatoria x, pero a
puede representarse de forma cuantitativa, detallada y priori no tenemos por qué conocer esta distribución.
explícita. Describiremos aquí una serie de conceptos Puede inferirse información sobre la variable aleatoria
asociados y de técnicas importantes para representar tomando N valores diferentes de x que pertenezcan
la incertidumbre en la distribución: a la misma población y que llamaremos muestra. En
la práctica, suele disponerse de ese conjunto limita-
Distribuciones de probabilidad y de frecuencia. do de datos llamado muestra, con el que mediante
Medidas de de centralización: media, mediana, mo- unas tablas apropiadas construimos una distribución
da. de frecuencia: se dividen los datos o valores de x en
Medidas de dispersión: desviación típica y rango intervalos, asignando a cada intervalo la frecuencia
intercuartílico correspondiente. Puede trabajarse con frecuencias ab-
Medidas de posición: máximo y mínimo, mediana solutas o relativas. Por diferentes motivos, a menudo
y percentiles. se realiza un ajuste de la distribución de frecuencia
Densidad de probabilidad (PDF) y probabilidad para obtener una distribución de probabilidad asocia-
acumulada (CDF). da. La distribución de frecuencia es, habitualmente,
de naturaleza discreta: se trata de un conjunto finito
Por otro lado, algunas ideas y técnicas se mencionarán de valores y su representación es un histograma de
por completitud, pero para profundizar en ellas nos frecuencias (ver, por ejemplo, Figura 13.11 derecha).
referiremos a otros capítulos: Por otro lado, la distribución de probabilidad puede
ser continua: se trata de una función que cubre un aba-
Técnicas de agrupamiento: están relacionadas con nico continuo de valores y su representación gráfica
la dispersión y con la simplificación fiable de la es, consiguientemente, en forma de función continua
información. (ver, por ejemplo, Figura 13.6.1 izquierda).
13.6 Representación de la incertidumbre 177
13.6.2 Un ejemplo de predicción probabilis-

ta SPC para un lugar y un momento
Como decíamos, en el caso particular de los SPC, para

cada punto geográfico, cada instante en el tiempo y
cada variable meteorológica el SPC proporciona un
conjunto de valores previstos, que llamamos miem-
bros. Ese conjunto lleva asociada una distribución de
frecuencia. Suponemos que la variable meteorológica
es aleatoria en cierto sentido. Sus valores plausibles
son una población, con una distribución de probabi-
lidad que no conocemos exactamente. El SPC nos
Figura 13.12: Distribución de frecuencia correspondien-
brinda una muestra de esa población: un conjunto
te a los valores de la Tabla 13.1.
limitado, discreto, de valores de esa variable aleato-
ria meteorológica. En eso precisamente consiste una
predicción probabilista para un lugar y un momento.
Por simplicidad, hemos construido un ejemplo con 21
Una predicción probabilista para un lugar y un miembros solamente y, además, cuyos valores de tem-
momento. Por ejemplo, en el caso de temperatura peratura son números enteros. En casos más realistas
prevista en Sevilla para el 8 de agosto de 2017 a las el número de miembros puede ser mayor y sus valo-
18 UTC, los valores previstos por un SPC podrían ser: res son números reales representados con decimales.
30, 30, 30, 30, 31, 31, 31, 31, 31, 31, 32, 32, 32, 32, En esos casos, los intervalos son los mismos que los
32, 33, 33, 34, 34, 35, 36. Construimos la tabla de fre- usados en la Tabla 13.1, y la frecuencia de cada clase
cuencias correspondiente, ilustrada en la Tabla 13.1.
o intervalo de clase es el número de valores que caen
La media (sec. 13.6.3 en la página siguiente) de los
valores es, aproximadamente, 32.0 ºC y la desviación
dentro. La marca central de cada clase o intervalo es
típica (sec. 13.6.5 en la página 181) 1.6 ºC. un número entero, y sus límites son ese número más
menos media unidad.
Intervalos de clase en el ejemplo. En el ejemplo que

T frecuencia frecuencia relativa hemos construido, las clases o intervalos de clase, con
[ºC] absoluta (redondeada) l marca de cada una de las clases, se reflejan en la
30 4 0.19 siguiente tabla:
31 6 0.29
32 5 0.24 intervalo marca
33 2 0.10 [29.5, 30.5) 30
34 2 0.10 [30.5, 31.5) 31
35 1 0.05 [31.5, 32.5) 32
36 1 0.05 [32.5, 33.5) 33
total 21 1 [33.5, 34.5) 34
[34.5, 35.5) 35
Tabla 13.1: Distribución de frecuencias asociada a los [35.5, 36.5) 36
valores hipotéticos previstos por un SPC de temperatura
en Sevilla para el 8 de agosto de 2017 a las 18 UTC:
Nótese que los intervalos respectivos son semiabier-
30, 30, 30, 30, 31, 31, 31, 31, 31, 31, 32, 32, 32, 32,
tos: cerrados por la izquierda, abiertos por la derecha,
32, 33, 33, 34, 34, 35, 36. La frecuencia absoluta es el
para que no haya solapamientos. Con esta partición
numero de ocurrencias del valor. La frecuencia relati-
en intervalos pueden tratarse valores continuos de la
va es la frecuencia absoluta dividida entre el número
variable aleatoria. Por ejemplo, un valor de 30.9 cae-
total de valores y ha de sumar uno. Esta distribución
ría dentro del intervalo [30.5, 31.5) y se asignaría a
puede representarse gráficamente en un histograma de
la marca central de dicho intervalo, es decir, al valor
frecuencias como el de la Figura 13.21 en la página 187
31 ºC.
derecha.
13.6.3 Medidas de centralización: media,

Medidas de centralización para el ejemplo. Recor-
mediana, moda demos el caso de temperatura prevista en Sevilla para
el 8 de agosto de 2017 a las 18 UTC, con valores
El promedio estadístico de una distribución es una previstos: 30, 30, 30, 30, 31, 31, 31, 31, 31, 31, 32, 32,
primera medida de centralización. Aunque es senci- 32, 32, 32, 33, 33, 34, 34, 35, 36 (medidas en ºC). La
llo de calcular, puede desorientar y por ello se debe media o promedio de los valores es, aproximadamen-
considerar el uso de la mediana o la moda, o bien te, 32. La mediana es 32, pues divide a la distribución
en dos partes iguales. La moda es 31 pues el valor
acompañar con medidas de dispersión y/o posición.
con mayor frecuencia (ver tabla 13.1 en la página
anterior). En este caso media y mediana coinciden,
Promedio o media. Para una PDF continua teórica la pero no siempre lo hacen: cuanto más asimétrica la
media x viene dada por: distribución, menos se parecen.
ˆ+∞
x = x f (x)dx (13.2)
−∞
Para una distribución de valores discretos: 13.6.4 Crítica al uso del promedio de un
SPC
1 N
x= ∑ xi (13.3)
N i=1
Dado un SPC, en cada punto de malla y cada instante
Mediana y moda. En una distribución de datos orde- de tiempo previsto, tenemos una distribución de pre-
nada, la mediana es el dato central, aquel que separa
dicciones para cada variable, e. g. la temperatura y
la distribución en dos partes iguales. Tiene propie-
dades estadísticas que la hacen más conveniente que por tanto podemos calcular el promedio de las predic-
la media: es más robusta, es decir, no es sensible a ciones de temperatura del SPC en ese punto de malla
la presencia de valores atípicos (outliers) y es más e instante del futuro. Pero el promedio aritmético de
resistente, es decir, no depende críticamente de la dis- los valores de los miembros de un SPC no es siempre
tribución de probabilidad subyacente. A pesar de ser una situación meteorológica físicamente plausible y
la mediana más robusta y resistente, se utiliza la media consistente. Este hecho se debe a que el promedio
usualmente en centros operativos de SPC, por razones aritmético es resultado de una operación estadística
inerciales. Cuando, en una distribución de frecuen-
y no proviene de un modelo atmosférico en el que se
cia, se agrupan los datos en intervalos, la moda es el
intervalo con la frecuencia más alta. garantice que se cumplen las diversas ecuaciones de
conservación, continuidad, etc. [80, 81, 97, 221].
Figura 13.13: Problema de la predecibilidad desde el punto de vista cotidiano de un predictor del tiempo con una
PDF inicial en el plano izquierdo, unas curvas de evolución en el plano inferior y una PDF prevista en el plano
derecho. (ver texto).
Figura 13.14: Dos PDF de temperatura distintas, arriba una PDF en la que el promedio, en rojo, es una temperatura
plausible y otra PDF, abajo, en la que el promedio no es una temperatura plausible porque no está contenida en los
intervalos en que la PDF presenta probabilidades no nulas (ver texto).
Por lo tanto, se desaconseja encarecidamente en las

guías de predicción utilizar el promedio del SPC si El eje vertical indica la probabilidad de que se de la
temperatura indicada en el eje horizontal. La probabi-
no se hace con extremo cuidado. Sin embargo, el pro-
lidad acumulada propiamente dicha es el área bajo la
medio del SPC se dibuja a menudo en mapas junto curva, en amarillo. La recta vertical roja indica el pro-
con la desviación estándar, esta última como medida
´ +∞
medio de la PDF, es decir, la integral −∞ T f (T )dT .
de dispersión, para ayudar a entender el papel de la Es importante observar que, si la PDF es simétrica y
dispersión en el flujo atmosférico diario, lo que llama- monomodal como en el ejemplo superior, entonces
mos la situación atmosférica (puede verse un ejemplo el promedio del SPC es una temperatura plausible,
en la Figura 13.16 en la página 182). Ilustraremos esta consistente, porque está dentro de la PDF y que, sin
embargo, en muchos casos como en el ejemplo in-
importante idea de dos modos diferentes.
ferior en que la PDF está relativamente deformada
(trimodal) con respecto a la PDF inicial, el promedio
El primero es un ejemplo relativamente cotidiano, res- del SPC no es una temperatura plausible, consisten-
catando el ejemplo descrito en la sección 12.3 en la te, porque no está dentro de la PDF: como hemos
página 159, que se ilustraba en la Figura que reprodu- insistido anteriormente, esta propiedad es de suma
cimos de nuevo aquí 12.3 en la página 159. En aquel importancia para el uso de predicción probabilista en
ejemplo se trataba de dar una predicción sencilla de meteorología.
temperatura en un jardín con una estimación de la
temperatura inicial y un modelo que calcula la tem-
peratura dentro de 24 horas. Se estimaba una PDF
de temperatura inicial y otra PDF que da una estima- El segundo modo de ilustrar la idea será mediante el
ción de la temperatura prevista en 24 horas, ambas atractor de L ORENZ (sec. 5.2.3 en la página 59) en la
PDF ilustradas ahora con más detalle, arriba y abajo Figura 13.15 en la página siguiente. El hecho de que el
respectivamente, en la Figura 13.14. promedio entre varios puntos no esté necesariamente
contenido en el atractor conduce a que el promedio
Promedio o valor esperado de la temperatura da- del SPC no sea necesariamente una situación meteo-
da su PDF. La curva verde de la Figura 13.14 es rológica consistente. Desde el punto de vista práctico,
la PDF, es decir, la distribución de probabilidad de las situaciones representadas con puntos verdes en
´temperatura que denotamos por f (T ), que cumple el atractor, corresponden a dos sellos (sec. 27.2.1 en
+∞
−∞ f (T )dT = 1. la página 402) del SPC, marcados con rectángulos
verdes en la figura. El promedio, punto negro, no se
corresponde con ningún sello.
Figura 13.15: Arriba podemos ver dos ampliaciones sucesivas de una región del atractor de L ORENZ . Abajo se
amplía aún más la región de interés. Los puntos verdes representan predicciones de dos miembros del SPC para un
momento dado. El promedio entre ambas, el punto negro no es, en este caso y tampoco en general, una situación o
estado plausible pues no está contenido necesariamente en el atractor.
No obstante, a pesar de lo dicho sobre el promedio del [374]. Esta propiedad está relacionada con el hecho
SPC, éste cumple una propiedad estadística que tam- de que el promedio filtra lo poco probable, mostrando
bién es de suma importancia, pero por otros motivos: los rasgos más probables de la PDF y resulta de su-
individualmente, presenta mejor calidad determinista ma utilidad en el contexto de la verificación de SPC
que cualquier miembro del SPC tomado por separado (sec. 15.7 en la página 221). En cualquier caso, el
o, enunciado de otro modo, el valor esperado de un objetivo principal y el uso primordial de un SPC no
campo previsto dada su PDF es una predicción de más puede, no debe ser, utilizar el promedio del SPC como
calidad, habilidad, destreza o pericia (sec. 15.2.3 en la predicción determinista per se.
página 211) que los miembros individuales del SPC
13.6.5 Medidas de dispersión

El N − 1 del denominador en la ecuación 13.5 co-
rresponde a la desviación estándar insesgada. Una
Hemos presentado en primer lugar las medidas de medida adimensional de dispersión es el coeficiente
centralización, una primera propiedad de las distribu- de variación:
σ
ciones de probabilidad o estadísticas que nos describe σv = (13.6)
x
su naturaleza de forma, quizá excesivamente, resumi-
da. Presentamos ahora la dispersión, otra propiedad Rango intercuartílico, inter quartile range, IQR. Vie-
que completa la información resumida sobre una dis- ne dado por [332, 682]:
tribución: la centralización no es suficiente, pues hay
distribuciones muy distintas con la misma media, me- IQR = q75 − q25 (13.7)
diana o moda. Así como la centralización resume los donde q75 y q75 son, respectivamente, los percentiles
datos centrales o alguna representación adecuada de 75 y 25 de la distribución. El IQR es más robusto y
los mismos, la dispersión indica cuán esparcidos o dis- más resistente que la desviación estándar. Más robus-
persos están los datos de la distribución. En términos to, por que no es sensible a la presencia de valores atí-
muy visuales, a más dispersión, más «esparcimiento» picos (outliers). Y más resistente, por que no depende
y menos «apelotonamiento». En la práctica, existen de asumir una distribución de probabilidad subyacen-
diferentes medidas estadísticas para la dispersión de te u otra. A pesar de ser ello, σ se utiliza usualmente
en centros operativos de SPC.
una distribución. Entre las más usuales y sencillas
tenemos la desviación estándar [627, 682] y el rango
intercuartílico [682].
Dispersión para el ejemplo de Sevilla. Sigamos con

Desviación estándar y varianza. En SPC, un modo el caso de temperatura prevista en Sevilla para el 8
simplificado de representar la incertidumbre es restrin- de agosto de 2017 a las 18 UTC, con valores pre-
girse a la dispersión. La desviación estándar de la PDF, vistos: 30, 30, 30, 30, 31, 31, 31, 31, 31, 31, 32, 32,
relacionada con el momento de orden dos, cuantifica 32, 32, 32, 33, 33, 34, 34, 35, 36. La desviación tí-
la desviación de los miembros del SPC con respecto al pica (sec. 13.6.5) es, aproximadamente, 1.6 ºC. Los
promedio del mismo, con las mismas unidades que la percentiles p25 = 31 y p75 = 33, por lo que el rango
variable prevista y se utiliza usualmente como medida intercuartílico es IQR = p75 − p25 = 33 − 31 = 2 ºC.
de dispersión [627, 682]. La desviación √ estándar σ es
la raíz cuadrada de la varianza σ = σ 2 . La expre-
sión teórica de esta última para variables continuas
es:
ˆ+∞ Robustez. Comparación de media con mediana y des-
σ = (x − x)2 f (x)dx
2
(13.4) viación típica con rango intercuartílico. Imaginemos
−∞ una predicción probabilista, similar a la del ejemplo
donde x es la variable aleatoria, x su promedio y f (x) de Sevilla, pero con un valor atípico debido a un mo-
la función de densidad de probabilidad. En el caso de delo que ha cascado. Los valores previstos ahora son
variables discretas, que es la expresión más utilizada 10, 30, 30, 30, 31, 31, 31, 31, 31, 31, 32, 32, 32, 32,
en computación en la práctica: 32, 33, 33, 34, 34, 35, 36. Contrastemos las medidas
comentadas en uno y otro caso.
1 N 2
σ2 = ∑ fi − f¯ (13.5) distribución original con un outlier
N − 1 i=1
media 32.0 31.0
donde fi es el valor previsto por el miembro i y f mediana 32.0 32.0
es el promedio del SPC, es decir, el promedio de las desviación típica 1.6 5.0
N predicciones. Esta medida puede calcularse para IQR 2.0 2.0
cada punto de malla, cada alcance predictivo y cada
variable meteorológica. σ puede interpretarse como Se comprueba claramente que tanto la media como la
una estimación del error de la predicción determinista desviación típica son sensibles a los valores atípicos,
de modo que, cuanto más alta la desviación, es decir, mientras que la mediana y el rango intercuartílico son
la dispersión, más incierta es la predicción. más robustos: su valor no cambia en presencia de un
outlier.
Relación entre dispersión e incertidumbre. En este la Figura 13.16 se muestra un ejemplo de predicción
contexto, los SPC son una herramienta idónea para de altura geopotencial del SPC ECENS sobre Euro-
estimar la evolución temporal de la PDF en forma de pa, válido para el 09-03-2017 a las 00 UTC, pasada
un conjunto de estados atmosféricos individuales sede 05-03-2017 a las 00 UTC, alcance de T+96. La
leccionados, cada uno de ellos físicamente plausible. altura geopotencial es un parámetro dinámico que per-
La dispersión de estos estados da una información mite describir convenientemente el comportamiento
explícita, cuantitativa y detallada de la incertidum- atmosférico en escala sinóptica. La desviación están-
bre en la predicción [627, 629] y por ende sobre la dar, como medida de dispersión, se presenta en colores
predecibilidad. Es decir, cuanta más (menos) disper- morados, mientras que el promedio del ensemble se
sión, menor (mayor) es la predecibilidad. Este hecho dibuja en isohipsas, es decir, isolíneas de altura geo-
es un punto de ruptura con respecto a los modelos potencial. La desviación estándar está representada en
deterministas. las mismas unidades. Podemos ver que se prevé más
dispersión sobre las áreas de Túnez y del mar Egeo, a
Crecimiento de la dispersión. Los SPC no son pro- ambos lados de una DANA mediterránea, dispersión
pios del medio plazo, también son importantes en asociada a la incertidumbre en la posición de la misma.
el corto plazo. En los años 90 en AEMET se comenzó Así mismo se prevé más dispersión en el lado occi-
utilizando los SPC para el medio plazo, al principio dental de una vaguada en Europa del norte, asociada
como apoyo al modelo determinista de mayor reso- a la incertidumbre en la magnitud de la profundidad
lución, asumiendo que la incertidumbre crece signi- de la misma. Estos mapas se abordan con detalle en
ficativamente a partir del medio plazo, pero no en el
la sección 27.5 en la página 412. La dispersión puede
corto. Más tarde se sistematizó la evaluación metódica
de la dispersión, mediante grupos y supergrupos, y evaluarse mediante otra aproximación, que es la agru-
la predicción puramente probabilista con mapas de pación, vista con excelente detalle en la sec. 27.4 en
probabilidad, etc., pero se seguía asociando los SPC la página 406.
al medio plazo. Actualmente se acepta al fin que la
incertidumbre crece significativamente o no depen-
diendo del flujo atmosférico de modo que, aunque la
incertidumbre sinóptica a menudo empieza a ser sig-
nificativa en el medio plazo, hay numerosos días del
año o situaciones en que la incertidumbre en escala
convectiva es crucial y, por tanto, es significativa des-
de un plazo muy temprano. Se trata de un problema
de escalas: según la escala de interés, el crecimiento
de la dispersión y la incertidumbre puede o no ser
significativo.
Mapas de promedio y dispersión. En este libro insis-

timos repetidas veces en que el promedio del SPC no
es necesariamente una situación meteorológica plausi-
ble. Sin embargo, el promedio suele dibujarse acom-
pañando a la dispersión en unos mapas que tienen
suma utilidad, para predicción operativa, como orien- Figura 13.16: Mapa de promedio y dispersión del SPC
tación sobre áreas con poca predecibilidad a priori. En ECENS sobre Europa (ver texto).
13.6.6 Medidas de posición

Valores atípicos en la predicción probabilista pa-
ra Sevilla. En el ejemplo anterior de la temperatura
Después de presentar las medidas de centralización prevista para Sevilla, podríamos tener valores atípicos
si el conjunto de miembros fuera, por ejemplo: 10,
y dispersión, presentamos las de posición que, a me-
30, 30, 30, 31, 31, 31, 31, 31, 31, 32, 32, 32, 32, 32,
nudo, son indicadores más robustos y resistentes de 33, 33, 34, 34, 35, 36. Vemos que hay un 10 en lugar
ciertas propiedades, como ya hemos ido adelantando. de un 30 en el primer lugar de la lista. Esos 10 ºC, a
Si ordenamos la distribución de valores previstos (se- priori, son sospechosos de ser un valor atípico.
guimos, cómo no, con el ejemplo anterior de Sevilla),
hay unos valores especiales a tener en cuenta:
El mínimo y el máximo delimitan todos los valores. En ocasiones la sospecha puede requerir una ex-
El mínimo deja a su derecha el 100 % de los va- ploración, para contrastar la plausibilidad del dato,
lores y el máximo deja a su izquierda el 100 % que eventualmente podría ser posible y tendríamos
de los valores que aceptarlo. Ese contraste puede ser una explora-
ción de las salidas del modelo correspondiente a ese
Mediana es el nombre dado al valor central. Deja
miembro, es decir, buscar el origen del dato. En al-
a su izquierda el 50 % de los valores y a su gunos ámbitos el contraste es de naturaleza simple-
derecha el otro 50 % (cuando el número de vamente estadística: pueden por ejemplo, rechazarse
lores es par, no hay valor central, y se hace el todos aquellos valores que queden fuera del inter-
promedio de los dos valores centrales). valo [Q1 − 1,5IQR, Q2 + 1,5IQR], siendo Q1 y Q2
Percentiles son aquellos valores que dividen a la dis- los percentiles 25 % y 75 %, respectivamente y sien-
tribución en partes dadas. Por ejemplo, el per- do IQR = Q2 − Q1 el llamado rango intercuartíli-
co. El IQR comprende el 50 % central de los da-
centil 25 deja a su izquierda el 25 % de los va-
tos de la distribución, y el intervalos, más grande,
lores y el percentil 75 deja a su izquierda el [Q1 − 1,5IQR, Q2 + 1,5IQR] comprende un abanico
75 % de los valores. Vemos, por ejemplo, que la de datos que, en una buena parte de casos, puede ser
mediana es el percentil 50, que el mínimo es el considerado como el abanico realista de datos posi-
percentil 0 y que el máximo es el percentil 100. bles. Todos los datos que queden fuera de ese abanico
pueden descartarse y ser considerados valores atípi-
cos.
Medidas de posición en la predicción probabilista
para Sevilla. En el ejemplo anterior de la temperatu-
ra prevista para Sevilla, recordemos que los valores
previstos eran (estaban ya ordenados) 30, 30, 30, 30, 13.6.8 Diagramas de caja (boxplots)
31, 31, 31, 31, 31, 31, 32, 32, 32, 32, 32, 33, 33, 34,
34, 35, 36. Tenemos que:
Los denominados métodos exploratorios o descripti-
Mínimo = p0 = 30 vos (ver sec. 15.2.2 en la página 210) permiten, pre-
Máximo = p100 = 36 cisamente, explorar los datos de una distribución en
Mediana = p50 = 32 perspectiva, en conjunto, para percibir algunas de sus
Percentil 25 = p25 = 31 propiedades antes de comenzar a estimarlas median-
Percentil 75 = p75 = 33 te métodos más refinados. Los diagramas de caja o
boxplot representan valores representativos de la dis-
tribución y son tremendamente útiles para hacerse una
idea de la distribución en conjunto, sin profundizar
13.6.7 Valores atípicos (outliers) en sus detalles. El diagrama de caja es un modo rápi-
do y sencillo de explorar un conjunto relativamente
amplio de números de forma muy visual, ofrecien-
Los conjuntos de datos pueden incluir, ocasionalmen- do una idea de una distribución compleja de valores,
te, valores denominados atípicos. Los valores atípicos, ocasionalmente con un gran número de ellos. La Figu-
por diversas razones, son valores que no son tenidos ra 13.21 en la página 187 muestra las características
en cuenta por resultar sospechosos: pueden ser dema- de un boxplot, mientras que la Figura 13.18 en la pá-
siado altos, demasiado bajos, quedan en general fuera gina siguiente muestra varios ejemplos de boxplots,
del rango de valores considerados aceptables. ilustrando además el impacto de outliers en una distri-
bución.
Es conveniente, en general, complementar los box-

plot con otros métodos exploratorios y, además, con
métodos de otras naturalezas, como por ejemplo los
métodos orientados a medidas (scores) y orientados a
distribuciones (ver secs. 15.2.1 en la página 210).
13.6.9 Ejemplos sencillos de predicciones

SPC
Cada predicción puntual, en el espacio y en el tiempo,

de un SPC es, así pues, una distribución de frecuencias
que indica los valores más probables para la variable
meteorológica en cuestión. Conocer las características
generales de esa distribución es vital para realizar una
Figura 13.17: Elementos de un diagrama de caja o box-
buena predicción probabilista, por lo que herramientas
plot. La caja principal contiene el 50 % de los valores de
la distribución, desde el percentil 25 % (Q1), pasando como los boxplot, en forma de EPSgramas (sec. 27.8.1
por la mediana (percentil 50 %), hasta el percentil 75 %, en la página 426) o las CDF, en forma de mapas de
es decir, el denominado rango intercuartílico (RIC o probabilidad (sec. 27.6.1 en la página 416), son de
IQR, de sus siglas en inglés). Los bigotes (whiskers) crucial importancia para un buen equipo de predicción
abarcan, opcionalmente (Figura 13.19 en la página si- del tiempo. Diferentes distribuciones tienen diferentes
guiente), desde el mínimo hasta Q1 y desde el Q2 hasta interpretaciones. ¿Es simétrica? ¿Si es asimétrica, ha-
el máximo. Otra opción (adoptada en esta figura), es cia qué lado tiende? ¿Tiene mucha o poca dispersión?
dejar aparte los valores atípicos (outliers), de modo que
¿Sabemos qué variable estamos tratando, para che-
los bigotes llegan sólo hasta unos límites superior e
inferior reducidos, en particular Q1 − 1,5IQR por aba- quear la consistencia de nuestras afirmaciones? En la
jo y Q2 + 1,5IQR por arriba. CC-BY-SA-3.0 https: // Figura 13.19 en la página siguiente presentamos seis
commons. wikimedia. org/ wiki/ File: Boxplot. svg . ejemplos ilustrativos de distribuciones con diferentes
propiedades.
Figura 13.18: Impacto de los valores atípicos en una distribución, en particular en la del ejemplo de la previsión
de temperatura para Sevilla el 8 de agosto de 2017 a las 12 UTC. A la izquierda, la distribución original. A la
derecha, la misma pero sustituyendo un 30 por un 10, valor atípico. Para cada predicción (o distribución de valores),
mostramos (i) en un cuadro de color salmón la distribución de valores previstos; (ii) el diagrama de caja (boxplot)
de esos valores con la mediana en naranja y la media en rojo, la caja abarcando el rango intercuartílico (IQR) y los
bigotes abarcando desde el mínimo hasta el máximo; (iii) el histograma de frecuencias relativas de esos mismos
valores, con el mismo eje horizontal. En la parte derecha pueden observarse dos variantes de boxplot, la inferior
dejando el outlier «fuera» marcándolo en rojo.
Figura 13.19: Ejemplos de predicciones SPC en un punto geográfico e instante concreto (e. g. Sevilla el 8 de agosto
de 2017 a las 14 UTC). Cada predicción es un conjunto o distribución de valores, que puede representarse de muchos
modos. Para cada predicción, mostramos (i) en un cuadro de color salmón la distribución de valores previstos; (ii)
el diagrama de caja (boxplot) de esos valores con la mediana en naranja y la media en rojo, la caja abarcando
el rango intercuartílico (IQR) y los bigotes abarcando desde el mínimo hasta el máximo; (iii) el histograma de
frecuencias relativas de esos mismos valores, con el mismo eje horizontal. Presentamos, así, seis predicciones de
diferente naturaleza, cada una con sus valores, su diagrama de caja y su histograma; las cinco primeras son de
temperatura y la última es de precipitación. Para la temperatura la media es de 32.0 grados en todos los casos,
para ilustrar la idea de que la media es un resumen incompleto de la distribución. Fila superior: dos distribuciones
asimétricas, con cola a la derecha y con cola a la izquierda. La media y la mediana no coinciden y la caja del
boxplot se estira Fila central: dos distribuciones simétricas, una concentrada y otra dispersa. La media y la mediana
coinciden, una desviación típica es mucho menor que la otra, correspondiendo a su dispersiones respectivas. Fila
inferior izquierda: una distribución asimétrica y bimodal. Obsérvese cómo la media es un valor delicado pues no se
corresponde con ningún valor previsto realmente. Fila inferior derecha: predicción de precipitación que, típicamente,
contiene muchos ceros, resultando una distribución tan asimétrica que está colapsada a la izquierda, en el cero, y su
boxplot sólo presenta de la mediana hacia la derecha, pues el valor es cero para el mínimo, el Q1 y la mediana.
Figura 13.20: Izquierda: distribución continua gaussiana con µ = 32,0 y σ = 1,6. Derecha: histograma que muestra,
siguiendo con el ejemplo, la distribución discreta de temperatura a 2 m prevista para Sevilla el 08-08-2017 a las
18 UTC por un hipotético SPC (en el punto de malla más cercano a Sevilla). Los valores del promedio y la dispersión
para esta previsión son, respectivamente, µ = 32,0 y σ = 1,6. En el caso de que quisiéramos ajustar esta distribución
discreta a una distribución gaussiana contiua, usaríamos precisamente la distribución mostrada a la izquierda,
partiendo de los valores de µ y σ dados, lo cual es una simplificación.
13.6.10 Ajuste de una distribución promedio y la desviación típica, a cambio de disponer

de una distribución continua, que puede ser útil para
Sigamos con nuestro ejemplo de la temperatura previs- otros fines. Tomando µ = 32,0, σ = 1,6 y aplicando
ta para Sevilla mediante una predicción probabilista la ec. 13.8, resulta la Figura 13.20 izquierda. Asumien-
de 21 miembros: 30, 30, 30, 30, 31, 31, 31, 31, 31, do que la variable x sigue esta distribución, podemos
31, 32, 32, 32, 32, 32, 33, 33, 34, 34, 35, 36. Este inferir información sobre el comportamiento de x. Po-
hipotético SPC consta de 21 miembros. Cuantos más demos decir que hay un valor central alrededor del
miembros, más alta será la resolución probabilista de cual se distribuyen los valores simétricamente. En ese
su PDF. La resolución probabilista tiene ventajas que contexto, σ es una medida de cuánto se desvían los
se abordarán con detalle en el capítulo sobre verifica- valores respecto de µ, una medida de dispersión, que
ción (cap. 15 en la página 207). De momento, baste ya hemos abordado anteriormente. Podemos, también,
decir que un SPC con más miembros que otro es más pensar en σ como un error o incertidumbre media
susceptible de capturar una situación atmosférica po- que tendríamos si aproximamos un valor x mediante
co probable. En la Figura 13.20 derecha se muestra la media µ. La distribución real no es exactamente
en un histograma de frecuencias esta distribución de gaussiana, pero sí lo es, en general, aproximadamente.
21 valores previstos. Si sólo pudiéramos disponer del Según el contexto, es conveniente trabajar con la dis-
promedio y la desviación de esa distribución de va- tribución conocida de valores (Figura 13.20, derecha),
lores, esa riqueza de información quedaría resumida nuestro primer ejemplo o con un ajuste mediante re-
en dos cantidades: µ = 32,0, σ = 1,6. En ocasiones, construcción paramétrica (Figura 13.20, izquierda),
se pretende ajustar una distribución discreta a una nuestro segundo ejemplo.
continua por diversas razones, aunque se disponga
del conjunto de valores discretos. En esos esos casos Distribución normal o gaussiana. La PDF gaussia-
se suele recurrir a alguna hipótesis ad hoc o alguna na general sigue la expresión:
simplificación oportuna. Por ejemplo, podríamos asu-
1 (x−µ )2
mir que la distribución poblacional de la temperatura PDF(x) = √
−
e 2σ 2 (13.8)
del ejemplo es aproximadamente gaussiana (o nor- 2πσ 2
mal) y utilizar una PDF continua teórica con el mismo donde σ es la desviación estándar y µ es la media,
promedio y desviación que la real, para obtener un ambas de la población, mientras que x es la variable
ajuste de la misma. Por tanto, estaríamos perdiendo aleatoria, en este caso la temperatura.
información, simplificando al quedarnos sólo con el
Figura 13.21: Para dos tipos de distribuciones figuradas con datos hipotéticos de temperatura, continua (izquierda) y
discreta (derecha) mostramos los conceptos de CDF, PDF y probabilidad de superación de un umbral meteorológico.
En ambos casos el promedio es de 32 ºC y la desviación típica de 1.6 ºC. La distribución continua resulta ser
simétrica. Su PDF(x) es la curva negra, una campana de G AUSS. Su CDF(x) es el área bajo la PDF hasta llegar al
umbral x, en verde claro. La probabilidad de que la variable supere el umbral x es el área bajo la PDF desde x hasta
el final. La distribución discreta resulta ser discontinua, con la cola hacia la derecha. La PDF(x), la CDF(x) son
conceptos análogos al caso continuo.
13.6.11 Computación de la probabilidad:

La condición de normalización en el caso discreto es:
PDF, CDF y percentiles
N
∑ PDF(xi ) = 1 (13.10)
i=1
Función densidad de probabilidad, PDF. Una dis-
tribución de probabilidad o de frecuencia nos brindan, Función acumulativa de probabilidad, CDF. Cuan-
respectivamente, la probabilidad para cada valor o la do nos interesa la probabilidad acumulada, es decir,
frecuencia empírica para intervalo de valores de la la probabilidad de un conjunto acumulado de suce-
variable aleatoria x. El término Probability Density sos, entonces entra en juego el concepto de función
Function o Probability Distribution Function (PDF), de distribución acumulada o Cumulative Distribution
se refiere a la distribución de probabilidad o de fre- Function (CDF). Si trabajamos con una distribución
cuencia indistintamente, relajando los criterios: dado de probabilidad, la CDF(x) se define en términos de
un valor de x o, alternativamente, una clase, PDF(x) una integral, la integral desde el principio del domi-
proporciona la probabilidad de que tenga lugar el su- nio hasta el valor x, que sería la probabilidad de que
ceso x. En el caso de la distribución de probabilidad, ocurra cualquier suceso hasta el valor x:
en forma continua , la representación gráfica (Figu- ˆ x
ra 13.21 izquierda) es una función real de variable P(X < x) = CDF(x) = PDF(t)dt
real. Se ha de cumplir la denominada condición de −∞
normalización:
Este valor coincide con el área bajo la PDF(x) hasta
ˆ+∞ la vertical correspondiente al valor x (Figura 13.21
PDF(x)dx = 1 (13.9) izquierda, área verde claro). Por otro lado, la probabi-
−∞ lidad de que la variable aleatoria supere un umbral es
precisamente la integral desde x hasta el valor máxi-
En el caso de la distribución de frecuencia, en forma mo, es decir, el área bajo la PDF(x) desde x hasta el
discreta, la representación gráfica (Figura 13.21 dere- final (Figura 13.21 izquierda, área verde oscuro):
cha) es un histograma de frecuencias, donde la altura ˆ ∞
de la barra donde está cada x indica la probabilidad P(X >= x) = 1 −CDF(x) = PDF(t)dt
del suceso correspondiente. x
Estos conceptos y herramientas son de suma impor-

Percentiles. La operación inversa de la CDF busca tancia en meteorología, pues están relacionados con la
cuál es el umbral u que da una probabilidad deter-
superación de umbrales críticos relacionados con los
minada P. Se definen así los percentiles qi , que son
aquellos valores de dividen la distribución en partes FMA. La Figura 13.21 en la página anterior derecha
determinadas. E. g. q25 viene dado por la expresión muestra los términos equivalentes para una distribu-
P(X > q25 ) = 0,25. En general: ción discreta de frecuencias.
i
P(X > qi ) = (13.11)
100
Otros percentiles importantes son la mediana P(X > 13.6.12 Estimación del carácter extremo de
q50 ) = 0,50 que divide la PDF en dos partes, los q25 y la predicción
q75 que permiten definir el IQR como IQR = q75 −q25
y, finalmente, el máximo y el mínimo, P(X > q100 ) = 0
y P(X > q0 ) = 1, respectivamente. Los FMA son de importancia capital en la predicción
del tiempo y su adecuada previsión puede salvar vi-
das humanas y optimizar los recursos económicos y
de protección civil. Los fenómenos extremos no son
Las salidas probabilistas de un SPC se computan a
siempre adversos (y viceversa), pero hay una cierta
partir de la representación de la PDF, que viene da-
relación. Uno de los mayores potenciales de los SPC
da por los miembros del SPC, tal como se ha venido
es su gran capacidad para prever fenómenos extremos.
mencionando anteriormente.
Las siglas EFI significan en inglés Extreme Forecast
Distribuciones discretas. Computación de proba- Index (Índice de predicción extrema). El EFI es una
bilidad y estadística en los SPC. Trabajando con un
SPC de N miembros, para cada punto de rejilla del
cantidad que puede calcularse usando el SPC y su
SPC, tenemos N valores previstos de una variable da- climatología (llamada la climatología del modelo o,
da, e. g. temperatura. Sin más información sobre la para ser más precisos, del SPC) que no es otra co-
calidad, habilidad, destreza o pericia de cada miem- sa que el «historial de predicciones». Para un lugar
bro, asumimos la hipótesis de equiprobabilidad de determinado, se compara la predicción probabilista
L APLACE y trabajaremos con una PDF discreta en (la famosa PDF, ver sec. 13.6 en la página 176) con
la que todos los valores previstos son equiprobables. ese historial, y se calcula un número, un índice, que
Con esas premisas, una estimación de la probabilidad
dice «cuán extrema» es la predicción. Dentro de esta
de superar un umbral u de temperatura en ese punto
de rejilla está dada por [199]: metodología se computan dos medidas ampliamente
( utilizadas: el Extreme Forecast Index, EFI y el Shift of
1 N 1 xi > u Tail, SOT. Se desarrollan en detalle en la sección 27.7
P(X > u) = ∑ I(xi > u), I(xi ) =
N i=1 0 xi < u en la página 419 sobre predicción del riesgo.
(13.12)
donde las I(xi ) se denominan indicadores. Por cons-
trucción, las probabilidades calculadas son discretas
p ∈ { N1 , N2 , · · · , NN , }. La función inversa es la compu- 13.6.13 Agrupamiento
tación de percentiles, es decir, para una probabilidad
dada p, cuál es el valor de la variable x para el que
p = P(x) [97]. Con este mismo modelo discreto puede Para hacer tratable la información y resaltar partes
calcularse la media, la mediana, la varianza, la desvia- predecibles, resulta útil normalmente agrupar todos
ción típica, etc., tal como se ha descrito previamente. aquellos miembros del SPC similares según una cier-
Añadiendo información, puede mejorarse la PDF meta norma, e. g. correlación entre campos, diferencia
diante el proceso llamado calibración (ver sec. 13.7.1 cuadrática, etc. El resultado de esta agrupación es un
en la página 190 y cap. 14 en la página 193), en cuyo
número reducido y manejable de escenarios repre-
caso la computación sería distinta. Para ello suele con-
trastarse la calidad de predicciones pasadas, usando
sentativos de los distintos grupos, que describen las
medidas de calidad (sec. 15.2.3 en la página 212) y partes más relevantes de una PDF. Este importante
suele proporcionarse una PDF continua. tema se aborda con gran detalle en la sección 27.4.1
en la página 406.
13.6.14 Mapas y gráficas muestran, para una ubicación geográfica de interés,

la evolución temporal de la PDF, usando el boxplot
(sec. 27.8.1 en la página 426) como representación
Resultan imprescindibles para la predicción probabi- gráfica ideal, basado en los percentiles más básicos.
lista los diversos productos derivados de la CDF o su Ver Figura 13.22. Estos productos generables a partir
inversa (sección 13 en la página anterior). Habitual- de los SPC reflejan la naturaleza probabilista de los
mente, se dibujan mapas de probabilidad de supera- mismos, visual y conceptualmente y se explorarán
ción de umbrales, proporcionando una distribución con detalle en el capítulo 27 en la página 401, así
espacial de probabilidad y, para la distribución tempo- como algún aspecto concreto en la sección 17.5 en la
ral de probabilidad, son clásicos los EPSgramas que página 271.
Figura 13.22: Dos representaciones de probabilidad distintas: a la izquierda, un mapa de probabilidades y, a la

derecha, un EPSgrama (ver texto).
13.7 Visión crítica Bayesian model averaging, BMA. Sin dar una res-
puesta teórica a este problema, algunos métodos de
13.7.1 Carácter discreto o continuo de la posproceso estadístico diseñan PDF continuas a partir
PDF de los datos brutos, discretos, del SPC. Un ejemplo es
la técnica llamada promediado bayesiano del modelo,
En la sección 5.1.4 en la página 53 vimos que un con- en inglés bayesian model averaging, BMA [55, 292,
junto de partículas con condiciones iniciales cercanas 529, 593]. El propósito de esta técnica no es hacer
puede representarse por la región conexa que ocupa al SPC correspondiente consistente con L IOUVILLE,
sino que es proporcionar una PDF con un rendimiento
en el llamado espacio de fases, espacio de estados
óptimo, para lo cual la convierte en continua. El méto-
posibles de un sistema. El teorema de L IOUVILLE do se discute en detalle en las secciones 14.1.2.0.1 en
establece que dicha región mantendrá invariante su la página 195 y 21.6 en la página 319 y tiene un prin-
volumen a pesar de que se estirará y se encogerá a cipio muy sencillo que se ilustra en la Figura 13.23.
medida que cada partícula evolucione. Hemos visto Partimos de un SPC de cinco miembros, de modo
en la sección 13.4 en la página 171 que la ecuación que tenemos cinco valores previstos Fi en un lugar y
más general de F OKKER -P LANCK, o la de L IOUVI - momento dados. A cada uno de esos Fi se le aplica,
en primer lugar, una corrección de sesgo comparan-
LLE no pueden resolverse para modelos atmosféricos
do las observaciones y predicciones de los últimos
porque el número de grados de libertad o variables días y extrapolando el sesgo para la siguiente pre-
aleatorias es 108 − 109 . De modo que se utilizan los dicción. Después se construye una PDF individual
SPC para muestrear las incertidumbres debidas a las continua para cada uno de los valores, por ejemplo,
fuentes principales: condiciones iniciales, modelo y, desplegando una gaussiana alrededor de cada valor
en el caso de RCM, condiciones de contorno. Me- central, con diferentes pesos y varianzas, que son pa-
diante estos SPC se puede estimar así una PDF del rámetros estadísticos a determinar. Con el algoritmo
estado atmosférico en cada alcance predictivo de toda estimation-maximitation, EM [156, 430, 543], en un
proceso iterativo se optimiza una medida de verifi-
la evolución del sistema.
cación probabilista, el continuous ranked probability
Ahora bien, usando las técnicas usuales esta PDF es score, CRPS [285, 332, 682], que involucra a todos
los miembros desde el punto de vista probabilista pu-
discreta, mientras que la PDF atmosférica es, con toda
ro. Una vez determinados los pesos y las varianzas, ya
probabilidad, continua. La pregunta incómoda sur- tenemos una PDF predictiva continua. Este método, al
ge de inmediato: al estimar una PDF continua con capturar los valores atípicos (outliers) da una relación
una PDF discreta ¿estamos explorando realmente el dispersión-error extremadamente buena. Sin embargo,
espacio de fases apropiadamente?. La respuesta es el tratamiento de valores extremos sigue sin dar buen
probablemente no. ¿Hasta qué punto puede represen- resultado [55], por lo que estos valores siguen siendo
tarse la PDF atmosférica, continua, mediante la PDF un problema.
de un SPC, discreta? Este es uno de los problemas
principales de toda esta disciplina de diseño de SPC.
Figura 13.23: PDF discreta y PDF continua en la técnica BMA (ver texto).
13.8 Conclusiones 191
13.7.2 Equiprobabilidad de los miembros PDF, en el periodo de predicción no puede resolver-

se para los modelos atmosféricos, dado su elevado
Toda la predicción probabilista trabaja con productos número de grados de libertad, en torno a 108 − 109 .
de SPC que se han construido partiendo de la base de De modo que se utiliza una aproximación práctica
que los miembros del SPC son equiprobables. Para para diseñar modelos probabilistas. Se muestrean los
el cómputo de las diferentes cantidades de interés a estados atmosféricos iniciales estimando una PDF
partir de la PDF estimada, como son la probabilidades, inicial mediante un conjunto de estados plausibles
los percentiles, promedio, dispersión, etc., se confía compatibles con las observaciones, así como los di-
en esta asunción básica: la hipótesis de equiprobabili- ferentes aspectos y errores e incertidumbres de los
dad de L APLACE. Pero ¿son realmente equiprobables modelos, con una diversidad de técnicas: multianáli-
los miembros de un SPC? Por construcción y diseño sis, multimodelo, perturbaciones, etc. Con el conjunto
de los propios SPC, así como por la experiencia del de estados atmosféricos previstos se construye la PDF
trabajo en modelos atmosféricos, pocas certezas hay prevista, concepción fundamental de la predicción
al respecto, pero una cosa bien segura es que no todos probabilista.
los modelos se comportan o rinden igual según los
días, según las situaciones atmosféricas. Ya venimos Esta concepción se denomina sistema de predicción
diciendo que la predecibilidad depende del flujo, y el por conjuntos, SPC y las diferentes predicciones o
comportamiento de los modelos también. Hay días estados previstos se denominan miembros del SPC.
en que unos modelos dan mejor resultado que otros y Así, los SPC son sistemas de predicción probabilistas
viceversa. En el fondo, este problema está relacionado de los que esperamos:
con el anterior y no hay una respuesta teórica defini-
tiva al problema. Se hace todo lo posible, en fase de Una estimación de la PDF del estado atmosférico.
diseño, para garantizar que todos los miembros tienen Diferentes escenarios atmosféricos.
calidades equiparables, pero ¿equiprobabilidad? Aun- El promedio del SPC no es necesariamente una
que de momento es imposible asegurarlo, se trabaja situación meteorológica, ni es el objetivo de la pre-
asumiendo que la hay. dicción probabilista.
Información explícita, cuantitativa y detallada sobre
la dispersión atmosférica, que está vinculada con la
13.8 Conclusiones incertidumbre y, por ende, con la predecibilidad.
Predecibilidad dependiente del flujo, es decir, de la
situación.
Los modelos atmosféricos han mejorado enormemen-
Evaluar el potencial de fenómenos adversos (ver
te en las últimas décadas, debido a los avances vertigi-
FMA) y fenómenos extremos (ver FMA), que no
nosos en supercomputación, satélites y asimilación de
son exactamente los mismos. Esta información es-
datos, entre otros factores. A pesar de ello, los mode-
tará contenida en unos pocos miembros, a menudo
los no son perfectos y fallan un número de días al año
en la cola de la PDF.
en un número de situaciones donde se pueden dar fe-
nómenos extremos (ver FMA) o fenómenos adversos, En AEMET, los predictores operativos comenzaron a
que siguen siendo un reto. Se hace necesario, pues, familiarizarse con los SPC durante la década de los 90,
investigar en las fuentes de error de estos modelos y en particular el llamado grupo de medio plazo, con
profundizar en la teoría en que se basan (cap. 17 en la el SPC del ECMWF, denominado ECENS. En esa
página 257). época se utilizaba el ECENS para el medio plazo en
las predicciones de escala más bien sinóptica, como
Los sistemas dinámicos con los que representamos apoyo al modelo determinista de mayor resolución
la atmósfera tienen un carácter fuertemente no lineal, ECHRES, asumiendo que la incertidumbre crece sig-
por lo que sufren sensibilidad a las variaciones en las nificativamente a partir del medio plazo, pero no en el
condiciones iniciales, además de sensibilidad a la for- corto.
mulación del modelo, lo que pone un límite físico a su
predecibilidad. Se hace necesario complementar a los De forma operativa y sistemática el ECENS empezó a
modelos deterministas con simulaciones sobre las in- utilizarse en el año 2 000, con una evaluación planifi-
certidumbres, introduciendo así modelos probabilistas. cada de la dispersión, mediante grupos y supergrupos,
Pero la ecuación de F OKKER -P LANCK, que describe con el uso metódico de mapas de probabilidad, etc.
la evolución de la función densidad de probabilidad, En cualquier caso, se siguió asumiendo durante un
tiempo que la incertidumbre crece significativamen- (e. g. AEMET-SREPS, cap. 21 en la página 313) se
te a partir del medio plazo, pero no en el corto. En puede ir adoptando una concepción más fina: la incer-
las casi dos décadas de uso operativo, el ECENS ha tidumbre crece significativamente o no dependiendo
mejorado notablemente, de modo que la dispersión y del flujo atmosférico de modo que, aunque a menu-
fiabilidad sinópticas habituales para una predicción do empieza a ser significativa en el medio plazo, hay
D+4 de hace 15 años ha pasado hoy hasta una pre- numerosas situaciones en que la incertidumbre es sig-
dicción D+7. Del mismo modo, hoy en día, podemos nificativa desde un plazo muy temprano, sobre todo en
hacer predicciones para un D+4 con una dispersión las escalas kilométricas o convectivas, mesoescalares,
similar a la de un D+2 o, incluso, un D+1 de entonces. con poco forzamiento sinóptico. Es decir, a día de hoy
(2018) los SPC son herramientas útiles en todos los
Con la aparición de los SPC de corto plazo plazos de predicción.
Posproceso estadístico
14
DOI: 10.31978/014-18-009-X.14
DAVID Q UINTERO P LAZA
D. T. islas Canarias, Agencia Estatal de Meteorología (AEMET)
The future is already here. It’s just not very evenly distributed.
W ILLIAM G IBSON
En este capítulo damos una introducción a las técnicas estadísticas que permiten
calibrar (y por tanto mejorar) las salidas directas de un modelo meteorológico o un
sistema de predicción por conjuntos. Primero hablaremos de las técnicas clásicas
Perfect Prog y MOS, así como las más recientes BMA y ELR y después reservaremos
una parte importante para hablar sobre las novedosas técnicas basadas en Aprendizaje
Automático (Machine Learning), que parecen muy prometedoras.
Palabras clave: sistemas de predicción por conjuntos, posproceso estadístico, métodos de posproceso BMA y
ELR, aprendizaje automático, machine learning.
Imagen parte superior: cumulus y cirrus de diferentes tipos en las capas superiores, en las inmediaciones de Valdemorillo. Fotografía de
J UAN C ARLOS G ARCÍA C OLOMBO.
194 Física del caos en la predicción meteorológica Capítulo 14. Posproceso estadístico
14.1 Introducción al posproceso sión (lineal o no) para encontrar los parámetros que
mejor ajustan el modelo a las observaciones. Cuanto
clásico
mayor sea la base de datos, mejor, pues más casos son
considerados (consultar la caja correspondiente a la
Cuando un modelo meteorológico termina su normal-
regresión lineal en la página 199).
mente largo proceso de ejecución presenta unas sali-
das en bruto (outputs) que son las variables de interés
para un(a) predictor(a). Ejemplos de estas variables
14.1.1 Métodos clásicos de posproceso:
son la temperatura en superficie, la presión en dis-
tintos niveles, las componentes del viento, etcétera. Perfect Prog y MOS
Aunque estas variables son el resultado de resolver un
conjunto de ecuaciones diferenciales que determinan Perfect Prog. Por Perfect Prog (Perfect Prognosis
la física atmosférica, dado que algunos procesos son [350]) conocemos al que es quizá el primer método de
aproximados y el método de resolución es también posproceso estadístico. Perfect Prog utiliza uno o va-
aproximado, estos outputs no son la última palabra: rios predictores (variables que sirven como variables
pueden ser mejorados. Y ahí es donde entra en juego independientes para hacer la regresión) para determi-
lo que denominamos posproceso estadístico. nar el deseado predictando (variable dependiente de
las otras). Se sirve para ello de una regresión lineal,
El posproceso estadístico utiliza una base de datos de multilineal, polinómica o de cualquier otro tipo. Los
predicciones del modelo y las correspondientes obser- predictores (ver predictor) son las observaciones y
vaciones. Pueden ser predicciones recientes, de los úl- (en ocasiones) datos climáticos. Los predictandos son
timos 3-4 días, o predicciones anteriores en el tiempo. las observaciones. Por tanto, y esta es la clave de Per-
Mediante alguna técnica se calculan las desviaciones fect Prog, el modelo no participa en ningún momento
de las predicciones con respecto a las observaciones en el proceso de regresión. Sobre el modelo se actúa
que luego se midieron y, extrapolando esas desviacio- únicamente después de haber encontrado la función
nes al futuro, se corrigen las predicciones del modelo de regresión. En términos de Aprendizaje Automático
para los días venideros. La idea es que las salidas del (ver 14.2 en la página 198), el modelo no participa
modelo se parezcan lo más posible a las observacio- en el entrenamiento. Esto es debido a que según el
nes. En ocasiones se pueden utilizar también datos paradigma de Perfect Prog se considera al modelo
climáticos. El algoritmo utiliza algún tipo de regre- como «perfecto». Ver esquema en Figura 14.1.
Figura 14.1: Esquema de Perfect Prog. COMET Program: Intelligent Use of Model-Derived Products.
14.1 Introducción al posproceso clásico 195
Figura 14.2: Esquema de Model Output Statistics. COMET Program: Intelligent Use of Model-Derived Products.
MOS. Perfect Prog, al no incluir el modelo en la re- esperar, los resultados con MOS fueron algo mejores
gresión, no puede corregir sus errores sistemáticos, lo que con Perfect Prog (ver Figura 14.3).
cual es una limitación importante. Para superar esta
limitación se introdujo el MOS (Model Output Sta-
tistics, [235]), un método muy similar a Perfect Prog
pero que utiliza el modelo en la base de entrenamiento;
es decir, el modelo aparece también como predictor,
junto a observaciones y datos climáticos (ver esquema
en Figura 14.2).
MOS es usado por el NCEP, el Centro Nacional de

Predicción Medioambiental de los Estados Unidos.
Disponen de dos versiones de MOS: una directamente
sobre los puntos en los que hay observaciones (station Figura 14.3: Comparación entre Perfect Prog y MOS
based MOS) y otra para los puntos de grid del modelo realizada en el INM (antigua AEMET). Los predictan-
(GMOS). Para MOS utilizan una regresión lineal en dos con los que tanto Perfect Prog como MOS trabajan
son variables de tiempo sensible, que son las conocidas
múltiples variables, utilizando como predictores un
por el gran público, tales como la temperatura en super-
conjunto muy completo de salidas del modelo, datos ficie, el viento en superficie, la nubosidad, la cantidad
geoclimáticos y observaciones pasadas. Tras el procede precipitación recogida, la probabilidad de tormentas,
so de entrenamiento (inferencia de los parámetros de etcétera [28].
la regresión), los resultados que obtienen son bastante
buenos [18].
14.1.2 Métodos más modernos: BMA y
En la Agencia Estatal de Meteorología (AEMET) se
han estudiado estos dos métodos en el pasado y se ELR
han implementado con resultados positivos [28]. Un
Estos son métodos específicos para calibrar ensem-
ejemplo es el estudio que se hizo con la predicción
bles.
de temperaturas extremas diarias en varias ciudades
españolas durante el mes de octubre de 1992: Método
de predicción perfecta, para adaptación estadística Promediado bayesiano de modelos BMA. El méto-
de los diferentes modelos numéricos, utilizando los do Bayesian Model Averaging, BMA [529] se aplica a
análisis del modelo de área limitad del INM. El hecho ensembles. Busca ajustar una función de densidad de
de elegir la temperatura no fue casual ya que tiende a probabilidad (PDF, por sus siglas en inglés) para dar
ser la variable que mejor se comporta. Como era de cuenta de los errores del ensemble en días pasados y
mejorarlo en días futuros. Dado que un ensemble da

predicciones probabilistas, en muchos casos éstas se Bayesian Model Averaging (BMA). La PDF total
del ensemble se escribe también como una suma de
pueden aproximar por una gaussiana (por ejemplo, la
las PDF de los miembros:
temperatura a 2 metros). Una gaussiana viene dada
m
por dos parámetros: la media (µ) y la desviación es- PDF(y| f1 , . . . , fm ; θ1 , . . . , θm ) = ∑ wi PDFi (y| fi , θi )
tándar (σ ). Con el proceso de entrenamiento, se busca i=1
aproximar la gaussiana resultante del modelo con la (14.2)
Donde fi representa la predicción determinista de ca-
gaussiana que viene dada por la distribución probabi-
da miembro (m miembros en total), y representa la
lista de las observaciones. El término Bayesian aquí se variable a pronosticar, θi los parámetros asociados a
emplea por la similitud de esta técnica con el enfoque cada PDF (pueden ser más de uno, es decir, un vector
bayesiano para la estadística, en el que los modelos y de parámetros; en el caso de la gaussiana son la media
sus parámetros se van actualizando a medida que van y la desviación estándar) y wi los pesos de cada densi-
apareciendo más datos disponibles. dad de probabilidad (que deben sumar 1 para que se
cumplan las propiedades de una PDF).
Distribución gaussiana. Se dice que una varia- Los pesos wi y parámetros θi y se determinan por
ble X sigue una distribución gaussiana cuando el método de máxima verosimilitud (maximum like-
X ∼ N (µ, σ 2 ). lihood), ver caja correspondiente. Desafortunadamen-
te este método no puede resolverse siempre analítica-
La ecuación de la gaussiana X ∼ N (µ, σ 2 ) en una mente y hay que llevar a cabo algún procedimiento
dimensión es: numérico, en particular se utiliza el algoritmo Expec-
1
. tation Maximization, EM [156, 430], ver caja corres-
−(x−µ)2 2σ 2
P(x) = √ e (14.1) pondiente en la página siguiente.
σ 2π
En la imagen tenemos un ejemplo de la distribución de
probabilidad de una gaussiana correspondiente a las
observaciones y otra correspondiente a un miembro
del ensemble. La idea es corregir la gráfica mostrada Método de máxima verosimilitud. Busca los pará-
en verde para hacerla lo más parecida posible a la de metros óptimos maximizando la probabilidad conjun-
las observaciones, de color azul. ta que tendrían estos parámetros para ajustarse a los
datos. Si tenemos un conjunto de variables indepen-
dientes e idénticamente distribuidas, podemos escribir
la densidad conjunta como:
f (Xi ; θ ) = f (x1 , x2 , . . . , xn | θ ) =
= f (x1 | θ ) × f (x2 | θ ) × · · · × f (xn | θ )
(14.3)
Donde θ es el parámetro o vector de parámetros a re-
solver. Normalmente se llama L a la función anterior,
aunque a nivel de cálculo se prefiere trabajar con el
logaritmo:
n
Figura 14.4: Gaussianas.
L (θ ) = logL = log ∏ f (Xi ; θ ) (14.4)
i=1
Puede suceder que una variable no siga una distribu- Entonces el parámetro o vector de parámetros se pue-
ción gaussiana de probabilidad. El ejemplo típico es de escribir como:
la precipitación. Se puede intentar aproximar en este
θ̂MLE = argmax(L (θ ; x1 , . . . , xn )) (14.5)
caso la distribución de probabilidad que tenga la obser-
vación con una suma de gaussianas, cada una de ellas Este estimador se puede deducir derivando con res-
con distinto peso, o con una distribución diferente, por pecto a θ e igualando a cero, aunque en ocasiones
ejemplo una log-normal. habrá que usar métodos numéricos para resolver el
conjunto de ecuaciones resultantes, lo que se describe
en la siguiente caja en la página siguiente.
14.1 Introducción al posproceso clásico 197
Algoritmo Expectation Maximization, EM. Este al- En la fase M de maximization: encontrar el parámetro
goritmo permite encontrar un estimador de máxima ve- que maximiza la función, esto es,
rosimilitud cuando no tenemos opción de resolver las
ecuaciones correspondientes de forma analítica. Para θn+1 = argmax Q(θ | θn ) (14.8)
ello se utiliza el siguiente artificio: suponemos que te-
nemos una´variable Z, llamada variable latente, tal que Y el proceso se repite iterativamente hasta que se
f (y, θ ) = f (y, z; θ )dz y tal que la función f (y, z; θ ) encuentra una convergencia o se llega a un número
resulta fácil de maximizar. Cambiemos ligeramente la previsto máximo de iteraciones.
notación ahora, según A LEXIS ROCHE [543], a quien
seguimos en esta derivación: sea L la función loga-
ritmo de la verosimilitud, esto es, L(θ ) = log p(y|θ ).
Calculemos ahora la diferencia entre dos estimacio- Regresiones logística LR y logística extendida ELR.
nes de nuestro parámetro e introduzcamos variables Comentemos por último la regresión logística [254,
latentes en lugares oportunos: 268] y la regresión logística extendida [681], LR y
ELR, respectivamente. En una regresión logística se
p(y | θ )
L(θ ) − L(θ ′ ) = log trabaja de forma muy parecida a una regresión lineal,
p(y | θ ′ )
aunque el algoritmo en este caso trabaja con umbrales,
p(z, y | θ )
ˆ
= log dz clasificando si el valor de nuestro predictando cae por
p(y | θ ′ )
debajo o por encima del umbral. La regresión logística
p(z, y | θ )
ˆ
= log p(z | y, θ ′ )dz extendida es esencialmente lo mismo que la regresión
p(z, y | θ ′ )
logística pero tratando de corregir errores que tiene la
p(z | θ )
ˆ
= log p(z | y, θ ′ )dz regresión logística: errores de consistencia asociados
p(z | θ ′ )
a diferentes umbrales y a la necesidad de interpolar
p(z | θ )
ˆ
≥ log p(z | y, θ ′ )dz entre umbrales. La ELR busca también minimizar el
p(z | θ ′ )
tiempo de cálculo.
= Q(θ , θ ′ )
(14.6)
Regresión logística LR. A pesar del nombre, es real-
Donde hemos usado las reglas usuales de probabili- mente un algoritmo de clasificación, es decir, la varia-
dad total y condicionada (anexo G en la página 1017) ble dependiente tiene como rango un valor binario (0
para simplificar términos y en el último paso se ha ó 1, típicamente). En meteorología se usa un umbral
usado la desigualdad de J ENSEN Eg(X) ≤ g(E(X)) al que llamaremos q tal que tenemos dos posibilida-
si la función es cóncava, y el logaritmo lo es. des: estar por debajo o justo en el umbral o estar por
encima. La distribución de probabilidad acumulada
La última función puede escribirse como: Q(θ , θ ′ ) = (CDF) sería:
Q(θ | θ ′ ) − Q(θ ′ | θ ′ ), donde
e f (x)
Q(θ | θ ′ ) = logp(z | θ )p(z | y, θ ′ )dz =
´ CDF(q) = PDF(y ≤ q) = (14.9)
1 + e f (x)
= E(log p(Z | θ ) | y, θ ′ )
(14.7)
Si θ ′ permanece fijo, maximizar Q(θ , θ ′ ) es equi- Con f (x) = b0 + b1 x1 + b2 x2 + . . . + bn xn una regre-
valente a maximizar Q(θ | θ ′ ). Podemos introducir sión multilineal donde las x son los predictores y las
una función residuo R(θ | θ ′ ) tal que L(θ ) = Q(θ | b los parámetros a estimar. La ecuación para la CDF
θ ′ ) + R(θ | θ ′ ). El algoritmo EM reemplaza L(θ ) tiene una característica forma de S con valores entre 0
por Q(θ | θ ′ ), donde el residuo no será importante y 1. La palabra logística viene de que la ecuación para
pues ya hemos visto de las ecuaciones anteriores que la regresión es lineal si vamos a la escala logística (es
R(θ | θ ′ ) ≥ R(θ ′ | θ ′ ). decir, si tomamos logaritmos):

El algoritmo lo que hace es, en la E de expectation: CDF(q)
ln = f (x) (14.10)
calcular la función Q(θ | θn ), que por definición es 1 +CDF(q)
una esperanza. Nótese que para este paso hay que
calcular una distribución p(z | y, θn ) en función de
Los predictores que se suelen usar tienden a ser la me-
nuestra variable latente que hemos escogido, Z.
dia del ensemble, su dispersión o una combinación de
ellos [97]. Los parámetros q normalmente provienen
de cuantiles derivados de la climatología.
características del terreno o incluso de la frecuencia

Problemas asociados a LR. Existen, sin embargo, relativa de determinados eventos [webcomet].
algunos problemas asociados a esta utilización de la
regresión logística. Por un lado, por cada umbral q hay Desde la perspectiva de una estadística «clásica», am-
que llevar a cabo una regresión, lo que aumenta mu-
bos métodos tienen su interés. Desde la perspectiva
cho el gasto computacional si queremos calibrar para
muchos umbrales. Además, si en algún momento tra- del Aprendizaje Automático quizá se tiende a prefe-
bajásemos con un umbral intermedio habría que llevar rir la agrupación, ya que lo que interesa es que los
a cabo una interpolación y eso no suele ser estadísti- datasets sean lo más grande posibles para representar
camente muy consistente. Por último, en ocasiones, cuantos más casos mejor y porque estos algoritmos
puede suceder que aunque q1 < q2 , para algunos valo- son capaces de captar detalles que a los seres humanos
res de los predictores tengamos CDF(q1 ) > CDF(q2 ), se nos escapan. No obstante, es posible que un cierto
debido a la imprecisión inherente a toda regresión, lo
grado de estratificación, sobre todo geográfica, sea
cual es lógicamente inconsistente.
necesaria.
14.2 Aprendizaje Automático

Regresión Logística Extendida ELR. Por los pro-
blemas asociados a la LR, W ILKS propuso la ELR
Las técnicas de aprendizaje automático (AA) (Machi-
(Extended Logistic Regression, [681]), que incluye
una función g(q) que aumenta progresivamente con ne Learning) son uno de los temas más candentes de
el umbral q: la actualidad en ciencia y tecnología. Son un subcon-
junto de la inmensa área de la inteligencia artificial;
e f (x)+g(q) es decir, de la creación de agentes digitales cada vez
CDF(q) = PDF(y ≤ q) = (14.11)
1 + e f (x)+g(q) más autónomos. Este nuevo conjunto de modelos de
inteligencia artificial ha revolucionado el campo de
Este método solucionaría los problemas anteriormen- reconocimiento de patrones, la extracción de significa-
te expuestos. Se han hecho pruebas usando como do de datos dispersos (buscar conexiones entre datos
función g(q) (que tiene que ser estrictamente cre- y medir su importancia) o la predicción de valores
√
ciente) g(q) = b q y como f (x) la función f (x) = y comportamientos en base a aprendizajes previos,
√
b0 + b1 ( x)ens , con resultados bastante buenos [569] por citar unos ejemplos. Muchas son las técnicas que
conforman el Aprendizaje Automático pero destaca
especialmente la red neuronal, una imitación y una
Otros métodos estadísticos modernos de posproceso simplificación algorítmica del cerebro humano. La
de SPC, no descritos aquí por sencillez, son la re- inteligencia artificial venía teniendo una tendencia
gresión gaussiana no homogénea, Non-homogeneous ascendente desde hace bastantes años, pero cuando
Gaussian Regression [236, 237] y el revestimiento un conjunto de redes neuronales derrotó a un juga-
ensemble, Ensemble Dressing [557, 667]. dor humano de élite al juego oriental del Go [654],
considerado un reto inalcanzable por los programa-
dores durante años, la atención mundial sobre estos
14.1.3 Estratificación o agrupación algoritmos se disparó.
Con estos nombres se conocen dos técnicas con las Parece claro que en AEMET se debe apostar por estas
que afrontar el proceso de regresión. La estratifica- novedosas técnicas, que son no solo el futuro sino
ción reduce el tamaño de los datasets para hacerlos también ya el presente, y que, como veremos, están
más sensibles al tipo de clima, a la estación del año, o aportando mejoras reales a los modelos.
incluso a variables meteorológicas tales como un tipo
de dirección de viento [webcomet].
14.2.1 Brevísimo panorama del Aprendiza-
La agrupación o pooling hace lo contrario: incluir en je Automático
el dataset todos los eventos, sin disgregar. La agru-
pación suele llevar implícito que el lugar geográfico Lo que se conoce genéricamente como Aprendizaje
no es una variable importante, cuando de hecho sí lo Automático o Machine Learning es un conjunto de
es. Para corregir esto se puede introducir una varia- técnicas basadas en la estadística clásica que permiten
ble ficticia de tipo geoclimático que dé cuenta de las crear modelos que aprenden de datos pasados. Este
14.2 Aprendizaje Automático 199
conjunto de técnicas es bastante dispar y resulta un identificar la función que mejor modela unas entradas
tanto difícil de sintetizar en pocas líneas. Vayamos con sus correspondientes salidas, las cuales se sitúan
por partes, de lo general a lo concreto, para dar una en un espectro continuo de posible variación.
idea lo más completa posible.
el Aprendizaje Automático es básicamente estadística, Si hablamos de algoritmos específicos, tenemos a

aunque tiene varios puntos que la diferencian de una nuestra disposición todas las técnicas estadísticas clá-
concepción más clásica de la estadística. En primer sicas, como regresión lineal (con o sin parámetros de
lugar, podemos decir que el Aprendizaje Automáti- regularización) o regresión polinómica. Dado que la
co es mucho menos rigurosa que la estadística desde regresión lineal es muy eficiente, detengámonos un
un punto de vista matemático formal; está menos in- momento en ella en el siguiente cuadro.
teresada en aportar pruebas o demostraciones de los
resultados y hace más énfasis en la aplicación, para
lo cual utiliza la capacidad de cálculo que ofrecen no Regresión lineal. Busca ajustar a una recta los da-
solo los modernos ordenadores sino sobre todo los tos minimizando el error cuadrático medio (MSE,
sec. 15.3 en la página 213). Esto fue resuelto por
chips gráficos (Graphical Process Unit (GPU)), que
G AUSS ya en el siglo XIX. Para minimizar el overfit-
aceleran enormemente los cálculos. Hay diferencias ting o sobreajuste, es decir, para que la función apren-
más sutiles, por ejemplo, en Aprendizaje Automático da solo las características del conjunto de datos y no
lo importante es la precisión del modelo construido, su ruido inherente (y por tanto pierda la capacidad de
mientras que en estadística se hace más hincapié en generalizar) existen varias técnicas. Introducir paráme-
cómo llevar a cabo un adecuado modelado de los datos tros de regularización es de lo más usado. Si queremos
basándose en los adecuados principios teóricos [72]. ajustar a un recta tipo
También la estadística tiene un rango de intereses más y = w0 + w1 x (14.12)
amplio, estudiando por ejemplo la mejor forma de ha-
cer muestreos (samplings) que pueden luego ser útiles
a la hora de resolver integrales por métodos como el las w son llamados pesos. Si ŷ es el valor deseado,
de Montecarlo, o buscando resultados teóricos sin que minimizar con regularización es introducir una λ tal
que minimizamos
necesariamente tengan una inmediata aplicación.
n m
En Aprendizaje Automático distinguimos tres enfo- MSE = ∑ (yi − ŷi )2 + λ ∑ w2j (14.13)
i=1 j=1
ques: aprendizaje supervisado o no supervisado, se-
gún el algoritmo tenga para cada input un output con
el que debe corresponderse o no disponga de más in- al segundo término (básicamente un multiplicador de
formación que el dato en bruto; y el tercer enfoque L AGRANGE) se lo conoce como norma L2 y al conjun-
es el del aprendizaje con refuerzo: un agente inter- to total como Ridge regression. Existen otras normas,
accionando con un medio, buscando optimizar una la L1 que sería el valor absoluto de las w (técnica co-
nocida como Lasso) o una combinación lineal de L2
función de coste a largo plazo, que es el que más en-
y L1 (Elastic Net). En cualquier caso se ve que la idea
tronca con la inteligencia artificial y el funcionamiento es penalizar que los valores de w, los pesos, crezcan
de la mente humana; es muy interesante pero no es mucho (y por tanto sobreajusten).
de aplicación directa hoy por hoy a la meteorología
(en el futuro, quién sabe, probablemente la acabará
teniendo). Dentro de la categoría de aprendizaje su-
pervisado hay dos grandes subgrupos: los problemas
de regresión y los de clasificación. En la clasificación Otro grupo importante, sobre todo gracias al Apren-
buscamos insertar un dato o conjunto de datos en su dizaje Automático, son los kernels gaussianos (SVR
correspondiente categoría; la salida, por tanto, de un en nuestro trabajo). En esta técnica, quizá la más so-
modelo de clasificación es una variable categórica. fisticada matemáticamente, se proyectan los datos a
Ejemplos de problemas de clasificación son el recono- un espacio de dimensión superior a aquella del que
cimiento de los dígitos del 1 al 9, el reconocimiento se encuentran originalmente. En este nuevo espacio
facial, o ya en la meteorología el reconocimiento de vectorial de dimensión mayor el problema pasa a ser
nubes vistas por el satélite o del tipo de precipitación, lineal, aunque el precio a pagar es, como hemos di-
por citar solo algunos de muchos ejemplos. En la re- cho, una considerable sofisticación matemática y un
gresión, de la que nos vamos a ocupar aquí, se busca incremento computacional (curse of dimensionality).
emite señal. El perceptrón, por tanto, era una algorit-

mo de clasificación binaria. El aprendizaje se produce
comparando la señal emitida por el perceptrón con la
señal deseada y actualizando los pesos mediante una
astuta regla de asignación.
Sin embargo, en los años 60, M ARVIN M INSKY y

S EYMOUR PAPERT demostraron que el perceptrón
solo resolvía problemas linealmente separables (pu-
sieron el famoso ejemplo de que no podía aprender
una función XOR) y la técnica quedó un tanto olvidada
[443].
Figura 14.5: El perceptrón, claramente una copia sim-
plificada de una neurona orgánica (Alejandro Cartas,
ver texto)
Ha adquirido nuevo vigor actualmente con diseños de
todo tipo que esquivan las limitaciones del perceptrón:
introduciendo una forma de aprendizaje llamada back-
La red neuronal es quizá la estrella de la corona. propagation, permitiendo redes con muchas capas de
No requiere nada más que álgebra lineal y cálculo, neuronas entre las que cabe destacar las redes neuro-
pero es la que más lejos ha llegado, con los resul- nales con recurrencia (RNN) o las convolucionadas
tados más espectaculares. Es una técnica que se (CNN, Figura 14.6), diseños que entrarían en lo que
conoce desde hace tiempo. Al nivel más básico es se conoce como deep learning y que es uno de los
el perceptrón (Figura 14.5, Alejandro Cartas https: temas más en el candelero de la investigación en este
//es.wikipedia.org/wiki/Perceptr%C3%B3n# campo en la actualidad.
/media/File:Perceptr%C3%B3n_5_unidades.
svg, Licencia Attribution-ShareAlike 4.0 Interna- Por último, y dado que aparecen en algunas gráficas
tional CC BY-SA 4.0). El perceptrón fue diseñado por de las que vamos a mostrar, tenemos las técnicas de
F RANK ROSENBLATT en los años 50 y originalmente boosting, que son la creación de árboles de decisión
era una copia digital de como se supone que funciona en las que se busca el camino que mejor identifica ca-
una neurona en el cerebro humano. Un perceptrón da input con su output. Estas técnicas han alcanzado
recibe una serie de inputs y computa una función con gran éxito cuando son combinadas con un algoritmo
esos inputs y unos valores internos llamados pesos. de descenso del gradiente (un método numérico en el
Según el resultado de esta función sea mayor o menor que se minimiza la función siguiendo la dirección de
que cierto umbral, la neurona (perceptrón) emite o no máximo descenso del gradiente).
Figura 14.6: Ejemplo de una red neuronal más compleja: una Convolutional Neural Network, de gran éxito para
clasificar imágenes. (Aphex34, https: // upload. wikimedia. org/ wikipedia/ commons/ 6/ 63/ Typical_
cnn. png ) Licencia Attribution-ShareAlike 4.0 International CC BY-SA 4.0
14.2.2 Aplicación en el posproceso de 14.2.3 La temperatura: análisis y observa-

AEMET-γ SREPS ción
Para abordar el posproceso de la temperatura se to-

En el futuro SPC de corto plazo de AEMET se dis-
maron tres aeropuertos muy importantes del país que
pondrá de un total de 20 miembros, resultado de la
representaban diferentes condiciones de orografía, cer-
combinación de varios modelos con diferentes condi-
canía o no al mar y clima. Estos aeropuertos fueron
ciones de contorno y condiciones iniciales. Cuando
los de Madrid, Barcelona y Palma de Mallorca. Pos-
estos modelos son ejecutados y resuelven las ecuacio-
teriormente se añadieron los de Málaga y Vigo para
nes de la física y la dinámica atmosférica devuelven
el caso de la observación. Se empezó con el análisis,
una salida de cada variable (temperatura, viento, etc.).
trabajando con el promedio de los cuatro puntos más
Estas salidas se pueden mejorar todavía más gracias
cercanos a uno dado, comparando valores de análisis
al posproceso estadístico, que permite captar caracte-
con valores de predicción. Posteriormente se trabajó
rísticas a muy pequeña escala que a los modelos se
con la observación: el valor observado se consideraba
les pueden escapar (sec. 15.4.0.0.4 en la página 218).
el «real» y no se promediaba con nada, sí se prome-
diaban los valores de predicción de los cuatro puntos
Si tenemos un conjunto de datos al que consideramos más cercanos al punto de observación.
«bueno», por ejemplo, el análisis o la observación, po-
demos utilizarlo para realizar una regresión con las
Los datos de los modelos se insertan en los diversos
salidas de nuestro modelo. Bastaría comparar punto
algoritmos, usando para ello el entorno Python [555,
a punto en el espacio (malla, en los modelos) y ho- 556] con la librería scikit-learn [500]. Para la red neu-
ra a hora en el tiempo. La comparación hora a hora ronal se usó una librería de Python llamada Keras
se puede hacer extrayendo los datos y tabulándolos [129], una especie de capa a alto nivel que permite
adecuadamente, la comparación punto a punto es más trabajar con Theano o TensorFlow, los dos grandes
delicada. Si lo que se hace es comparar con el análisis estándares de librerías para redes neuronales.
no hay problema: el punto de predicción y el punto del
análisis son coincidentes. Si se compara con la obser-
vación es extremadamente improbable que los puntos En el caso del análisis, dado que es la observación
coincidan. Para resolver este problema se puede ape- suavizada por la predicción de muy corto plazo, se lle-
lar a un algoritmo que traslade el punto de predicción vó a cabo un control de calidad relativamente básico,
al de la observación o viceversa. consistente en comprobar que no había outliers o valo-
res atípicos (sec. 13.6.7 en la página 183) en los datos
Sin embargo, nosotros no hemos optado por este en- (temperaturas anormalmente altas o bajas). Para la ob-
foque. Tampoco hemos trabajado con el punto más servación sí se implementó un control más exhaustivo:
cercano a la estación que toma los datos. Lo que he- la lectura de temperatura se hacía del Meteorological
mos hecho ha sido hacer un promedio de los cuatro Terminal Aviation Routine Weather Report (METAR)
puntos más cercanos al punto deseado y considerar (un parte de observación de distintas variables meteo-
el resultado de ese promedio como el valor más real. rológicas que emiten las oficinas meteorológicas aero-
Así suavizamos posibles problemas, como el hecho náuticas, Oficina Meteorológica Aeronáutica (OMA),
de que el punto caiga en el mar en lugar de caer en de los aeropuertos). Como el METAR se obtiene cada
tierra, o cambios bruscos e irreales en la orografía de hora (y en muchos aeropuertos cada media hora), se
los modelos. descartaron medidas que diferían en más de 5 grados
con el promedio de la temperatura a H-3 y a H+3 ho-
Un comentario importante: aunque hemos trabajado ras. Es posible que se descartara alguna medida válida,
con el análisis, una verdadera calibración debe hacer- pero estábamos obligados a llevar a cabo un control de
se con las observaciones, así que los resultados del calidad exhaustivo pues en ocasiones la observación
análisis son orientativos. Los verdaderos resultados en bruto puede tener outliers. La razón de escoger los
de cara a una futura calibración serían siempre frente intervalos cada 3 horas reside en que el modelo genera
a las observaciones. salidas precisamente cada 3 horas.
Figura 14.7: Diagramas de dispersión de temperatura. Izquierda: predicción frente a análisis, para Palma. Derecha:
predicción frente a observación, para Barcelona
Tanto para el análisis como para la observación se el análisis como con la observación (Figura 14.7, iz-
generó un scatter plot (sec. 15.2.2 en la página 210) quierda y derecha respectivamente). Nótese que frente
de los datos de observación o análisis frente a los de a la observación generamos muchos más puntos que
predicción con un coeficiente R2 (sec. 15.3 en la pá- frente al análisis, ya que el análisis se genera cada
gina 213) para medir la bondad del ajuste a una recta. 12 horas y la observación METAR cada hora o inclu-
Si el modelo fuese perfecto deberíamos ver una recta so media hora (las predicciones, como se dijo, son
perfecta con una pendiente de 45◦ . Lo que vemos es siempre cada 3 horas).
un ajuste bastante razonable a una recta, tanto con
Figura 14.8: Métodos de Aprendizaje Automático.

Posteriormente, se llevaba a cabo el learning estadísti- poder decir con relativa seguridad cuándo un dato es
co. Los datos se pasaban por los diversos modelos de o no es un outlier. La temperatura, incluso en casos
Aprendizaje Automático y se les hacía validación cru- de olas de frío o de calor, experimenta una variación
zada. La validación cruzada es una técnica estadística que puede ser considerada aproximadamente lineal
consistente en dividir un conjunto de datos en un nú- en el tiempo, pero el viento tiene continuos saltos y
mero n de grupos y utilizar cada vez n − 1 grupos para discontinuidades en cuestión de segundos. Si se eligen
hacer el learning y el grupo restante para verificar la umbrales muy rígidos se corre el riesgo de descartar
bondad de dicho learning. Dado que se recorren todos muchos datos que podrían ser válidos, así que se optó
los grupos del conjunto, se puede hacer un promedio de forma conservadora por descartar solo los outliers
tanto del error como de su desviación típica, y este más gruesos: aquellos que difiriesen en más de 15 m/s
resultado será siempre más representativo que tomar en la hora H con el promedio de las horas H-3 y H+3.
una sección cualquiera de los datos y hacer el learning Aun así, es posible que se hayan descartado datos
y la verificación una sola vez. Podemos ver ejemplos válidos, o que se hayan incluido datos incorrectos pe-
en la Figura 14.8 en la página anterior. En ocasiones ro que son totalmente indistinguibles de uno bueno.
se hacía validación cruzada anidada, una validación Cualquier persona con experiencia en la observación
cruzada con dos niveles en los que se usa un nivel o la predicción habrá visto en multitud de ocasiones
de validación cruzada solo para seleccionar los pará- un aeropuerto con dos cabeceras de pista, situadas a
metros que mejor ajustan y con ellos se elabora, en poco más de un kilómetro una de la otra, midiendo
el segundo nivel, la validación cruzada propiamente vientos totalmente diferentes.
dicha. Esto es debido a que algunas técnicas dependen
de multitud de hiperparámetros que tienen un amplio Como con la temperatura, generamos scatter plots
rango de variación y por tanto el learning es mucho del análisis frente a la predicción y de la observación
menos inmediato que con por ejemplo una regresión frente a la predicción. A diferencia del buen compor-
lineal. tamiento con la temperatura, vemos que la bondad
del ajuste a una recta es bastante peor. Dado que el
coeficiente R2 es independiente de la escala, nos sirve
14.2.4 El viento: análisis y observación como regla estándar para calibrar ajustes. R2 tiene sus
propias limitaciones [465]: se basa en la comparación
Para la variable del viento el patrón de estudio es el del modelo de trabajo con un modelo constante, el de
mismo que con la temperatura. Nos centramos en la la media, no con el verdadero modelo; no obstante,
magnitud, no en la dirección, ya que consideramos obviaremos estos refinamientos y usaremos R2 .
que la dirección es menos determinante y además dis-
trae parte del learning en mejoras de pocos grados, Un peor ajuste como el observado puede indicar que o
algo que nos parece de escasa importancia frente a bien la relación deja de ser lineal o el modelo predice
los cambios en velocidad. En el momento de escribir algo peor el viento que la temperatura o ambas cosas.
este capítulo aún no se había terminado de estudiar el Teniendo en cuenta las discontinuidades del viento de
viento con todos los miembros del SPC, pero ciertos las que antes hablábamos o su extrema dependencia
esquemas empezaban a verse claros. del punto en cuestión (dependencia asociada a cam-
bios orográficos, obstáculos, etc.) parece probable que
En el caso del viento también se llevó a cabo para las el modelo recoja el viento con más imprecisión; lo
observaciones un control de calidad análogo al de la que no es óbice para pensar también que la relación
temperatura, aunque en este caso es mucho más difícil entre las variables pueda no ser del todo lineal.
Figura 14.9: Diagramas de dispersión. Arriba: predicción frente a análisis, para Madrid. Abajo: predicción frente a
observación, para Málaga.
Tenemos dos ejemplos en la Figura 14.9. El último la temperatura. Parece también que el Aprendizaje
paso es introducir los diferentes métodos de Aprendi- Automático mejora claramente las salidas brutas de
zaje Automático, Figura 14.8 en la página 202, parte los modelos. Es verdad que hay casos (no mostrados
inferior. aquí) en los que no se consigue mejorar al modelo,
pero son una minoría. Hasta ahora se puede decir que
la regresión lineal clásica o con regularización (Ridge)
14.3 Conclusiones es lo que en líneas generales mejor está funcionan-
do, al menos en términos del error cuadrático medio
Nuestro objetivo en este capítulo era, además de pre- (MSE, sec. 15.3 en la página 213); esto es especial-
sentar las técnicas clásicas y modernas de posproceso mente cierto en el caso de la temperatura y en el caso
estadístico aplicable a las salidas de los modelos me- del viento estaría a la par con la red neuronal, aunque
teorológicos, ilustrar cómo se pueden usar las técnicas pensamos que tiende también a superarla.
de Aprendizaje Automático, un caso particular, para
mejorar las salidas de los citados modelos. Estas téc- Por supuesto, todo este trabajo aún está en pleno pro-
nicas se han usado en conjunción con las técnicas ceso de elaboración. Hay muchas cosas que pueden
estadísticas más habituales y conocidas anteriormente probarse. Tras el viento se pretende abordar la precipi-
presentadas. tación, variable especialmente delicada, pues sabemos
no sigue en absoluto una distribución normal y es aún
Hemos mostrado unos pocos ejemplos de entre los más sensible a cambios en pocos metros de terreno de
muchos que se están generando para cada modelo del lo que es el viento. Veremos si los métodos de Aprendi-
γSREPS y para varios puntos (aeropuertos) de Espa- zaje Automático son capaces de ofrecer alguna mejora
ña. Parece que el viento se comporta algo peor que frente a la salida en bruto del modelo. También se
pretende probar nuevos y diversos diseños, sobre todo el futuro.

de la red neuronal, un área que crece cada día que
pasa y en la que el número de arquitecturas posibles
junto con el de sus hiperparámetros asociados es todo Anexo. Poco antes de la publicación de este libro,
un mundo a explorar. Al fin y al cabo, las técnicas un artículo demostraba cómo un sistema de AA su-
más sofisticadas (básicamente el deep learning) son peraba, por primera vez en la historia, a un modelo
las que acumulan los mayores éxitos, aunque también físico [499]. El caso estudiado fue el de la propaga-
ción de un frente de incendio, un sistema altamente
es cierto que se centran más en la clasificación que
caótico. Uno de los investigadores llegó a sugerir que
en la regresión. De todas formas es difícil asegurar un día toda la predicción del tiempo se hará con mo-
qué técnica va a ir mejor a priori, y de hecho hay un delos de AA en lugar de con modelos físicos, aunque
teorema de Aprendizaje Automático que afirma que otros investigadores fueron más comedidos [693]. An-
no existe un algoritmo único y universal que valga teriormente, algunos algoritmos habían igualado a
para todos los problemas [291]. modelos físicos; por ejemplo, un sistema de inteligen-
cia artificial aprendió la dinámica del tiro parabólico
exclusivamente de los datos, sin haberle programado
Por último, quisiéramos mencionar que todo lo que se ni leyes de N EWTON, ni gravedad, ni nada físico. En
ha hecho es para puntos concretos, y que los paráme- esta ocasión, sin embargo, el algoritmo de AA no solo
tros aprendidos para un determinado lugar (por ejem- ha aprendido sino que ha mejorado las predicciones
plo, Vigo) difícilmente van a ser exportables a otro de un complicado modelo basado en la física. Un re-
lugar (por ejemplo, Madrid) con características físicas sultado prometedor y que demuestra la atención que
y climáticas totalmente distintas. Sería deseable po- merecen estos algoritmos. Eso sí, probablemente para
der generalizar los parámetros aprendidos a regiones adquirir verdadera comprensión (o lo que entendemos
por comprensión humana) sea imprescindible recurrir
más extensas. Existen diversas ideas en este sentido.
al conocimiento de la física. El debate está abierto y
Estaríamos ya hablando de un plan sumamente ambi- trasciende los dominios de la física o las matemáticas
cioso que requeriría un equipo de varias personas y para adentrarse en terrenos, tal vez más resbaladizos,
grandes recursos de computación, pero sin duda una de teoría del conocimiento y filosofía.
prometedora línea de desarrollo e investigación para
Verificación probabilista
15
DOI: 10.31978/014-18-009-X.15

C ONTRIBUCIONES DE : M. A SUNCIÓN PASTOR S AAVEDRA
Área de Modelización y Evaluación del Clima, AEMET
La evaluación es una de las dimensiones fundamentales de la educación y también de

otros campos, aunque la atención que se le dedica no es proporcional a su importancia.
I SABEL C APPELLETTI, profesora universitaria y pedagoga brasileña
Los modelos de la atmósfera son simulaciones mediante supercomputación de los

procesos físicos que tienen lugar en la misma. Estos modelos han mejorado enorme-
mente en las últimas décadas, revolucionando el mundo de la predicción, debido a los
avances también tremendos en tecnología de la información, sistemas de observación
por satélite, técnicas de asimilación de datos y en la formulación del propio modelo.
¿Cómo se evalúan estos avances? ¿Son perfectos los modelos? ¿Cómo se mide la
calidad de los modelos? ¿Qué nos permite decir si un modelo es más adecuado que
otro según para qué propósitos?
Palabras clave: verificación de modelos atmosféricos, verificación de sistemas de predicción por conjuntos, mé-
todos de verificación estadísticos, métodos de verificación espaciales, verificación probabilista, valor económico
relativo.
Imagen parte superior: cumulus congestus (Cu con). Usanos (Guadalajara), hacia el noreste, 18 de mayo de 2007, a las 19:55. Fotografía
208 Física del caos en la predicción meteorológica Capítulo 15. Verificación probabilista
15.1 Introducción a la verificación tas propiedades estadísticas, o bien por parejas y luego
estadísticamente resumir las comparaciones, o bien
Los modelos de predicción numérica del tiempo son como distribuciones, etc. Los métodos de verificación
simulaciones de la atmósfera y sus interacciones. Para estandarizados se describen con detalle en [682] y en
medir su calidad y valor [463] deben ser compara- [332]. La verificación de SPC se aborda con detalle
dos con una buena representación de la realidad, que en [104] o en [597].
pueden ser las observaciones mismas o, en su lugar,
los análisis correspondientes. Este proceso de com-
paración lo denominaremos verificación, aunque en
15.1.1 Calidad, valor y consistencia
otros contextos puede llamarse validación o evalua-
ción. En ese proceso usaremos unas métricas o medi-
das que denominaremos scores (se utiliza el término La calidad de un modelo está relacionada con la co-
anglosajón por su universalidad). Se ayuda así a los rrespondencia entre observación y predicción, mien-
modelizadores a mejorar los modelos y como guía de tras que el valor está asociado a la utilidad para el
uso adecuado de los mismos para los predictores del usuario a la hora de tomar decisiones. Un ejemplo que
tiempo. En particular, podremos medir la calidad, la ilustra perfectamente esta diferencia es el siguiente:
exactitud y las tendencias del modelo; comprender una predicción de cielos despejados para el Desierto
sus fallos; comparar diferentes modelos o sistemas del Sáhara goza es de mucha calidad, pero con poco
de predicción (e. g. comparar la versión operacional valor al no aportar información relevante; sin embar-
del modelo con algunas versiones experimentales). Se go, una predicción de una probabilidad de 30 % de
suele distinguir entre verificación administrativa, eco- que los vientos superen los 100 km/h en un temporal
nómica y científica. En todas ellas, la verificación es en el Cantábrico, no tiene la calidad de la primera,
una eslabón importante en la toma de decisiones. Las pero será de gran valor en la toma de decisiones, apor-
observaciones y las predicciones pueden compararse tando información relevante. Puede hablarse también
en diferentes marcos: como conjuntos que tienen cier- de consistencia entre modelo y juicio del predictor.
Figura 15.1: Los modelos atmosféricos han mejorado enormemente en las últimas décadas. Aquí, una verificación
subjetiva muestra un huracán observado (arriba) comparado visualmente con diferentes épocas del modelo que lo
simula a lo largo de la historia, con diferentes resoluciones debido al avance científico y tecnológico (abajo). Figura
adaptada de ECMWF.
15.1 Introducción a la verificación 209
Figura 15.2: Los modelos atmosféricos han mejorado enormemente en las últimas décadas. Aquí una verificación
objetiva muestra la mejora a largo plazo en la calidad del mismo modelo que en la Figura 15.1 en la página anterior
pero con medidas cuantitativas, en este caso el coeficiente de correlación de anomalías (ver texto) representado en
un gráfico de serie temporal. ECMWF.
15.1.2 Subjetiva, objetiva y diagnóstica Aunque no se proporcione una medida cuantitativa de

la mejora, resulta evidente inspeccionando la figura.
La verificación subjetiva es la más inmediata, se basa Es un ejemplo de verificación subjetiva.
en estimaciones cualitativas, en un caso óptimo, de es-
pecialistas en predicción o en climatología, a menudo Por otro lado, en la Figura 15.2 podemos apreciar una
basada en la mera comparación visual entre modelo y verificación objetiva donde se muestra gráficamente
observaciones, a veces basada en la experiencia; brin- la mejora del mismo modelo ECHRES, medida en
da información llamada diagnóstica porque resalta este caso de forma cuantitativa (pueden consultarse
puntos débiles y fuertes del modelo en términos de detalles en el apartado 15.2 en la página siguiente) con
su comportamiento meteorológico. Por otro lado, la el índice de correlación entre anomalías, con respecto
verificación objetiva se basa en información cuantita- a la climatología, de las predicciones y de las observa-
tiva, supuestamente con significación estadística, no ciones; variando entre 0 y 100, cuanto más alto, mas
siempre detallada y no siempre explícita; no brinda calidad tiene el modelo. Las curvas tienden a crecer
información diagnóstica pues no informa sobre puntos según avanzan los años: como tendencia general la
fuertes o débiles del modelo en términos meteorológi- calidad del modelo va mejorando.
cos puros.
Por último, la verificación diagnóstica es aquella que,
Para ilustrar la diferencia tomemos como ejemplo a caballo entre subjetiva y objetiva, brinda informa-
el modelo determinista del European Centre for ción basada en medidas cuantitativas objetivamente
Medium-range Weather Forecasts -Centro Europeo de fundamentadas, pero a la vez nos informa sobre aspec-
Predicción a Plazo Medio- (ECMWF), denominado tos fuertes y débiles del modelo en términos puramen-
ECHRES (sec. 19.2 en la página 291). te meteorológicos. Ejemplos de verificación diagnósti-
ca son el modelo adelantó la precipitación tres horas
La Figura 15.1 en la página anterior muestra el aumen-
o el modelo falló en la colocación del sistema con-
to en resolución horizontal del modelo ECHRES a lo
vectivo por 50 km. La verificación diagnóstica no fue
largo de su historia: la precisión con la que pueden
más que un sueño hasta que a principios del siglo XXI
describirse fenómenos atmosféricos como un huracán
se empezaron a aplicar sistemáticamente los métodos
está íntimamente relacionada con la resolución hori-
espaciales (ver apartado 15.5 en la página 219).
zontal (así como la vertical y la temporal) del modelo.
Verificación frente a análisis Verificación frente a observaciones

Más exigente
Favorece al modelo Problemas de cobertura
Comparación endogámica Escalas espaciales de los modelos y observaciones
Cada análisis es diferente Error en las observaciones
Representatividad
Tabla 15.1: Verificación frente a observaciones vs verificación frente a los análisis.
15.1.3 Frente a observaciones y frente a admiten más categorías; por ejemplo las predicciones
análisis estacionales proporcionan el carácter de la estación
con respecto a la climatología (cálido / normal / frío).
Como ya se dijo antes, podemos comparar el modelo La tabla 15.2 ilustra esta clasificación. Los métodos
directamente con las observaciones (por abuso del len- específicos de cada grupo pueden consultarse en el
guaje se suele decir “contra las observaciones”) o con apartado 15.2.
una buena representación de la realidad como puede
ser el análisis del modelo (ver tema sobre asimilación;
un análisis es el resultado de adaptar las observacio- 15.2 Métodos estadísticos clásicos
nes a la grilla del modelo obligando así mismo a una
serie de restricciones físicas/meteorológicas a las mis-
mas y a un cierto “control de calidad”, por lo cual el Desde el punto de vista estadístico, las observaciones
análisis puede ser considerado “algo más suave que y las predicciones pueden compararse, bien en con-
las observaciones puras”). Ambas comparaciones tie- junto, utilizando las propiedades estadísticas de cada
nen sus virtudes y sus defectos, que enumeramos a conjunto, o bien por parejas {observación, predicción}
continuación. (abreviadamente {o, p}) y estudiando las propiedades
estadísticas del conjunto de parejas.
Naturaleza del Métodos
Ejemplos
predictando estadísticos
Diagrama de 15.2.1 Métodos descriptivos, orientados a
Continua Temperatura dispersión, scores y orientados a distribuciones
BIAS, MSE...
Sí llueve / Usamos diagramas descriptivos para dar un primer
Dicotómica TSS, FBI...
No llueve paso, una idea general y con perspectiva de los con-
Cálido / juntos de datos previstos y observados. Si además
Distribuciones,
Multicategórica Normal / usamos estimadores estadísticos que resuman estos
HSS...
Frío comportamientos, tendremos la verificación orientada
a medidas o scores. La verificación orientada a dis-
Tabla 15.2: Versión sencilla de la clasificación de
M URPHY de las verificaciones por naturaleza de la tribuciones proporciona información más rica por no
variable. tratarse de un resumen.
15.1.4 Tipos de variables 15.2.2 Métodos descriptivos
Las diferentes variables meteorológicas de interés, por Diagrama de dispersión (scatter plot). Los puntos re-
su distinta naturaleza, requieren métodos de verifica- presentan predicción vs observación dando una idea
ción también diferentes. Una primera clasificación muy visual de la correspondencia entre predicciones
sencilla siguiendo este criterio [334, 461, 462, 682] y observaciones. En un modelo con mucha exactitud
considera tres grupos de variables: continuas, dico- cada predicción será muy similar a la correspondiente
tómicas y multicategóricas. Las variables continuas observación, de modo que presentará puntos cerca
pueden tomar cualquier valor dentro de su rango natu- de la diagonal. Las desviaciones de la diagonal nos
ral de variabilidad, las dicotómicas son binarias tipo informan sobre los errores del modelo, en diferentes
«llueve o no llueve». Por último, las multicategóricas rangos de valores, etc.
15.2 Métodos estadísticos clásicos 211
Figura 15.3: Métodos descriptivos: diagrama de dispersión (scatter plot) a la izquierda y diagrama de caja (box-plot)
a la derecha.
Diagrama de caja (box plot). Muestra en una caja in- 15.2.3 Medidas o scores y atributos de ca-
formación condensada y visual sobre la distribución, lidad
bien sea de observaciones, bien de predicciones. Den-
tro de la caja cae el rango intercuartílico (sus bordes Los atributos de calidad están relacionados con di-
superior e inferior son los percentiles 25 y 75). La ra- ferentes aspectos de la calidad del modelo. Algunos
ya horizontal dentro de la caja muestra la mediana (no de ellos van asociados a un score o a varios, otros se
la media), y los bigotes (whiskers) superior e inferior relacionarán con una idea no siempre cuantificable.
muestran el máximo y el mínimo, es decir, el ran-
go completo de variación de la distribución. Muestra Imaginemos el siguiente ejemplo. Hagamos un pro-
información sobre la correspondencia de la distribu- nóstico de temperatura para mañana a las 00 UTC
ción de predicciones con la distribución de observacio- en Sevilla: 4º C. Al día siguiente recogemos el dato
nes. No brinda información sobre la correspondencia observado: 3º C. A la pareja formada por la predicción
entre predicciones y observaciones. Nos sirve para y la observación la podemos denotar por {4, 3}. La
comparar propiedades típicas como la localización, medida de calidad más elemental es el error. Error del
la dispersión y la asimetría de las distribuciones de modelo = predicción – observación = 1º C. ¿Qué infor-
predicciones y de observaciones. mación podemos inferir a partir de esta verificación?
Se invita al lector a reflexionar este punto. ¿Puede
decirse realmente que el modelo tiene calidad? ¿Por
qué? Lo único que podemos realmente afirmar es que
el modelo tuvo cierta calidad (un error de 1º C), para
ese día, a esa hora, en Sevilla. Pero nada podemos
afirmar sobre su calidad otros días, otras horas o para
otras localidades. Para dar respuestas a esas preguntas
hemos de tomar muestras más grandes de datos, y dar
resultados estadísticos con esas muestras. Por ejem-
plo, tomando parejas de predicciones y observaciones
durante todos los días del invierno en Sevilla, haremos
el promedio de los errores, al que llamaremos error
medio. En esta sección ofrecemos una relación, no
exhaustiva pero sí precisa, de scores o medidas de
calidad, abarcando una buena parte de los atributos de
calidad más importantes. Mantendremos a menudo,
Figura 15.4: Métodos orientados a medidas (scores): por su utilidad, el término en inglés acompañando al
histograma con medidas usuales. teŕmino en castellano; en ocasiones es preferible el
uso del término anglosajón para evitar confusiones predicción perfecta.

entre diferentes fuentes bibliográficas.
Para las diferentes definiciones de la tabla 15.3 en la
Error medio (bias, mean error). Promedio entre las página siguiente se denota el promedio para todos los
diferencias entre predicción y observación. Tiene pro- datos con el operador () = N1 ∑Ni=1 (), considerando
blemas de compensación: en una muestra puede haber que hay N observaciones oi y N predicciones pi , es
partes con error medio positivo y otras con error me- decir, N parejas {pi , oi }; los valores climatológicos
dio negativo y pueden compensarse dando un error son ci . En ese sentido tendremos, por ejemplo, que
medio casi nulo que no refleja esos errores parciales. p − o = N1 ∑Ni=1 (pi − oi )
El rango de variación del error es (−∞, +∞) y una
predicción perfecta tiene error 0.
1 N
∑ (pi − oi ) (15.1)
N i=1 15.2.4 Skill scores
Error absoluto medio. Promedio entre las diferen-

cias absolutas entre predicción y observación. Evita Habilidad, destreza o pericia (skill) tiene que ver con
los problemas de compensaciones del error medio. la exactitud relativa de la predicción con respecto a
El rango de variación es [0, +∞) y una predicción una predicción de referencia. Esta predicción de re-
perfecta tiene 0.
ferencia suele tomarse sin habilidad, tal como una
1 N predicción aleatoria, la persistencia (última observa-
∑ |pi − oi | (15.2) ción disponible, prolongada) o la climatología. El skill
N i=1
se refiere a la mejora en exactitud debida a la habi-
Error cuadrático medio (mean square error). Pro- lidad del modelo. A veces las predicciones son más
medio de los cuadrados de las diferencias entre pre- exactas sencillamente porque en esas ocasiones el
dicciones y observaciones individuales. Evita los pro- tiempo es más fácil de predecir y el skill tiene esto en
blemas de compensaciones del error medio, pero pe-
cuenta. Los así llamados skill scores o medidas de ha-
naliza mucho errores grandes. El rango de variación
es [0, +∞) y una predicción perfecta tiene 0. bilidad surgen, por tanto, de forma natural para poder
comparar la calidad del modelo con la calidad de un
1 N sistema predictivo de referencia. Expresado de otro
∑ (pi − oi )2
N i=1
(15.3)
modo, ¿qué mejora relativa me aporta este modelo
con respecto a una referencia?
Raíz del error cuadrático medio. Sus unidades coin-
ciden con las de la magnitud. El rango de variación es
[0, +∞) y una predicción perfecta tiene 0. score predicción − scorere f erencia
skill score =
s score predicción per f ecta − scorere f erencia
1 N (15.6)
∑ (pi − oi )2
N i=1
(15.4)
Coeficiente de correlación de anomalías. Corres-

pondencia entre anomalías respecto de la climatología, En lo referente al rango de variación de un skill score
en forma de coeficiente de correlación. El rango de podemos decir que el límite inferior depende, natural-
variación es [−1, +1] y una predicción perfecta tiene mente, del score en cuestión y del sistema predictivo
1. de referencia usado; el límite superior es siempre 1,
∑N (p − ci ) ∑Ni=1 (o − ci ) mientras que 0 indica la ausencia de mejora sobre el
q i=1 i (15.5)
q
sistema de referencia. En Meteorología, el sistema
∑Ni=1 (pi − ci )2 ∑Ni=1 (oi − ci )2
predictivo de referencia suele ser la persistencia (sin
cambios desde la última observación) o la climato-
logía muestral (las mismísimas observaciones de la
La Tabla 15.3 en la página siguiente ofrece un resu- muestra). El skill score puede ser inestable para mues-
men de las medidas básicas más relevantes relacio- tras pequeñas. Cuando el score utilizado es el error
nadas con atributos de calidad, con su interpretación, cuadrático medio (MSE) entonces el skill score se
su rango de variación y el score que obtendría una llama reducción de la varianza.
Medida (score) Definición Rango Perfecto

Error medio (bias, mean error). Promedio entre las diferencias entre
predicción y observación, opuesto a la exactitud. Tiene problemas de
compensación: en una muestra puede haber partes con error positivo y p−o (−∞, +∞) 0
otras con negativo, pudiendo compensarse dando un error medio casi nulo
que enmascara esos errores parciales.
Error absoluto medio. Promedio entre las diferencias absolutas entre
|p − o| [0, +∞) 0
predicción y observación. Evita los problemas de compensaciones.
Raíz del error cuadrático medio. Raíz del promedio de los cuadrados
de las diferencias entre predicción y observación. Evita los problemas de
q
(p − o)2 [0, +∞) 0
compensaciones, pero penaliza mucho errores grandes. Sus unidades
coinciden con las de la magnitud.
Coeficiente de correlación de anomalías. Correspondencia entre
anomalías respecto de la climatología, en forma similar al coeficiente de r p−c, o−c [−1, +1] 1
correlación.
Tabla 15.3: Resumen de los scores básicos para variables continuas (ver texto).
15.2.5 Representaciones gráficas Serie temporal (Figura 15.7 en la página 215): se des-
pliega la variación del valor del score con los días,
Los scores o medidas se representan de muchos mo- meses, años o décadas. El valor del score puede ser
dos, y presentamos aquí tres de los más comunes, ilus- un atributo de calidad del modelo en un lugar o pro-
trados en las Figuras 15.5 en la página siguiente, 15.7 mediado en un dominio. Pueden mostrarse scores de
en la página 215 y 15.6 en la página siguiente. diferentes modelos, alcances, pasadas, lugares, etc, en
diferentes colores o estilos, para comparación.
Distribución espacial (Figura 15.5 en la página si-
guiente): un mapa con los valores del score, a menudo
con un código de colores; los puntos irán coloreados Serie temporal con media móvil. A menudo puede
según el valor del score en cada estación donde hubo hacerse una media móvil temporal para filtrar ruido
observación contrastable con el modelo. Contesta a de corto plazo. En la Figura 15.8 en la página 215,
las preguntas del tipo ¿en qué regiones el modelo tuvo la curva verde representa la calidad de ciertas pre-
error positivo, es decir, sobrestimó el valor observa- dicciones del modelo ECHRES con variación diaria.
do?, ¿es homogéneo el comportamiento del modelo?, La variabilidad de alta frecuencia impide comprobar
¿hubo una densidad razonable de estaciones para tendencias de más largo plazo, es una curva ruidosa.
contrastar?. Para ello, puede usarse un filtro estadístico llamado
media móvil (moving average o running mean, en
Evolución con el alcance de la predicción (Figura 15.6 inglés), consistente en sustituir el dato de cada día
en la página siguiente): se despliega la variación del por una media de los datos en una ventana de cierto
valor del score con los alcances de la predicción. El tamaño centrada en ese día, de modo que se consi-
modelo, supuestamente, va perdiendo calidad según guen suavizar los rangos de alta frecuencia de la señal,
avanza el alcance, y por tanto, el MSE debe crecer, preservando la variabilidad de frecuencia menor. El
etc. Igual que con las series temporales, el valor del tamaño de la ventana de media móvil se ajusta para
score variando con el alcance de la predicción puede resaltar las frecuencias de mayor interés. En la Figu-
ser un atributo de calidad del modelo en un lugar o ra 15.8 en la página 215 la curva azul muestra una
promediado en un dominio. Así mismo, pueden mos- media móvil semanal, mientras que la curva negra
trarse scores de diferentes modelos, alcances, pasadas, muestra una media móvil mensual. Pueden observarse
lugares, etc, en diferentes colores o estilos, para com- los distintos grados de filtro de frecuencia y cómo las
paración. tendencias de largo plazo quedan mucho más claras.
Figura 15.5: Representaciones gráficas habituales de los scores estadísticos que muestran información sobre
diferentes atributos de calidad de los modelos. Aquí, un mapamundi con la distribución del coeficiente de correlación
de anomalías (ACC de sus siglas en inglés). ECMWF.
Figura 15.6: Evolución de la calidad con el alcance de la predicción, en términos de error cuadrático medio de
predicciones de altura geopotencial en 500 hPa de varios modelos, en la franja extratropical sur, para marzo de
2018. El error aumenta con el alcance predictivo de forma natural. ECMWF.
Figura 15.7: Serie temporal que abarca desde 2002 hasta el presente, mostrando el error medio (abajo, signo
oscilante) y una variante del error cuadrático medio (arriba, siempre positiva) de las predicciones de temperatura
del ECHRES. En azul, el alcance T+60 y en rojo el alcance T+72 h. Puede observarse que el error cuadrático medio
va disminuyendo con los años. La comparación de calidad entre los dos alcances predictivos requiere analizar la
hora del día y el comportamiento de la variable meteorológica en cuestión (ECMWF).
Figura 15.8: Serie temporal del valor diario de una cierta métrica (verde) que abarca dos años, 2014 y 2015. El
ruido impide ver la tendencia, pero en las medias móviles de una semana (azul) y de un mes (negro) se filtra la alta
frecuencia y emergen las tendencias de baja frecuencia (ver texto).
Figura 15.9: Evolución del coeficiente de correlación de anomalías (ACC) medio con el alcance predictivo (Forecast
Day) que, seleccionando un umbral de calidad mínimo, define un límite de predecibilidad: para el modelo rojo sería,
aproximadamente, cuatro días y medio. ECMWF.
15.3 El límite de predecibilidad predicción, peor suele ser la misma. Esta tendencia
es clara en los cuatro modelos mostrados en la Figu-
El límite de predecibilidad es un concepto clave en vera 15.9. Ahora elegimos, en principio arbitrariamente,
rificación de la predicción y, en general, en el mundo un umbral de calidad según el ACC, por ejemplo 60 %
de la meteorología. Por un lado, es un concepto muy y trazamos una recta horizontal en la gráfica precisa-
intuitivo por el que, de hecho, la sociedad suele for- mente en el 60 %. Esa recta define ahora dos regiones:
mular preguntas del tipo ¿hasta qué día son fiables las pro encima, los modelos «son buenos» y, por debajo,
predicciones? ¿he oído que hasta el quinto, verdad? «son malos». Pero, además, define una especie de lími-
Por otro lado y, dentro del marco más estrictamente te de predecibilidad. Puede observarse que, para las
teórico de la verificación, el concepto o atributo puede diferentes curvas, ese umbral se traspasa en alcances
medirse de forma muy precisa utilizando una medi- predictivos distintos: el modelo rosa traspasa el 60 %
da de calidad adecuada y viendo su evolución con en el D+3.7 aproximadamente, el marrón en el D+4.2
el alcance predictivo. De este modo, puede tenderse más o menos y el modelo rojo en el D+4.6. En este
un puente entre la verificación puramente objetiva y sentido, el modelo rojo permanece más tiempo con un
cuantificable y la idea social de la validez en el tiempo ACC superior al 60 %. Podemos llamar a esos alcances
de las predicciones: una conexión entre el lenguaje umbrales límites de predecibilidad correspondientes
científico o técnico y el social. a un ACC de un 60 %. Es decir, el límite de predeci-
bilidad del modelo rojo será de 4 días y medio, más
En la Figura 15.9 se muestra la evolución con el al- o menos y, podremos contestar a un periodista: «el
cance predictivo (Forecast Day) del coeficiente de modelo da predicciones de calidad hasta cuatro días
correlación de anomalías (ACC) de cuatro modelos y medio vista». Está claro que es decisivo elegir un
distintos correspondientes a curvas de diferentes colo- ACC adecuado. Hasta 2008, en el ámbito europeo se
res. El ACC es una medida orientada positivamente, venía trabajando con un ACC de 60 % pero, dado que
es decir, cuanto más ACC, mejor correlación tiene los modelos han mejorado enormemente su calidad y
la anomalía del modelo con la de la observación y, que las comparativas se tornaban difíciles, se decidió
por ende, mejor calidad presenta el modelo. Como en el Comité Técnico Asesor de Expertos en Verifi-
es natural, el ACC tendrá tendencia a decaer con el cación del ECMWF (del que el autor formaba parte)
alcance predictivo: cuanto más lejos el horizonte de cambiar ese umbral a 80 %.
15.3 El límite de predecibilidad 217
Figura 15.10: Límite de predecibilidad: serie temporal de límites de predecibilidad (ver texto). ECMWF.
Una vez que quedan bien definidos los límites de pre- días, en 1990 4.5 días, en 2000 5 días aproxima-
decibilidad de los distintos modelos para distintos damente y en 2009 algo más de 6 días. Se suele
dominios, variables meteorológicas, épocas del año, decir que en cada década se ha ganado de un día
etc., entonces pueden construirse series temporales a día y medio de predecibilidad, según la variable
de límite de predecibilidad, como la mostrada en la meteorológica estudiada. Las rectas negras horizon-
Figura 15.10. Está basada en el modelo determinista tales muestran cómo, abajo, la predecibilidad para
del ECMWF, el ECHRES (sec. 19.2 en la página 291). un ACC de 85 % en 1981 (algo más de 3 días), se
El eje vertical corresponde al límite de predecibilidad: alcanza en 1986 para un ACC del 90 %. La recta
cuanto más alto, mejor. El eje horizontal son los años negra de más arriba muestra que la predecibilidad
de la serie temporal. Las curvas muestran la evolución en 1980 para ACC=65 % era de 4.6 días aproxima-
de las predicciones de altura geopotencial en 500 hPa damente y, esa predecibilidad, se alcanza en 2007
para la pasada de 12 UTC, en un dominio europeo (35- para ACC=90 %.
75º N 12.5º W-42.5º E). Cada punto corresponde a una La tendencia tiene altibajos: hay años donde aumen-
media móvil de 12 meses centrada en el mes, lo que ta relativamente menos o, incluso, disminuye. Esto
elimina la señal de alta frecuencia (variabilidad men- se debe, en general, a la variabilidad natural de la
sual), muy ruidosa y muestra mejor las tendencias a predecibilidad: hay años más predecibles que otros.
largo plazo (variabilidades mensuales suaves y, sobre Hoy en día se puede relacionar esa predecibilidad
todo, variabilidades estacional y anual). Cada color con patrones de variabilidad conocidos (ver por
corresponde a un umbral dado de ACC: azul 60 %, ejemplo sec. 29.2.1 en la página 484 y sec. 29.2.2
rojo 65 %, verde 70 %, rosa 75 %, cían 80 %, amarillo en la página 485) o con teleconexiones.
85 % y naranja 90 %. Pueden destacarse varias pautas: A más alto el umbral dado de ACC, más bajo es
el límite de predecibilidad. Obsérvese, por ejem-
El límite de predecibilidad va aumentando con los plo, que para ACC=90 % el límite de predecibilidad
años: los modelos van mejorando. en 2009 termina en casi 5 días, mientras que para
Con el umbral de ACC=80 % podemos ver que la ACC=60 % termina en algo más de 8 días.
predecibilidad en 1980 tenía un límite de unos 3.5
Incertidumbre muestral. Las parejas {predicción, ob-

servación} disponibles son, en la práctica, muestras
relativamente pequeñas y, desde el punto de vista es-
tadístico, las medidas o scores computados son sola-
mente estimadores muestrales de los valores poblacio-
nales, y llevan una incertidumbre relacionada con este
proceso de estimación. La información de verificación
debe ir acompañada de esta incertidumbre muestral,
en forma de barras de error o intervalos de confianza
Figura 15.11: Series temporales del error de ECHRES [67, 68, 180, 232]. Ver Figura 15.11.
(azul), el error del promedio del ECENS (amarillo) y de
la dispersión de ECENS (rojo), en D+3 (trazo continuo)
y D+5 (trazo punteado). Las barras de error despliegan
la incertidumbre muestral con una cierta significación Escalas espaciales de modelos y observaciones. Es-
estadística. En los casos en que las barras superan la te es un punto clave que se describe con pleno detalle
diferencia vertical entre dos curvas, no se puede afirmar más adelante en este capítulo (sec. 15.5 en la página
con significación que un modelo muestra mejor o peor
siguiente). Como ejemplo, la doble penalización es
calidad que el otro. ECMWF.
un problema bien conocido por los modelizadores.
El desarrollo relativamente reciente de los llamados
métodos espaciales de verificación [8, 233]que dan
15.4 Visión crítica y perspectivas cuenta de los patrones geométricos (e. g. CRA[172],
MODE[152], SAL[674]) están mostrando excelen-
La mejora en recursos computacionales, la programa-
tes resultados. Conducen a un marco de verificación
ción orientada a objetos y las mejoras en la aplicación
diagnóstica, cercana a la verificación subjetiva en el
de bases de datos han dado un buen empujón a la
sentido de que brinda información que puede ayudar
verificación de modelos atmosféricos. En las últimas
a los modelizadores y predictores a identificar errores
décadas la comunidad científica dedicada a la verifi-
en el modelo, desde el punto de vista meteorológi-
cación ha podido abordar importantes aspectos que
co. Cercana también a la verificación objetiva en el
tienen un fuerte impacto en la interpretación de las
sentido de que se basa en resultados cuantitativos.
medidas de verificación, así como en la introducción
de nuevas concepciones.
Compromiso entre agrupación y estratificación. Pa- Error en las observaciones. Se asume tradicionalmen-
ra poder interpretar la verificación las muestras deben te que el error observacional es despreciable compa-
tener significación estadística. Se busca así un compro- rado con el error predictivo. Si bien es generalmente
miso entre la agrupación en muestras suficientemente cierto para plazos de predicción medio-largos, no lo
grandes, pero a la vez estratificando el conjunto total es para el corto plazo. Si se tiene en cuenta este error
en muestras que deben ser grandes pero climatológi- en forma de incertidumbre los resultados pueden ser
camente homogéneas. E. g. en muestras heterogéneas sorprendentes [105, 565].
puede haber compensación en el error medio, lo que
puede conducir a información engañosa o confusa.
Tradicionalmente se hace una estratificación estacio- Fenómenos extremos y fenómenos adversos. Fenó-
nal de los datos, lo que da cuenta de la variabilidad menos extremos (extreme weather) son eventos raros,
estacional, pero no de la variabilidad diaria [332, 333, con frecuencia climatológica pequeña y la verificación
334, 682]. de los mismos está todavía en una etapa de poca ma-
durez. Los fenómenos adversos (severe weather, ver
Verificación dependiente del régimen atmosférico. fenómeno meteorológico adverso (FMA)) son aque-
En el caso ideal la estratificación de los datos puede llos con impacto social y económico, y su verificación
intentar hacerse por distintos regímenes atmosféricos, debe incluir información no meteorológica, tal como
usando los actuales métodos de agrupamiento, mejo- coste de medidas preventivas si se hace caso de la
rando así la tradicional estratificación estacional [194, predicción o pérdidas por daños, etc. [198, 229, 367,
696]. 372, 523, 600, 701]
15.5 Métodos espaciales 219
Figura 15.12: Comparación de dos métodos habituales para adaptar representaciones espaciales. A la izquierda:
interpolación del modelo a los puntos de observación. Derecha: mallado (gridding o upscaling) de las observaciones
a la malla del modelo (ver texto).
15.5 Métodos espaciales otro lado, si la densidad de estaciones es suficiente (Fi-

gura 15.12, derecha), puede calcularse una estimación
de la precipitación observada (en inglés Quantitative
Comparar observaciones y predicciones es como com-
Precipitation Estimate, QPE) usando una técnica de
parar peras con manzanas: a menudo son represen-
aumento de escala (upscaling[228]) para mallar las
taciones de la atmósfera de naturalezas diferentes y
observaciones en la malla del modelo. En cada celda
necesitaremos transformar al menos una de ellas. Esta
se toman las observaciones que caigan dentro y se
transformación requiere procesos como la interpola-
calcula una cantidad representativa (e. g. un promedio
ción e implica problemas de representatividad, corre-
pesado) de carácter areal. El método elegido (interpo-
lación, ruido, etc.
lación o upscaling) depende en general de la densidad
de observaciones (ver Figura 15.12). PAIMAZUMDER
y M ÖLDERS (2009[483]) estudiaron el impacto de la
15.5.1 Predicciones de precipitación
densidad y el diseño de las redes de observación en
promedios regionales usando datos reales sobre Ru-
Un ejemplo típico para ilustrar estas dificultades es sia. Encontraron que, generalmente, las redes reales
la verificación de predicciones de precipitación de un subestiman las medias regionales de presión al nivel
modelo determinista (en inglés Quantitative Precipi- del mar, velocidad del viento y precipitación, mien-
tation Forecast, QPF). Las redes climáticas europeas tras que sobrestiman la temperatura a dos metros, la
de alta densidad proveen datos observados de precipi- radiación entrante de onda corta y la temperatura del
tación acumulada en 24 horas. Estas estaciones están suelo.
distribuidas en el espacio de forma irregular. Sin em-
bargo, las predicciones del modelo están regularmente En la comparación de rendimiento de la QPF de dos
distribuidas en el espacio (malla o grid). La precipita- modelos diferentes pueden aparecer problemas adi-
ción observada es puntual y sin embargo la precipita- cionales si el tamaño de celda es distinto. Los dos
ción prevista es areal. Si la red de estaciones no cubre modelos, de diferentes resoluciones, representan es-
con densidad suficiente la malla del modelo (Figu- tructuras de precipitación cada uno en su escala. Si
ra 15.12, izquierda), entonces pueden interpolarse los las observaciones se mallan a la resolución más fina,
entonces el modelo más grueso estará penalizado. Si,
valores del modelo a los puntos de observación y tra-
por el contrario, las observaciones se mallan a la reso-
bajar las comparaciones en esos puntos[548]. En este lución más gruesa, entonces el modelo fino no tiene
caso debe guardarse especial cuidado con el impacto oportunidad de demostrar su rendimiento debido a la
de la posible falta de consistencia estadística debido a mayor resolución.
la correlación espacial entre estaciones próximas. Por
Figura 15.13: Ilustración del problema de la doble penalización (double penalty) con un caso real (ver texto). Imagen
de A RANCHA A MO, AEMET 2013.
15.5.2 Doble penalización todos de verificación diagnósticos (cuantitativos pero

que aporten información diagnóstica). Esos son los
métodos llamados espaciales.
Otro ejemplo típico del impacto importante de la es-
cala de predicciones y observaciones es el famoso
problema de la doble penalización, problema bien 15.5.3 Métodos diagnósticos espaciales
conocido por los modelizadores (Figura 15.13). To-
mamos, por un lado, un modelo de alta resolución, Los métodos espaciales de verificación, de desarrollo
e. g. HARMONIE-AROME, Figura 15.13 izquierda y, relativamente reciente, tuvieron un importante eco in-
por otro lado, un modelo global de menos resolución, ternacional gracias al Proyecto de Intercomparación
e. g. el modelo determinista del ECMWF, ECHRES de Métodos Espaciales de Verificación [8, 233]. Es-
(sec. 19.2 en la página 291), Figura 15.13 centro. Y tos métodos dan cuenta de los patrones espaciales y
comparamos ambos con las observaciones de precipi- están mostrando prometedores resultados. Algunos
tación, e. g. la red termopluviométrica de la Agencia ejemplos son CRA [172], MODE [152] y SAL [674]).
Estatal de Meteorología (AEMET) (sec. 9.5 en la pá- Ofrecen un marco de verificación diagnóstica, cercana
gina 122), mallada mediante un proceso de upscaling, a la verificación subjetiva en el sentido de que brinda
Figura 15.13 derecha. Computando el error cuadráti- información que puede ayudar a los modelizadores
co medio (MSE) de ambos modelos con respecto a y predictores a identificar errores en el modelo des-
la observación, resulta que el modelo global obtiene de el punto de vista meteorológico y, cercana a la
menos MSE y podría parecer, a primera vista, que dis- objetiva, en el sentido de que se basa en resultados
fruta de más calidad. Si evaluamos cualitativamente cuantitativos. Resuelven el problema de la doble pe-
(información diagnóstica), vemos que HARMONIE- nalización y por tanto, permiten contrastar adecuada
AROME resuelve bastante bien el patrón de precipita- y justamente la calidad de los modelos de alta reso-
ción, dando un núcleo importante de precipitación un lución. En el ejemplo ilustrado en la Figura 15.13
poquito más al sur que el núcleo observado, mientras se muestran, además del MSE, resultados obtenidos
que ECHRES da información más suave en general. con el método SAL [674], que arroja tres cantidades
HARMONIE-AROME es penalizado doblemente, en que describen, respectivamente, estructura (S), ampli-
aquellos puntos donde arriesgó dando lluvia que no tud (A) y localización (L) del patrón de precipitación
se observó y, viceversa, también en aquellos puntos previsto en relación con el observado. Son medidas
donde no daba lluvia pero llovió. De ahí que el error de error, es decir, cuanto más cercanas a cero me-
(MSE) de HARMONIE-AROME resulte mayor, por- jor. Inspeccionando los valores comparativos entre
que sufre dobles penalizaciones. Pero, desde un punto HARMONIE-AROME y ECHRES, podemos inferir
de vista diagnóstico, sabemos que tiene gran valor. que HARMONIE-AROME describe los patrones de
¿Cómo solucionar este problema? Necesitamos mé- precipitación con más calidad que ECHRES.
15.6 ¿Son perfectos los SPC? 221
15.6 ¿Son perfectos los SPC? entonces los pesos de los miembros son iguales para
calcular probabilidades (sec. 13.7.2 en la página 191).
Si la verificación determinista, como hemos visto, Por otro lado, el promedio del SPC, aunque hemos
lleva consigo toda una problemática inherente en su subrayado que no tiene por qué ser una situación me-
teoría y práctica, la verificación probabilista presenta teorológica plausible (sec. 13.6.3 en la página 178),
dificultades superiores desde un principio. Los SPC curiosamente muestra una calidad determinista esta-
trabajan con funciones de densidad de probabilidad dísticamente superior al resto de miembros [374, 464,
(probability density functions, PDF, sec. 12.2.1 en la 676, 698].
página 158 y sec. 13.6 en la página 176) y proporcio-
nan predicciones en forma de probabilidades y sus Acerca de la calidad individual de los miembros, es
derivados (cap. 27 en la página 401). costumbre verificar la evolución según el alcance de
predicción de variables dinámicas. Por ejemplo, la
Retomando el ejemplo cotidiano de la sección 15.2.3 Figura 15.14[221] muestra el error medio, mean error,
en la página 211, un modelo determinista predice 4º C ME (grupo inferior de curvas, signos diversos) y la
en Sevilla y después se observan 3º C: el error ha si- raíz cuadrada del error cuadrático, root mean squeare
do de 1º C. Sabemos que no debemos extrapolar esa error, RMSE (grupo superior de curvas, sólo positi-
medida de verificación para generalizar sobre la cali- vo) en la presión (MSLP) para los miembros (trazo
dad de el modelo, porque hay que usar muestras con fino) y para el promedio (trazo grueso) del ensemble
significación estadística, i. e. grandes y homogéneas. AEMET-SREPS (cap. 21 en la página 313). Nótese
Pero, al menos, podemos comparar algebraicamente cómo el RMSE del promedio es inferior al del resto de
la predicción y la observación: 4 − 3 = 1. Pasando miembros: una predicción que puede no ser plausible
al mundo probabilista, una predicción para Sevilla es, sin embargo, estadísticamente consistente.
sería La probabilidad de que caigan más de 5 mm es
del 30 %. Al día siguiente se observan 3 mm. ¿Cómo En las épocas de adaptación a la novedad de los SPC
comparamos la predicción con la observación? Si en (1995-2005) era habitual el debate sobre la compa-
los sistemas deterministas la significación estadísti- ración de calidad entre un modelo determinista y su
ca era importante y por ende se deben tomar mues- SPC correspondiente (si tal correspondencia se da-
tras grandes, tomar muestras grandes en ensembles ba). Por ejemplo, tomando el modelo determinista del
es imprescindible, pues carece de sentido comparar ECMWF, el ECHRES (sec. 19.2 en la página 291) y el
Prob(> 5) = 0,3 con ob = 3 mm). Surgen por tanto, SPC correspondiente, el ECENS (sec. 19.3 en la pági-
numerosas preguntas, que podemos resumir en dos: na 293), el promedio del ECENS era mejor estimador
que ECHRES más allá del D+3/D+4 para variables di-
¿Qué es una buena PDF? versas como Z500, T2m o la precipitación[508, 509].
¿Qué se le pide a un buen SPC?
En términos generales, hay tres grandes aspectos: la

calidad de los miembros individuales, la consistencia
con las observaciones en el flujo a gran escala y la
respuesta a los eventos binarios en los parámetros de
tiempo sensible. Abordaremos estos tres aspectos, por
su importancia, en tres secciones separadas.
15.7 Calidad de los miembros indi-

viduales
Un requisito fundamental en un SPC es que las predic-
ciones de los distintos miembros sean equiprobables Figura 15.14: Evolución con el alcance de la predic-
para poder así calcular probabilidades a partir de una ción de los errores en predicciones de presión de los
PDF bien construida. Se trata de un requisito previo miembros de un ensemble, en trazo fino, así como de
que se consigue en la fase de desarrollo de un ensem- su promedio, en trazo grueso (ver texto). [221] TellusA,
ble. Cuando la calidad de los miembros es equiparable, CC BY 4.0.
Figura 15.15: Evolución de la PDF observada hacia una PDF prevista (ver texto).
15.8 Consistencia del flujo a gran 15.8.1 Histogramas de rango

escala
Asumimos que en cada predicción el valor observado
y los valores previstos por los diferentes miembros
En la representación del flujo atmosférico a gran es- son realizaciones independientes del mismo proceso
cala y en un dominio suficientemente grande un SPC atmosférico y por tanto equiprobables (sec. 13.7.2 en
debe ser consistente con las observaciones. Usualmen- la página 191). Esta asunción se cumple realmente
te se compara con un análisis, para garantizar una solo cuando el histograma de rango es plano.
homogeneidad entre zonas con diferentes coberturas y
se comparan parámetros dinámicos de capas medias- Rango de la observación. El rango, en sentido esta-
altas, e. g. altura geopotencial en 500 hPa, que tienen dístico, de la observación es un número entero que
una variabilidad suave en las escalas de interés. denota la posición relativa que ocuparía ese valor en
la lista ordenada de predicciones. Por ejemplo, un en-
semble de cinco miembros predice en un momento
Recordando el ejemplo de la predecibilidad en la vida y lugar los valores (18, 16, 14, 13, 15). Ordenando
cotidiana, un ensemble consistente con las observacio- la lista resulta: (13, 14, 15, 16, 18). Si el valor de
nes es aquel cuya PDF es capaz de capturar la realidad la observación es 14.5, ésta ocuparía el tercer lugar,
que se denota como rango 2, dado que el primero
(ver Figura 15.15): que la observación (curva roja) cai-
es el rango 0: (13, 14, 14.5, 15, 16, 18). Calculan-
ga siempre dentro del abanico de probabilidades de do el rango de la observación entre los N valores de
la PDF prevista (zonas amarillas calculadas con las predicción en todos los momentos y lugares, acumula-
curvas azules). Artificialmente, podríamos engordar remos esa información en el así llamado histograma
la PDF de modo que siempre capturara la realidad, de rango [16, 104, 263, 264, 265], usado para com-
e. g. podríamos decir la temperatura para mañana en probar si el ensemble es estadísticamente consistente
Sevilla estará entre 10 y 40º C, pero esa predicción con las observaciones. Un histograma en forma de
U indicará la presencia de valores atípicos (outliers)
dejaría de ser útil. Por otro lado, una predicción de-
en los extremos, muestra de subdispersión, problema
masiado ajustada, e. g. entre 15.3 y 15.5º C, puede usual en los sistema(s) de predicción por conjuntos
parecer útil, pero es raro que capture la realidad. Se (SPC) operacionales. La forma de campana indicará
busca un compromiso entre una PDF de tamaño y sobredispersión, producto eventual de una varianza
forma razonable que capture la realidad y que sea útil. engordada en demasía por posproceso estadístico. Los
histogramas inclinados muestran un sesgo predictivo:
pendiente positiva (negativa) para un sesgo negativo
Esta consistencia puede medirse de muchas formas. (positivo). Un histograma plano indicará consisten-
Presentamos aquí los histogramas de rango y los dia- cia con las observaciones (Figura 15.16 en la página
gramas dispersión-error. siguiente).
15.8 Consistencia del flujo a gran escala 223
Figura 15.16: Histogramas de rango [97].
15.8.2 Diagramas dispersión-error periodo dado en el dominio de Península y Baleares.

Las curvas finas con símbolos corresponden a diversos
Por un lado, la dispersión del ensemble se mide usual- subensembles de AEMET-SREPS. Aquellas curvas
mente con la desviación estándar con respecto al propor encima de la diagonal indican sobredispersión y,
medio. Por otro lado el error del ensemble se suele por el contrario, por debajo de la diagonal indican sub-
medir con la RECM del promedio, o del miembro de dispersión. Puede comprobarse que el SPC completo
control si lo hay, con respecto al análisis. En un en- muestra, en general, mejor relación dispersión-error
semble consistente con las observaciones esperamos que los diversos subensembles.
que estas dos magnitudes, dispersión y error, crezcan
con el alcance de predicción mostrando una relación
aproximadamente lineal y de pendiente unidad, es de-
cir, que crezcan a ritmos similares [81, 676]. Un buen
ensemble muestrea las incertidumbres de los modelos
(dispersión, PDF del ensemble) y cuantifica la predeci-
bilidad atmosférica (error, PDF atmosférica) y es con-
sistente si ambas cantidades crecen a ritmos similares.
En ese caso se dice que está bien calibrado. En caso
contrario, bien por subdispersión o por sobredisper-
sión, el ensemble necesita calibrarse. La Figura 15.17
muestra un diagrama dispersión-error real. En el eje
horizontal, el error del promedio del SPC con respecto
al análisis. En el eje vertical, la desviación estándar de
los miembros del SPC con respecto al promedio. La
curva gruesa representa los valores dispersión-error
para predicciones de mean sea level pressure -presión
reducida al nivel medio del mar- (MSLP) del SPC Figura 15.17: Diagrama dispersión-error. [221] TellusA,
AEMET-SREPS (cap. 21 en la página 313) durante un CC BY 4.0.
15.9 Eventos binarios la predicción determinista, para cada caso de interés

p y o son la predicción y la observación, e. g. 3 ºC
Para dar medidas de calidad de un SPC en parámetros de temperatura previstos y 2 ºC observados. Ahora,
de tiempo sensible, e. g. precipitación, temperatura, en el contexto de la predicción probabilista con un
viento, que tienen mayor variabilidad en el espacio evento binario definido (e. g. temperatura superior a
y en el tiempo que los parámetros dinámicos como 0 ºC), p es la probabilidad prevista, e. g. 30 % ó 0.3
la altura geopotencial o la presión, es mejor usar ob- de que T > 0 ºC (donde, en el caso de un SPC, el 30 %
servaciones que usar análisis. Dos marcos de trabajo viene dado por la proporción de miembros que predi-
usuales son el marco de B RIER y el marco de la dis- cen T > 0 ºC) y o es la observación o no del evento
tribución conjunta [332, 682] basados ambos en la binario, definida como 0 ó 1 si el evento no ocurre o
respuesta del SPC frente a eventos binarios, aquellos sí ocurre, respectivamente (e. g. si se observan 2 ºC
eventos que ocurren o no ocurren. Un evento binario entonces o = 1, si se observan -5 ºC entonces o = 0).
siempre puede definirse para un parámetro continuo
como la superación de un umbral, e. g. puede consi- B RIER score (BS). Generalizando el error cuadrático
derarse la superación del umbral de lluvia 1 mm para medio (MSE) a este espacio de probabilidades se defi-
definir el evento llueve o no llueve. La calidad del ne el así llamado índice de B RIER o, en inglés, B RIER
SPC se describe en el espacio de las probabilidades Score (BS):
con propiedades como fiabilidad, resolución, agudeza 1 N 1 N
y discriminación, mientras que los beneficios de usar MSE = ∑ (pn − on )2 =⇒ BS = ∑ (pn − on )2
N n=1 N n=1
el SPC pueden medirse con el llamado valor (econó- (15.7)
mico) relativo, que depende además de la relación donde N es el número de casos y, para cada caso n, pn
coste/pérdida del usuario. y on son la predicción y la observación en el marco
de la predicción determinista y error cuadrático me-
dio, mientras que pn y on son la probabilidad prevista
Climatología muestral. Para figurar adecuadamente y la observación o no del evento en el marco de la
los conceptos de esta sección imaginaremos un ejerci- predicción probabilista e índice de B RIER. Al ser un
cio de verificación de un hipotético SPC en un periodo error, cuanto más pequeño el BS, mejores son las pre-
de tiempo, e. g. tres meses, sobre una región, e. g. Ba- dicciones, se dice así que BS es un índice orientado
leares, evaluando el evento binario temperatura por negativamente. BS = 0 para un sistema de predicción
perfecto y BS = 1 para un sistema de predicción «peor
debajo de 0 ºC o por encima de 0 ºC para cada día.
imposible» (es tan difícil hacerlo perfectamente mal
Este evento se predice para una serie de puntos geo- como perfectamente bien).
gráficos para cada día y, a toro pasado, se observa si
la temperatura estuvo por encima, o no, de 0 ºC. Si se Descomposición del B RIER score (BS). Se suele ha-
dispone e. g. de 40 estaciones meteorológicas, conse- cer una partición en el espacio de las probabilidades,
guiremos 40 datos para cada día, lo que en tres meses e. g. intervalos de tamaño 0.1 y, en esa partición, el
hace un total esperado de 90 × 40 = 3 600 casos. índice de B RIER puede descomponerse del modo si-
guiente:
Como en la realidad no se obtienen datos en todos los
casos (fallos técnicos, etc.), la muestra real tiene 3455 BS = 1 2
∑Nn=1 (pn − on ) =
N
datos. En cada caso el SPC emite una probabilidad de
temperatura positiva, e. g. 10 %, etc. y tendremos la 1 2 2
∑Ii=1 ni (pi − oi ) − N1 ∑Ii=1 ni (s − oi ) + s(1 − s)
N
observación correspondiente, i. e. temperatura posi- (15.8)
tiva o negativa. Este conjunto de casos forma lo que donde I es el número de intervalos de la partición,
llamaremos muestra o climatología muestral de la pi y oi tienen el mismo significado que anteriormen-
verificación. te y s es la frecuencia de ocurrencia del evento o
frecuencia de observación del evento. Las diferentes
componentes tienen un significado e interpretación
que abordaremos más adelante en esta sección. La así
15.9.1 Marco general de Brier llamada distribución conjunta [461] de probabilidades
previstas pi y observaciones correspondientes oi que-
En el llamado marco de B RIER se generaliza el con- da definida por las distribuciones correspondientes en
el espacio de las probabilidades, que permiten trabajar
cepto de error cuadrático medio (mean square error,
en un marco orientado a distribuciones [332, 334].
MSE, sec. 15.2.3 en la página 211) extendiéndolo
al espacio de las probabilidades. En el contexto de
15.9 Eventos binarios 225
Figura 15.18: Agudezas de diferentes sistemas predictivos. Preferiremos un sistema con histograma de agudeza en
forma de U (arriba izquierda) donde se emiten más 0, 10, 90 y 100 %. El sistema de arriba a la derecha muestra, sin
embargo, grandes cantidades de otros intervalos como el 40 o el 50 %, indicando una agudeza pobre. Tratándose
de un evento relativamente raro (abajo izquierda), será normal emitir pocos 90 y 100 % y, en general, mostrar el
histograma de agudeza con una clara pendiente negativa; no es que el sistema tenga poca agudeza, sino que el
fenómeno es raro (e. g. superación de un umbral alto de viento). La climatología muestral (abajo derecha), como
sistema predictivo teórico, tiene muy poca agudeza: emite sólo una probabilidad (la de la frecuencia de ocurrencia)
por lo que su histograma tiene una única barra.
15.9.2 Frecuencia de ocurrencia 15.9.3 Agudeza
En la muestra seleccionada de 3 455 casos el evento Sin atender al valor de las observaciones que corres-
temperatura positiva tuvo lugar en una cierta parte de pondieron a las predicciones, es decir, mirando solo
ellos, en 864 de los casos. La frecuencia climatológica las predicciones, la agudeza de un sistema predictivo
de ocurrencia observada de la climatología muestral probabilista tiene que ver con cuánto se arriesga el
es el valor 3864
455 = 0,25 = 25 % o, expresado de otro sistema desde el punto de vista del usuario. Si pen-
modo, temperatura positiva en el 25 % de los casos. samos en el evento binario temperatura positiva o
Este valor es importante pues sirve como referencia negativa el sistema da, en distintos lugares del domi-
para las propiedades que se definen a continuación. nio y momentos del periodo, distintas probabilidades
de temperatura positiva: 100 %, 90 %, etc. Como usua-
La frecuencia de ocurrencia como predicción pro- rios, preferimos muchos 0, 10, 90 y 100 junto con
babilista figurada. La predicción probabilista más pocos 40, 50 y 60. Saber que se espera un 50 % de
sencilla posible, si se pudiera atisbar en el futuro para probabilidad de temperatura positiva me ayuda poco y,
averiguar la frecuencia de ocurrencia en el periodo de sin embargo, un 90 ó un 100 % me ayudan mucho más.
interés, consistiría simplemente en emitir, para todas La agudeza puede medirse mediante un histograma
las localidades y todos los días, la misma probabili- de frecuencias de probabilidades: para cada intervalo
dad de 25 %. Estadísticamente hablando tiene sentido,
de probabilidad, una barra vertical con las veces que
dado que en el 25 % de los casos la temperatura fue
positiva. Como predicción teórica, la frecuencia de
se emitió esa probabilidad: cuántas veces 0 %, cuántas
ocurrencia tiene un sentido constructivo conceptual 10 %, etc. De un vistazo sabremos si el sistema emite
que veremos en los apartados siguientes. más veces 0 y 100 % o más veces 50 %. En la Figura
15.18 se ilustran varios ejemplos.
q ( %) p qp (perfecto) o (real) f ( %) que depende del intervalo en sí. Si, según los datos de
0 2027 0 17 1 la Tabla 15.4, de los 3 455 casos, se han emitido 395
5 143 7 12 8 predicciones con un 100 %, esperamos estadísticamen-
10 104 10 12 12 te que la temperatura haya sido positiva realmente en
15 65 10 17 26 395 de los mismos, ya que estábamos emitiendo una
20 55 11 6 11 probabilidad de 100 %. Si se han emitido 58 casos con
25 51 13 13 25 un 90 %, esperamos estadísticamente que haya llovi-
30 45 14 7 16 do realmente en un 90 % de los mismos, es decir, en
35 40 14 13 32 58 × 0,9 = 52 casos. Y así sucesivamente hasta lle-
40 38 15 22 58 gar al 0 %. Tendríamos así los casos esperados. Ahora
45 40 18 13 32 se observa si la temperatura fue positiva realmente y,
50 35 18 19 54 a posteriori, pueden cotejarse los casos esperados con
55 39 21 24 62 los observados. En un sistema predictivo perfectamen-
60 35 21 21 60 te fiable, los esperados coinciden con los observados,
65 24 16 18 75 e. g. hemos emitido probabilidad del 90 % en 58 casos,
70 32 22 21 66 esperamos que se haya registrado temperatura positi-
75 36 27 28 78 va en 52 de los casos, y efectivamente así habría sido
80 50 40 46 92
en 52. En un sistema predictivo imperfecto, hemos
85 48 41 34 71
emitido probabilidad del 90 % en 58 casos, esperamos
90 58 52 54 93
que se haya registrado temperatura positiva en 52, y
95 95 90 90 95
realmente se registró en 54. La correspondencia en-
100 395 395 385 97
tre probabilidad prevista y frecuencia de observación
condicionada definen, así, la llamada fiabilidad de un
Tabla 15.4: Tabla con probabilidades previstas y fre- sistema predictivo probabilista. En la Tabla 15.4 se
cuencias de observación condicionadas correspondien- muestra el ejemplo completo. A partir de estas consi-
tes en una muestra de verificación real (temperaturas deraciones puede construirse el llamado diagrama de
previstas por AEMET-γSREPS y observadas en estacio- fiabilidad o de atributos, con probabilidades previs-
nes surface synoptic observations (SYNOP) en 3 455
tas en el eje X y las correspondientes frecuencias de
casos), donde q son los intervalos de probabilidad, p los
casos previstos en cada intervalo, qp los casos en cada observación condicionadas en el eje Y , Figura 15.19.
intervalo donde se esperaría observar el evento si el Un sistema perfectamente fiable tendrá su curva de
sistema fuera perfectamente fiable, o el número de casos fiabilidad sobre la diagonal, mientras que los sistemas
donde realmente se observa el evento en cada intervalo reales tienen su curva usualmente fuera de la diagonal.
y, finalmente, f es la frecuencia relativa de esos casos. El
contraste entre q y f nos indica la fiabilidad del sistema.
15.9.4 Fiabilidad
Si nuestro sistema tiene 20 miembros, podemos pensar

en las probabilidades emitidas separadas en interva-
los de 5 en 5 %: 0, 5, 10, ... 95, 100 % (a menudo
se simplifica haciendo la partición en 10 intervalos).
Para cada intervalo tendremos una serie de casos en
los que habremos emitido esa probabilidad y sólo
en un subconjunto de ellos realmente habrá habido
temperatura positiva. La pregunta ¿en cuántos habrá
habido temperatura positiva dentro de cada interva- Figura 15.19: Diagrama de atributos correspondiente a
lo? conduce a una respuesta de carácter estadístico, los datos de la Tabla 15.4 (ver texto).
Figura 15.20: Diagramas de atributos correspondientes a respuestas con diferentes grados y matices de fiabilidad.
De arriba abajo y de izquierda a derecha, se muestran: climatología muestral, fiabilidad pobre, sesgo positivo, sesgo
negativo, sobreconfiado, subconfiado, fiable para un evento raro, submuestreo y fiable (ver texto para descripciones
detalladas).
El modo en que la curva de fiabilidad se separa de la En el centro presentamos un ejemplo de predicciones

diagonal nos informa detalladamente sobre aspectos subconfiadas: dan menos probabilidad por encima de
del sistema predictivo. En la Figura 15.20 se mues- la frecuencia de ocurrencia y más por debajo. En el
tra un abanico de posibles matices. La frecuencia de centro derecha el caso contrario, de predicciones so-
ocurrencia de la climatología muestral usada como breconfiadas. Abajo a la izquierda podemos ver un
predicción (arriba, izquierda) obtiene un diagrama de ejemplo de sistema fiable para un evento raro; cuando
fiabilidad con un solo punto, tanto la X como la Y en el evento se da pocas veces, entonces la agudeza se
la frecuencia de ocurrencia (así es como se definía); vuelca más en los 0 % y, a partir de los 50 %, 60 % o un
por tanto, es perfectamente fiable y, también, bastante intervalo dado, no se emite, ni observa, ningún caso,
poco útil, en tanto en cuanto tiene muy poca agudeza. por lo que la curva colapsa en el cero. Abajo en el
Arriba, centro se muestra un ejemplo de fiabilidad centro podemos ver el problema del muestreo escaso
pobre, muy plana y alejada de la diagonal (es tam- (undersampling): cuando la muestra es pequeña, ade-
bién un ejemplo de resolución probabilista mínima mas de no haber significación estadística, el diagrama
que veremos más tarde). Arriba en el centro vemos es ruidoso, con una curva que da muchos saltos. Por
lo que ocurre cuando las predicciones presentan un último, abajo a la derecha vemos una verificación con
sesgo positivo: en el espacio probabilista la curva se altísima fiabilidad, muy cerca de la diagonal. De un
desplaza hacia abajo; esta forma es muy usual en pre- modo aproximado, la pendiente de la curva de fiabili-
cipitación. En el centro izquierda algo similar, con dad es una primera medida cuantitativa de fiabilidad:
sesgo negativo: la curva se desplaza hacia arriba. 1 para fiabilidad perfecta y 0 para utilidad marginal,
con utilidades intermedias entre 0 y 1 [332, 673, 682].
Figura 15.21: Relación entre fiabilidad y habilidad [673] (ver texto). ECMWF.
La relación entre fiabilidad y habilidad (skill) puede en (c), todavía con una fiabilidad útil, en (d), con poca
demostrarse algebraicamente (no se aborda aquí) y fiabilidad y en (e), con una preocupante fiabilidad por
tiene una interpretación geométrica sobre el diagrama debajo de la horizontal, caso en que se desaconseja
de fiabilidad. Si trazamos dos rectas, una horizontal usar el sistema predictivo.
y otra vertical, en la abscisa y en la ordenada de la
frecuencia de ocurrencia y, después, trazamos la bi- Considerando que cuanto más se separa de la diago-
sectriz de la horizontal mencionada con la diagonal, nal la curva de fiabilidad menos fiable es el sistema,
el diagrama queda dividido en varias regiones, según podemos definir una medida cuantitativa de fiabilidad
muestra la Figura 15.21 (a). Con estas características mediante la expresión
adicionales, el diagrama de fiabilidad pasa a llamarse
propiamente diagrama de atributos. Si la curva queda 1 I
f iab = ∑ ni (pi − oi )2
N i=1
(15.9)
sobre la región gris, entonces el BSS (ver sec. 15.9.8
en la página 232) es positivo y el sistema presenta más donde N es el número total de casos, I es el número
skill que la frecuencia de ocurrencia o climatología de intervalos de probabilidad (a menudo 10), ni es el
muestral. Este es el caso en (a), muy fiable y en (b), número de casos en el intervalo i, pi es la probabilidad
menos fiable. Si la curva queda en la región blanca, en el intervalo i (e. g. 90 % ó 0.9), oi es la frecuencia
entonces el BSS es negativo y el sistema presenta me- observada del evento en el intervalo i (e. g. 80 %).
nos skill que la climatología muestral. Este es el caso
Figura 15.22: Ilustración teórica de las propiedades fiabilidad y resolución probabilista. En estos diagramas el
histograma de agudeza se sustituye por el artificio de dar distintos tamaños a los círculos que representan cada puinto
en el diagrama. A la izquierda se muestra una curva sobreconfiada, con una agudeza abultada en los intervalos
intermedios (baja), con resolución (distancia a la recta horizontal «sin habilidad») relativamente baja. A la derecha
vemos una curva con fiabilidad perfecta, mayor resolución y agudeza volcada en los intervalos extremos (alta).
ECMWF.
15.9.5 Resolución intervalos, con una «resolución» mejor que la de la

climatología muestral.
En el diagrama de atributos, la recta horizontal cuya
ordenada es la frecuencia de ocurrencia representa Considerando que cuanto más se separa la curva de
la predicción teórica más sencilla, el uso de la cli- fiabilidad de la recta horizontal más resolución presen-
matología muestral ya contado anteriormente. Esa ta el sistema, podemos definir una medida cuantitativa
de resolución mediante la expresión
predicción es el «listón más bajo» en términos de
habilidad, i. e. una predicción con pretensiones de 1 I
aportar habilidad tiene que mejorar la «habilidad nula» reso = ∑ ni (s − oi )2
N i=1
(15.10)
de la climatología muestral, que sólo emite prediccio-
nes probabilistas fijas, cuyo valor es precisamente, la donde N es el número total de casos, I es el número
frecuencia de ocurrencia. Cualquier predicción que de intervalos de probabilidad (a menudo 10), ni es
mejore esta pauta tiene que «resolver» en diferentes el número de casos en el intervalo i, s es la frecuen-
cia climatológica de ocurrencia observada en toda la
intervalos de probabilidad, teniendo en cuenta las ob-
muestra (e. g. 30 % ó 0.3), oi es la frecuencia observa-
servaciones. da del evento en el intervalo i (e. g. 80 %).
La separación de la curva de fiabilidad con respecto a

esta recta horizontal define, en este espacio de proba-
bilidades, la propiedad que denominamos resolución. En la Figura 15.23 en la página siguiente se muestra
La resolución probabilista es la capacidad de un sis- un diagrama de atributos con varias curvas de fiabili-
tema predictivo de emitir probabilidades en distintos dad de casos reales.
Figura 15.23: Diagrama de atributos con curvas de fiabilidad (parte central) e histogramas de agudeza (esquina
superior izquierda) de distintas predicciones, correspondientes a distintas calibraciones del sistema AEMET-γSREPS,
considerando el evento de temperatura por encima del umbral fijo de 293 K. Puede apreciarse apreciándose que Cal5
está más cerca de la diagonal y por ende es, en general, más fiable y con mejor resolución. Cal15 está claramente
bajo la diagonal, con pendiente inferior, menos fiable y con sesgo positivo. Cal25 está en general bajo la diagonal
pero presenta mejor pendiente que Cal15. Los histogramas de agudeza muestran comportamientos similares, aunque
en el intervalo de mayor probabilidad (90-100 %) Cal15 muestra más agudeza, Cal25 por detrás y Cal5 el último.
Figura 15.24: Curvas ROC de distintas predicciones. Izquierda: correspondientes al sistema AEMET-γSREPS,
probabilidades de temperatura por encima de los umbrales de 288 (azul), 293 (verde) y 298 K (rojo); para 293
(20 ºC) hay un rendimiento ligeramente mejor que para 288 (15 ºC), mientras que para 298 K (25ºC), al tratarse de
un umbral superior el evento es más raro, volcando los puntos de la curva sobre el lado izquierdo y bajando algo el
área bajo la curva. Derecha: distintas calibraciones del mismo sistema AEMET-γSREPS, para el umbral fijo de
293 K, apreciándose que Cal5 da un resultado muy ligeramente mejor que Cal15, a su vez algo mejor que Cal25.
15.9.6 Discriminación y curva ROC probabilista, pero no miden exactamente la misma

propiedad y, especialmente cuando hay incertidum-
Una medida complementaria de rendimiento de un bre observacional presente pueden mostrar compor-
SPC es la discriminación o capacidad de un SPC para tamientos diferentes indicativos. La medida BSS es
distinguir entre la ocurrencia o no ocurrencia de un potencialmente insensible a fenómenos extremos y
evento binario (normalmente superación de un um- RSA no lo es [249], aunque RSA puede ser insensible
bral), dadas las observaciones. Este concepto procede a algunos tipos de sesgos predictivos[345].
de la Teoría de Detección de la Señal y está relacio-
nado con la tasa de aciertos, hit rate (H) y la tasa de
falsas alarmas, false alarm rate (F), para una frecuen- 15.9.7 Resumen de propiedades
cia de ocurrencia dada [104, 332, 333, 334].
Una medida usual de discriminación es el área bajo Frecuencia de ocurrencia de observación:

la llamada curva ROC [270, 345], curva en la que frecuencia con la que el evento ocurrió en
se dibuja F frente a H (Figura 15.24). La climato- el periodo.
logía muestral usada como predicción obtendría un Agudeza: frecuencia de cada probabilidad prevista
área de 0.5 (sin skill), mientras que una predicción emitida, sin atender a la observación.
perfecta obtendría un área de 1.0. A menudo se usa Fiabilidad: frecuencias de observación condiciona-
la medida llamada ROC Skill Area (RSA), dada por das con respecto a probabilidades previstas.
RSA = 2A − 1 que brinda valores entre -1 y +1: +1 Resolución probabilista: capacidad para emitir pro-
para la predicción perfecta, 0 para predicciones sin babilidades fiables que se distingan de la clima-
habilidad y -1 para una predicción potencialmente per- tología muestral.
fecta después de un adecuado proceso de calibración. Discriminación: capacidad para distinguir la ocu-
rrencia o no ocurrencia del evento, dadas las
La discriminación está relacionada con la resolución observaciones.
15.9.8 Conexión Brier - propiedades 15.9.9 Ranked y Continuous ranked proba-

bility score (CRPS)
El índice de B RIER (B RIER score) puede descom-
ponerse [332, 334, 682] según la ecuación 15.12, en El BS y el BSS van ligados a la superación de un
la que podemos reconocer las medidas cuantitativas umbral fijo de la variable meteorológica. Si nos intere-
de fiabilidad y resolución que habíamos definido en sa cubrir un número de umbrales o, incluso, todo el
el contexto de las distribución conjunta. La tercera abanico de posibles umbrales, entonces definimos el
componente resulta ser el índice de B RIER que co- Ranked probability score (RPS [332, 334]) o el Con-
rrespondería a la climatología muestral como sistema tinuous ranked probability score (CRPS [104, 106,
predictivo, por lo que se denomina a menudo BSclim , 285, 682]) mediante una suma, o bien una integral
aunque es más acertado llamarla componente de in- extendida a todos los valores posibles del umbral:
certidumbre BSince , pues tiene que ver con la incerti-
dumbre asociada a las predicciones en el periodo, de 1 2
RPS = M−1 ∑M m m
m=1 [(∑k=1 pk ) − (∑k=1 ok )]
hecho es la varianza de la frecuencia de ocurrencia.
Esta descomposición del índice de B RIER conecta, así, CRPS =
´∞ 2
Pf (x) − P0 (x) dx
−∞
los dos enfoques para eventos binarios: el de B RIER y (15.15)
el de distribución conjunta y llamaremos a las distintas
componentes según su significado:
1 2
BS = ∑Nn=1 (pn − on ) =
N Existen, también, los correspondientes skill scores
I I
1 1 RPSS y CRPSS. Mientras que los scores tipo error
= ∑ ni (pi − oi )2 − ∑ ni (s − oi )2 + s(1 − s)
N i=1 N i=1 | {z } están orientados negativamente (cuanto más cercanos
| {z } | {z }
BS f iab BSreso BSince a cero, mejor), los skill scores están construidos pa-
(15.11) ra estar orientados positivamente: mejor cuanto más
En resumen: grande. Así, en las gráficas de evolución en el tiempo,
con los años puede observarse si las curvas «crecen»,
BS = BS f iab − BSreso + BSince (15.12)
sin necesitar conocer el significado profundo de la
Dado que el índice de B RIER es una magnitud de error métrica.
y cuanto más cercano a cero mejor es el sistema, la
componente de fiabilidad será mejor cuanto más pe- Por un lado, el BS o el BSS se utilizan para evaluacio-
queña, la componente de resolución lo contrario y la nes en umbrales específicos, típicamente en contextos
de incertidumbre igual que la de fiabilidad. de predicción operativa donde los umbrales de im-
portancia son fijos, e. g. precipitación por encima de
Se define, también un B RIER skill score (BSS), usual-
mente tomando como skill de referencia el de la clima-
1, 5, 10 y 20 mm. Por otro lado, el RPS o el CRPS se
tología muestral, es decir, lo que hemos denominado utilizan más como métricas resumen (summary mea-
BSince , de modo que: sures), cuando interesa sintetizar el rendimiento del
sistema en pocas cantidades. La Figura 15.25 en la
BS − BSince BS − BSince BS
BSS = = = 1− página siguiente ilustra el uso del CRPSS para monito-
BS per f ecto − BSince 0 − BSince BSince
rizar el progreso del ECENS a lo largo de dos décadas,
(15.13)
en términos de límite de predecibilidad.
Sustituyendo BS por su descomposición y ordenan-
do todos los términos, resulta la descomposición del
BSS:
BSS = 1 − BSS f iab − BSSreso (15.14)

Figura 15.25: Serie temporal de calidad de predicciones de temperatura en 850 hPa del ECENS, en la franja
extratropical norte. La calidad se mide por límite de predecibilidad: el alcance predictivo en que el CRPSS desciende
por debajo del 25 % (hasta entonces había estado por encima y la calidad de la predicción se había mantenido
«buena»). La curva azul es una media móvil mensual (para eliminar señales de alta frecuencia, i. e. variabilidades
diarias), mientras que la roja es una media móvil trimestral por consiguiente aún más suave. Puede observarse que
en el año 2 000 las predicciones de ECENS eran buenas hasta el día 5.8 aproximadamente, alcanzando o superando
en la actualidad el D+9: se han ganado algo más de tres días de predecibilidad en veinte años, día y medio por
década. ECMWF.
Figura 15.26: Los dos aspectos principales del análisis económico de una predicción desglosados en detalle. Por un
lado, la información meteorológica y del sistema predictivo está contenida en la denominada tabla de contingencia
(izquierda), tabla de doble entrada con contabilidad sobre lso casos disversos en que el fenómeno meteorológico
(e. g. lluvia) se predijo o no y tuvo lugar o no. Por otro lado, la información económica del usuario se detalla en
la denominada matriz de costes (derecha), también de doble entrada, tgeniendo en cuenta si el usuario toma o no
acción preventiva, acarreando un coste diario C o provocando una pérdida diaria L en auqellos días en que no se
tomó acción preventiva y el fenómeno tuvo lugar (ver texto).
15.10 Valor (económico) relativo

Ejemplo: terraza al aire libre. En la construcción
Las predicciones de cualquier naturaleza deben ayu- más sencilla posible, imaginemos un bar que puede
disponer de terraza al aire libre en la temporada de
dar al usuario en la toma de decisiones. Como hemos verano en el Cantábrico, área donde no siempre está
mostrado previamente, la teoría de la detección de garantizado el tiempo estable. El evento o fenómeno
la señal nos permite mostrar la respuesta de un siste- meteorológico de interés es la ocurrencia de lluvia
ma predictivo frente a eventos binarios (ocurre / no (llueve o no llueve). El periodo de interés puede ser
ocurre), con dos parámetros predictivos del sistema: de algo más de tres meses, digamos 100 días. La fre-
la tasa de aciertos (hit rate, H) y la de falsas alarmas cuencia de ocurrencia puede tener, por ejemplo, un
(false alarm rate, F) y con un parámetro que depende valor de 0.3, el 30 % de los días tiene lugar la lluvia,
es decir llueve 30 días y no llueve 70 días. Los dueños
sólo de la ocurrencia del fenómeno: la frecuencia de
del bar calculan los costes de tomar acción preventi-
ocurrencia observada (base rate s); hablamos en ese va (recoger mesas, desplegar toldos, etc.) en unos 20
contexto de una propiedad llamada discriminación y euros al día y, por otro lado, las pérdidas ocasiona-
de unos umbrales de probabilidad óptimos. Hasta aquí das por la lluvia (ausencia de clientela) en unos 200
la información manejada es de carácter estrictamente euros cada vez que llueva sin tener toldos. En este ca-
meteorológico. so sencillo la probabilidad de lluvia, contando con la
climatología muestral, es de 0.3. Calculamos el coste
de tomar acción preventiva Ctot = 100 × 20 = 2 000
Para permitir entrar en juego a parámetros que depen- euros y las pérdidas esperadas en caso de no tomarla
den de las características del usuario de las prediccio- Ltot = (a + c)L = 30 × 200 = 6 000 euros. Y decidi-
nes, podemos aplicar ahora elementos de teoría de la mos que merece la pena gastar 2 000 euros para no
decisión. Introduciremos los costes C y las pérdidas L perder 6 000. La comparación, en términos matemáti-
relacionados con las implicaciones socioeconómicas cos, puede expresarse como:
del fenómeno, sabiendo que la ocurrencia de dicho Ctot < Ltot ⇒ NC < (a + c)L ⇒
fenómeno tiene una frecuencia s. (15.16)
a+c C
⇒C < N L ⇒ C < sL ⇒ L <s
Los costes C son los costes económicos, o de otro
Es decir, para que los costes totales sean inferiores
tipo cuantificable, que acarrea una acción pre- a las pérdidas, la proporción CL debe ser menor a la
ventiva relacionada con el fenómeno. frecuencia de ocurrencia del evento. En el caso de
Las pérdidas L representan las pérdidas económicas, 20
la terraza 200 = 0,1 < 0,3, por tanto es rentable to-
o de otro tipo cuantificable, que tendrían lugar mar la decisión conociendo la climatología muestral y
si el fenómeno ocurre y no hemos tomado las la relación coste-pérdida del usuario. Pero no hemos
acciones preventivas correspondientes. utilizado información de la calidad del sistema pre-
dictivo. para ello hay que refinar la idea entrando en
detalle.
Ilustremos estos conceptos con un ejemplo sencillo:
una bar con terraza al aire libre.
15.10 Valor (económico) relativo 235
a+c
Refinamiento y detalle de la idea. La información N C = sC. Si asumimos, de un modo más realista,
meteorológica puede sintetizarse en una tabla de con- que la predicción no es perfecta, entonces el coste
tingencia (Figura 15.26 en la página anterior izquier- total será el coste diario multiplicado por el número
da), tabla de doble entrada. Dos filas desglosan si el de aciertos, más el coste diario multiplicado por el
evento está previsto o no lo está. Dos columnas des- número de falsas alarmas, más la pérdida diaria multi-
glosan, a su vez, si el evento tuvo lugar o no. De modo plicada por el número de errores: E f = aC + bC + cL.
que podemos contabilizar el número de veces que el Finalmente, si pudiésemos disponer de una bola de
evento: cristal con la tabla de contingencia, es decir, informa-
ción de la climatología muestral, antes del periodo,
Estaba previsto y ocurrió: aciertos a. podríamos usar la climatología muestral para dar una
Estaba previsto pero no ocurrió: falsas alarmas b. predicción probabilista sencilla: todos los días daría-
No estaba previsto pero ocurrió: errores c. mos una probabilidad s de ocurrencia del fenómeno.
Ni estaba previsto ni ocurrió: negativos correctos d. Estadísticamente hablando, es una predicción perfec-
tamente fiable, porque una vez transcurrido el periodo
Con esta información desglosada, la tasa de aciertos el fenómeno ha tenido lugar con frecuencia s y lo he-
es la frecuencia con la que está previsto el evento mos previsto asimismo con frecuencia s. En ese caso,
dentro del total de casos en que tuvo lugar, es decir económicamente, habremos de asumir bien un coste
a
H = a+c . Por otro lado, la tasa de falsas alarmas es C o bien un coste a+cN L = sL, tomando el mínimo en-
la frecuencia con la que se predijo, dentro del total tre ambas cantidades: Ec = min(C, sL). Definimos el
b
de casos en que no ocurrió, es decir F = b+d . La fre- valor económico de la predicción en el periodo de in-
cuencia de observación u ocurrencia del fenómeno es terés como la reducción económica que nos aporta el
a+c
s = a+b+c+d = a+c
N . Al conjunto de información rela- uso de la predicción en comparación con el hipotético
tivo al periodo de interés lo llamamos climatología uso de una predicción perfecta, en ambos casos con
muestral. respecto a la climatología muestral (bola de cristal)
como predicción.
El usuario de la predicción se caracteriza, en este
esquema, mediante la llamada matriz de costes (ex-
penses matrix en inglés, Figura 15.26 en la página
Valor económico relativo. La reducción económi-
anterior derecha), también de doble entrada. Dos filas ca usando nuestro sistema con respecto a la climatolo-
desglosan si se han tomado medidas preventivas con gía muestral es E f − Ec ,y la reducción económica de
su correspondiente coste C o, si por el contrario, no una predicción perfecta sería E p − Ec . De modo que
se han tomado, con la consiguiente pérdidas L. Dos el valor económico relativo, es decir, la relación entre
columnas desglosan si el evento ha tenido o no lugar. nuestra reducción económica y la de la predicción
De modo que podemos detallar los costes y pérdidas perfecta, vendrá dado por:
del siguiente modo: E f − Ec
RV = (15.17)
E p − Ec
Se actuó preventivamente y ocurrió: ha costado C.
Se actuó preventivamente pero no ocurrió: ha cos- Introduciendo las expresiones previas para cada una
tado C. de las cantidades, resulta la expresión:
No se actuó preventivamente y ocurrió: ha provoca- 
(1 − F) − 1−C/L

s

(1 − H) si CL > s
do pérdidas L. RV = C/L

1−s
No se actuó preventivamente pero no ocurrió: no H − C/L 1−s

F si CL < s
1−C/L s
hay pérdidas. (15.18)
Como vemos, el valor económico relativo depende,
El estudio económico detallado se realiza entonces por un lado, de la calidad de la predicción, en términos
cruzando las dos tablas: la tabla de contingencia, con de su tasa de aciertos H y de su tasa de falsas alarmas
F, además de la propia frecuencia de ocurrencia del
la información meteorológica y la matriz de costes
fenómeno s y, por otro lado, de las características eco-
con la información económica del usuario. Se pueden nómicas del usuario, en teŕminos de sus costes C a la
dar varios casos hipotéticos: hora de tomar acción preventiva frente al fenómeno y
de las pérdidas L ocasionadas en caso de no tomarla.
Si imaginamos una predicción perfecta, entonces el
coste total será el coste diario multiplicado por el
número de días en que tiene lugar el evento: E p =
curvas, una curva de valor para cada intervalo de pro-

babilidad. El valor relativo neto del SPC, interpretado
gráficamente, es la envolvente superior a todas las
curvas, es decir, el valor máximo para cada valor de
C/L.
Figura 15.27: Curvas de valor (económico) relativo

correspondientes al modelo ECHRES (izquierda) y al
SPC ECENS (derecha), como ejemplo de curvas de va-
lor. Aunque ECENS consta de 51 miembros y por tanto
podrían dibujarse hasta 51 curvas, aquí se pintan so-
lamente 3 curvas, a título ilustrativo, correspondientes
a probabilidades de p=0.2 (naranja), p=0.5 (verde) y
p=0.8 (azul). El eje horizontal representa la proporción
coste/pérdida C/L y el eje vertical el valor económico
relativo RV . Obsérvese que cada intervalo de probabi-
lidad disfruta de un RV máximo diferente, pero todos
ellos correspondientes a un mismo C/L, en particular
C/L = s. ECMWF.
Un sistema predictivo determinista, e. g. el modelo

ECHRES tendrá asociada una curva de valor relativo
que viene dada por la expresión 15.18 en la página Figura 15.28: Curvas de valor (económico) relativo co-
anterior. Su representación es una gráfica con C/L rrespondientes al sistema AEMET-SREPS, predicciones
en el eje horizontal, RV en el eje vertical y una cur- probabilistas H+24 de viento a 10 m superior a 10 m/s
va en forma de montículo, más o menos simétrica y en un periodo de varios meses de 2005. En ese periodo
con la cúspide más o menos centrada (Figura 15.27 el sistema constaba de 16 miembros, de modo que la
partición natural del espacio de probabilidades es en
izquierda).
16 intervalos, con una curva de valor para cada uno de
ellos. El valor relativo es la envolvente superior a todas
En un SPC o, en general, un sistema de predicción pro- las curvas, es decir, el valor máximo para cada valor de
babilista cualquiera, la calidad y el rendimiento suelen C/L.
medirse con una partición en el espacio de las proba-
bilidades. Esa partición es óptima en tantos intervalos
como miembros tiene el sistema, aunque a menudo, Esta construcción cuantitativa del valor económico
por simplicidad, suele realizarse en 10 intervalos de nos permite, entre otros muchos propósitos, hacer una
amplitud 0.1. Se obtienen así medidas de calidad en comparación directa entre un modelo determinista y
cada intervalo, que sirven para construir medidas más un SPC. Antes de mostrar la idea, Es importante subra-
complejas. Así se hacía con la curva ROC, conjunto yar que, desde un punto de vista pragmático e históri-
de pares (H, F) y así lo hacemos ahora con el valor co, cada tipo de sistema ha tenido un nicho ecológico
relativo RV : un conjunto de curvas RV (C/L), una para distinto, sin tener necesariamente por qué competir.
cada intervalo de probabilidad. Como ejemplo, en la Aunque en muchas ocasiones puede haberse caído
Figura 15.27 derecha, se pintan tres curvas de RV del en una competitividad innecesaria (como muchas ve-
ECENS correspondientes a probabilidades de 0.2, 0.5 ces ocurre). Al contrario, los modelos deterministas
y 0.8. El valor máximo se da en C/L = s y, en teoría, son elementos esenciales para los SPC, de modo que
cuando un sistema fiable (sec. 15.9.4 en la página 226) no hay competencia sino integración. La compara-
predice un evento con probabilidad p, entonces todos ción puede hacerse, eso sí, con propósitos educativos,
los usuarios con C/L < p deberían actuar. ilustrativos e, incluso, económicos, literalmente para
comparar el valor económico relativo de usar un SPC
Un ejemplo más completo se muestra en la Figu- o de usar un modelo determinista en un contexto como
ra 15.28, con curvas de valor (económico) relativo podría ser la energía eólica o la solar. Puede así, por
correspondientes al sistema AEMET-SREPS, con 16 ejemplo, convencerse a usuarios veteranos reacios a
15.10 Valor (económico) relativo 237
adentrarse en el mundo de las probabilidades. La Figu- determinista de mayor resolución espacial. El uso del
ra 15.29 muestra una comparación de este tipo, valor ECENS como conjunto es mucho más valioso que el
de un SPC frente a un modelo determinista, en este ca- uso de cada uno de sus miembros individualmente.
so entre el ECENS en conjunto y el ECHRES, modelo
Figura 15.29: Envolventes de valor (económico) relativo correspondientes al ECENS (azul) y curvas de valor
relativo del ECHRES, como modelo determinista (rojo), para predicciones de precipitación superior a umbrales de
1, 5, 10 y 20 mm diarios para un alcance de D+4 en la franja extratropical norte del planeta durante los 3 primeros
meses de 2018. A medida que el umbral crece, se hace más pequeña la frecuencia de ocurrencia (posición horizontal
del máximo). Las curvas azules están por encima de las rojas: el uso del ECENS como conjunto es mucho más
valioso que el uso de uno de sus miembros individualmente. ECMWF.
Figura 15.30: Envolventes de valor (económico) relativo correspondientes al sistema AEMET-γSREPS. Izquierda:
eventos de temperatura por encima de los umbrales de 288 (azul), 293 (verde) y 298 K (rojo); obsérvese que el
valor máximo para cada umbral se da en proporciones C/L más pequeñas según el umbral va creciendo. Derecha:
distintas calibraciones del sistema para umbral fijo de 293 K, con valores relativos Cal5 superior a Cal15, a su vez
superior a Cal25; el valor máximo se encuentra en una proporción C/L intermedia.
El uso de envolventes de valor económico relativo es débiles de los modelos, evaluar su calidad y su valor,
sistemático para comparar valores de distintos SPC, mejorar su uso en la predicción operativa, ayudando
o de distintas calibraciones de un mismo SPC o, tam- tanto a predictores como a investigadores y desarro-
bién, distintos periodos de predicción, alcances, fe- lladores.
chas o umbrales de superación en la variable. La Fi-
gura 15.30 muestra envolventes de valor económico La evaluación de un modelo numérico lleva consigo
relativo correspondientes a predicciones de tempe- un alto nivel de complejidad, con numerosos proble-
ratura del sistema AEMET-γSREPS (cap. 22 en la mas técnicos, de interpretación, etc. Es necesario un
página 333), tanto para distintos umbrales (izquier- marco estadístico para dar significación a una serie de
da), como para diferentes procesos de calibración de propiedades y métricas (también llamadas índices o,
esas predicciones (derecha). Las envolventes de la usando terminología en inglés, scores) que caracteri-
izquierda son resultados del mismo sistema para even- zan la comparación de grandes cantidades de predic-
tos distintos umbrales, cada uno con una climatología ciones y observaciones: error medio, error cuadrático
muestral diferente (frecuencia de ocurrencia distinta), medio, correlación de anomalías, etc.
lo que se revela en los máximos valores en posiciones
distintas. La de la derecha, sin embargo, son resulta- La pregunta de la sociedad ¿hasta cuántos días son
dos de distintas calibraciones, al fin y al cabo, como fiables las predicciones del tiempo? es, en principio,
distintos sistemas, respondiendo a un mismo evento, difícil de responder. Sabiendo que la predecibilidad
una misma climatología muestral; de ahí que los valo- es dependiente del flujo, esa sería la mejor respues-
res máximos se producen todos en la misma posición. ta: depende de la situación. Pero la sociedad exige
cifras para poder hacer planificaciones. La verifica-
ción ofrece aquí una respuesta razonable, ligada a lo
que denominamos límite de predecibilidad, que es el
15.11 Conclusiones
alcance predictivo máximo en el que la calidad de la
predicción, según una métrica establecida, se mantie-
Ni los modelos atmosféricos ni los SPC son perfectos. ne por encima de un umbral prefijado. Así, este límite
Resulta necesario evaluar su calidad, comparándolo tiene un significado preciso para los científicos y técni-
con las observaciones de la atmośfera y, asimismo, su cos y, a su vez, lo tiene para la sociedad: con respecto
valor, contrastando su utilidad para el usuario, espe- a la década de los 80, hemos ganado algo más de 3
cialmente a la hora de tomar decisiones. Estos aspec- días de límite de predecibilidad, las predicciones son
tos conforman la parte de la meteorología y la clima- fiables hasta el día más cinco y medio.
tología que podemos denominar verificación. Gracias
a la verificación, podemos resaltar puntos fuertes y Los métodos clásicos de verificación han topado con
limitaciones importantes, algunas de las cuales abren del SPC con respecto a su valor medio crece con el
nuevas líneas de investigación: alcance predictivo y el error del valor medio con res-
pecto a la observación también. Si crecen al mismo
Entre la agrupación de suficientes datos para con- ritmo entonces mantienen una relación aproximada-
seguir significación estadística y la estratificación mente lineal y se dice que el SPC es estadísticamente
de los mismos para verificar muestras climatológi- consistente con las observaciones, fiable o calibrado.
camente homogéneas, es difícil encontrar un punto
intermedio de compromiso. Por otro lado y, en este otro gran grupo, para las va-
El error observacional no se ha tenido tradicional- riables meteorológicas de tiempo sensible, como la
mente en cuenta y puede influir considerablemente precipitación, el viento, la temperatura, etc., se mide
en la verificación. la respuesta del sistema frente a eventos binarios (nor-
Tampoco se ha tenido tradicionalmente en cuenta malmente superación de umbrales, e. g. viento por
el error en el muestreo, que también puede tener un encima de 70 km/h). Una serie de propiedades descri-
impacto importante en la interpretación de los re- ben esa respuesta. La agudeza refleja que el sistema
sultados. Hoy en día se recomienda añadir, cuando da probabilidades cercanas al 0 y al 1 y no probabi-
menos, intervalos de confianza. lidades intermedias, menos útiles para el usuario. La
Los fenómenos adversos a menudo son fenómenos fiabilidad es la consistencia entre las probabilidades
extremos (ver FMA), para los que las métricas ha- previstas y las correspondientes frecuencias de obser-
bituales tienen poca o ninguna utilidad pues se trata vación condicionadas. La resolución es la mejora con
de comportamientos asintóticos. respecto a la climatología muestral según los diferen-
La predecibilidad es dependiente del flujo y, por tes intervalos de probabilidad. Fiabilidad y resolución
ende, la estratificación de los datos de verificación se representan en el llamado diagrama de fiabilidad
debería hacerse según ese flujo (patrones atmosfé- o de atributos. La discriminación es la capacidad del
ricos), superando la tradicional estratificación esta- sistema de discernir entre la ocurrencia y no ocurren-
cional o mensual. cia del evento y se representa mediante las llamadas
Las diferentes representaciones y escalas espacia- curvas ROC. Estas propiedades pueden construirse en
les de modelos y observaciones son un elemento un marco gráfico y, también, en marco teórico, par-
crítico de dificultas en verificación. Los métodos tiendo de la generalización del error cuadrático medio
clásicos penalizan doblemente a los modelos de al espacio de las probabilidades: el llamado B RIER
muy alta resolución. A raíz de este problema han score. Esta métrica puede descomponerse y las com-
surgido nuevas familias de métodos de verificación, ponentes tienen un significado muy preciso: fiabilidad,
los llamados métodos espaciales. resolución e incertidumbre, en correspondencia con
las propiedades en el marco gráfico. Todo ello con-
Si la verificación de modelos deterministas es un área forma el enfoque llamado orientado a distribuciones,
delicada, podemos imaginar que la verificación de en particular la denominada distribución conjunta de
SPC lo es aún más. Comparar predicciones en forma predicciones y observaciones.
de probabilidades con observaciones convencionales
es complicado. Si las predicciones probabilistas se La predicción probabilista tiene valor si ayuda al usua-
generan en forma de PDF ¿Qué propiedades son re- rio a tomar decisiones. Dentro del contexto de la res-
comendables en una buena PDF? Hay dos grandes puesta frente a eventos binarios, el denominado valor
grupos de metodologías para dar respuesta a la pre- económico relativo de un sistema predictivo nos indi-
gunta. ca, en términos económicos de ahorro con respecto a
la climatología muestral, el valor del uso de nuestro
Por un lado y, sobre todo, para evaluar la consistencia sistema comparado con una predicción perfecta. Esta
de las predicciones con las observaciones en el flujo métrica de valor económico relativo permite comparar
a gran escala, se utilizan histogramas de rango y se modelos deterministas y SPC, aunque no tiene por
contrasta la relación dispersión-error: la dispersión qué haber competencia entre ambos.
En los siguientes enlaces se abordan métodos de verificación, pautas de coordinación internacional para la misma, así
como información (relativamente) actualizada sobre calidad y valor de los modelos o SPC.
Página de los grupos de trabajo para verificación de la Organización Meteorológica Mundial (OMM), con un
compendio completísimo sobre métodos de verificación (WWRP/WGNE Joint Working Group on Forecast
Verification Research) (consultada 22-03-2018): http://www.cawcr.gov.au/projects/verification/
Página de la NOAA, de H AROLD B ROOKS , con recursos diversos relacionados con la verificación (NOAA Harold
Brooks’ Weather Forecast Verification, A collection of ideas, references, and resources for forecasters, researchers,
teachers, and students) (consultada 22-03-2018): http://www.nssl.noaa.gov/users/brooks/public_html/
verification/
Módulo del programa COMET sobre Uso inteligente de los productos derivados de los modelos, que incluye
apartados de verificación de los modelos (consultada 22-03-2018): https://www.meted.ucar.edu/training_
module.php?id=797#.VXlnWqFCZwE
Referencia de la OMM del programa de verificación, dentro del programa general de calidad (WMO > Programmes
> AMP > PWS Home > Quality assurance > Verification) (consultada 22-03-2018): https://www.wmo.int/
pages/prog/amp/pwsp/qualityassuranceverification_en.htm
Pautas establecidas por la OMM para la verificación de predicciones de largo plazo (WMO - Standard Verification
System (SVS) for Long-range Forecasts (LRF)) (consultada 22-03-2018): http://www.wmo.int/pages/prog/
www/DPS/verification_systems.html
Pautas establecidas por la OMM para la verificación de predicciones de largo plazo, un primer borrador (WMO
- Standardised Verification System (SVS) for Long-Range Forecasts (LRF)) (consultada 22-03-2018): http:
//www.wmo.int/pages/prog/www/DPS/SVS-for-LRF.html
Información actualizada de la calidad las predicciones del ECMWF (ECMWF > Forecasts > Quality of our forecasts
> operational forecast evaluation > regularly updated on the ECMWF web site) (consultada 22-03-2018): https:
//www.ecmwf.int/en/forecasts/charts/catalogue/?f%5B0%5D=im_field_chart_type_2%3A606
Información actualizada de la calidad de las predicciones del United States National Centers for Environmental
Prediction (NCEP) (WPC’s Model Diagnostics and Verification Page, NOAA > NCEP > NWS > Model Diagnostics)
(consultada 22-03-2018): http://www.wpc.ncep.noaa.gov/html/model2.shtml
Parte III
Diseño
Parte III Diseño
Debido su tremenda complejidad e importancia, dedicamos una parte independien-
te del libro al diseño de los sistema(s) de predicción por conjuntos (SPC), dividida
en tres capítulos. Cada uno expone las técnicas de diseño específicas para el mues-
treo de alguno de los tres tipos correspondientes de errores e incertidumbres: en
las condiciones iniciales, en la formulación del propio modelo y, por último, en las
condiciones de contorno. Este último tiene sentido sólo en aquellos sistemas com-
puestos por modelos de área limitada, que son precisamente aquellos que AEMET
desarrolla.
Página anterior: Nubes psicóticas, interpretación artística de J UAN C ARLOS G ARCÍA

C OLOMBO.
Diseño de sistemas de predicción por conjuntos: error
en las condiciones iniciales 16
DOI: 10.31978/014-18-009-X.16
PAU E SCRIBÀ AYERBE

Delegación Territorial en Cataluña, Agencia Estatal de Meteorología (AEMET)
Aquel que quiera construir torres altas, deberá permanecer

largo tiempo en los fundamentos.
A NTON B RUCKNER
El estado de la atmósfera en un momento dado no puede conocerse a la perfección. Por un lado, este
hecho se debe a los errores inherentes a los sistemas de observación, a la distribución imperfecta
y/o densidad insuficiente de las redes correspondientes y a los intervalos de tiempo limitados en que
dichas observaciones se toman. Por otro lado, los sistemas de asimilación de datos para introducir
estas observaciones en los modelos atmosféricos tampoco son perfectos, de modo que cada sistema de
asimilación está afectado por errores característicos de las observaciones y, también, del modelo de
corto plazo usado para brindar una predicción previa (background o first guess) al propio sistema de
asimilación, predicción previa que se ajustará con nuevas observaciones. Todo ello conforma los así
llamados errores en las condiciones iniciales. Estos errores o incertidumbres, aunque son pequeños,
tal como hemos visto en capítulos anteriores crecen de modo no lineal según la dinámica caótica
que describe la atmósfera. Presentamos en este capítulo una introducción a este apasionante tema del
tratamiento del error en el estado inicial en predicción por conjuntos.
Palabras clave: diseño de sistemas de predicción por conjuntos, incertidumbres en las condiciones iniciales,
asimilación de datos, método de vectores singulares, método de asimilación por conjuntos, método LETKF.
Imagen parte superior: supercélula. Lécera (Zaragoza), hacia el norte, 7 de septiembre de 2014, a las 19:29. Fotografía de J OSÉ A NTONIO
Q UIRANTES C ALVO.
244 Física del caos en la predicción meteorológica Capítulo 16. Diseño de SPC, error en condiciones iniciales
observaciones, como para la predicción previa o el

análisis, el error respectivo es aquello que separa su
valor de la verdad. Aquí debemos pararnos en el razo-
namiento, porque la última frase es lo que conecta el
análisis con la predicción por conjuntos. Una de las
cosas que queremos hacer en predicción por conjuntos
es estimar de alguna manera el error del análisis. Para
ello definimos distintos estados iniciales posibles den-
tro del margen de error del análisis. Esto constituye
el problema de estimar la incertidumbre del estado
inicial en predicción por conjuntos.
Figura 16.1: Esquema conceptual de predicción previa
(background), observaciones, análisis y verdad (truth) Llegado a este punto uno se debe preguntar cómo po-
en asimilación de datos (ver texto). demos estimar el error del análisis o cómo podemos
construir los distintos estados iniciales que deberían
estar en este margen de error. Resolver este problema
no es sencillo, de hecho, se han propuesto multitud de
16.1 Análisis y su error técnicas con más o menos éxito tanto desde el punto
de vista de mejora de la predicción como del uso de re-
La resolución de la evolución de la atmósfera en el cursos computacionales. Dado que la lista es larga, en
tiempo es un problema, matemáticamente hablando, este capítulo vamos a resumir de manera breve las téc-
de valores iniciales. Es decir, dado un estado inicial nicas usadas en nuestro entorno de trabajo operativo
atmosférico, la integración numérica de las ecuacio- más cercano, que básicamente es el ECMWF (cap. 19
nes de evolución, nos da el estado atmosférico futu- en la página 289), los consorcios HIRLAM-ALADIN
ro. Por tanto, definir el estado inicial atmosférico es (cap. 20 en la página 301) y la Agencia Estatal de
una cuestión fundamental. La asimilación de datos Meteorología (AEMET).
(sec. 10.3 en la página 133) es la parte de la predicción
numérica que tiene como objetivo definir este estado
inicial. Para ello, combina de una manera inteligen- 16.2 Técnicas de generación de es-
te una predicción a corto plazo o estimación previa,
con las observaciones disponibles en el instante ini- tados iniciales
cial. El resultado de la asimilación es lo que llamamos
análisis. Tal como hemos dicho, las técnicas que describimos
a continuación son las que se utilizan operativamente
Existen distintos algoritmos para generar el análisis, en nuestros centros de trabajo de referencia. Es im-
aunque los más usados son los métodos variaciona- portante destacar que siempre estamos hablando de
les (3DVAR y 4DVAR) y los métodos por filtros de estado inicial atmosférico, o sea, no estamos teniendo
K ALMAN (ETKF, LETKF, . . . ). En la sección 16.2 se en cuenta, por ejemplo, el estado inicial en la superfi-
presenta la formulación básica de estos métodos, en cie o en el mar (u océano). De cualquier modo estas
este apartado únicamente se presenta una descripción técnicas o equivalentes se podrían usar también en
conceptual. Un aspecto importante de estos algorit- estos casos.
mos es que lo que todos persiguen es combinar obser-
vaciones y predicción previa teniendo en cuenta sus
errores respectivos, de tal modo que el resultado final, 16.2.1 Multimodelo
el análisis, tenga un error mínimo.
Esta técnica también conocida como poor man’s en-
La Figura 16.1 describe de una manera conceptual semble o en español como del conjunto de hombre
los distintos componentes del análisis. Cabe destacar, pobre [171, 526], es una tecnificación de la clásica
como se ve en la figura que, con el análisis, lo que práctica usada por los predictores para hacer la pre-
queremos es acercarnos lo más posible a la verdad, dicción (sec. 13.2.2 en la página 168), práctica que a
que es siempre desconocida. Otro aspecto interesan- menudo llevaba el mismo nombre. Se trata de consul-
te de la figura es entender el concepto de error en tar varios modelos para una misma situación y hacerse
los distintos componentes del análisis. Tanto para las una composición de la predicción más probable del
16.2 Técnicas de generación de estados iniciales 245
conjunto. Básicamente, los estados iniciales se crean a nivel mundial. Los modelos locales utilizados son
tomando los análisis o las predicciones previas de el propio de AEMET en su momento, el HIRLAM,
distintos modelos globales interpolados a nuestro do- el HRM y el LM (Servicio Meteorológico Alemán),
minio de interés. Un problema evidente de esta técnica el UM (Servicio Meteorológico Británico) y el MM5
es que el número de estados iniciales está limitado (de la Universidad de Pennsylvania y el Centro Na-
por el número de modelos globales disponibles. En cional americano para Investigaciones Atmosféricas
el caso de la AEMET, cuyos sistemas de predicción PSU/NCAR). Esta técnica ha sido implementada en
por conjuntos (SPC) han usado históricamente esta el actual sistema de alta resolución AEMET-γSREPS
técnica, se combinan los modelos globales con dis- (cap. 22 en la página 333).
tintos modelos de alta resolución, multiplicando el
número de estados iniciales por el número de modelos Esta técnica tiene tres aspectos criticables. Primera-
locales. En la Figura 16.2 se muestra un esquema de mente, es de esperar una cierta correlación entre los
los distintos estados iniciales creados con esta técnica miembros del conjunto formados con el mismo mo-
en el antiguo AEMET-SREPS [221] (cap. 21 en la pá- delo local, por lo que a priori la condición de equi-
gina 313). Tal como se muestra en el cuadro, aquí se probabilidad (sec. 13.7.2 en la página 191) entre los
toman predicciones de modelos globales de referencia miembros se rompe.
Figura 16.2: Estados iniciales resultantes de combinar 5 modelos globales operativos con 5 modelos locales. Esta es
la configuración del (antiguo) AEMET-SREPS (ver texto).
Por otro lado, ciertamente el uso de distintos modelos hace unas consideraciones propias que se describen a
no deja de ser en cierto sentido una caja negra cuando continuación.
miramos el comportamiento estadístico del conjun-
to: no sabemos, científicamente, cómo se estima la Local Ensemble Transform Kalman Filter,
incertidumbre de la atmósfera. Finalmente, el manteni- LETKF [310]. Como todos los algoritmos de asimila-
miento de un sistema con tantos modelos distintos es ción, LETKF trata de minimizar la llamada función de
complicado desde el punto de vista técnico, así como coste J (sec. 16.1). Esta técnica consiste en encontrar
la dependencia de la disponibilidad (y comunicación) aquel valor del estado atmosférico x que haga el valor
J mínimo, dados los distintos componentes de la ecua-
de los modelos globales en los centros de origen.
ción. Dicho estado atmosférico será el análisis. Los
otros componentes de la ecuación son, la estimación
A pesar de sus aspectos criticables esta técnica, aporta
previa xb , el error de la estimación previa Pb , las
numerosas ventajas desde el punto de vista práctico, observaciones y, el error de las observaciones R y el
por lo que existen numerosos partidarios, entre los cua- operador observación H.
les nos contamos en AEMET. Un argumento principal T b −1 b
es que esta técnica da excelentes resultados [221]. Un J(x) = xb − x P x −x +
(16.1)
segundo argumento que apoyaría el uso de esta técni- + (y − H(x))T R−1 (y − H(x))
ca es que, al contener cada miembro del conjunto los
La diferencia más importante entre los métodos de
mismos errores sistemáticos en cada integración, la filtros de K ALMAN y los métodos variacionales radi-
corrección de los mismos con técnicas de posproceso ca en cómo se aproximan los componentes xb y Pb .
debería ser adecuada y, por tanto, se podrían poten- En 16.2 se describen estos componentes en el caso de
cialmente mejorar los resultados. Finalmente, el usar los Filtros de Kalman.
modelos globales para fines operativos significa que
xb = n1 ∑ni=1 xbi
éstos están altamente verificados y en continua mejora T (16.2)
1
en centros operativos. Pb ≈ n−1 ∑ni=1 xbi − xb xbi − xb
En este caso, la predicción previa xb es la media de

un conjunto de predicciones previas. Su error Pb , así
16.2.2 Local Ensemble Transform Kalman
mismo, se construye a partir de este conjunto de pre-
Filter (LETKF) dicciones. Luego los filtros de K ALMAN utilizan un
conjunto de predicciones previas en la resolución del
El método Local Ensemble Transform Kalman Filter, propio algoritmo de asimilación. En el caso de los mé-
LETKF [310], para asimilación de datos genera por todos variacionales, xb es una predicción determinista
el mismo precio un análisis para usarlo en predicción a corto plazo y Pb es el resultado de una estimación
estadística climatológica con predicciones previas, y
determinista y un conjunto de análisis que pueden ser
por lo tanto, no dependiente del flujo atmosférico.
usados como conjunto de estados iniciales para una
predicción probabilista. El código LETKF ha sido im- Si nos fijamos en particular en el LETKF y sin ahondar
plementado por el autor de este capítulo en el modelo en detalle en todas las ecuaciones del método [310], el
HARMONIE-AROME adaptando el código desarro- análisis determinista, así como el conjunto de análisis
llado por M ATS H AMRUD (ECMWF [269]) para el resultantes para cada miembro, se describen en las
modelo global IFS. El LETKF pertenece a la familia ecuaciones 16.3.
de algoritmos por filtros de K ALMAN. Para una muy xa = xb + Xb wa
buena explicación de la implantación del algoritmo (16.3)
xai = xb + Xb wa + wai
en el modelo IFS del ECMWF y de sus resultados
en comparación con el 4DVAR, se remite al lector a El algoritmo calcula una serie de pesos (weights), wi ,
los artículos de H AMRUD Y COL. [269] y B ONAVITA donde está toda la información proveniente de las ob-
servaciones. Otro aspecto interesante del algoritmo es
Y COL . [62], ambos de 2015. Como todos los algo-
que el análisis determinista es la media de los análisis
ritmos de asimilación, LETKF trata de minimizar la del conjunto (ecuación 16.4):
llamada función de coste J (sec. 16.1). Esta técnica
consiste en encontrar aquel valor del estado atmosfé- 1 n a
xa = ∑ xi (16.4)
rico x que haga el valor J mínimo, dados los distintos n i=1
componentes de la ecuación. Para encontrar x LETK
Figura 16.3: Ciclo de análisis del LETKF con el HARMONIE-AROME (ver texto).
Si nos fijamos en la implementación técnica en el mo- inicializadas en tiempos distintos pero válidas para
delo HARMONIE-AROME, LETKF asimila observa- el mismo tiempo de predicción. Podemos, entonces,
ciones en un ciclo de análisis de 3 horas, a lo largo de aproximar el error del análisis de esta manera. En-
una ventana de asimilación centrada de 2 horas. El pa- tonces, si calculamos el análisis mediante un método
rámetro inflación se introduce para aproximar aquellos clásico (por ejemplo el 3DVAR), podemos añadir a
errores no estimados en el algoritmo. Por otro lado, el este análisis este error o perturbación, con lo que obte-
parámetro localización, que permite seleccionar las nemos una nueva estimación del estado inicial. Este es
observaciones más cercanas al punto de análisis, está el método de referencia con el que se construye el con-
en el diseño intrínseco del mismo. Así mismo, LETKF junto de predicciones en el HARMONIE-AROME-
está diseñado e implementado para asegurar que su EPS.
eficiencia computacional sea muy elevada en compa-
ración con los métodos variacionales. En particular, Método NMC. La siguiente ecuación hace explícito
resuelve el análisis independientemente en cada punto el cálculo descrito previamente:
de la rejilla del modelo, por lo que acepta muy bien la
paralelización (cap. 11 en la página 145). Este último xai = xa0 + ki xtb1 − xtb2 (16.5)
i
aspecto es quizás el más destacable en el entorno de
trabajo de alta resolución en el que nos movemos en la donde x0 es el llamado análisis de control, que en el
caso que nos ocupa es el 3DVAR, pero podría ser otro.
actualidad. En la Figura 16.3 se muestra un esquema
El factor k es un factor ad hoc de amplificación o re-
del ciclo de análisis del LETKF. La idea es integrar ducción de la diferencia. Se pueden tomar valores de
una predicción por conjuntos a corto plazo (4 horas) este factor positivos y negativos, construyendo así los
que cubre la ventana de asimilación, donde residen miembros simétricos respecto al control. Finalmente
las observaciones a tener en cuenta. Posteriormente xbt1 y xbt2 son las predicciones previas válidas ambas en
se resuelve el algoritmo LETKF y se obtienen los aná- el mismo tiempo (tiempo del análisis) e inicializadas
lisis (sec. 16.4 en la página anterior) en el centro de en los instantes t1 y t2 .
la ventana, con los que volvemos a integrar el con-
3DVAR. Puesto que aquí lo usamos para generar el
junto hasta el siguiente ciclo. Dada la flexibilidad y
análisis de control, es oportuno dedicar un momento
eficiencia del método, está planeado que LETKF sea a describir brevemente el algoritmo 3DVAR. Como
el algoritmo que permita la ingestión de todo tipo de el LETKF, se trata de resolver la ecuación 16.1 en la
observaciones en el actual sistema de predicción por página anterior. Descritas las distintas componentes
conjuntos AEMET-γSREPS. de la función de coste J, en el caso de los métodos
variacionales, después de una serie de métodos de
resolución numéricos [207], el resultado del análisis
16.2.3 Método NMC 3DVAR se describe en la ecuación 16.6. En este caso
la matriz K se llama matriz de ganancia o matriz de
K ALMAN y contiene una descripción del peso que se
El método NMC toma el nombre del antiguo National le debe dar a la información obtenida por las observa-
Meteorological Centre (hoy llamado NCEP), o Servi- ciones, en el análisis.
cio Meteorológico Estadounidense. En concreto, este
método consiste en estimar los errores de la predic- xa3DVAR = xb + K (y − H(x)) (16.6)
ción a partir de las diferencias entre dos predicciones
Figura 16.4: Conjunto formado con la técnica time lagged ensemble. En este caso, partimos de distintas pasadas de el
mismo modelo determinista (HARMONIE-3DVAR) a 48 horas. Los segmentos rojos corresponden a las trayectorias
que forma la predicción por conjuntos a 24 horas inicializada a las 00 UTC (ver texto).
Volviendo a la aplicación práctica del método NMC En el grupo de predecibilidad de AEMET realizamos
en el caso de HARMONIE-AROME, los valores de una verificación de un conjunto formado con este mé-
referencia para ki , t1 y t2 que estamos tomando para todo a partir únicamente de la predicción determinista
generar los análisis en un conjunto de 10 miembros, operativa de HARMONIE-AROME. Esta predicción
están resumidos en la Tabla 16.1. está basada en ciclos de asimilación 3DVAR cada 3
horas, y las predicciones llegan hasta 48 horas. Con
estos valores, podemos construir un conjunto de 8
16.2.4 Lagged ensemble miembros con una predicción a 24 horas, tal y como
muestra la Figura 16.4.
Otro método que se usa con frecuencia para obtener Los resultados de dicha verificación así como de otros
distintos estados iniciales es el llamado, en inglés, lag- métodos para generar condiciones iniciales, serán pre-
ged ensemble [173, 293, 395, 503]. En este método se sentados en la sección 16.3 en la página 250.
definen directamente los estados iniciales a partir de
las predicciones previas inicializadas en tiempos ante-
riores, validas en el mismo tiempo, el tiempo inicial 16.2.5 Ensemble Data Assimilation
del conjunto. Este método es extremadamente senci-
llo, y ha demostrado buenos resultados en el caso de Con la Asimilación de Datos por Conjuntos (Ensem-
combinar por ejemplo dos conjuntos de predicción ini- ble Data Assimilation o EDA), se introduce un con-
cializados en dos pasadas consecutivas. En este caso, junto de predicciones en el proceso de asimilación, de
el hecho de doblar el número de miembros del conforma parecida a como se hace con los filtros de K AL -
junto a coste cero, mejora la predicción probabilista. MAN . EDA es la técnica de referencia en el ECMWF,
tanto para asimilación de datos como para predicción
miembro K t1 (h) t2 (h) por conjuntos [314, 315], en el segundo caso en com-
1 1.75 t0 t0 - 6 binación con los vectores singulares, que se presentan
2 -1.75 t0 t0 - 6 en el próximo apartado.
3 1.5 t0 - 6 t0 - 12
4 -1.5 t0 - 6 t0 - 12 La idea teórica del EDA se basa en estimar las incerti-
5 1.2 t0 - 12 t0 - 18 dumbres fundamentales en el proceso de predicción-
6 -1.2 t0 - 12 t0 - 18 asimilación, mediante perturbaciones estocásticas te-
7 1.0 t0 - 18 t0 - 24 niendo en cuenta una estimación de las distintas fuen-
8 -1.0 t0 - 18 t0 - 24 tes de error. En total existen 3 fuentes de error en
9 0.9 t0 - 24 t0 - 30 la predicción: el error de las observaciones, el error
10 -0.9 t0 - 24 t0 - 30 del modelo y el error en las condiciones de contorno.
Entonces, de lo que se trata es de construir varias tra-
Tabla 16.1: Valores de referencia en HARMONIE- yectorias de predicción-asimilación independientes en
AROME-EPS para construir un conjunto de estados las que los 3 componentes son perturbados estocásti-
iniciales con el método NMC (ver texto). camente.
Perturbaciones estocásticas. Sobre el tipo de per- Si tomamos una pequeña perturbación δ x respecto
turbación estocástica existen distintos métodos, ba- al estado atmosférico x y aplicamos el desarrollo en
sándose todos ellos en la aleatoriedad. Para entender serie de TAYLOR, obtenemos:
mejor este método, podemos pensar en un observa-
ción (o) y en su error (εo ). Entonces, si asumimos d(x + δ x) ∂F
= F(x) + δ x + O(x2 ) (16.9)
una forma para la distribución de probabilidad de esta dt ∂x
variable (gaussiana por ejemplo si es temperatura), po- Si integramos ahora entre el tiempo t0 y el tiempo t,
demos construir un conjunto de 10 observaciones (oi ) obtenemos la siguiente ecuación:
igualmente válidas para ese punto del espacio-tiempo,
sumándoles un parámetro estocástico proporcional a x(t) + δ x(t) ≈ G(x(t0 )) + Mt0 →t δ x(t0 ) (16.10)
su error (ki ), según la ecuación:
donde M es el llamado propagador lineal tangente
oi = o + ki εo i = 1, .., n (16.7) (la linealización de las ecuaciones del modelo). Por
lo tanto, la perturbación δ x evoluciona en el tiempo
Una vez tenemos una muestra de, por ejemplo, n = 10 según:
conjuntos de observaciones, 10 realizaciones del error δ x(t) = Mt0 →t δ x(t0 ) (16.11)
del modelo y 10 campos superficiales todos ellos vá-
lidos para el mismo punto del espacio-tiempo, pa- Ahora podemos definir el crecimiento de la perturba-
ra cada uno de ellos generamos un ciclo de análisis ción σ 2 según la ecuación:
4DVAR independiente. El conjunto de estos análisis hδ x(t),δ x(t)i
independientes será el conjunto de estados iniciales σ2 = hδ x(t0 ),δ x(t0 )i
(16.12)
D E
para nuestra predicción probabilista. MtT →t Mt0 →t δ x(t0 ),δ x(t0 )
0
= hδ x(t0 ),δ x(t0 )i
Donde h, i es el producto escalar entre vectores. Re-

En cuanto a la estimación del error del modelo sulta que el crecimiento máximo de las perturbaciones
en 16.12 se dará en las direcciones definidas por los
(sec. 5.3 en la página 62), presente tanto en predicción
vectores singulares del producto de matrices MT M.
como en asimilación, el ECMWF ha propuesto una Estas direcciones nos dan los vectores singulares.
técnica también estocástica llamada Stochastic Per-
turbation of Parametrization Tendencies, SPPT [488], Para una explicación matemática completa de este
que ha dado buenos resultados [580]. método, donde se añade el concepto de norma en la
definición de los vectores singulares, se remite a la
lectura del artículo de B UIZZA y PALMER de 1995
16.2.6 vectores singulares [84].
Los vectores singulares o singular vectors [84] confor-

man históricamente el primer método de generación
Una explicación sencilla del significado de los vec-
de estados iniciales para el Sistema de Predicción por
tores singulares es la siguiente. Si pensamos en un
Conjuntos del ECMWF, el ECENS (sec. 19.3 en la pá-
estado inicial atmosférico y en su evolución temporal,
gina 293). Aunque a día de hoy este método todavía se
podemos identificar qué zonas de ese estado contie-
utiliza en combinación con EDA, paulatinamente va a
nen un mayor crecimiento de energía, asociado a la
ser substituido por este último método en todo aquello
inestabilidad, del sistema atmosférico. Podemos pen-
que haga referencia a la estimación de incertidumbres
sar por ejemplo en zonas de inestabilidad baroclina
del estado inicial atmosférico en el ECMWF.
tales como sistemas de bajas presiones o estructuras
frontales. Entonces, los vectores singulares son una
Vectores singulares. La ecuación siguiente describe herramienta matemática que permite identificar estas
la ecuación de evolución temporal del estado atmosfé- zonas de mayor crecimiento energético. Una vez cal-
rico x.
dx culados estos vectores, a partir de ellos construimos
= F(x) (16.8) perturbaciones del estado inicial que sumaremos al
dt
análisis de control (4DVAR) para obtener los distintos
estados iniciales de nuestro conjunto.
Figura 16.5: Análisis sinóptico de superficie para el día 9 de agosto de 2017 a las 12 UTC (AEMET).
16.3 Verificación de las técnicas herramientas para generar otros 3 sistemas de con-
juntos mediante 3 de las técnicas presentadas en el
disponibles en AEMET
apartado anterior: el LETKF, el método NMC y el
lagged ensemble. Estos tres métodos están únicamen-
En el taller Predicción probabilista de fenómenos de te basados en el modelo HARMONIE-AROME, de
tiempo severo, que se celebró en la sede central de cuyo consorcio AEMET es socio. En este ejercicio de
AEMET en Madrid en octubre de 2017, el grupo de verificación se van a comparar estas 4 técnicas para un
predecibilidad de AEMET presentó un estudio don- mismo periodo temporal en un dominio que cubre la
de se comparan los conjuntos de predicciones que península ibérica. En este apartado sólo se presentarán
se pueden generar en AEMET (que no operativos) resultados de lo que llamamos verificación objetiva.
usando 4 de las técnicas presentadas anteriormente. Se remite al lector al capítulo 22.7 en la página 352
Los conjuntos se forman siempre con modelos de alta para ver un par de casos de estudio de este mismo
resolución, a 2.5 km en la horizontal. En este apartado periodo utilizando lo que llamamos verificación sub-
se presentan los resultados más significativos de dicho jetiva.
estudio.
16.3.2 Descripción de los experimentos

16.3.1 Técnicas de generación de conjun-
Durante una semana del mes de agosto de 2017, desde
tos disponibles en AEMET el 8 al 15, se integraron los 4 conjuntos de prediccio-
nes, tanto a las 00 como a las 12 UTC, hasta 24 horas
El grupo de predecibilidad de AEMET está integran- de predicción. En esa semana un potente anticiclón
do operativamente en los ordenadores del ECMWF situado sobre el Atlántico Norte, abarcando latitudes
el AEMET-γSREPS (cap. 22 en la página 333) desde desde las islas británicas hasta las Canarias, marcaba
abril del 2016. Además de este sistema, tenemos las un predominio de las altas presiones en toda la zona,
16.3 Verificación de las técnicas disponibles en AEMET 251
con la baja térmica estival sobre la península ibérica. para las variables en superficie, donde tenemos al-
La situación sinóptica sobre la Península para el día 9 rededor de 13 000 parejas predicciones-observación.
a las 12 UTC se muestra en la Figura 16.5 en la página En cambio, en la vertical los valores de significación
anterior. Como fenómenos significativos del periodo serán más pequeños, puesto que los datos de radioson-
cabe destacar la convección diurna en algunos lugares deos son muy inferiores en número. En total tenemos
de la Meseta Central, así como la convección asociada alrededor de 100 parejas predicciones-observación en
a algún pequeño frente en el Mediterráneo. la vertical.
Tal y como se ha presentado con anterioridad, todos Los parámetros del modelo cuya verificación presen-
los conjuntos salvo AEMET-γSREPS asimilan obser- tamos son: velocidad (módulo) del viento a 10 metros
vaciones en un ciclo de 3 horas. Las observaciones (S10m), temperatura a 2 metros (T2m), humedad re-
asimiladas son las llamadas convencionales (estacio- lativa a 2 metros (HR2m), presión al nivel del mar
nes automáticas, manuales, barcos, boyas y radioson- (PNM) y temperatura (T), humedad específica (Q) y
deos). El número de miembros para los conjuntos es módulo del viento (S) en la vertical. Como verdad de
20, salvo para el lagged ensemble que por construc- lo que sucedió tomamos las observaciones convencio-
ción sólo puede tener 8 miembros (Figura 16.4 en la nales.
página 248). Las predicciones están hechas en un do-
minio centrado sobre la península ibérica con 2.5 km Como estamos en el marco de la predicción proba-
de resolución horizontal y 576 × 480 × 65 puntos de bilista, para cada punto de observación tendremos n
rejilla. En la Figura 16.6 se muestra el dominio de valores de predicción (n = 20, 20, 20 y 8). Esto cam-
integración. bia el paradigma de verificación. Se remite al lector
al capítulo 15 en la página 207 para más información
sobre este marco de trabajo. Presentamos resultados
16.3.3 Verificación de verificación usando tres métodos comunes de verifi-
cación probabilista: dispersión-error, histogramas de
Es conveniente comparar las predicciones con las ob- rango y Continuous Ranked Probability Score (CRPS,
servaciones a lo largo de un periodo suficientemente [285]). Estos métodos ofrecen un diagnóstico de ras-
largo para que la muestra estadística genere datos gos fundamentales en predicción probabilista como
significativos. Aunque dicha significación puede es- la amplitud, la consistencia y la respuesta frente a
timarse estadísticamente, aquí no la mostramos por eventos binarios en la estimación de la incertidumbre
simplicidad. Asumimos valores altos de significación (sec. 15.9 en la página 224).
Figura 16.6: Dominio de integración de los distintos experimentos.

Figura 16.7: Relaciones dispersión-error para presión reducida al nivel del mar y humedad relativa a 2 m (arriba) y
temperatura y módulo del viento en el alcance H+12 en la vertical (abajo) (ver texto).
En la Figura 16.7 se muestra claramente como el Este primer resultado se va a repetir en toda la ve-
AEMET-γSREPS es el conjunto que tiene una me- rificación. AEMET-γSREPS tiene una capacidad de
jor relación dispersión-error en general, en tanto que generar dispersión de la que el resto de conjuntos
las líneas de RMSE (raíz del error cuadrático me- carecen. Este resultado coincide con los resultados
dio, sec. 15.3 en la página 213) y spread (dispersión, obtenidos con el antiguo AEMET-SREPS [221]. Que
sec. 15.8.2 en la página 223) están más juntas. Si las la mejora de la relación dispersión-error sea princi-
líneas coincidieran exactamente tendríamos una rela- palmente alrededor de la superficie se explica porque
ción perfecta o lo que es lo mismo, una estimación es en la superficie donde los modelos locales tienen
de la amplitud de la incertidumbre (dispersión), per- más diferencias entre ellos, diferencias susceptibles
fecta. Como decíamos, el AEMET-γSREPS mejora de generar dispersión.
al resto de conjuntos, claramente en los parámetros
humedad relativa a 2 metros (HR2m) y presión redu- Otro resultado importante en la Figura 16.7 es que
cida al nivel del mar (PNM). Cabe señalar que en la el lagged ensemble carece de suficiente dispersión,
gráfica de HR2m, los valores de dispersión-error en resultado probablemente relacionado con el hecho de
el tiempo inicial son incorrectos debido a que uno de que solamente contiene 8 miembros. De este resul-
los modelos locales del AEMET-γSREPS no diagnos- tado se podrían extraer dos conclusiones: la primera,
tica HR2m en este instante, es decir, que no hay que 8 miembros para un conjunto son pocos y la segun-
tomarlos en cuenta en la comparación. En los perfiles da, el lagged ensemble a partir de un único modelo
de temperatura y módulo del viento también se ve determinista con análisis en ciclos de 3 horas y 48
claramente este resultado, sobre todo en niveles bajos. de predicción no es una herramienta adecuada para
predicción probabilista.
16.3 Verificación de las técnicas disponibles en AEMET 253
La Figura 16.8 muestra un ejemplo de histogramas es el que presenta el diagrama más plano (con clara
de rango (sec. 15.8.1 en la página 222) para las varia- diferencia), por lo que este conjunto es mucho más
bles T2m, PNM y HR2m en el alcance de predicción consistente respecto a las observaciones que el resto.
H+06. Recordemos que un diagrama relativamente El resto de conjuntos son claramente poco dispersivos,
plano se corresponde con un comportamiento consis- aunque LETKF genera un poco más de dispersión que
tente del SPC con las observaciones, generando una los demás. Lo que sí se ve claro es la simetría poco
dispersión adecuada para capturar las observaciones deseable en el caso del conjunto NMC, debido al mé-
en cada caso. De otro modo, los diagramas, relativa- todo para construir las perturbaciones iniciales 16.5
mente habituales, en forma de U corresponden a SPC en la página 247.
subdispersivos o poco dispersivos. AEMET-γSREPS
Figura 16.8: Histogramas de rango para T2m, HR2m (arriba) y PNM (abajo) en el alcance H+06 (ver texto).
Figura 16.9: CRPS para HR2m, S10m y módulo del viento y humedad en la vertical (ver texto).
Finalmente, en la Figura 16.9 se presentan varios grá- 16.4 Resumen y conclusiones

ficos para el Continuous Ranked Probability Score
(CRPS, [285]). Esta medida es el equivalente al RM- Este capítulo trata uno de los fundamentos en la cons-
SE en predicción determinista de modo que, al tratarse trucción de un sistema de predicción por conjuntos, la
de un error, cuanto más pequeño, mejor el resulta- generación de estados iniciales. En el primer aparta-
do. Estos gráficos confirman la calidad del AEMET- do se hace una introducción al concepto de análisis
γSREPS por lo que respecta a la respuesta frente a atmosférico y de los componentes que requieren su
eventos binarios en la predicción probabilista. Otra construcción, que son la predicción previa y las obser-
vez, la diferencia con los demás conjuntos es muy vaciones. Así mismo se introduce el error del análisis,
grande en cualquier parámetro en torno a la superficie. que constituye la base conceptual para comprender
Por otro lado, si nos fijamos en los parámetros HR2m la incertidumbre del estado inicial atmosférico y la
y S10m, podemos concluir que LETKF obtiene mejo- necesidad de generar distintos estados iniciales para
res resultados que 3DVAR-EPS basado en NMC. Este tenerla en cuenta en la predicción.
resultado indica que, de las técnicas disponibles a día
de hoy en AEMET, usar la técnica LETKF dentro Seguidamente, se describen algunas de las principales
del propio AEMET-γSREPS para la asimilación de técnicas utilizadas en centros de predicción operativa
datos es a priori lo mas conveniente (cap. 22 en la (principalmente AEMET y ECMWF), para la genera-
página 333). ción de estados iniciales en un sistema de predicción
por conjuntos. En particular, se explica el multimode-
lo, el LETKF, el método NMC basado en 3DVAR, el
lagged ensemble, el ensemble data assimilation (EDA)
y finalmente, los vectores singulares. Para cada una de
16.4 Resumen y conclusiones 255
estas técnicas se presentan ventajas e inconvenientes, multimodelo, es el que da, con diferencia, los mejo-
tanto desde el punto de vista teórico como en su apli- res resultados en todos los métodos de verificación.
cación práctica en un entorno operativo. Se señala que, De este resultado se puede inferir que un conjunto
de estos métodos, AEMET ha optado históricamente basado en un único modelo local parece ser menos
por aplicar el multimodelo. capaz de estimar posibles estados atmosféricos, cosa
que limita claramente su potencial como sistema de
A continuación se presenta un ejercicio de verifica- predicción probabilista. Una segunda conclusión es
ción objetiva de 4 de las técnicas presentadas arriba, que LETKF funciona algo mejor que el método NMC
con los modelos de alta resolución (2.5 km) disponi- basado en 3DVAR, principalmente en la generación
bles en AEMET. Este ejercicio consiste en integrar de dispersión de buena calidad y en la predicción de
2 veces al día durante la segunda semana de agosto algunas variables de superficie como HR2m y T2m.
de 2017 cuatro sistemas de predicción por conjuntos Este resultado apoya los planes de introducir LETKF
y comparar la bondad de sus predicciones probabi- en el AEMET-γSREPS para los ciclos de análisis. Fi-
listas. Como métodos de verificación se utilizan la nalmente, los resultados muestran claramente cómo
relación dispersión-error, el histograma de rango y el un conjunto de pocos miembros como es el lagged en-
CRPS. De la interpretación de los resultados se de- semble en nuestro caso, no da resultados de suficiente
duce que el AEMET-γSREPS, basado en la técnica calidad en predicción probabilista.
Diseño y construcción de SPC: error en el modelo
17
DOI: 10.31978/014-18-009-X.17
A LFONS C ALLADO I PALLARÉS

Delegación territorial (DT) en Cataluña, Agencia Estatal de Meteorología (AEMET)
I believe that the ultimate climate models ... will be stochastic, i.e. random numbers will appear
somewhere in the time derivatives.
Creo que en última instancia los modelos climáticos ... serán estocásticos, es decir, aparecerán
números aleatorios en algún lugar de las derivadas temporales.
E DWARD N ORTON L ORENZ, 1969
Las ecuaciones con las que describimos la evolución futura de la atmósfera son de naturaleza caótica,
muy sensibles a pequeñas variaciones en las condiciones iniciales, de modo que las soluciones
de simular la atmósfera no son convergentes y debemos tener en cuenta las incertidumbres en las
condiciones iniciales. Pero, además, los modelos de predicción del tiempo no son perfectos, son sólo
buenas aproximaciones para describir la evolución de la atmósfera, con un conjunto importante de
limitaciones que hace que lleven asociados errores e incertidumbres. Así, se nos plantean dos grandes
retos: por un lado, tener en cuenta las incertidumbres en las condiciones iniciales y, por otro lado, tener
en cuenta los errores, limitaciones e incertidumbres inherentes en los modelos. Con un solo modelo
determinista no podemos plantearnos estos retos, pero sí con los sistemas de predicción por conjuntos
(SPC). Abordamos, en este capítulo, el segundo reto: los errores, limitaciones e incertidumbres
inherentes en los modelos.
Palabras clave: diseño de sistemas de predicción por conjuntos, incertidumbres en los modelos, método
multimodelo, método multianálisis, método multicontorno, método multifísica, método multiparámetro, parame-
trizaciones estocásticas.
Imagen parte superior: mar de nubes. Puerto de la Morcuera, Madrid, hacia el sureste, 21 de enero de 2006, a las 8:27. Fotografía de
258 Física del caos en la predicción meteorológica Capítulo 17. Diseño de SPC, error en el modelo
17.1 Introducción son perfectos. En realidad, los modelos son sólo bue-
nas aproximaciones para describir la evolución de la
atmósfera. Son el fruto de los conocimientos y expe-
Vimos en el capítulo 5 en la página 49 que las ecua- riencia humanos en física, matemáticas, meteorología,
ciones en los modelos de predicción del tiempo que tecnología, etc. que se traducen en unos programas in-
describen la evolución futura de la atmósfera tienen formáticos que simulan la evolución de la atmósfera y
un comportamiento caótico y que son muy sensibles a que se ejecutarán en un superordenador (cap. 11 en la
pequeñas variaciones en las condiciones iniciales: las página 145). Así, debido a la inclusión de multitud de
soluciones de simular la atmósfera no son convergen- aproximaciones para su resolución, las limitaciones
tes. Por ejemplo y, exagerando un poco, simulando del conocimiento en ciertos procesos atmosféricos y
el tiempo para la península ibérica para dos días to- la intrínseca naturaleza caótica de las ecuaciones físi-
mando la observación de una temperatura de -3.4 ºC cas que describen la atmósfera, así como la limitación
en Reykiavik (Islandia) nos podría dar «sol y moscas» física en el cálculo de los superordenadores, hace que
(tiempo estable o buen tiempo), mientras que asimi- los modelos sean inherentemente no perfectos, con
lando una observación de -3.36 ºC, es decir, dentro errores e incertidumbres.
del margen de error en la observación, nos podría dar
chubascos o mal tiempo: dos predicciones totalmente En consecuencia, tener en cuenta los errores, limita-
diferentes. ciones y las incertidumbres inherentes en los modelos
es el otro gran reto de los SPC, además del ya discuti-
Pero no es el único reto de los SPC tener en cuen- do de las incertidumbres en las condiciones iniciales
ta estas incertidumbres en las condiciones iniciales (cap. 16 en la página 243). Cabe resaltar que las impli-
tal como se ha descrito en el capítulo 16 en la pá- caciones para un SPC, en ambos casos, son bastante
gina 243. Los modelos de predicción del tiempo no parecidas.
Figura 17.1: Diagrama de evolución con el alcance predictivo de dispersión y error de la altura geopotencial en
500 hPa, para el SPC del ECMWF ECENS teniendo en cuenta: en las líneas grises sólo la incertidumbre en las
condiciones iniciales y, en las rojas, la de las condiciones iniciales más las del propio modelo. En las respectivas
líneas verticales discontinuas con flechas se representa la distancia entre las curvas de dispersión (continuas sólidas)
y error (continuas con cruces).
17.2 Historia y conceptos básicos 259
17.2 Historia y conceptos básicos cuando para un SPC consistente las dos deberían au-
mentar al mismo ritmo: es decir, cuando más cercanas
mejor (sec. 15.8.2 en la página 223).
Históricamente fue a finales del siglo XX cuando los
principales centros meteorológicos a nivel mundial Si se aplica la técnica denominada, de momento y
que utilizaban SPC globales se plantearon y empe- abreviadamente, SPPT (se describirá más adelante
zaron a aplicar las primeras técnicas para tener en en el presente capítulo) para tener en cuenta erro-
cuenta en sus SPC los errores e incertidumbres de los res/incertidumbres del modelo, las cosas mejoran, am-
modelos. Más tarde, desde los albores del siglo XXI bas curvas se aproximan, con un aumento notable de
estos conceptos y técnicas se han empezado también la dispersión (línea roja continua) e incluso con dis-
a aplicar a los SPC regionales. minución del error al subir la curva correspondiente
(línea roja con cruces) un poco más lentamente.
Surgió casi por una necesidad, a un nivel más práctico
que teórico: los SPC adolecían de falta de dispersión Las mejorías de los SPC globales como las mostradas
(sec. 13.6.5 en la página 181) y, por ende, de consis- en la Figura 17.1 en la página anterior justificaron a
tencia y fiabilidad (sec. 15.8 en la página 222), sobre nivel práctico tener en cuenta errores e incertidumbres
todo en alcances predictivos grandes tales como los de los modelos en los SPC.
3-7 días, lo que se denomina medio plazo (cap. 4 en
la página 29). A nivel teórico, en un SPC y, a pesar de tener en cuen-
ta las incertidumbres en las condiciones iniciales, si
Desde un punto de vista práctico, lo podemos ver en todos sus miembros utilizan exactamente el mismo
la Figura 17.1 en la página anterior para el ECENS modelo con las mismas configuraciones, éste tiene su
(SPC global del ECMWF con el modelo IFS, sec. 19.3 propia climatología que lo limita para explorar otros
en la página 293): sin tener en cuenta los errores del espacios de fases (digamos otras atmósferas posibles u
modelo las curvas de dispersión (línea gris continua) y otras posibilidades de predicción) que son totalmente
error (línea gris con cruces) están cada vez más lejos, plausibles. Podemos verlo en la Figura 17.2.
Figura 17.2: Esquema de la predicción de la evolución de la atmósfera con dos SPC: en gris, uno que sólo tiene en
cuenta la incertidumbre en las condiciones iniciales y, en magenta, otro que además tiene en cuenta las incertidumbres
o errores del modelo. En rojo se representa una predicción con un solo modelo o predicción determinista y, en azul,
la evolución real observada a posteriori de la atmósfera.
Clasificación de errores e
Características / Tipos Métodos en SPC
incertidumbres
Oestes demasiado intensos
QBO
errores sistemáticos -
MJO
Etc.
Parametrización estocástica
Fluctuaciones estadísticas en la
SPPT
errores/incertidumbres aleatorias Física
MultiFísica
Transferencia energía cinética a
Parameterización estocástica
mayores escalas
SKEB
Etc. . .
Valores de parámetros en la física
(e. g. límite de inestabilidad para
incertidumbres conocidas Multiparámetros
disparo de la convección
parametrizada)
¿Multimodelo?
incertidumbres desconocidas -
«La caja negra»
Tabla 17.1: Tentativa de clasificación de errores e incertidumbres de los modelos, inspirada en las lecciones del
experto G LENN S HUTTS y que incluye en la última columna los métodos aplicados en los SPC para tenerlos en
cuenta.
En la Figura 17.2 en la página anterior podemos apre- 17.3 Errores e incertidumbres del
ciar que un SPC que tiene en cuenta sólo las incerti-
modelo
dumbres en las condiciones iniciales, explora (mancha
gris) unas posibles evoluciones de la atmósfera (regio-
nes del espacio de fases). La Tabla 17.1, inspirada en una de las lecciones de
uno de los expertos en el error del modelo, G LENN
S HUTTS [580], intenta clasificar, basándose en los
La mancha gris crece con el alcance de la predicción
conocimientos científicos, lo que los meteorólogos-
al aumentar la incertidumbre, es decir, disminuye la
modelizadores piensan y creen que son los errores e
predecibilidad. Cuanto más extensa es la mancha, me-
incertidumbres en los modelos.
nor es la predecibilidad: menos concreta podrá ser una
predicción del tiempo debido a la mayor incertidum-
Diferentes aspectos de la Tabla 17.1 serán tratados a
bre.
lo largo del capítulo. Destacamos aquí sólo uno: la
distinción entre errores e incertidumbres, una distin-
Hemos representado la evolución real de la atmósfera ción que en algunos capítulos del libro no se tiene en
con una línea azul y, en el último alcance, la evolu- cuenta por no llegar a ese nivel de detalle.
ción real de la atmósfera está fuera de nuestra mancha
azul: malas noticias. La evolución de la atmósfera no
está dentro de nuestra mancha gris, es decir, no es una
evolución considerada por nuestro SPC. 17.3.1 Errores versus incertidumbres
Y ahora viene la magia. Si tenemos en cuenta en el No hay unanimidad en la comunidad científica en me-
SPC errores e incertidumbres inherentes de nuestro teorología en una distinción conceptual clara de a qué
modelo, simulamos la evolución de la mancha magen- nos referimos exactamente cuando hablamos de erro-
ta que crece más, explorando más posibilidades (más res o a qué cuando hablamos de incertidumbres en
regiones del espacio de fases con más grados de liber- los modelos. Aquí, para el presente capítulo, optamos
tad) y que incluye, en el último alcance, la evolución por la siguiente: los errores del modelo son aquellas
de la atmósfera real: ahora nuestro SPC es consistente deficiencias intrínsecas en el mismo que lo incapaci-
y fiable, describiendo y acotando adecuadamente la tan para simular sistemáticamente de forma adecuada
predecibilidad. evoluciones atmosféricas observadas.
17.3 Errores e incertidumbres del modelo 261
En la Figura 17.3 se han esquematizado los dos con-

ceptos de error e incertidumbre. El error es la diferen-
cia sistemática de la media de todas las predicciones
de un evento atmosférico respecto a la observación de
éste. La incertidumbre es la variedad de predicciones
que se pueden tener alrededor del valor bueno, debido
a pequeñas variaciones, por ejemplo, en las condicio-
nes iniciales. Y, para finalizar, como se representa en
la figura, debe señalarse que se pueden tener ambos a
la vez, errores e incertidumbres del modelo. Es más,
si la predicción media (línea roja vertical) fuera igual
a la observación (línea azul vertical), no tendríamos
Figura 17.3: Esquema de la diferencia conceptual entre
error pero sí incertidumbre.
error e incertidumbre del modelo en un evento atmosfé-
rico. En azul el evento observado en la atmósfera real.
En rojo una predicción determinista. En la campana o
PDF en gris, las posibles predicciones del modelo con 17.3.2 Incertidumbres en la dinámica y en
pequeños cambios: la predicción en rojo es la media. la física
Clásicamente se ha considerado que los errores e incer-

Cualesquiera que sean las mejoras introducidas en un tidumbres de los modelos están en la física o parame-
modelo, éstas tienden a hacer los errores más peque- trizaciones físicas o procesos submalla (sec. 10.5 en la
ños e incluso eventualmente solucionarlos. Por ejem- página 137) y no en la dinámica o procesos de malla
plo, imaginemos un modelo que tiene dificultades en (sec. 10.4 en la página 135). En general, la parte diná-
simular tormentas de evolución diurna de montaña mica del modelo se considera muy precisa, mientras
que descargan por las tardes en situaciones anticicló- que la parte física se considera que puede ser significa-
nicas de buen tiempo. Concretando, el modelo predice tivamente imprecisa e incluso con una incertidumbre
siempre en estas situaciones chubascos moderados inherente tal como las incertidumbres aleatorias y las
cuando en realidad hay tormentas fuertes con granizo: conocidas referenciadas en la Tabla 17.1 en la página
infravalora la convección sistemáticamente. Esto es anterior.
un error del modelo susceptible de ser mejorado.
Incertidumbre en la dinámica. Tal y como ya se ha
Y para las incertidumbres adoptamos la siguiente defi- contado, clásicamente se ha considerado que la di-
nición: las incertidumbres del modelo serán aquellas námica albergaba muy poco margen para errores e
limitaciones en la descripción física de procesos at- incertidumbres debido a que se basa en una aplicación
mosféricos, bien por incertidumbre inherente o bien directa de las consideradas bien conocidas y funda-
por la limitación de conocimientos científicos codifica- mentadas leyes de la física clásica de I SAAC N EWTON
dos en los modelos, que a su vez limitan la simulación y otros. Estas leyes se basan en los principios de con-
precisa de las evoluciones atmosféricas observadas. servación de la cantidad de movimiento (o momento
Concretemos con un ejemplo similar al anterior. Aho- lineal), la masa y la energía, complementadas con la
ra nuestro modelo sí que simula las tormentas de tar- ley de la gravitación universal y la ley de los gases
de, pero debido a la baja predecibilidad del mismo ideales, además de tener en cuenta la rotación terrestre
fenómeno atmosférico y las limitaciones en cómo se (la fuerza aparente de Coriolis). Pero siendo concien-
simulan las tormentas en nuestro modelo, a veces las zudos, se debe admitir que su aplicación práctica en
tormentas simuladas son más fuertes que las observa- un modelo numérico de predicción del tiempo com-
das, a veces más bien moderadas o incluso débiles, a porta un buen sinnúmero de aproximaciones, como
veces hay más tormentas que las observadas, a veces por ejemplo:
hay menos, etcétera. Y ya lo tenemos, nuestro modelo
es capaz de simular las tormentas fuertes con granizo, Aproximaciones en las mismas ecuaciones: tierra
pero está limitado en simularlas de manera precisa esférica, gravedad constante en toda la tierra y en
y exacta, de modo que alrededor de lo que es capaz la vertical, etc.
de simular estará la solución exacta. Es decir, hay Aproximaciones diferentes con el aspecto mate-
incertidumbre en nuestro modelo. mático de los métodos numéricos utilizados para
obtener un conjunto de ecuaciones resoluble que se [489] (sec. 10.4 en la página 135). Expliquemos es-
puedan codificar en unos programas informático. te equilibrio. Los procesos de la física son descritos
La arbitrariedad en la elección de grids o ma- aproximadamente a través de lo que ya sabemos de los
llas horizontales de A RAKAWA (https://en. procesos en la dinámica. Aproximadamente, porque
wikipedia.org/wiki/Arakawa_grids) y de la en realidad estamos escogiendo la media de las posi-
elección de distintas discretizaciones de los bles salidas de la física o procesos submalla de todos
niveles verticales (eta, sigma híbridos sigma- aquellos compatibles con la dinámica o procesos de
presión, etc. (http://glossary.ametsoc.org/ malla.
wiki/Vertical_coordinate_system) y su ul-
terior distribución. Física versus parametrizaciones. La física de un
Artificiosos filtros y difusiones (y su tuneo) para modelo engloba a un conjunto de diversas parame-
que el modelo no se inestabilice y falle, por ejem- trizaciones, tales como parametrización de la convec-
plo, filtrando las ondas sonoras ción, de la Planetary Boundary Layer (PBL) o para-
Cómo se incluye la humedad, componente variable metrización de la turbulencia, parametrización de las
de la composición atmosférica nubes o microfísica de nubes, parametrización de las
radiaciones solar y terrestre, etc.
El acoplamiento entre dinámica y física en los pun-
tos de malla
Etcétera.
Se ha empezado, pues, en la comunidad de desa- Parametrizar. Describir aproximadamente procesos

rrolladores de modelos numéricos de predicción complejos descritos por muchas variables a través de
unas pocas variables bien conocidas. En los modelos
del tiempo a estudiar esta incertidumbre en la di-
de predicción del tiempo, significa inferir la influen-
námica, como por ejemplo en el Dynamical Co- cia de los procesos submalla con las variables bien
re Model Intercomparison Project (DCMIP [261, conocidas de la malla. Cabe resaltar que, dado que
656], https://earthsystemcog.org/projects/ los procesos de la atmósfera en todas sus escalas for-
dcmip-2016/), e incluso a empezar a tenerla en cuen- man un continuo interaccionando entre todas ellas,
ta explícitamente, como por ejemplo en el ECENS no hay una justificación teórica para truncar y sepa-
[QJ:QJ3094, 377]. Así que en los próximos años rar su descripción en procesos de malla y submalla.
y décadas se desarrollarán nuevas generaciones de Parametrizar es un razonable invento práctico que ha-
ce posibles las predicciones con modelos numéricos
modelos y de SPC donde se considerarán las incerti-
del tiempo sin tener que llegar a la escala molecu-
dumbres en la dinámica explícitamente. lar, que imposibilitaría hacer predicciones del tiempo
con la capacidad de cálculo con los superordenadores
Y no albergamos ninguna duda de que, inevitablemen- actuales o futuros. Se han propuesto otras maneras
te, en el caso de los SPC, se cumplirá la cita que abre de parametrizar, por ejemplo, no hacerlo sólo en un
este capítulo de nuestro admirado L ORENZ: «Creo punto de malla, sino en varios [489].
que en última instancia los modelos (climáticos) ...
serán estocásticos, es decir, aparecerán números alea-
torios en algún lugar de las derivadas temporales».
El límite de las parametrizaciones. Parametrizar era
No podemos acabar este apartado sin mencionar que un buen recurso cuando los modelos tenían una re-
los desarrolladores de sistema(s) de predicción por solución horizontal de unos 100 km y tenía sentido
conjuntos (SPC) multimodelo [306] (ver siguiente hacerlo porque se podía sostener la hipótesis de que
apartado), consideran que uno de los puntos fuertes los procesos submalla estaban en equilibrio secular
del método es que ya tiene implícitamente en cuenta con los procesos de malla. Al aumentar la resolución
de los modelos, tal hipótesis se resquebraja: ahora
las incertidumbres en la parte dinámica de sus SPC
hay una multitud de procesos submalla compatibles
[492] (sec. 13.5 en la página 174). con un proceso de malla. Crece la incertidumbre de
los procesos submalla con la resolución horizontal de
los modelos. ¿Pero por qué se siguen utilizando las
Incertidumbre en la física. En estos contextos, la físi-
parametrizaciones en los modelos? Pues debido a que
ca es incierta por construcción. Las Parametrizaciones la incertidumbre y/o errores introducidos por la física
físicas se basan en la hipótesis de que los procesos son compensados, y con creces, por la mejoría de la
submalla parametrizados están en equilibrio secular dinámica simulada a escalas más pequeñas [578].
con los procesos resueltos en la malla por la dinámica
17.3 Errores e incertidumbres del modelo 263
Figura 17.4: Incertidumbre en la física: teoría (izquierda) y práctica (derecha). En la teoría (izquierda), la incerti-
dumbre inherente de la física o las fluctuaciones estadísticas, las conocidas de la Tabla 17.1 en la página 260, son
las diversas salidas de la física o procesos submalla (curva PDF submalla en gris) compatibles con las variables de
malla, ejemplificadas en tres realizaciones (líneas rojas). Como proceso submalla en un modelo se toma la media
(línea verde). En la práctica (derecha), se muestra la distribución de las posibles salidas de un proceso submalla,
salidas de la tendencia de la temperatura en la parametrización de la convección (en rojo), de la que se toma en
la malla la media representada por la barra vertical (rosa). Se muestran también posibles ajustes de curvas a la
distribución (curvas grises con símbolos): gaussiano (estrellas), Poisson (círculos) y Craig-Cohen (triángulos).
Podemos ver este proceso en la Figura 17.4 izquierda, Diagnosticando las incertidumbres. Hay diferentes
donde las parametrizaciones escogen el valor medio, maneras de diagnosticar y/o evaluar las incertidum-
pero para la atmósfera real otros valores son com- bres y/o errores en los modelos de predicción del
patibles y posibles en la submalla, sin poder saber tiempo. Nosotros vamos a mostrar sólo los resultados
de antemano cual es el valor correcto. Es lo que en del método denominado coarse graining de G LENN
la Tabla 17.1 en la página 260 se referencia como S HUTTS [578], que se basa en comparar las salidas
fluctuaciones estadísticas de la física en incertidum- de un modelo numérico del tiempo operativo como el
bres aleatorias. Se puede comprobar, en la práctica, ECHRES (e. g. versión antigua T159 con 125 km de
cuando utilizando la técnica coarse training (ver más resolución) con uno de muy alta resolución (e. g. ver-
adelante), se plotea la distribución (campana roja) real sión penúltima T1279 con 16 km) que juega el papel
del proceso de submalla de la parametrización de la de atmósfera real. En la Figura 17.5 en la página si-
convección alrededor del valor medio (barra vertical guiente mostramos los resultados para la dinámica, la
rosa) tomado por la malla del modelo. Por otro lado y, física y cada proceso de la física. Cuanto más planas
para echar más leña al fuego con las incertidumbres son las líneas, menos incertidumbre hay y, cuanto más
en la física, diremos que en ella se utilizan números cerradas son las curvas en forma de V, más incerti-
mágicos, llamados parámetros, que deciden en que dumbre tenemos. Así que podemos diagnosticar ideas
dirección va a ocurrir un proceso submalla: por ejem- que ya conocíamos y añadir algunas nuevas:
plo, si va a haber o no convección en un punto de
malla. Estos números mágicos se infieren o aproxi- La física (curva negra) es más incierta que la diná-
man, normalmente, de manera indirecta, a través de mica (curva magenta), al ser la curva de la física
observaciones meteorológicas que no nos dan directa- más en forma de V cerrada y la curva de la dinámica
mente su valor. Y los hemos llamado mágicos porque más plana.
realmente no conocemos su valor preciso, sino uno La microfísica de nubes (curva verde) o la descrip-
aproximado razonable. Es decir, tenemos otra incerti- ción de las nubes es la parametrización más incierta
dumbre en la física del modelo en esos parámetros: lo de todas: la V más cerrada, incluso más que la con-
que en la Tabla 17.1 en la página 260 aparece como vección (curva roja) o nubes de tormenta.
valores de parámetros en la física en incertidumbres La parametrización de la radiación (curva azul) es
conocidas. la menos incierta, aunque tiene un mínimo hacia
los cielos despejados, donde la tierra pierde hacia
el espacio energía infrarroja a razón de -1 K / día.
Figura 17.5: Incertidumbres en 500 hPa de la tendencia de la temperatura de la dinámica y la física del ECHRES a
125 km (T159) de resolución horizontal comparado con la técnica coarse-graining con la supuesta verdad o atmósfera
real, representada por el mismo modelo a 16 km (T1279) de resolución horizontal. Principales incertidumbres
representadas: dinámica (magenta), física o parametrizaciones en conjunto (negro) y parametrizaciones individuales
de la microfísica de nubes (verde), de la convección (rojo) y de la radiación (azul). Las dos líneas discontinuas
azules en forma de V simétrica representan la perturbación de toda la física por la parameterización estocástica
SPPT (sec. 17.4.4 en la página 269).
17.4 Métodos en los SPC para te- Física, parametrizaciones estocásticas, que se ba-
san en perturbar aleatoriamente toda la física o parte
ner en cuenta errores e incer-
de ella (algunas parametrizaciones) dentro de unos
tidumbres en los modelos márgenes plausibles de manera diferente en cada
miembro del SPC.
Se utilizan diversas técnicas para tener en cuenta erro-
res e incertidumbres en los SPC. La mayoría de ellas
son compatibles entre ellas y potencialmente se pue- Veamos con un poco de detalle cada una de ellas con
den aplicar de manera combinada. Las principales ejemplos.
técnicas para tener en cuenta las incertidumbres son,
sin pretender ser exhaustivos pero sí ilustrativos:
Multiparámetros, que utilizan en diferentes miem- 17.4.1 SPC multiparámetros
bros del SPC diferentes valores de parámetros en la
física (aquellos números mágicos descritos anterior- Los SPC multiparámetros se basan en utilizar dife-
mente), todos ellos plausibles. rentes configuraciones de parámetros dentro de los
Multifísica, que usa diferentes físicas o diferentes procesos submalla o parametrizaciones de la física.
combinaciones de parametrizaciones de la física en Ya se ha contado en la incertidumbre de la física que
diferentes miembros. esos parámetros son figurativamente unos números
mágicos, que controlan procesos clave de las parame-
Multimodelo, que se fundamenta en utilizar un mo- trizaciones, que su valor preciso se desconoce y hay
delo de predicción del tiempo diferente en cada miem- un abanico de posibles valores razonables inferidos
bro. desde las observaciones disponibles.
17.4 Métodos en los SPC para tener en cuenta errores e incertidumbres en los modelos 265
Variación valor
SPC multiparámetros Valor Medio (por
Parametrización (incertidumbre
Parámetros a perturbar defecto)
reconocida)
Convección [poco] Ritmo de entrada de aire (entrainment rate) 0.0003 0.002 - 0.0001
profunda ([shallow] Escala de tiempo de la CAPE (CAPE time-scale) 30 30 – 60
convection) Longitud de mezcla (neutral mixing lenght) 0.15 0.15 – 0.5
Capa Límite (turbulence
Cobertura nubosa submalla (subscale cloud
scheme) 0.75 0.5 – 1.0
cover w.r.t. saturation)
Factor de subcapas laminares (scaling factor of
1.0 0.1 – 50.0
laminar sublayers for scalars)
Distribución tamaño de gotas (γ exponent
0.5 0.0 – 1.5
Nubes (large scale raindrop size)
precipitation o Concentración gotas de nube (concentration of
5x108 5x107 – 1x109
microphysics) cloud droplets)
Límite humedad relativa para formar nubes
90 % 87.5 % – 92.5 %
(Critical relative humidity)
Velocidad caída hielo (granizo) (Ice-fall speed) 25.2 17 – 33
Constante de ondas de gravedad (Gravity-wave
Rozamiento ondas de 1x105 7.5x104 –1.33x105
constant)
gravedad (e.g. montaña)
Número de Froude (interacción flujo con
(Gravity-wave drag) 4 2–4
montañas)
Índice de superficie foliar (factor of leaf area
Suelo (soil-surface model) 1.0 0.5 – 1.5
index)
Tabla 17.2: Ejemplo de parámetros en la física que se perturban en SPC multiparámetros. Información inspirada en
dos SPC operacionales: MOGREPS del MetOffice británico [65, 257] [224, 423].
Son las incertidumbres conocidas de los valores de aire en la convección de 0.002 a 0.0001 ¡Un factor
parámetros en la física en la Tabla 17.1 en la pági- 20 entre ellos!
na 260. En los SPC que utilizan multiparámetros hay La asimetría en la incertidumbre en alguno de ellos,
dos aproximaciones: por ejemplo, en el número de F ROUDE en el roza-
miento del flujo en las montañas, donde el modelo
1. Los parámetros o números mágicos son cons- determinista tiene un valor 4 y en el SPC multipa-
tantes en cada uno de los miembros, pero dife- rámetros se tiene en cuenta la incertidumbre de 2 a
rentes entre los miembros. 4, pero nunca un valor mayor que 4.
2. Los parámetros cambian o mejor dicho evolu-
cionan con el tiempo y/o espacio en un mis-
Puntos fuertes. Trata una incertidumbre real que tie-
mo miembro pero de manera diferente en cada
ne que contemplarse en el diseño de un SPC, al ser
miembro. Se utilizan a veces patrones de per-
esa incertidumbre conocida y reconocida por la co-
turbación espacio-temporales (sec. 17.4.4 en la
munidad de modelizadores de las parametrizaciones
página 269 y la Figura 17.8 en la página 270).
o física. En otras palabras, tiene mucho sentido físico.
Se trata de tener en cuenta las incertidumbres en el
En la Tabla 17.2 podemos ver un ejemplo tentativo
process level en inglés, es decir, al nivel del proce-
de parámetros a perturbar. Destacamos dos puntos. El
so dentro las parametrizaciones: donde sabemos que
primer punto es que hay parametrizaciones en la física
realmente está la incertidumbre.
más inciertas, que se visualiza en varios parámetros
con incertidumbre: convección, (microfísica de) nubes
y Capa Límite Atmosférica (turbulencia). El segundo Puntos débiles. A nivel práctico no funciona como
es resaltar de los valores de los parámetros: se espera a nivel teórico: la realidad es que los SPC
multiparámetros casi no consiguen más dispersión ni
El gran rango de incertidumbre de la mayoría de tener menos error de la media del SPC. Los resul-
los parámetros, por ejemplo, el ritmo de entrada del tados, en general, quedan lejos de cualquiera de los
otros métodos. Quizás el argumento más sólido para (líneas rojas verticales) compatibles con los procesos
explicar estos pobres resultados sea que, como la fí- de malla o dinámicos.
sica en general ya es muy incierta en sí misma y, por
eso, ya no tiene mucho impacto tratar la incertidum- En la Tabla 17.3 se muestra una posible combinación
bre de unos parámetros dentro de ella (recordando de diversas físicas posibles con el modelo de predic-
el process level). Así y todo es el método que tiene ción del tiempo WRF-ARW [47, 320].
más fundamento. Y hay una nueva esperanza para el
process level:
Puntos fuertes. Mejora ostensiblemente un SPC que
perturbar estocásticamente con correlaciones espacio-
no tiene en cuenta las incertidumbres del modelo y
temporales y dentro de cada una de las parametrizacio-
mejora normalmente menos que un SPC multimodelo
nes, sus variables y parámetros internos [377], en vez
pero bastante más que uno multiparámetros.
de perturbar toda la Física como en la SPPT (ver SPC
con física estocástica, sec. 17.4.4 en la página 269).
Puntos débiles. Es difícil asegurar la consistencia
17.4.2 SPC multifísica de todas las combinaciones de las parametrizaciones
físicas. La física de un modelo forma un todo: las di-
Los SPC multifísica tienen todos los miembros con la ferentes parametrizaciones tienen que estar muy bien
misma dinámica del modelo de predicción del tiem- coordinadas para tener una física consistente en el
po (son monomodelos), pero cada uno de ellos con modelo. No todas las combinaciones son posibles y,
diferente física o diferentes combinaciones de para- además, hay parametrizaciones que no se han pre-
metrizaciones de la física. parado para trabajar conjuntamente con otras. Ésto
limita el número posible de combinaciones de física-
En la Tabla 17.1 en la página 260 se ha sugerido en parametrizaciones y, por ende, de miembros. Por otro
la última columna que la multifísica tendría en cuenta lado, a pesar de ser un método muy bueno para la
los errores o incertidumbres aleatorias de las fluctua- alta resolución, muchos modelos disponen de un sólo
ciones estadísticas en la física, porque, y teniendo en paquete de física y no es posible aplicarlo. Finalmente,
la cabeza la Figura 17.4 en la página 263 izquierda, añadir también que mantener más de una física es caro,
utilizar diferentes físicas es como si estuviéramos se- en términos de recursos humanos y, por ello, muchos
leccionando distintas salidas de los procesos submalla centros meteorológicos desestiman esta metodología.
Miembros / parametrizaciones de la física

Combinación Radiación Radiación
Microfísica
parametrizaciones solar (onda terrestre Capa Límite Convección Suelo
de nubes
corta) (onda larga)
1 Duhia RRTM YSU KF WSM5 NOAH
2 Duhia RRTM MYJ Grell WSM5 NOAH
3 Duhia RRTM MYJ KF Eta RUC
4 Duhia CAM YSU BM Lin RUC
5 Duhia RRTM MYJ KF Kessler Thermal
6 Duhia CAM MYJ BM Kessler NOAH
7 CAM CAM MYJ Grell Lin NOAH
8 CAM RRTM MYJ KF WSM6 Thermal
9 CAM RRTM YSU BM Eta RUC
10 CAM CAM MYJ Grell Thompson RUC
Tabla 17.3: SPC de 10 miembros con multifísica de 10 combinaciones de diferentes esquemas de parametrizaciones
de la física del modelo de predicción del tiempo WRF-ARW 3.3.
17.4.3 SPC multimodelo miembros, que a la vez son 4 modelos: HARMONIE-

AROME (mbr001), ALARO (mbr002), WRF-ARW
Los SPC multimodelo tienen un modelo diferente (mbr003) y NMMB (mbr004). Se trata de una situa-
para cada miembro: dinámicas y físicas distintas en ción de borrasca centrada en el sureste de la península
cada miembro. Se podría decir que el multimodelo ibérica con entrada de levante mediterránea desde
incluye la multifísica más la incertidumbre de la par- Valencia hasta Cataluña. Es interesante observar las
te dinámica de los modelos. Se basa en pensar que diferencias en la precipitación acumulada en 12 horas
la diversidad de las configuraciones y aproximacio- entre los distintos miembros/modelos: vislumbran la
nes en los distintos modelos desarrollados por centros misma estructura general sinóptico-mesoescalar pre-
meteorológicos distintos, contiene una medida válida cipitante, pero con importantes desacuerdos en los
para describir las incertidumbres, e incluso los errores, detalles. Si nos fijamos en el máximo de precipita-
en ellos mismos [306]. ¡Casi nada! Pero ésto es más ción acumulada por encima de 60 mm / 12 h, el pri-
bien una justificación teórica, porque el valor real del mer miembro (mbr001) con el modelo HARMONIE-
multimodelo está en sus resultados prácticos, que son AROME lo sitúa hacia la ciudad de Tarragona, mien-
excelentes, tal como se puede ver en las verificaciones tras el segundo (mbr002) con ALARO lo lleva más al
mostradas en los dos capítulos donde se describen los norte en Barcelona, el WRF-ARW o tercer miembro
dos multimodelos de la Agencia Estatal de Meteoro- (mbr003) a medio camino de los dos anteriores y el
logía (AEMET): el AEMET-SREPS (cap. 21 en la cuarto miembro (mbr004) en discordia, el NMMB
página 313) y AEMET-γSREPS (cap. 22 en la pági- presenta ambos máximos. La probabilidad de precipi-
na 333). tación de más de 20 mm / 12 horas de nuestro SPC
«de bolsillo» (sólo 4 miembros) nos dibuja esa zona
En la Tabla 17.1 en la página 260 se ha incluido en la de la provincia de Tarragona hasta Barcelona como la
última columna el multimodelo como La caja negra de más riesgo de acumular precipitaciones mayores.
de incertidumbres desconocidas. Ésto no es estricta- La buena discriminación de la predecibilidad de los
mente cierto si pensamos que el multimodelo incluye detalles del multimodelo es lo que la hace una buena
a la multifísica y por ende los errores o incertidumbres técnica. Se pueden consultar también ejemplos del va-
aleatorias de las fluctuaciones estadísticas en la física. lor de los SPC multimodelo sobre otras metodologías
Pero el multimodelo es una caja negra en el sentido en el capítulo dedicado al AEMET-γSREPS, en espe-
de que no sabemos explícitamente cómo trata las in- cial en el apartado (sec. 22.7.2 en la página 353) de
certidumbres y los errores. Profundizando más en este verificación subjetiva, así como en el caso de estudio
argumento y, dado que sus resultados son excelentes, de Oliva-Gandía en la Safor de Valencia, en el aparta-
podemos decir que nos llevaría a adivinar que se están do del AEMET-γSREPS repredicción (sec. 44.4 en la
tratando, de alguna manera, las incertidumbres desco- página 680).
nocidas, sobretodo, en el sentido de que no se tienen
en cuenta explícitamente en ningún otro método. Por
otro lado, podríamos decir que con el multimodelo Puntos fuertes. Sin duda, los resultados son excelen-
los modelizadores no conocen aún suficientemente los tes. Será la mejor opción hasta que alguno de los otros
errores y las incertidumbres de sus propios modelos métodos descritos lo supere en resultados.
y, por tanto, no acaban de acertar totalmente en sus
técnicas para tenerlos en cuenta en sus SPC. Puntos débiles. Que es una caja negra para el desa-
Se podría aducir que una de las limitaciones de los rrollo. Se pueden mejorar otros métodos, pero el mul-
SPC multimodelo es que el número de modelos limi- timodelo no se puede desarrollar directamente. No
tan el número de miembros, aunque en la práctica se es que no se pueda mejorar un SPC multimodelo: se
combina con otras técnicas para tener en cuenta otras pueden introducir más modelos en un SPC para me-
fuentes de incertidumbre, como las de las condicio- jorarlo y actualizar cada modelo con versiones más
nes iniciales y, para SPC de área limitada, las de las nuevas y mejores que en conjunto puedan mejorar el
condiciones de contorno, tal como se realiza en los SPC. Una de las limitaciones del multimodelo es que
AEMET-SREPS y AEMET-γSREPS [97, 221, 255] se necesita mantener a la vez diversos modelos en un
(cap. 21 en la página 313 y cap. 22 en la página 333) SPC. Sea por esta razón o por razones estratégicas, los
principales centros meteorológicos a nivel mundial
En la Figura 17.6 en la página siguiente se ejemplifica han optado mayoritariamente por otros métodos en
un SPC multimodelo puro y «de bolsillo» con sólo 4 SPC monomodelo.
Figura 17.6: Predicción a 24 horas para el 4 de febrero de 2018 de un SPC multimodelo a 2,5 km con las condiciones
de contorno del ECENS compuesto de 4 modelos: HARMONIE-AROME (mbr001), ALARO (mbr002), WRF-ARW
(mbr003) y NMMB (mbr004). En las dos primeras filas se representa la cobertura nubosa (CCT) y la precipitación
acumulada en 12 horas en mm (AccPcp 12h) para los 4 miembros/modelos. En la última fila se representan las
probabilidades de precipitación acumulada en 12 horas por encima de 10 (izquierda) y 20 mm (derecha), más la
isolínea de la mediana de esas acumulaciones.
pierde energía en los modelos, debido que se obser-

va que parte de ella en la atmósfera real vuelve a las
estructuras mesoescalares y sinópticas.
Ambas parametrizaciones estocásticas tienen diversas

variantes en su utilización operativa, e incluso pueden
aplicarse combinadamente como podemos ver en la
Tabla 17.5 en la página 272 en el caso del SPC global
ECENS del ECMWF. Se pueden combinar debido a
que tratan incertidumbres en los modelos diferentes
como ya se ha contado (ver otra vez Tabla 17.1 en la
página 260).
Figura 17.7: Transcripción de la Figura 17.4 en la pá- Vamos a desarrollar aquí sólo la SPPT por su rele-
gina 263 al aplicarse SPPT: cada miembro del SPC vancia en su uso operativo y porque es más fácil de
perturba la salida de la física con un número aleatorio entender que la SKEB. La SPPT se fundamenta en
distinto tomando posibles salidas distintas pero igual- perturbar («multiplicar») la salida de la física con un
mente plausibles. número aleatorio diferente en cada miembro del SPC.
De esta manera, cada miembro del SPC puede reco-
ger una de las salidas posibles de la física o procesos
17.4.4 SPC con física estocástica (parame- submalla igualmente plausibles con los procesos de
trizaciones estocásticas) malla de la Figura 17.4 en la página 263 izquierda, tal
como mostramos en la Figura 17.7.
Los SPC con parametrizaciones estocásticas tratan los
errores/incertidumbres aleatorias de la Tabla 17.1 en
Stochastic Peturbations of Parameterization Ten-
la página 260 perturbando o modificando, con núme- dencies (SPPT) [46, 83, 488, 577]). Matemáticamen-
ros aleatorios (al azar), variables de los modelos pero te la SPPT se fundamenta en multiplicar por números
de diferente manera en cada miembro de un SPC. Y, en aleatorios (conocido como ruido multiplicativo, multi-
cierto sentido, ya se empieza a cumplir la predicción plicative noise en inglés) las tendencias de las salidas
de la cita del célebre físico y meteorólogo E DWARD N. de las parametrizaciones, es decir, añadir el término
L ORENZ: «Creo que en última instancia los modelos extra δ PX en la ecuación de pronóstico del modelo:
... serán estocásticos, es decir, aparecerán números ∂X
aleatorios en algún lugar de las derivadas tempo- = DX + KX + PX + δ PX (17.1)
∂t
rales». En la Tabla 17.1 en la página 260 podemos con:
observar que hay referenciadas dos parametrizaciones δ PX = αrPX (17.2)
estocásticas que son las dos más ampliamente utiliza-
donde X es una variable del modelo (temperatura T ,
das en los SPC globales y regionales (ver Tabla 17.5
humedad específica q y componentes del viento U y
en la página 272): ∂
V ), ∂t es la variación en el tiempo, DX es la tendencia
de la dinámica, KX la tendencia de la difusión, PX la
SPPT o perturbaciones estocásticas de las tendencias tendencia de la física, α es el reajuste de SPPT en la
de la física [83, 377, 488], en los artículos científicos vertical (Figura 17.8 en la página siguiente derecha)
en inglés Stochastic Peturbations of Parameterization y r es el número aleatorio. La tendencia de la técnica
Tendencies, que se supone que tienen en cuenta las SPPT es el término δ PX que multiplica la tendencia
fluctuaciones estadísticas en la física de la Figura 17.4 de las variables de la física por el valor r, reajustado
en la página 263 izquierda al igual que el método de en la vertical por el parámetro α, modificando efec-
multifísica tivamente el valor del término de la tendencia de la
física PX en la ecuación. El reajuste α (tapering en
SKEB o retrodispersión estocástica de energía cinética inglés) al tomar valores 0 en la estratosfera y en la
[46, 577], en inglés Stochastic Kinetic Energy Backs- PBL (ver Figura 17.8 en la página siguiente Derecha)
no las perturba, pero la SPPT sí que perturba sin res-
catter, que reproduce una transferencia de energía
tricciones en los niveles medios troposféricos donde
cinética a mayores escalas (Tabla 17.1 en la pági- α = 1.
na 260) desde escalas pequeñas de submalla donde se
durante 3 horas: la correlación temporal. Después de

Stochastic Kinetic Energy Backscatter (SKEB [46, esas 3 horas cambian todos los valores de los números
577]). Soluciona un defecto de los modelos. Una frac-
de todas las cajitas. Anotamos que los patrones de
ción de la energía cinética disipada por el modelo
cerca de la resolución de la malla es transferida a perturbación actuales son suaves sin saltos espaciales
las escalas donde se resuelve el flujo a través de una ni temporales bruscos como los mostrados. Pero el
función de forzamiento del flujo. La formulación ma- patrón en cajitas mostrado tiene una vertiente senti-
temática viene dada por: mental e histórica, porque fue como se hizo en su
p primera implementación por ROBERTO B UIZZA allá
FΨ (λ , µ, ν,t) = bR Dtot F(λ , µ, ν,t) (17.3) por 1999 [83].
con:
Desde las primeras implementaciones surgieron al-
Dtot = Dnum + DGW D + Dc sin2 φ (17.4) gunos problemas y dudas teóricas sobre perturbar de
donde FΨ es la función de forzamiento del flujo y
este modo la parte de la física de los modelos. Teórica-
donde se suponen tres fuentes de la energía disipada: mente no había tanta incertidumbre en la estratosfera
por producción insuficiente en convección profunda en los niveles altos y, perturbar la turbulencia, ya muy
(DC ), por rozamiento orográfico y ondas de gravedad incierta en sí misma, en los niveles bajos daba pro-
(DGW D ), y por disipación/difusión numérica (Dnum ). blemas. Así, normalmente, se aplica un ajuste a la
SPPT representada en la Figura 17.8 derecha. Los
valores igual a 1 de la troposfera media muestran dón-
Un punto fundamental en el diseño de las parame- de se aplica la SPPT y los valores 0 en la PBL y la
trizaciones estocásticas en general y, de la SPPT en troposfera, dónde no se usa.
concreto, es que los números aleatorios se aplican con
correlaciones espacio-temporales. ¿Qué es esto de las Finalmente, debemos resaltar que hay una gran di-
correlaciones? Pues que entre puntos de malla o de versidad de maneras diferentes de aplicar la SPPT,
grid vecinos se cogen números aleatorios parecidos perturbando, no toda la física como en la implementa-
(correlación espacial) durante un tiempo largo en la ción básica, sino las parametrizaciones individuales
integración del modelo (correlación temporal): son dentro de ella, de manera más o menos independiente;
los patrones de perturbación. Asentemos ideas con el y/o perturbando también de manera diferente cada va-
ejemplo de correlación espacial mostrado en la Figu- riable del modelo, etcétera. Aunque la aplicación más
ra 17.8 izquierda: se representan en cajitas grandes de básica y común es perturbar toda la física y todas las
unos 180 x 180 km los números aleatorios aplicados variables del modelo por igual.
Figura 17.8: Izquierda: correlaciones espaciales horizontales en cajas o cajitas rectangulares abarcadas por los
números aleatorios en la SPPT. En negro se plotean sus valores aleatorios entre -1 y 1. Derecha: reajuste (tapering
en inglés) vertical de los números aleatorios en la SPPT para no perturbar en la PBL y en la estratosfera.
17.5 Discusión final 271
SPC, al aumentar la perturbación o ruido (de ruido

débil a fuerte), se aumenta la variabilidad interna del
modelo de predicción del tiempo, acercándolo a la va-
riabilidad natural de la atmósfera real y, de este modo,
el modelo puede explorar (bolita roja) una parte (del
pozo de potencial) inaccesible antes para el mismo.
Puntos débiles SPPT. Se precisa de un gran núme-

ro de experimentos para su ajuste o tuneo, cada vez
Figura 17.9: Justificación de la validez conceptual de que se hacen cambios en el modelo del SPC, especial-
las parametrizaciones estocásticas (PE) en SPC mono- mente en la parte de la física. Limitada capacidad de
modelo: capacidad de las PE en aumentar la dispersión evolución.
(variabilidad) con un ruido fuerte y a la vez modificar
la PDF mejorando la media del SPC (flecha roja) (si-
guiendo las ideas y figuras originales de J. B ERNER y
G. S HUTTS). 17.5 Discusión final
Puntos fuertes SPPT. Ostenta los mejores resulta- Valoración subjetiva de las metodologías del error
dos con SPC monomodelo. Simple de implementar, al del modelo. En la Tabla 17.4, resumimos subjetiva-
menos respecto a otras parametrizaciones estocásticas. mente los puntos fuertes y débiles a nivel más bien
Conceptualmente trata una incertidumbre reconocida práctico de los distintos métodos para tener en cuen-
por los meteorólogos-modelizadores: las fluctuacio- ta las incertidumbres y los errores en los SPC, pero
nes estadísticas de la física. Se puede combinar con haciendo hincapié en la diferencia en su uso común
otras técnicas e incluso parametrizaciones estocásticas en incertidumbres sinópticas y meso-α (200-2000 km)
como la SKEB. En la Figura 17.9 se representa uno respecto a escalas espacio-temporales más pequeñas
de los argumentos aducidos para explicar los buenos como la meso-β y meso-γ (2-200 km) (ver sec. 22.1
resultados de las parametrizaciones estocásticas: un en la página 334). La Tabla, basada en multitud de
aumento de la dispersión que (sorprendentemente) a SPC regionales, pretende ser una guía útil de cómo
la vez disminuye el error medio del SPC, mejorando tratar los errores y las incertidumbres a la hora de
la media del SPC. Teóricamente, se razona que en un diseñar un SPC.
Métodos errores e meso-β y Sinópticas y

Puntuación
incertidumbres meso-γ meso-α Ventajas Desventajas
final
SPC 0-12 horas Más de 12 horas
Precisa de buen
Un modelo
multiparámetros 5 +1 -1 conocimiento de las 6 (7)
+2
parametrizaciones -1
Consistencia y
Un modelo
multifísica 5 +2 0 disponibilidad de 8 (8)
+2
diferentes físicas -1
física estocástica
Simple Dificultad de tuneo o
(parametrizacio-
¿0? +2 parametrización ajuste con multitud de 9 (7)
nes): SPPT
+3 experimentos -1
5
Simple Tuneo no Mantener un buen
multimodelo 5 +2 +2 10 (8)
necesario +2 número de modelos -1
Tabla 17.4: Puntuación subjetiva de los diferentes métodos para tener en cuenta los errores e incertidumbres en
los SPC regionales, haciendo hincapié en su valor en dos espacios-temporales, el de los fenómenos atmosféricos a
escalas mesoescalares (2-200 km, hasta 12 horas) y el de las escalas sinópticas (200-2000 km, más de 12 horas),
según la clasificación de Orlanski [477]. Entre paréntesis en la puntuación final está la puntuación sin considerar la
escala sinóptica.
Como ejemplo, contaremos que la misma Tabla 17.4 regional de alta resolución, el COSMO-DE [224, 507],
en la página anterior fue la utilizada en su día en el que es donde parece tener algo de habilidad (destreza,
diseño del futuro AEMET-γSREPS (ver cap. 22 en pericia, skill, ver sec. 15.2.4 en la página 212) en las
la página 333). Se escogió un SPC multimodelo por primeras horas de predicción como se ha consignado
tener la puntuación más alta. A cambio, la desventa- en la Tabla 17.4 en la página anterior. Para el multimo-
ja (no despreciable) fue, y es, instalar y mantener 4 delo se explica su bajo uso, no por sus resultados, que
modelos de predicción del tiempo. son excelentes, sino por dos razones bien distintas:
por la dificultad en mantener varios modelos a la vez,
y por la política de muchos Servicios Meteorológicos
Metodologías del error del modelo en SPC opera- de utilizar sólo su propio y único modelo: ¡Política
tivos. En la Tabla 17.5 se muestran los distintos mé- estratégica monomodelo!
todos que diversos servicios meteorológicos a nivel
internacional han escogido para tener en cuenta los El segundo aspecto es que casi la mitad de los SPC
errores e incertidumbres de sus modelos en sus SPC apuestan por una estrategia combinada, es decir, utili-
globales y regionales operativos. Subrayaremos dos zar dos metodologías a la vez. Ya hemos comentado
aspectos fácilmente observables en la tabla. y resaltado de la Tabla 17.1 en la página 260, que el
hecho de que diferentes metodologías del error del
El primer aspecto es que sobresalen los métodos de modelo sólo tengan en cuenta ciertos aspectos de la
la multifísica (5 entradas) y la física estocástica (6 clasificación de errores e incertidumbres, justifica a
entradas) como los más usados, y el multiparámetros nivel teórico, y en la práctica también, que se puedan
(3 entradas) y el multimodelo (2 entradas) como los combinar sin problemas. Por ejemplo, el ECENS del
menos usados. El multiparámetros muy probablemen- ECMWF utiliza dos parametrizaciones estocásticas a
te es poco usado debido a sus limitados (¡Pobres!) la vez, SPPT y SKEB; y el CMC en su GEPS, adicio-
resultados, y en realidad es sólo usado como único nalmente a la SPPT y la SKEB, las combina con la
método para considerar el error del modelo en un SPC metodología de multifísica ¡Tres métodos a la vez!
SPC (globales o regionales) Metodologías de SPC en el error del modelo

[Servicio Meteorológico] física estocástica
multiparámetros 3 multifísica 5 multimodelo 2
6
ECENS (G) [ECMWF] SPPT + SKEB
AROME +
AEMET-γSREPS (R)
ALARO + WRF +
[AEMET]
NMMB
PEARP (G) [MétéoFrance] Multiphysics
AROME-EPS (R)
SPPT
[MétéoFrance]
MOGREPS-G (G) RP (Random
SKEB
[MetOffice] Parameters)
COSMO-DE (R) [DWD] Multiparameter
COSMO-LEPS (R)
Multiparameter Multiphysics
[ARPA-SIM]
GEFS (G) [NOAA-NCEP] SPPT
Multiphysics WRF-ARW +
SREF (R) [NOOA-NCEP] (NAM+GFS+ WRF-NMM +
NCAR+RAP) NMMB
GEPS (G) [JMA] Multiphysics
GEPS (G) [CMC] Multiphysics SPPT + SKEB
REPS (R) [CMC] SPPT
Tabla 17.5: Resumen (no exhaustivo) de los esquemas de las distintas metodologías de diversos SPC globales y
regionales operativos para tener en cuenta los errores e incertidumbres de los modelos.
17.5 Discusión final 273
Figura 17.10: Diagramas de evolución con el alcance predictivo de la dispersión y el error de la presión reducida a
nivel de mar (Pmsl), temperatura y humedad relativa de garita a dos metros (T2m) y viento de anemómetro a 10
metros (S10m) comparando tres metodologías para tener en cuenta los errores y las incertidumbres del modelo en
3 SPC con las mismas condiciones de contorno del ECENS: multifísica (verde), física-estocástica SPPT (rojo) y
multimodelo (negro).
Verificaciones objetivas de 3 metodologías en SPC ción estocástica SPPT

para el error del modelo. En la Figura 17.10 se mues- 3. Multimodelo (en negro) con dos modelos:
tran dos verificaciones objetivas en la península ibéri- HARMONIE-AROME y NMMB.
ca cada 6 horas hasta 3 días (72 horas) con los diagra-
mas de evolución con el alcance predictivo de disper- El resumen de la interpretación es fácil: el multimo-
sión y error e histogramas de rango respectivamente delo es la metodología que mejor funciona, mientras
(sec. 15.8 en la página 222), de 4 variables meteo- que multifísica y física estocástica SPPT no funcionan
rológicas, la presión reducida a nivel de mar (Pmsl), mal y sus resultados son similares.
temperatura y humedad relativa de garita a dos metros
(T2m y RH2m) y viento a la altura del anemómetro a Más específicamente, en la Figura 17.10 con el diagra-
10 metros (S10m). Se comparan tres SPC puros, con ma de evolución con el alcance predictivo de la disper-
el modelo HARMONIE-AROME y condiciones de sión y el error vemos, por ejemplo, con la temperatura
contorno del ECENS (ECMWF), utilizando cada uno a dos metros (T2m), que el multimodelo (en negro)
una metodología distinta para tener en cuenta error e tiene la mejor habilidad (skill), porque las curvas de
incertidumbres del modelo: error (RMSE en negro continuo) y de dispersión (línea
negra discontinua) están más cerca entre ellas, siendo
1. Multifísica (en verde) con dos físicas: AROME muchas veces el error menor y siempre la dispersión
y ALARO mayor que en la multifísica (verde) y la SPPT de la
2. Física estocástica (en rojo) con la parametriza- física estocástica (rojo).
En la Figura 17.11, con los histogramas de rango y SPC actuales se están utilizando metodologías espe-
fijándonos también en la T2m (sugerimos analizar las cíficas para tener en cuenta las incertidumbres en la
otras tres variables: Pmsl, RH2m y S10m), vemos que superficie terrestre y marítima con sus interacciones
la consistencia del SPC multimodelo es claramente con la atmósfera: las perturbaciones de la superficie,
superior al multifísica y a la SPPT de física estocásti- es decir, en la condición de contorno inferior de los
ca, al tener un diagrama bastante más plano que los modelos. Dependiendo de cada metodología y cómo
otros dos SPC, aunque aún adolece de cierta falta de se aplique, cae más del lado de las incertidumbres en
dispersión al ser aún visible una cierta forma en U las condiciones de contorno o más en el campo del
(sec. 15.8.1 en la página 222). error del modelo. Y las perturbaciones de la superficie
van, e irán en un futuro, cobrando más interés en los
Para finalizar el capítulo, mencionaremos que en los SPC cada vez con una resolución horizontal más alta.
Figura 17.11: Igual que la Figura 17.10 en la página anterior, pero con los histogramas de rango.
Diseño y construcción de sistemas de predicción por
conjuntos: error en las condiciones de contorno 18
DOI: 10.31978/014-18-009-X.18
J UANMA S ANCHO ÁVILA
En cualquier región delimitada los valores de contorno o frontera deberían especificarse para
definir correctamente el problema, es decir, la solución debería depender de forma continua de las
condiciones de contorno, de modo que pequeños cambios en los valores frontera produzcan a su
vez pequeños cambios en la solución. Desafortunadamente [...] las ecuaciones diferenciales
primitivas en que se basan usualmente los modelos atmosféricos son patológicas con respecto a las
condiciones de contorno, debido a la aproximación hidrostática ...
Predicción numérica y meteorología dinámica – G. J. H ALTINER Y R. T. W ILLIAMS
La predicción probabilista por conjuntos en alta resolución y a corto plazo es actualmente una
herramienta clave para la predicción operativa en los servicios meteorológicos con responsabilidad en
la emisión de avisos por tiempo severo. Aunque la capacidad computacional de los sistemas donde
se ejecutan los modelos de predicción a escala global ha aumentado de forma muy importante en los
últimos años y es previsible que la progresión continúe, la dependencia de las predicciones en alta
resolución y a muy corto plazo en modelos de área limitada es muy probable que persista en el futuro.
Por lo tanto, hoy por hoy, es una necesidad que los sistemas de predicción por conjuntos (SPC) basados
en modelos de área limitada con resoluciones que se adentran en la mesoescala (modelos de malla
kilométrica) se acoplen con SPC basados en modelos globales que proporcionen condiciones iniciales
y de contorno adecuadas. Es importante, por lo tanto, realizar estudios con el fin de evaluar y conocer
la influencia de la propagación de errores debido a la elección de condiciones de contorno en la calidad
de las predicciones.
Palabras clave: diseño de sistemas de predicción por conjuntos, incertidumbres en las condiciones de contorno,
archivo TIGGE.
Imagen parte superior: humo de incendio o pirocumulus. Ajalvir (Madrid), hacia el noreste, 29 de junio de 2005, a las 19:38. Fotografía
276 Física del caos en la predicción meteorológica Capítulo 18. Diseño de SPC, error en condiciones contorno
18.1 Errores debidos a las condicio- de la primeras 24 h [668]. Sin embargo, la evaluación
cuantitativa del peso relativo de estos errores depende
nes de contorno
fuertemente de las condiciones atmosféricas, de ma-
nera que por ejemplo, en condiciones de importantes
En los modelos de área limitada existen importantes
forzamientos dinámicos de carácter local, los errores
fuentes de error, ya tratadas en otras partes de este
debidos a las condiciones de contorno se pueden re-
libro, que están basadas en el tratamiento de las apro-
ducir aunque continúen siendo considerables. Si las
ximaciones en la dinámica del modelo, así como en
condiciones de contorno no se diseñan adecuadamen-
las parametrizaciones de los procesos físicos o en las
te y en ciertas condiciones atmosféricas, los errores
condiciones iniciales que incluyen tanto los errores en
debidos a estas pueden afectar de tal manera a las
las observaciones como el sistema de asimilación de
predicciones dadas por el modelo de área local, que
datos. Estas fuentes de error dependen exclusivamente
no mejoren las obtenidas por un modelo global como
de las estrategias diseñadas dentro del propio modelo
el del ECMWF a pesar de su menor resolución y las
de predicción. Sin embargo, los errores inducidos por
parametrizaciones menos sofisticadas utilizadas.
las condiciones de contorno laterales (incluyendo las
inferiores) son independientes de la sofisticación en Por otra parte, el error debido a las condiciones de
el diseño del modelo de predicción encaminadas a contorno crece de manera aproximadamente lineal
limitar dichas fuentes de error, en otras palabras, son con el tiempo hasta un punto en el que se satura y
independientes del propio modelo, ya que dichas con- permanece uniforme. Este hecho es probablemente
diciones de contorno vienen dadas por otros modelos debido a que el error se va propagando internamente
globales en los que se anida el modelo de área limi- en el dominio hasta que finalmente todo es afectado
tada. Existen numerosos estudios que insisten en que manteniéndose constante a partir de entonces.
los errores propios de las condiciones de contorno pro-
porcionadas por modelos globales se propagan dentro Aunque estas limitaciones son inevitables, sí se pue-
del dominio de los modelos de área limitada. den afrontar distintos enfoques para el diseño de unas
condiciones de contorno que minimicen en lo posible
Entre los principales motivos de la inevitable propa- los errores propagados dentro del dominio local de
gación de errores por las condiciones de contorno predicción.
laterales estarían los siguientes:
Es por lo tanto de importancia crítica diseñar y valo-
rar las mejores estrategias basadas en dichos sistemas
La menor resolución espacial tanto horizontal co-
probabilistas globales que proporcionen suficiente dis-
mo vertical de los modelos globales hace necesario
persión para obtener condiciones laterales de contorno
interpolar espacial y temporalmente dichas condi-
adecuadas en los sistemas probabilistas de área local
ciones a la resolución del modelo de área local con
a más alta resolución. El objetivo final es producir
la consecuente degradación en la calidad de la in-
predicciones probabilistas que cuantifiquen suficien-
formación.
temente el grado de incertidumbre de las variables
En el dominio espectral, las mayores longitudes de
predichas [491].
onda propias de las condiciones de contorno latera-
les no interaccionan adecuadamente con las ondas A menudo los sistemas de predicción por conjuntos
de menor escala del modelo local, influyendo de muestran un comportamiento subdispersivo, indican-
forma negativa aumentando el error. do que no cumplen el objetivo de reflejar con sufi-
Las mayores simplificaciones en el tratamiento de ciente amplitud la diversidad de estados atmosféricos
la física de los modelos globales así como las pa- plausibles. Es decir, padecen de un déficit de spread
rametrizaciones utilizadas en ellos, que sí pueden o dispersión (sec. 15.8.2 en la página 223) en compa-
estar ya resueltas en el diseño del modelo local, ración con el error calculado para la muestra de los
pueden provocar falsos gradientes o feedbacks en- conjuntos de predicciones.
tre ambos grids que llevan necesariamente a una
degradación de las predicciones dentro del dominio El diseño de unas adecuadas condiciones de contorno,
local. es un factor más que afecta a la relación dispersión-
error siendo una buena elección de estas condiciones
Se estima que el error debido a las condiciones de con- laterales la que proporcionara valores de dispersión
torno representa aproximadamente un 50 % del error comparables en magnitud con el error, como muestra
asociado al resto de fuentes de incertidumbre dentro de la existencia de consistencia estadística.
18.1 Errores debidos a las condiciones de contorno 277
En este estudio, se han probado distintas estrategias un comportamiento peor en términos de relaciones
para la elección de adecuadas condiciones de contorno dispersión-error, y por lo tanto sufren de menor con-
que se acerquen a este requisito y que se describirán a sistencia estadística. En otras palabras, las estrategias
continuación. basadas en enfoques multimodelo se muestran más
adecuadas para proporcionar condiciones laterales de
Disponer de predicciones probabilistas de los Cen- contorno a un sistema de predicción por conjuntos
tros globales de predicción numérica del tiempo es de área local y alta resolución espacial. Otro resul-
imprescindible para realizar experimentos de distintas tado a destacar es la gran diferencia observada en el
combinaciones y estrategias de diseño de condiciones comportamiento de los diferentes modelos globales,
de contorno apropiadas. aunque todos muestran como característica común, un
comportamiento subdispersivo en que la dispersión es
El Experimento de Investigación de los Sistemas
menor que el error (RMSE). Estos resultados animan
de Observación y Predecibilidad THORPEX (Ob-
a explorar diferentes experimentos multimodelo ba-
serving System Research and Predictability Experi-
sados en técnicas LAF, Lagged Average Forecasting
ment https://www.wmo.int/pages/prog/arep/
[173, 293, 395]. Esta técnica se basa en la utilización
wwrp/new/thorpex_new.html), es un proyecto del
para un instante determinado de conjuntos de predic-
Programa de Investigación del Tiempo Atmosférico
ciones correspondientes a pasadas anteriores, con dis-
Mundial (World Weather Research Programme) cu-
tintos alcances, para la estimación de las condiciones
yo fin es mejorar la exactitud de las predicciones de
de contorno iniciales con el fin de ser introducidas en
eventos severos en alcances de 1 día a 2 semanas.
el sistema de predicción. Existe una variante de la an-
En el marco de este proyecto se encuentra a su vez
terior, la técnica SLAF (Scaled LAF, [173, 395, 503]),
el proyecto TIGGE (THORPEX Interactive Grand
que tiene en cuenta la aplicación de factores de escala
Global Ensemble, ver cap. 26 en la página 387), con-
sobre las predicciones más antiguas para considerar
sistente en el almacenamiento, gestión y distribución,
la degradación de dichas predicciones. Estos factores
para propósitos científicos, de datos de predicciones
de escala son menores al aumentar el alcance de las
probabilistas por conjuntos procedentes de 10 centro
predicciones utilizadas. Los resultados preliminares
globales de predicción numérica del tiempo (NWP).
indican que el uso de las técnicas SLAF suponen una
Dicho archivo contiene información desde octubre
mejora con respecto a las técnicas LAF. Para todos
de 2006 hasta la actualidad y es gestionado y man-
los parámetros estudiados la dispersión aumenta mien-
tenido en el Centro Europeo de Predicción a Plazo
tras que el error (RMSE, sec. 15.3 en la página 213)
Medio, ECMWF (European Centre for Medium-range
disminuye en el caso de los conjuntos formados por
Weather Forecasts, cap. 19 en la página 289). En este
técnicas SLAF usando predicciones T+12 junto con
estudio se examinan diferentes experimentos basados
miembros de control T+0. En este caso los valores
en enfoques multimodelo utilizando datos de TIG-
de la dispersión son altamente dependientes de los
GE y otras técnicas, como por ejemplo SLAF, Scaled
factores de escala aplicados a los miembros de predic-
Lagged Average Forecasting [173, 293, 503] que se
ciones más antiguas, que como se dijo anteriormente
describirán más adelante. Se lleva a cabo un estudio
se deben utilizar para tener en cuenta la degradación
de la relación dispersión-error para predicciones con
de las predicciones con el alcance. Por lo tanto, es
alcances de hasta 36 horas sobre la región de la pe-
crítica la elección de factores de escala adecuados en
nínsula ibérica. La información utilizada se basa en
el diseño de los experimentos.
datos tanto de análisis como de predicciones de varios
parámetros correspondientes a los sistemas globales Existen estudios anteriores que merece la pena men-
de predicción por conjuntos de Europa (ECMWF), Es- cionar en los que ya se abordó el problema de la se-
tados Unidos (NCEP), China (CMA), Canadá (CMC) lección de condiciones de contorno adecuadas. A con-
y Reino unido (UKMO). Es decir, se han seleccionado tinuación se describen algunos de los resultados de
5 modelos globales de los 10 disponibles en TIGGE estos enfoques.
en base a la disponibilidad de datos para el periodo
de estudio elegido. En este capítulo se describen los Cuando se lleva a cabo la comparación de las caracte-
experimentos y se muestran los principales resulta- rísticas individuales de los modelos globales disponi-
dos. El resultado más importante y destacable de este bles en el archivo TIGGE se observa una gran diferen-
estudio es que experimentos basados en conjuntos cia entre ellos. Los resultados preliminares apuntan a
diseñados con predicciones procedentes de un úni- que el uso combinado de varios modelos para la crea-
co modelo global de los 5 seleccionados dan lugar a ción se sistemas multimodelos por conjuntos puede
mejorar cuantitativamente la calidad de las predicciones iniciales, se demostró [132] la importancia de las
nes probabilistas mejorando de forma importante, por condiciones iniciales o de contorno para obtener una
ejemplo, el comportamiento del modelo por conjun- dispersión adecuada con el fin de mejorar la calidad
tos del ECMWF. Esto sucede especialmente en áreas del sistema de predicción probabilista. En el contexto
y variables donde el ECMWF subestima la disper- del modelo COSMO se estudió [224] la evolución de
sión [494]. En el estudio de B UIZZA en 2005 [86] la dispersión del sistema debido a perturbaciones en la
se realiza un estudio comparativo, para la primavera formulación del modelo separadamente de las pertur-
de 2002, del rendimiento y fiabilidad de los sistemas baciones en las condiciones de contorno concluyendo
de predicción probabilistas basados en los modelos que las condiciones de contorno comienzan a dominar
globales del ECMWF, MSC y NCEP, concluyendo la dispersión a partir de alcances de unas pocas horas,
que ninguno de ellos es capaz de capturar adecuada- siendo la primeras horas más afectadas por las incerti-
mente todas las fuentes de incertidumbre existentes dumbres propias de la física del modelo. Es decir, que
en las predicciones, siendo la dispersión subestimada a medida que se avanza en el alcance de la predicción
sistemáticamente cuando se consideran los tres mode- se hace más importante la consideración de las per-
los por separado. Otro trabajo más reciente, llevado turbaciones en las condiciones laterales de contorno.
a cabo por Hagedorn [255] llegó a la conclusión de Por lo tanto, se hace evidente la necesidad de dedicar
que un sistema reducido multimodelo considerando esfuerzos para un diseño adecuado de las condicio-
miembros de solo 3 sistemas de predicción globales nes de contorno laterales en sistemas de área limitada
(USA, UK y ECMWF) supera en términos de cali- y alta resolución. Aquí se presentan resultados basa-
dad al sistema monomodelo del ECMWF pero, sin dos en técnicas Scaled Lagged Average Forecasting,
embargo, cuando se incluyen los nueve modelos de SLAF [173] usando 5 modelos globales de TIGGE
TIGGE en el diseño de dicho sistema multimodelo no que muestran un incremento importante de la disper-
se consigue una mejora con respecto al sistema del sión, que no está acompañado de un excesivo aumento
ECMWF. del error, en contraste con otros métodos basados en
la simple combinación de diferentes miembros proce-
dentes de distintos modelos globales de TIGGE. Estos
Por otro lado G ARCÍA -M OYA Y COL. [221], utilizan-
son resultados esperanzadores que apuntan a que este
do el Sistema multimodelo de la Agencia Estatal de
tipo de técnicas pueden ser muy apropiadas para abor-
Meteorología (AEMET) para corto plazo, diseñado
dar el problema de la falta de dispersión en sistemas
con condiciones de contorno procedentes de diferentes
probabilistas de área limitada y alta resolución.
sistemas de predicción, denominado AEMET Short
Range Ensemble Prediction System, AEMET-SREPS
[221], muestra de nuevo la mejora sustancial en térmi-
nos de consistencia estadística con el incremento de 18.2 Archivo TIGGE y metodolo-
la dispersión en un enfoque multimodelo con respecto
a los comportamientos basados en un solo modelo.
gía
En el marco del desarrollo de sistemas de predicción
por conjuntos en la mesoescala utilizando modelos de Actualmente se archivan datos de 10 sistemas de pre-
alta resolución de área limitada (LAM EPS), existen dicción global en la base de datos de TIGGE. Todos
problemas adicionales relacionados con la insuficiente estos sistemas de predicción por conjuntos están dise-
dispersión proporcionada, la cual es más evidente en ñados para simular el efecto de las principales fuentes
el caso de fenómenos mesoescalares y en parámetros de error en las predicciones numéricas del tiempo: las
de alta variabilidad espacial y temporal como es el incertidumbres en las condiciones iniciales debidas a
caso de la precipitación [174]. Un factor importante a los errores observacionales y a las aproximaciones rea-
tener en cuenta para explicar la falta de dispersión en lizadas en el proceso de asimilación de datos para la
dichos sistemas de área limitada es el uso de condicio- obtención del análisis o estado inicial estimado de la
nes de contorno laterales no perturbadas (unperturbed atmósfera, y por otra parte, las incertidumbres del mo-
LBC Lateral Boundary Conditions) procedentes de delo propias de las aproximaciones en las ecuaciones
sistemas de predicción globales [306]. Mediante expe- que describen la física del mismo y las simplificacio-
rimentos basados en el modelo perfecto y el análisis nes asociadas a las parametrizaciones de los procesos
perfecto, con el fin de aislar y estudiar separadamen- físicos en resoluciones mayores que el grid del mode-
te los efectos de los errores de la formulación del lo. Estos modelos son: ECMWF, NCEP, CMA, CMC,
modelo y los debidos a los errores en las condicio- UKMO, BOM, CPTEC, JMA, KMA y Météo-France
18.2 Archivo TIGGE y metodología 279
y cada uno de ellos esta basado en un número diferen- utiliza un método de transformación de ensembles
te de integraciones del modelo global. Una ejecución, con reescala, ETR [670]; el sistema inglés UKMO
llamada predicción de control, es alimentada inicial- aplica un enfoque basado en filtros de K ALMAN, En-
mente por un análisis no perturbado de la atmósfera semble Transform Kalman Filter, ETKF [54], [666]
durante el método de asimilación de datos, es decir y, finalmente, el sistema canadiense del CMC aña-
que los datos observacionales son introducidos en el de perturbaciones isotrópicas a las observaciones y
modelo sin ser modificados. El resto de integracio- genera análisis perturbados usando un filtro de K AL -
nes, o miembros perturbados simulan, por una parte, MAN , Ensemble Kalman Filter, EnKF [308]. Todos
los efectos de las incertidumbres en la medida de las los centros, salvo el CMA, tienen en cuenta el efecto
observaciones y en algunos casos tienen también en de las incertidumbres del modelo mediante un enfo-
cuenta las incertidumbres o errores propios de la física que de perturbaciones estocásticas [83] y el CMC
del modelo a través de la aplicación de perturbaciones aplica también diferentes parametrizaciones físicas
estocásticas a las tendencias del modelo. (Dif. parametr. en la tabla) para los distintos miem-
bros. En cuanto a la resolución espacial y el número
Este trabajo se ha llevado a cabo para un periodo de miembros, el ECMWF proporciona la mayor re-
de 6 meses utilizando predicciones diarias de junio solución horizontal (0.28x0.28 grados) y vertical (62
a diciembre de 2011 y seleccionando 5 modelos del niveles) además de exceder con creces el número de
archivo TIGGE (ECMWF, NCEP, CMA, CMC y UK- miembros (51) con relación al resto de los centros.
MO). El criterio de selección se ha basado en evitar
periodos con falta de datos en el que todos los mode- Se han llevado a cabo diferentes experimentos para el
los dispongan de un periodo de predicciones común y periodo de junio a diciembre de 2011 para la pasada
al mismo tiempo se ha tratado de asegurar la mayor de las 0 h y alcances de hasta 36 h cada 6 h. Los mo-
diversidad dinámica posible al tratarse de 5 sistemas delos globales seleccionados de TIGGE son ECMWF,
de predicción globales diseñados usando un número NCEP, CMA, CMC and UKMO y las variables evalua-
diferente de miembros, así como enfoques distintos en das: mslp (presión en superficie), t2m (temperatura a
la simulación de las fuentes de incertidumbre. En la 2 metros), sfcWind (viento a 10 m), (500,1000)gh (al-
Tabla 18.1 se muestran las principales características turas geopotenciales) y viento en 300 hPa y 700 hPa.
de los sistemas de predicción utilizados. En cuanto El dominio del experimento cubre la Región de la
a los métodos de simulación de las incertidumbres península ibérica (Figura 18.1) con una resolución
en las condiciones iniciales el ECMWF utiliza un en- espacial de 0.1ºx0.1º. El análisis del ECMWF ha sido
foque basado en vectores singulares [84]; el sistema utilizado como referencia en todos los casos para los
de predicción chino, CMA, utiliza los llamados bred cálculos del error (Root Mean Square Error, RMSE,
vectors o vectores criados [627]; el NCEP americano sec. 15.3 en la página 213).
Centro #Miembros Pert CCII Pert modelo Res hor / Res ver #Ejecuciones
ECMWF (EU) 1+50 SV+EDA Física estocástica TL639 (0.28ºx0.28º)/62 2(00/12)
NCEP (USA) 1+20 ETR Física estocástica T190 (0.90ºx0.90º)/28 4(00/06/12/18)
CMA (China) 1+14 BV NO T2130 (0.84ºx0.84º)/31 2(00/12)
CMC (Canada) 1+20 EnKF Física estocástica + 600x300 (0.6ºx0.6º)/40 2(00/12)
Dif. paramet.
UKMO (UK) 1+23 ETKF Física estocástica (0.55ºx0.83º)/70 2(00/12)
Tabla 18.1: Características del los modelos TIGGE (2016) para los 5 SPC utilizados. #Miembros: Número de
miembros perturbados (1 + indica un miembro adicional de control, no perturbado). Pert CCII: Método de
perturbaciones de condiciones iniciales (ver texto). Pert modelo: Método de simulación del error del modelo (ver
texto). Res hor: Resolución horizontal. Res ver: Resolución vertical, medida en número de niveles verticales del
modelo.
Campo espacial. Denotamos un campo espacial por

(n)
φm (x,t) , donde φ es la variable, n es el número de
predicciones (en este caso una por día desde el 1 de ju-
nio al 31 de diciembre), m es el número de miembros
o predicciones en el experimento definido y t es el al-
cance (0, 6, 12, 18, 24, 30 ó 36 h). Estamos interesados
en valorar el comportamiento de la dispersión del con-
junto de predicciones con respecto a la media de todas
la predicciones como medida de la incertidumbre del
sistema de predicción por conjuntos, y su relación con
el error medio de las predicciones comparadas con el
análisis del ECMWF. Podemos tomar esta relación
dispersión-error como una medida indirecta de la pre-
Figura 18.1: Dominio, resolución espacial, variables y
decibilidad de la atmósfera. Con este propósito, cada
(n) niveles utilizados.
campo φm (x,t) ha sido discretizado espacialmente
(n) (n)
φi,m (t) = φ xi,m ,t , siendo i = 1, 2, ..., L , donde L es
el número de puntos de grid, definido en el dominio de
la península ibérica de límites: 35N / 44N / 11W / 5E
El objetivo principal del estudio es comparar dife-
con una resolución espacial de 0,1o × 0,1o . rentes combinaciones de conjuntos de predicciones
generadas por diferentes centros siguiendo enfoques
tanto monomodales como multimodales utilizando
técnicas LAF y SLAF y valorar para cada caso, el
comportamiento de la relación dispersión-error como
Dispersión. Usamos la desviación estándar como me-
dida de dispersión (spread): medida de la consistencia estadística de cada diseño o
experimento.
N M 2 !! 21
1 1 (n) (n)
stddev (t) = ∑ ∑ φi,m (t) − φi (t)
N n=1 m − 1 m=1
18.3 Comparación de los diferen-

donde N es el número total de predicciones (en nues-
tro caso, días de predicción en el periodo), M es el
tes sistemas de predicción por
número total de miembros del SPC diseñado y φi (t)
(n) conjuntos en TIGGE
es la media del ensemble o conjunto de todas las pre-
dicciones proporcionadas por los distintos miembros Como primer paso y con el fin de tener una primera
para un mismo alcance:
impresión acerca del comportamiento de las curvas
(n) 1 M (n) dispersión-error para cada uno de los sistemas de pre-
φi (t) = ∑ φi,m (t)
M m=1 dicción en cada centro de forma individual, se han
construidos conjuntos monomodelos. Para ello se han
seleccionado aleatoriamente 10 miembros perturbados
para cada de uno de los 5 modelos globales TIGGE
elegidos. Se han utilizado el mismo número de miem-
Error. Como medida de error usamos la raíz cua-
bros (10) para tener conjuntos con la misma dimen-
drada del error cuadrático medio (Root Mean Square
Error, RMSE, sec. 15.3 en la página 213) del siguiente
sión. Los modelos seleccionados fueron: ECMWF,
modo: NCEP, CMA, CMC y UKMO mostrándose las curvas
s dispersión-error para la presión al nivel del mar y las
2
1 N (n) (n) componentes u y v de la velocidad del viento a 10m
RMSE (t, i) = ∑ φi (t) − φi,an (t)
N n=1 en la Figura 18.2. En resumen, se observa un mejor
comportamiento del sistema del ECMWF en compara-
(n)
donde φi,an (t)es el análisis de la variable φ obtenido ción con el resto de centros mundiales seleccionados,
por el ECMWF correspondiente a la predicción nth , mostrando todos ellos características subdispersivas.
al punto de grid i y a al alcance t. El sistema del ECMWF es menos subdispersivo que
el resto, mostrando una más clara relación lineal entre
la dispersión y el error, lo cual indica una mayor con-
sistencia estadística con las observaciones (análisis).
18.3 Comparación de los diferentes SPC en TIGGE 281
Sin embargo, se puede obtener un mejor comporta- monomodelo con valores mayores de dispersión para
miento formando un conjunto multimodelo construido los distintos alcances sin aumentar el error (RMSE).
con los 5 miembros de control de cada uno de los mo- Por otro lado, este sistema de 5 miembros de control
delos, excluyendo cualquier miembro perturbado. Es- muestra un destacable comportamiento ligeramente
te sistema, aun teniendo la mitad de miembros, mejora sobredispersivo para, por ejemplo, la altura geopo-
cualquier diseño basado en un solo modelo, incluso al tencial en 1000 hPa y 500 hPa (ver línea negra en la
propio ECMWF, mostrando un clara mejora en cuanto Figura 18.3).
a la fiabilidad del sistema frente a cualquier diseño
Figura 18.2: Curvas dispersión-error para la presión a nivel del mar (mslp), componente zonal del viento (10u) y
latitudinal (10v). Los conjuntos están formados por 10 miembros perturbados elegidos aleatoriamente para cada
uno de los 5 sistema(s) de predicción por conjuntos (SPC) globales TIGGE.
Figura 18.3: Relaciones dispersión-error para la altura geopotencial en 1000 hPa y 500 hPa. En colores se
representan los conjuntos formados usando 10 miembros aleatorios para cada uno de los 5 SPC globales TIGGE. La
linea negra muestra el dispersión-error para un conjunto multimodelo formado usando únicamente los 5 miembros
de control de cada modelo (excluyendo los miembros perturbados)
Experimento Descripción del diseño # Miembros

Tigge_5 5 miembros de ctrl (T+00), uno por cada modelo 5 ctrl
Tigge_15 5 miembros de ctrl (T+00) & 2 miembros pert. (T+00) 5 ctrl + 2x5 pert. = 15
para cada modelo
TiggeSlaf_10 5 miembros de ctrl (T+00) & 5 predicciones de ctrl. 5 ctrl + 5fc(T+12)=10
(T+12) LAF
TiggeSlaf_15 5 miembros de ctrl (T+00) & 10 predicciones de ctrl. 5 ctrl + 5fc(T+12) +
(T+12,T+24) LAF 5fc(T+24)=15
TiggeFc_5 5 predicciones de ctrl. (T+06) LAF 5 fc (T+06)
TiggeFc_10 10 predicciones de ctrl. (T+06, T+18) LAF 5 fc (T+06) + 5 fc (T+18)=10
Tabla 18.2: Diseño de los experimentos LAF-
18.4 Experimentos multimodelo dad de las predicciones con el alcance de las mismas.
El experimento TIGGESLAF_15 simplemente añade
LAF y SLAF
miembros de predicciones h+24 al anterior, pero tam-
poco es un experimento SLAF propiamente dicho ya
Los buenos resultados obtenidos cuando se consideran que tampoco aplica factores de escala decrecientes a
enfoques multimodelo animan a recomendar explo- los miembros de predicciones para evitar que el con-
rar otras combinaciones para el diseño de conjuntos junto este contaminado por errores del predicciones
de predicciones usando miembros de los 5 modelos antiguas. Finalmente, los experimentos TIGGE_FC_5
TIGGE. Se han diseñado nuevos conjuntos para com- y TIGGE_FC_10 están formados con 5 predicciones
parar las relaciones dispersión-error (sec. 15.8.2 en de control h+6 en el primer caso y añadiendo a las
la página 223) usando solo miembros no perturbados, anteriores 5 predicciones de control h+18 en el se-
o de control, miembros de control añadiendo algu- gundo. En la segunda parte de este estudio se emplea
nos miembros perturbados así como métodos Lag- la técnica SLAF construyendo conjuntos añadiendo
ged Average Forecasting (LAF) basados en el uso de miembros simétricamente alrededor de los miembros
predicciones pasadas [293]. También se han realiza- de control y escalados apropiadamente dependiendo
do experimentos combinados SLAF [173] junto con del alcance de las predicciones para tener en cuenta la
miembros de control. Ver Tabla 18.2 para la descrip- degradación de las predicciones.
ción de los experimentos.
Las relaciones dispersión-error para el geopotencial
El experimento TIGGE_5 consiste en un conjunto de en 500 hPa para cada uno de los experimentos des-
5 miembros formados por los miembros de control de critos son mostrados en la Figura 18.4 en la página
cada modelo (análisis de baja resolución con alcance siguiente. Cada punto, de diferente color para cada
0 h) para los 5 modelos globales y pasadas de las 00 experimento, es el resultado del cálculo de la desvia-
y 12 UTC. Hubiera sido deseable utilizar campos de ción estándar con respecto a la media como medida
análisis de alta resolución cada 6 h para este expe- de la dispersión, y el error cuadrático medio (Root
rimento pero en el archivo Meteorological Archival Mean Square Error) de la media de los ensembles
and Retrieval System (MARS) del ECMWF solo están con respecto al análisis del centro europeo es usado
disponibles los miembros de control cada 12 h. El se- como referencia para las pasadas de las 00 y 12 h.
gundo experimento, llamado TIGGE_15 está formado Se estima que el número de valores utilizados para la
añadiendo al conjunto anterior 2 miembros perturba- computación de cada uno de los puntos en la gráfica
dos (alcance 0 h) por cada modelo global formando es aproximadamente de 16 000 000 valores (14 651
un conjunto de 15 miembros. El experimento llamado puntos de grid x 182 días x 5 modelos + análisis del
TIGGESLAF_10 es el resultado de añadir 5 prediccio- ECMWF (14 651 x 182)). La linea negra representa
nes de los controles de la pasada de las 12 h anteriores la evolución del dispersión-error para un alcance má-
al conjunto del experimento TIGGE5 obteniendo un ximo de 36 h y un paso de tiempo de 6 h para el caso
conjunto LAF de 10 miembros. Es importante destacar de los 5 miembros de control de la pasada de las 0 h
en este punto que este experimento no es un conjunto para cada uno de los modelos en un enfoque multi-
SLAF propiamente dicho, ya que no se aplican fac- modelo. El primer y segundo punto de a linea negra
tores de escala dependientes de la antigüedad de las obviamente coincide con los puntos T=0 h y T=6 h de
predicciones para dar cuenta la degradación de la cali- los experimentos TIGGE_5 y TIGGEFC_5 respecti-
18.4 Experimentos multimodelo LAF y SLAF 283
vamente. Las diferencias observadas en el RMSE son zadores, en cuanto a la mejora de la consistencia es-
debidas a errores sistemáticos o bias de los miembros tadística, cuando en la segunda parte de este trabajo
de control (T+00) de los modelos globales con res- los experimentos LAF se convierten a SLAFS con
pecto a los valores de los análisis del ECMWF. Por el resultado de una disminución sustancial del error.
ejemplo, en el caso de la temperatura a 2m la mayo- Los experimentos que incluyen solo miembros pre-
ría de los modelos globales excepto NCEP y UKMO dictivos (TIGGEFC_5 y TIGGEFC_10) son los que
muestran sistemáticamente a las 12 UTC temperatu- tienen asociados los valores mayores de la dispersión
ras inferiores que el análisis del ECMWF, en amarillo, y TIGGEFC_10 muestra mayores valores de RMSE
mientras que por el contrario, la distribución en el probablemente por el efecto de la degradación debida
caso de la pasada de las 00 UTC es aproximadamente a añadir predicciones mas antiguas, T+18.
simétrica alrededor el análisis del ECMWF (ver iz-
quierda de Figura 18.5). Sin embargo, las diferencias
en la dispersión no son importantes entre las 00 UTC
y las 12 UTC (ver derecha de Figura 18.5). Estas di-
ferencias también han sido observadas en el caso de
otras variables.
Para el caso de la altura geopotencial en 500 hPa, el

experimento que muestra los valores más bajos de dis-
persión y error es TIGGE_5, formado por 5 miembros
de control de los modelos globales para alcance 0 h.
Se observa un importante aumento de la dispersión sin
efectos claros en el aumento del error en el caso del
experimento TIGGE_15, el cual añade 2 miembros
perturbados para cada modelo global. Los experimen-
tos LAF muestran errores algo mayores y dispersiones Figura 18.4: Relaciones dispersión-error para experi-
intermedias. Los resultados son mucho más esperan- mentos LAF.
Figura 18.5: Izquierda: T2m de los modelos globales vs. análisis del ECMWF, derecha: TIGGE_5 t2m dispersión-
error
LAF SLAF K12 , K24 Descripción del experimento # Miembros

TiggeSlaf_10 TiggeSlaf_10R K12 = 0,75
5ctrl [00] &5 × {ctrl [00] ± K12 (ctrl [00] − f c [12])} 15
(solo T+12) TiggeSlaf_10R2 K12 = 1
TiggeSlaf_15 TiggeSlaf_15R K12,24 = 0,75,0,25 5ctrl [00] &5 × {ctrl [00] ± K12 (ctrl [00] − f c [12])} &
25
(T+12 y T+24) TiggeSlaf15R2 K12,24 = 1,0,5 5 × {ctrl [00] ± K24 (ctrl [00] − f c [24])}
Tabla 18.3: Diseño de experimentos multimodelo mediante la técnica SLAF

Como se describió anteriormente, los experimentos el caso de los experimentos SLAF usando prediccio-
TIGGESLAF_10 y TIGGESLAF_15 son el resultado nes T+12 junto con miembros de análisis o control (ex-
de añadir a TIGGE_5 nuevos miembros con prediccio- perimentos TIGGESLAF10R y TIGGESLAF10R2).
nes de control ([T+12] y [T+12,T+24] respectivamen- Obviamente, este incremento de la dispersión es mu-
te) formando siguiendo la técnica LAF (Lagged Ave- cho más acusado cuando los factores de escala elegi-
rage Forecasting). Para tener en cuenta la degradación dos son mayores (experimento TIGGESLAF10R2),
en la precisión de las predicciones según el alcance pero sin embargo los valores del error no se ven afec-
de la predicción se deberían aplicar unos factores de tados en absoluto, probablemente debido a que los
escala que disminuyan el peso de dichas predicciones miembros están simétricamente distribuidos alrededor
con la antigüedad de las predicciones en el conjunto de los miembros de control. Estos cambios positivos
de los miembros del sistema. Estos factores serían en el comportamiento de la dispersión y el error son
dependientes del alcance, disminuyendo para predic- más evidentes en el caso del viento en superficie, en
ciones más antiguas. Esta técnica, que es por lo tanto, 700 hPa y en la temperatura a 2m. Un comportamien-
una variante mejorada de la técnica LAF denominada to sobredispersivo en los diagramas dispersión-error
SLAF (Scaled Lagged Average Forecasting). Con el y los valores más altos de la dispersión se observan
fin de explorar los posibles beneficios de la aplicación en estos experimentos (Figuras 18.6, 18.7 y 18.8). En
de esta técnica en la mejora de la consistencia esta- el caso de la altura geopotencial en 500 hPa y pre-
dística se han diseñado 4 nuevos experimentos SLAF sión a nivel del mar (Figuras 18.9 y 18.10) también
denominados TIGGESLAF_10R, TIGGESLAF_15R, se observan valores inferiores de dispersión y error
TIGGESLAF10R2 y TIGGESLAF15R2. El cuadro aunque los cambios no son tan evidentes para estas
18.3 muestra la descripción de dichos experimentos en variables y la dispersión todavía es inferior a la ob-
los que la idea principal es la aplicación de factores de tenida en el experimento TIGGE_15 (que contenía
escala K en el rango 0-1 a los miembros que proceden miembros perturbados) con un error similar. Los expe-
de predicciones. rimentos TIGGEFC_5 y TIGGEFC_10 con técnicas
LAF, con miembros de predicción, proporcionan altos
Además, se amplía el número de miembros proceden- niveles de dispersión pero incrementando los errores
tes de predicciones de forma simétrica con respecto al mismo tiempo. Con respecto a los experimentos
al análisis (control T+0) sumándole y restándole per- SLAF que incluyen predicciones T+24, se produce
turbaciones de predicciones anteriores, aplicándoles una disminución del error en comparación con los ex-
factores de escala dependientes del alcance para evi- perimentos LAF pero la dispersión disminuye a pesar
tar que el conjunto este excesivamente contaminado del aumento en el número de miembros, posiblemente
por predicciones antiguas. Con este fin, se han pro- debido a los valores de escala más bajos aplicados a
bado 2 series de factores de escala (ver Tabla 18.3). las predicciones más antiguas a 24 h.
Los factores K12 = 0,75 y K24 = 0,25 utilizados en
los experimentos 10R y 15R, son los usuales y más
frecuentemente utilizados en este tipo de sistemas de
predicción por conjuntos mientras que los valores más
altos K12 = 1 y K24 = 0,5 son los utilizados en el ex-
perimento SAMEX 98 [306]. Como consecuencia de
añadir miembros simétricos con respecto al análisis,
se incrementa significativamente el número de miem-
bros del ensemble en este tipo de experimentos, de
manera que se obtienen 15 miembros en el caso de
TIGGESLAF10R y 25 miembros en el experimento
TIGGESLAF15R.
Hay algunos efectos destacables y muy positivos en

las relaciones dispersión-error como consecuencia del
cambio de la técnica LAF a SLAF en el diseño de
los experimentos. Para todas las variables estudia- Figura 18.6: Relaciones dispersión-error para la com-
das (Z500, mslp, t2m, velocidad del viento [sfc,700]) ponente u del viento a 10 metros. Los experimentos LAF
la dispersión (desviación estándar) aumenta mientras a la izquierda y SLAF a la derecha usando diferentes
que el error (RMSE) disminuye de forma sensible para factores de escala.
Figura 18.7: Relaciones dispersión-error para el vien-

to en 700 hPa. Los experimentos LAF a la izquierda y
SLAF a la derecha usando diferentes factores de escala. Figura 18.10: Relaciones dispersión-error para la pre-
sión a nivel del mar. Los experimentos LAF a la izquier-
da y SLAF a la derecha usando diferentes factores de
escala.
18.5 Conclusiones
El ECEPS (sec. 19.3 en la página 293) se comporta mejor

en términos de consistencia estadística que el resto de sis-
temas globales de predicción por conjuntos: CMA, CMC,
UKMO y NCEP archivados en TIGGE (cap. 26 en la pági-
na 387). En todos los casos se observa un comportamiento
Figura 18.8: Relaciones dispersión-error para la tempe-
subdispersivo en cuanto a la relación dispersión-error, sien-
ratura a 2 metros. Los experimentos LAF a la izquierda
do siempre la dispersión menor que el error. Sin embargo,
y SLAF a la derecha usando diferentes factores de esca-
un enfoque multimodelo formando un conjunto de miem-
la.
bros usando solo los miembros de control de cada uno de
los 5 modelos globales seleccionados, se comporta mejor
que el SPC del ECMWF (y que todos los demás), aún
siendo ligeramente sobredispersivo. En la segunda parte
del trabajo se profundiza en el enfoque multimodelo con
nuevos experimentos diseñados combinando miembros de
control para T+0, T+12 y T+24 con miembros perturbados
(T+0). Se utiliza también la técnica SLAF (Scaled Lagged
Average Forecasting), que proporcionó valores altos de
dispersión (medida con la desviación estándar) junto con
bajos errores (medidos con RMSE). El único experimento
que utiliza miembros perturbados junto con miembros de
control (TIGGE_15) proporciona resultados demasiado so-
bredispersivos. Obviamente, los factores de escala usados
para disminuir la influencia del error según el alcance de las
predicciones a T+12 y T+24, afectan de manera importante
a la dispersión (pero no al error, probablemente debido a la
Figura 18.9: Relaciones dispersión-error para la altura aplicación de forma simétrica de perturbaciones alrededor
geopotencial en 500 hPa. Los experimentos LAF a la iz- de los miembros de control), lo cual indica que se debe
quierda y SLAF a la derecha usando diferentes factores prestar especial cuidado en la elección de los valores de los
de escala. factores de escala con el fin no degradar los conjuntos.
Parte IV
Sistemas
Parte IV Sistemas
A lo largo y ancho del mundo, diferentes centros de modelización numérica de
la atmósfera y el océano han desarrollado distintos sistema(s) de predicción por
conjuntos (SPC). Al principio, sólo los centros principales del mundo y, poco a
poco, han seguido otros. Sabiendo que es imposible describir todos ellos con el
detalle que merecen, hemos seleccionado los que conocemos mejor, por trabajar
directa o indirectamente en su desarrollo o por utilizarlos como referencia o como
herramienta. Comenzamos en la escala global con un capítulo dedivcado al SPC
global llamado ECENS, del European Centre for Medium-range Weather Forecasts
-Centro Europeo de Predicción a Plazo Medio- (ECMWF). Pasando a la escala re-
gional europea, describimos el GLAMEPS de HIRLAM en otro capítulo. Siguen
dos capítulos para mostrar los sistemas hechos en España: AEMET-SREPS y el
reciente AEMET-γSREPS. Los sistemas del Reino Unido y de México se describen
después. Acto seguido, exponemos el proyecto MyWave de predicción del oleaje
por conjuntos. Cerramos esta parte con un capítulo que intenta describir, de forma
muy general, una buena parte de los SPC del mundo, tomando como marco de refer-
encia los proyectos The (Thorpex) International Grand Global Ensemble (TIGGE)
y TIGGE-LAM.
Página anterior: entorno del aeropuerto de Jerez de la Frontera el 18 de febrero de 2014,

desde ventanal con orientación este de la Oficina Meteorológica Aeronáutica (OMA). Se
pueden divisar las instalaciones de CLH (encargadas de suministrar fuel de repostaje para
las aeronaves que operan en el aeropuerto). Detrás de ellas, a cierta distancia, un cb con
virgas. Fotografía tomada por P EPE T ORRES, con un Samsung Galaxy SII y posterior
aplicación de un filtro de instagram.
El Centro Europeo de Predicción a Medio Plazo
19
DOI: 10.31978/014-18-009-X.19
D ELIA G UTIÉRREZ RUBIO
Área de Información Meteorológica y Climatológica, Agencia Estatal de Meteorología (AEMET)
A NNA G HELLI
International Liaison Officer, ECMWF
Our 2025 ambition raises the international bar. Given the greater likelihood of life-threatening climate change
impacts on the Earth’s weather, we will harness rapidly advancing data availability and technology to stretch
the accuracy and range of predictions further and faster. [...] ECMWF is a shining example of the value of
European and global cooperation in the scientific field, and one which has tangible benefits day in, day out for
dozens of national economies and millions of people’s daily lives.
Plan estratégico 2016-2025 – F LORENCE R ABIER, Directora General del ECMWF
El Centro Europeo de Predicción a Medio Plazo es puntero a nivel mundial en la predicción numérica, y su
estrategia de futuro apuesta decididamente por la predicción probabilista. Nos proponemos contar en qué consiste
este organismo, quiénes lo integran, cómo se trabaja allí (y dónde es allí) y qué se hace. Qué son el IFS, el
HRES, el ENS, y por qué son tan reconocidos en el mundo de la predicción meteorológica. Cómo funciona
el sistema de predicción por conjuntos del Centro Europeo y por qué la estrategia del centro se vuelca en un
ambicioso desarrollo de dicho sistema. Cuál es la participación española en la institución. La «brecha de género»
que aqueja al mundo científico en general y meteorológico en particular, ¿se refleja también en un organismo tan
prestigioso como éste? Y, como el propio presidente del organismo, lo resumimos todo en dos palabras: «Más
colaboración».
Palabras clave: Centro Europeo de Predicción a Medio Plazo, CEPPM, European Centre for Medium-range Weather
Forecasts, ECMWF, sistema integrado de predicción IFS, modelo determinista ECHRES del ECMWF, sistema de predicción
por conjuntos ECENS del ECMWF.
Imagen parte superior: a la entrada del Centro Europeo, una curiosa tradición ha hecho acumular patitos de goma, que casi se han
institucionalizado como mascota del centro. Si vas a Reading, puedes contribuir y dejar tu patito. Fotografía: D ELIA G UTIÉRREZ.
290 Física del caos en la predicción meteorológica Capítulo 19. El Centro Europeo de Predicción a Medio Plazo
Figura 19.1: Todos los viernes, la plantilla del centro se reúne en la «Weather Room» para discutir, en un ambiente
informal y distendido, los eventos e incidencias más significativos de la semana pasada y las previsiones. A la
derecha, E RVIN Z SOTER (Hungría), dando el «briefing» en la Weather Room. Fotografías: D ELIA G UTIÉRREZ.
19.1 El Centro Europeo o ECMWF En el centro trabajan unas 350 personas de más de 30
países, en un ambiente de colaboración, cosmopolita y
El European Centre for Medium-range Weather Fore- acogedor. En un curso de formación típico participan
casts -Centro Europeo de Predicción a Plazo Medio- de 20 a 25 alumnos procedentes de al menos 10 países,
(ECMWF) es una organización intergubernamental a los que se suman una decena, aproximadamente, de
formada, a fecha de enero de 2016, por 34 estados profesores -investigadores del Centro Europeo-, tam-
miembros o colaboradores (32 europeos, Marruecos bién de orígenes diversos. La lengua utilizada es un
e Israel), y con sede en Reading (Reino Unido). Fue euro-english con casi todos los acentos posibles.
fundado en 1975 con el objetivo de sumar recursos pa-
ra producir mejores datos y pronósticos a medio plazo. La mentalidad abierta y flexible en este centro, cu-
Se trata de un centro tanto de investigación como de yos resultados son punteros a nivel mundial, se pone
servicios operativos de predicción numérica del tiem- de manifiesto de muchas formas. Por ejemplo, los
po en un amplio abanico de escalas. Sus productos empleados tienen a su disposición una mesa de ping-
y recursos de supercomputación están a disposición pong, un gimnasio y otras facilidades para practicar
de los servicios meteorológicos de los estados miem- deporte durante su jornada laboral. El ECMWF es una
bros, y también facilita servicios comerciales para de esas instituciones donde la rigidez y el control han
todo el mundo. Desde 2014 es la entidad europea que sido sustituidos por una flexibilidad que los resultados
brinda dos de los servicios del programa Copernicus demuestran como muy productiva. Las Figuras 19.1 y
(http://copernicus.eu/), de siete años de dura- 19.2 muestran, respectivamente, el Weather Room y
ción. Anteriormente llamado Global Monitoring for los paneles meteorológicos en el vestíbulo.
Environment and Security, Copernicus es un proyecto
dirigido conjuntamente por la Agencia Espacial Eu-
ropea (ESA) y por la Unión Europea a través de la
Agencia Europea de Medio Ambiente, con el objeto
de brindar una completa, continua y autónoma capa-
cidad de observación terrestre de alta calidad cuyos
resultados sean accesibles libremente por la comuni-
dad científica.
Facilitar formación a los científicos de los países

miembros y colaboradores es también una actividad
esencial de la organización. La formación se orienta a
la predicción numérica y al uso de los citados servi- Figura 19.2: Paneles a la entrada del Centro, incluyendo
cios de supercomputación del centro, así como de los una bienvenida al curso de formación para formadores
productos elaborados. (enero de 2016). Fotografía: D ELIA G UTIÉRREZ .
19.2 El Sistema Integrado de Predicción o IFS 291
Figura 19.3: A la izquierda, malla del modelo determinista hasta 2016, y a la derecha la malla octaedral del nuevo
modelo determinista. ECMWF.
19.2 El Sistema Integrado de Pre- los mejores del mundo. En la Figura 19.4 en la pági-
na siguiente se muestran dos gráficas comparativas
dicción o IFS
de calidad entre los mejores modelos globales, con-
trastando las calidades de las predicciones de altura
Los sistemas predictivos del ECMWF se hallan inte-
geopotencial en 500 hPa en el hemisferio norte en
grados en el llamado Sistema Integrado de Predicción,
zonas extratropicales.
IFS [317] que consta de una serie de componentes
para la modelización atmosférica, como el modelo de-
terminista de alta resolución, HRES-IFS o ECHRES Naturaleza espectral del modelo HRES-IFS. La di-
y el sistema de predicción por conjuntos, ENS-IFS o námica del modelo HRES-IFS trabaja con ondas at-
ECENS. mosféricas en el llamado espacio espectral, mientras
que sus parametrizaciones físicas trabajan en el espa-
cio físico. Mediante transformaciones de F OURIER
Dos veces al día el Centro Europeo integra un modelo
la dinámica y la física intercambian datos entre un
numérico determinista de escala global, denomina- espacio y otro. En el espacio espectral hablamos de
do HRES por high resolution (también ECHRES o número de ondas resuelto por la dinámica (resolución
HRES-IFS) es un modelo espectral (cap. 10.4 en la espectral) y en el espacio físico hablamos usualmente
página 135). En 2016 aumentó su resolución de 16 de distancias (resolución nominal u horizontal). La
km a 9 km, una resolución sin precedentes para mode- versión de 2016 del modelo HRES-IFS o ECHRES,
los globales (ver Anexo A en la página 927 para las manteniendo un número de ondas de 1279 en el es-
resoluciones y orografías). Tiene un alcance temporal pacio espectral, pasó de trabajar en una rejilla física
gaussiana reducida N640 a una rejilla física gaus-
de 10 días y 137 niveles en la vertical. La versión de
siana octaedral O1280. Se denota que ha pasado de
2016 incluye otras mejoras, como una malla octaedral TL 1279/N640 a TCO 1279/O1280. En el espacio físi-
cúbica (Figura 19.3), para que la resolución útil sea co, aumentó su resolución horizontal de 16 a 9 km,
más alta y más uniforme en todo el globo. manteniendo sus niveles verticales en 137 y un paso
de tiempo de 450 s.
El modelo ECHRES está reconocido como uno de
Figura 19.4: Comparativa de calidades de las predicciones de altura geopotencial en 500 hPa en el hemisferio
norte para distintos modelos globales. Arriba: decaimiento de la calidad con el alcance predictivo (sec. 15.2.5 en la
página 213) en MJJ de 2017. Abajo: serie temporal de límite de predecibilidad (sec. 15.2.5 en la página 213) desde
2002 hasta ahora (2018). Aunque el modelo del Centro Europeo, en rojo, tiende a permanecer en general en las
mejores posiciones para latitudes medias y para variables meteorológicas de carácter dinámico como ésta y así se
plasma en la figura inferior, en la figura superior el modelo americano del NCEP está algo más cerca del europeo
del ECMWF. Si se dibujaran barras de error, las diferencias tendrían una significación más precisa. ECMWF.
19.3 El Sistema de Predicción por Conjuntos del ECMWF (ECENS o ENS-IFS) 293
Profundizando en la Figura 19.4 en la página anterior, inequívoca, apuntando a describir la variedad de es-
la gráfica superior muestra un promedio en mayo, ju- cenarios posibles y la probabilidad de ocurrencia de
nio y julio de 2017 del decaimiento de calidad según el cada uno, con el objetivo de aumentar los estándares
alcance predictivo de 24, 48, 72 horas, etc. (sec. 15.2.5 de calidad y fiabilidad de las predicciones operativas.
en la página 213), en términos del llamado coeficiente
de correlación de anomalías (sec. 15.2.3 en la pági- Además de esta componente atmosférica, en el Centro
na 211, cuanto más alto, más consistente es la anoma- Europeo se realiza también modelización de la cir-
lía del modelo con la anomalía de las observaciones). culación oceánica (NEMO), modelización del oleaje
En la gráfica inferior podemos ver una serie temporal (WAVE), así como reanálisis atmosférico y de oleaje,
de límite de predecibilidad (sec. 15.3 en la página 216, que es de enorme interés para el análisis del clima. El
una medida de hasta cuántos días son razonables las Sistema Tierra es un sistema complejo, con diversos
predicciones, cuantos más días, mejor), a lo largo de componentes que interaccionan mutuamente entre sí,
los años 2002 a 2018. Normalmente el ECHRES, en de ahí la importancia de modelizar estos componentes
rojo, tiende a permanecer en las mejores posiciones y simular las interacciones entre ellos. El modelo de
para latitudes medias y para variables meteorológicas oleaje está acoplado con el atmosférico para obtener
de carácter dinámico como es la altura geopotencial. resultados más realistas.
En la figura inferior, ECHRES está en cabeza a lo
largo de todo el periodo, con límites de predecibilidad Un sistema de dos supercomputadores sostiene toda
desde 5.5 hasta algo más de 6.5 días. En la figura supe- la ingente capacidad de cálculo que el IFS requiere.
rior, el modelo europeo del ECMWF también presenta Cada supercomputador consta de más de 8000 compu-
la mejor calidad, pero el americano del NCEP le sigue tadores conectados. En 2016 se encontraban en las
con una diferencia menos significativa, sobre todo en posiciones 47 y 48 del ranking mundial de compu-
tación. El Centro de Supercomputación también inclu-
los primeros y últimos alcances predictivos. Hay que
ye un sistema de archivo, Meteorological Archival and
señalar que, para estos resultados, se verifica cada mo- Retrieval System (MARS), el mayor archivo meteoro-
delo utilizando su propio análisis (e. g. para verificar lógico del mundo, que en junio de 2016 almacenaba
ECHRES se usa el análisis construido con ECHRES, más de 100 petabytes y aumentaba unos 120 terabytes
y para verificar GFS del NCEP se usa el análisis del cada día. Cuando se visita el centro, es impactante ver
GFS; si se usara el mismo análisis para todos, saldría a los robots desplazarse con velocidad y precisión pa-
beneficiado el modelo correspondiente a ese análisis). ra localizar las cintas, respondiendo a las solicitudes
de los usuarios. Como mencionaremos más adelan-
Pero, sobre todo, hay que señalar que, para diferentes
te, la estrategia de futuro del Centro Europeo tiene
parámetros y alcances predictivos, modelos de tanta muy presente la supercomputación (sec. 11.3 en la
calidad pueden presentar resultados con diferencias página 148).
en calidad de distintas significaciones.
La componente de modelización de la circulación at-

mosférica incluye, además del modelo HRES, otros 19.3 El Sistema de Predicción
elementos como el sistema de predicción por con- por Conjuntos del ECMWF
juntos a medio plazo (hasta 15 días, ECENS, sec-
ción 19.3) y extendido (hasta un mes), el sistema de (ECENS o ENS-IFS)
asimilación de datos 4DVAR y el ensemble de asimi-
lación de datos EDA, la predicción estacional y por La formación que el Centro Europeo imparte a sus
último las repredicciones, que son la base de la clima- usuarios incide muy especialmente, desde hace ya
tología del modelo (sec. 27.7.1 en la página 419), a años, en el uso e interpretación de los productos del
partir de la cual y, con el sistema de predicción por sistema de predicción por conjuntos, Ensemble Pre-
conjuntos (sec. 19.3 y cap. 13 en la página 165), pode- diction System, ENS, también denominado ECENS
mos obtener indicadores del carácter extremo de los o ENS-IFS [449]. La razón por la que este sistema
valores previstos, indicadores como el Extreme Fore- es ya imprescindible es que sabemos que, por mucho
cast Index, EFI (sec. 27.7.2), o el Shift of Tail, SOT que mejoren los modelos numéricos del tiempo, las
(sec. 27.7.3). Como veremos al hablar de los planes de predicciones meteorológicas siempre van a llevar in-
futuro, la apuesta del ECMWF para la década 2016- herente un factor de incertidumbre. Esto es así, en
2025 por el sistema de predicción por conjuntos –que primer lugar, porque las ecuaciones que se utilizan
celebraba su 25 aniversario en septiembre de 2017- es para simular la atmósfera corresponden a un sistema
físico de los denominados caóticos: entre otras pro- de 51 miembros que calculan predicciones a partir de
piedades, cualquier cambio, por pequeño que sea, en condiciones iniciales perturbadas. Estos 51 modelos
las condiciones iniciales del sistema se amplifica en el tienen una resolución menor que el HRES, pues, de
tiempo, llevando a resultados completamente diferen- lo contrario, las necesidades computacionales serían
tes [80, 84]. Por tanto, como no es posible determinar insostenibles. Los 51 modelos se integran 2 veces al
el estado inicial de la atmósfera con una precisión ab- día, con un alcance de hasta 15 días, y una resolución
soluta (hasta el aleteo de una mariposa lo perturba...), horizontal que es ya de 18 km (A principios de 2016
contamos con una fuente de incertidumbre inexorable. era de 32 km hasta el décimo día de alcance, y de
A esta se suma una segunda fuente de error, como es 64 km para los últimos 5 días) y con 91 niveles ver-
la propia limitación de los modelos numéricos que, ticales. Existe además una versión extendida, el ENS
por muy buenos que sean, solo pueden hacer una simu- Extended, con alcances desde el día 16 al 46 y una
lación aproximada del complejo sistema de procesos resolución horizontal de 36 km. Como veremos, la
atmosféricos. En resumen, son dos los factores que hoja de ruta hasta 2025 del Centro pasa por continuar
influyen en la calidad de una predicción: la incerti- mejorando, de manera radical, el ECENS.
dumbre en las condiciones iniciales de la atmósfera y
las aproximaciones utilizadas por los modelos para re- Naturaleza espectral del ENS-IFS o ECENS. La
presentar los procesos físicos que ocurren en la misma versión de 2016 del sistema de predicción por conjun-
(Figura 19.5). Estos dos factores dan lugar a errores, tos, ENS-IFS o ECENS, mantuvo el número de ondas
que se amplifican al avanzar en el alcance temporal de en 639 en el espacio espectral y pasó de trabajar en una
la predicción. Por tanto, puesto que las predicciones rejilla física gaussiana reducida N320 a una rejilla fí-
llevan una incertidumbre inherente, la predicción mo- sica gaussiana octaedral O640, lo que se denota como
derna consiste no sólo en dar un pronóstico (una única que ha pasado de TL 639/N320 a TCO 639/O640. En
el espacio físico su resolución horizontal ha pasado de
predicción determinista), sino en cuantificar esta in-
32 km a 18 km. Sus niveles verticales se mantuvieron
certidumbre. El sistema de predicción por conjuntos en 91 y el paso de tiempo en 720 s.
es la herramienta para estimar el margen de error de
nuestra predicción.
El ECENS representa la incertidumbre en las condicio-

nes iniciales mediante un conjunto de 51 modelos (el
de control, que es la versión de menor resolución del
HRES, y 50 modelos perturbados), cada uno de ellos
con condiciones iniciales similares, pero no idénticas,
que permiten representar el estado inicial de la atmós-
fera lo mejor posible. Las primeras configuraciones
del ENS asumían que la incertidumbre en el pronós-
tico estaba dominada por el error o la incertidumbre
en las condiciones iniciales [274]. Algunos estudios
habían demostrado que, cuando dos modelos difieren
Figura 19.5: Conjunto de procesos físicos que un mode- en sus pronósticos, eran las diferencias en el análisis
lo numérico del tiempo debe parametrizar. ECMWF. inicial, más que las diferencias en la formulación de
los modelos, lo que resultaba crítico para explicar los
distintos resultados. Estudios posteriores demostraron
El ENS se hizo plenamente operativo en 1992, y desde que los errores aleatorios de los modelos debidos a las
entonces ha experimentado mejoras sustanciales en parametrizaciones físicas y los efectos de los procesos
la formulación del modelo, la asimilación de datos y de escala inferior a la del grid (la malla de puntos
la cuantificación de las incertidumbres. En 2010 se del modelo) también afectaban a la calidad del pro-
mejoró la simulación de las incertidumbres en las con- nóstico. En noviembre de 2010 se introdujeron en el
diciones iniciales con la inclusión de perturbaciones ENS dos esquemas que representan estas incertidum-
definidas por el método llamado Ensemble of Data As- bres del modelo: el esquema Stochastically Perturbed
similations, EDA [82, 314] y se revisaron a fondo los Parameterization Tendencies, SPPT [83, 488] y el es-
esquemas usados para simular las incertidumbres de quema Stochastic Kinetic Energy Backscatter, SKEB
los modelos. El sistema actual consiste en un conjunto [46, 577]. Las parametrizaciones estocásticas usadas
19.3 El Sistema de Predicción por Conjuntos del ECMWF (ECENS o ENS-IFS) 295
en el ECMWF tienen un importante impacto positivo llevados a cabo usando solo las perturbaciones ini-
en la calidad de la predicción [580]. ciales EDA no han podido representar correctamente
todas las fuentes de incertidumbre. Por tanto, se pro-
Al principio, la técnica usada para realizar las perturba- puso [82] una aproximación híbrida al problema, com-
ciones iniciales al modelo era la denominada Vectores binando las perturbaciones EDA y las de los Vectores
Singulares, de acuerdo con los trabajos de L ORENZ Singulares. Las perturbaciones EDA representan los
[391] y FARRELL [193], quienes demostraron que errores que se han desarrollado en el pasado, mientras
este tipo de perturbaciones dominan la dinámica del que las basadas en los Vectores Singulares represen-
sistema en intervalos de tiempo finitos. Más tarde, el tan las estructuras que pueden dominar el error en el
sistema EDA [314], se ha unido a los vectores sin- futuro, aproximadamente del día 2 en adelante.
gulares, trabajando conjuntamente en la actualidad
con ambas técnicas para generar las perturbaciones
iniciales [82, 376]. Como salida del ECENS, en lugar de tener una predic-
ción, tenemos 51, llamadas miembros, que nos mues-
El sistema EDA perturba con ruido estocástico los tran un abanico de escenarios atmosféricos plausibles.
valores iniciales procedentes de las observaciones. La Cuando la dispersión de los pronósticos es pequeña, y
varianza de las perturbaciones viene dada por la va- es razonablemente consistente con la determinista de
rianza estimada del error de las observaciones que se mayor resolución, entonces sabemos que la predecibi-
usa en la asimilación de datos. Adicionalmente, las lidad (cap. 12 en la página 155) es grande. En cambio,
incertidumbres del modelo se representan en el EDA una gran dispersión de los resultados nos indicará que
usando el esquema SPPT. Los miembros del EDA son la incertidumbre es muy alta, y una inconsistencia con
producto de la perturbación de todas las observaciones el modelo determinista de mayor resolución nos indi-
y del campo de temperatura de la superficie del mar, ca que la resolución juega un papel crítico y por tanto
usando el esquema SPPT que perturba la tendencia de debemos mirar el ENS con precaución (ver Figura
todos los procesos físicos parametrizados, de modo 19.6). La proporción de miembros del ensemble que
que simula un error aleatorio del modelo. Si todas las prevé unas condiciones determinadas, indica la pro-
fuentes de error relevantes estuvieran bien represen- babilidad de que ocurra. Estos aspectos se describen
tadas en el EDA, este sistema debería facilitar una en profundidad y detalle en el capítulo 27 y también
muestra fiable de la distribución de las incertidumbres en la Guía de usuarios de los productos del ECMWF
iniciales. No obstante, los experimentos de predicción [509].
Figura 19.6: Predecibilidad dependiente del flujo: predicciones de temperatura para Londres en dos episodios de
distinta predecibilidad. Se muestran los 51 miembros en rojo y negro y los valores observados en azul. Cuando las
predicciones de los distintos miembros se parecen más (izquierda), hay menos dispersión y la atmósfera es más
predecible. Por el contrario, cuando la dispersión es mayor (derecha), hay más incertidumbre en el pronóstico.
ECMWF.
Figura 19.7: Evolución con el tiempo de la calidad del modelo en zonas extratropicales, a la izquierda en el
hemisferio norte y la derecha en el sur. Ver texto. ECMWF.
Los resultados de los 51 miembros del ENS se pueden una NAO (North Atlantic Oscillation, ver sec. 29.2.2
mostrar uno a uno (51 sellos), pero normalmente se en la página 485) fuerte, que contribuyó a aumentar
trabaja con una variedad de productos derivados: esce- la predecibilidad de la atmósfera en los extratrópicos.
narios agrupados (clusters o grupos, y supergrupos), Es interesante señalar que en 2016 el CRPSS alcanzó
mapas de probabilidad (por ejemplo, los mapas de niveles similares a los de 2010, a pesar de que no se
probabilidad de precipitación de la Agencia Estatal dio una NAO intensa.
de Meteorología (AEMET)), meteogramas, media del
ensemble y dispersión, índice EFI (Extreme Forecast La Figura 19.8 en la página siguiente evidencia clara-
Index), etc. mente la mejoría que supone el ENS (y son datos con
la versión de 2014, de peor resolución que la actual)
Para evaluar la calidad de los sistemas de predicción para la predicción a medio plazo. En este contexto,
por conjuntos, un indicador habitualmente utilizado parece evidente que las predicciones modernas de-
es el CRPSS (Continuous Ranked Probability Skill ben abandonar el lenguaje determinista para pasar a
Score, sec 15.9.9 en la página 232). Este índice evalúa informar de cuáles son los escenarios posibles y cuá-
la función de distribución acumulada del pronóstico les las probabilidades, pues de este modo aumenta
frente a un sistema de referencia no calificado, es de- el valor relativo del uso del sistema predictivo y se
cir, aquel que no presenta pericia, habilidad o destreza facilita al usuario la posibilidad de tomar mejores de-
(en inglés, skill, sec. 15.2.4 en la página 212) como cisiones. Como no siempre resulta intuitiva la mejora
es el reanálisis basado en la climatología del mode- para el usuario que supone una predicción probabilis-
lo, ERA-Interim [285]. La Figura 19.7 muestra, para ta, durante los cursos formativos hay oportunidad de
cada mes, el alcance de la predicción (eje vertical) comprobar la utilidad de este tipo de información me-
para el cual la media móvil de 3 meses (línea azul) diante juegos en los que los alumnos toman decisiones
o la media móvil de 12 meses (línea roja) -centradas e «invierten» el capital que el Centro les facilita (¡en
en este mes- del CRPSS, aplicado a la predicción de moneda ficticia!) en función de la información sobre
temperatura a 850hPa del ECENS, cae por debajo del la probabilidad de que un cierto riesgo meteorológico
25 %. Este umbral se considera apropiado por el sub- ocurra.
grupo de verificación del Comité Asesor Técnico del
ECMWF y viene a señalar el límite de predecibilidad La estimación de la incertidumbre asociada a los aná-
u horizonte de predicción razonable o, dicho con ter- lisis y a los pronósticos es todavía un desafío para la
minología común, «hasta cuántos días son fiables las evolución de la predicción por conjuntos. La introduc-
predicciones». Por ejemplo, durante 2010, en perio- ción de modelos del sistema climático o sistema Tierra
dos de 3 meses-línea azul- se alcanzó el horizonte de aumentará la complejidad de los sistemas de predic-
10 días en el Hemisferio Norte (HN) y el de 8 días ción y será necesario investigar en la formulación de
en el Hemisferio Sur (HS) pero, en el año 2010 en los errores del modelo, de modo que representen me-
conjunto-línea roja- se alcanzó el de 9 días en el HN jor la incertidumbre asociada a los procesos físicos y
y casi el de 8 días en el HS. La tendencia muestra su evolución en las escalas temporal y espacial. Ade-
una continua mejora, con registros particularmente más, para mejorar la precisión de los pronósticos de
altos en el año 2010, que fue un año dominado por fenómenos de alto impacto, serán necesarios sistemas
19.4 Proyectos: Plan estratégico 2016-2025 del ECMWF, la hoja de ruta hasta 2025 297
Figura 19.8: Verificación de resultados de la predicción de geopotencial en 500 hPa para Europa por los 51 miembros
del ENS (líneas negras), por la media de los 51 miembros (línea azul) y por el modelo de alta resolución (línea roja).
La media del ensemble es claramente mejor que el HRES a partir del cuarto o quinto día. ECMWF.
de predicción por conjuntos de alta resolución hori- implica mejorar la capacidad de asimilar observacio-
zontal y vertical. El Centro Europeo pretende integrar nes diversas de manera más eficaz. Esto supone un
un ensemble de alta resolución, con una resolución gran desafío que implicará investigar y revisar toda la
horizontal de unos 5 km hasta un alcance de dos se- cadena de predicción para ganar en eficiencia compu-
manas, para 2025. Aumentar la resolución también tacional.
19.4 Proyectos: Plan estratégico menta los estándares de calidad y fiabilidad de las
predicciones operativas. Si actualmente las predic-
2016-2025 del ECMWF, la
ciones a medio plazo son acertadas, en promedio,
hoja de ruta hasta 2025 hasta una semana de plazo, para 2025 el objetivo es
conseguir que las predicciones por conjuntos sean
El ECMWF ha hecho públicos sus objetivos estratégi- acertadas, para fenómenos de alto impacto, hasta
cos hasta 2025 -por supuesto, en la línea de proveer con dos semanas de antelación. También se pre-
los pronósticos necesarios para contribuir a salvar vi- vé desarrollar un enfoque sin costuras (seamless)
das, proteger infraestructuras y promover el desarrollo -también denominado sin discontinuidades- orienta-
económico- y los resume en: do a predecir estructuras de gran escala y cambios
de régimen hasta con cuatro semanas de antelación,
Investigación para desarrollar un modelo global in- y anomalías de escala global hasta con un año de
tegrado del sistema climático (o sistema Tierra) con antelación.
vistas a mejorar la fiabilidad de los pronósticos para
plazos de hasta un año. Esto implica enfrentarse a El Centro Europeo basa su estrategia para los próxi-
los problemas más difíciles de la predicción numé- mos diez años en los grandes avances ya realizados en
rica, como el bajo nivel de acierto actual para los asimilación de datos, desarrollo de modelos, estima-
pronósticos a un mes de plazo en Europa. ción de la incertidumbre y acoplamiento de los compo-
Basar los análisis y predicciones operativos en el nentes del sistema climático (o sistema Tierra), junto
sistema de predicción por conjuntos (Figura 19.9), con el abordaje de grandes desafíos computacionales
que describe la variedad de escenarios posibles y tales como el big data (sec. 11.6 en la página 151) y
la probabilidad de ocurrencia de cada uno, y au- la eficiencia computacional, con el resultado esperado
de un gran salto en la predicción numérica. La colaboración con la OMM (Organización Me-

teorológica Mundial) redunda en el acceso de los
La estrategia del ECMWF en cuanto a supercompu- países menos desarrollados a datos críticos para la
tación se resume en dos aspectos: protección de las poblaciones.
La colaboración con la Unión Europea se traduce
Escalabilidad de los códigos, para hacer un uso
en becas de investigación en áreas como la escalabi-
eficiente de la capacidad de computación.
lidad (sec. 11.5 en la página 151) de los modelos o
Instalaciones de alto rendimiento, que permitan la
la predicción estacional, y también en la operación
innovación, de manera energéticamente eficiente y
de los servicios del programa Copernicus (el pro-
medioambientalmente sostenible (Figura 19.10).
grama de la Comisión Europea para la observación
de la Tierra) relacionados con el cambio climático
y con la vigilancia de la atmósfera.
Además, la estrategia 2016-2025 apuesta por la per-

manencia del ECMWF en las instituciones y las redes
europeas y mundiales, y por la apertura a nuevas opor-
tunidades.
Figura 19.9: ENS. Ilustración del folleto informativo

Fact sheet: Ensemble weather forecasting disponible en
el web del Centro Europeo. La apuesta por la predicción
probabilista es uno de los pilares de la estrategia del
ECMWF. Imagen: web del ECMWF.
Figura 19.10: En junio de 2016, el consejo del Cen-

En palabras de presidente del consejo del Centro Eu- tro aprobó la propuesta de Italia de acoger en Bolonia
ropeo, G ERHARD A DRIAN, las bases de la estrategia el nuevo Centro de Datos del ECMWF. La sede prin-
cipal del Centro permanecerá en Reading. El nuevo
se pueden resumir en dos palabras: más colaboración.
centro está previsto para 2019. Imagen: galería Flickr
La colaboración es el secreto del éxito seguramente del ECMWF.
en cualquier cosa, pero sin duda lo es en predicción
meteorológica, y el Centro Europeo es un magnífico
ejemplo de colaboración entre los 34 países miembros
y asociados, colaboración entre la plantilla del centro
19.5 Participación española
-de unos 30 países distintos-, colaboración con exper-
tos internacionales de todo el mundo, colaboración España es miembro del Centro Europeo desde su fun-
con variopintas instituciones y organismos... dación en 1975. En 2016 había 15 españoles emplea-
dos en el Centro (del orden del 4 % del personal), de
La colaboración con universidades y organismos diversa formación y experiencia previa, en meteorolo-
de investigación se concreta en el programa Open- gía o en otros campos. En el sitio web del Centro se
IFS, una reciente versión del modelo del ECMWF puede encontrar detallada información sobre el trabajo
disponible para investigación y formación. en el ECMWF, las ofertas concretas, las condiciones
La colaboración con EUMETSAT (Organización de trabajo, los valores de la organización («aptitud,
Europea para la Explotación de Satélites Meteo- profesionalidad, honestidad, integridad, transparencia,
rológicos) la ESA (Agencia Espacial Europea) y trato justo y equitativo, espíritu de equipo y respe-
otras agencias espaciales sigue siendo estratégica, to mutuo [...] Se espera del personal del ECMWF
tanto para sacar el mayor partido de las crecientes que contribuya a una cultura de trabajo donde la ho-
observaciones por satélite como para asegurar el nestidad y la integridad prevalecen»). En el apartado
mayor provecho de las inversiones realizadas por «What our staff say» del web podemos conocer al-
los países en los programas satelitales. gunas impresiones de X AVIER A BELLÁN, analista
19.6 Participación femenina 299
en el Departamento de Predicción, con experiencia esperar, no es un porcentaje muy distinto de la pobre

previa en el BSC (Barcelona Supercomputing Cen- media de los servicios meteorológicos, sin embargo,
ter): «encuentro especialmente gratificante ayudar a es destacable que la nueva (desde enero de 2016) Di-
los usuarios a resolver sus problemas y aprovechar al rectora General del Centro es una mujer, la francesa
máximo los recursos del Centro». F LORENCE R ABIER. En la Figura 19.12 podemos ver
a buena parte de esta representación.
La contribución de España al presupuesto del Centro
para 2017 es del 7,53 %, lo que se traduce en 3 273 000
libras esterlinas. El Centro Europeo se financia princi- 19.7 Epílogo
palmente en base a las aportaciones de sus miembros,
de acuerdo con una escala basada en el PIB de cada
país, pero una parte significativa de su presupuesto
proviene de la venta de datos y productos y, sobre
todo, de proyectos con financiación externa. En 2016,
el presupuesto total del Centro Europeo fue de casi
87 M de libras esterlinas, de las que algo más de 43 M
fueron aportados por los países miembros y cooperan-
tes. (Datos del informe financiero de 2016 disponible
en la web del ECMWF).
Figura 19.11: Centro de Reading. El Centro Europeo se

19.6 Participación femenina encuentra lejos de este punto, en una zona residencial
de las afueras. Fotografía: D ELIA G UTIÉRREZ .
En 2016, para celebrar el Día Internacional de la Mu-
jer, 8 de marzo, el ECMWF fue anfitrión de la Royal
Meteorological Society para celebrar la contribución La apacible ciudad de Reading (Figura 19.11) alberga
femenina en meteorología y climatología, donde tuvo desde 1975 uno de esos lugares donde el prodigio de
lugar un debate sobre la brecha de género en la cien- la inteligencia y el conocimiento se suman al de la
cia. Las mujeres solo suponen un tercio del total de colaboración y el entendimiento para dar los mejo-
empleados en los servicios meteorológicos nacionales, res resultados, en beneficio de todos. Los científicos
y tan sólo el 19 % de los empleados de nivel superior. del tiempo han conseguido una atmósfera de trabajo
En el Centro Europeo, las mujeres han pasado de ser multicultural, abierta y creativa (y suficientemente fi-
el 14 % en 1979 al 26 % en 2016 (datos del informe nanciada), que algún viento debería extender por todo
anual de 2016 en el web del ECMWF). Como cabría el continente.
Figura 19.12: Empleadas del Centro Europeo. Fotografía: web del ECMWF.
El consorcio HIRLAM y el SPC GLAMEPS
20
DOI: 10.31978/014-18-009-X.20
G EMA M ORALES M ARTÍN

Área de Modelización, Agencia Estatal de Meteorología (AEMET)

Centro Nacional de Predicción (CNP), AEMET
Individualmente, somos una gota. Juntos, somos un océano.
Ryunosuke Satoro – E SCRITOR JAPONÉS,
El desarrollo y mantenimiento de los modelos numéricos de predicción del tiempo es tremendamente complejo, razón
por la que han ido surgiendo grandes colaboraciones internacionales para tal fin. Un ejemplo de esta colaboración es el
Centro Europeo de Predicción a Plazo Medio (ECMWF, cap. 19 en la página 289), enfocado en modelos globales, ligados
al medio plazo. Otro tipo de colaboración se consigue formando consorcios, modalidad en la que los distintos servicios
meteorológicos aportan recursos económicos y de personal, se suele trabajar de forma distribuida en los distintos países y
se enfoca más bien en modelos regionales o de área limitada, ligados al corto y muy corto plazo. AEMET forma parte del
consorcio HIRLAM, consorcio pionero nacido en 1985, que tiene una colaboración muy estrecha con el consorcio ALADIN.
Fruto de esta colaboración resulta el Sistema compartido ALADIN-HIRLAM dentro del cual HARMONIE-AROME es una
configuración (llamada a veces modelo por sencillez). GLAMEPS, SPC de escala sinóptica, fue el primer SPC fruto de
la misma colaboración HIRLAM-ALADIN, con una importante participación española. Presentamos en este capítulo el
panorama de HIRLAM, comentando brevemente sobre otros consorcios europeos, así como el SPC sinóptico GLAMEPS,
primer SPC paneuropeo.
Palabras clave: High-Resolution Limited-Area Model (HIRLAM), modelo HIRLAM, modelo HARMONIE, consorcio
HIRLAM, consorcio ALADIN, consorcio COSMO, consorcio LACE, SPC GLAMEPS, Harmon-EPS.
Imagen parte superior: parte superior de nubes cumuliformes en crecimiento, con bellas tonalidades azules. Fotografía de J UAN C ARLOS
G ARCÍA C OLOMBO.
302 Física del caos en la predicción meteorológica Capítulo 20. El consorcio HIRLAM y el SPC GLAMEPS
Figura 20.1: Mapa de los consorcios meteorológicos. HIRLAM.
20.1 El consorcio HIRLAM y otras entre ellos con el fin de colaborar en el desarrollo de
un sistema común de predicción orientado al corto y
agrupaciones europeas
muy corto plazo.
Los primeros modelos utilizados en meteorología fue-
ron los de escala global. Es decir, modelos que repre- El consorcio HIRLAM (High-Resolution Limited-
sentaban la atmósfera a escala planetaria y con una Area Model, http://www.hirlam.org/) fue el pri-
resolución espacio-temporal de los procesos bastante mero que surgió, en el año 1985, para dotar a sus
pobre. Un aumento de esta resolución y, por tanto, una países miembros de un sistema de predicción numé-
mejor descripción de los fenómenos más pequeños, rica de área limitada. Inicialmente estaba constituido
siempre supone un coste computacional mayor. Por por tres países: Finlandia, Noruega y Suecia. En enero
ello, la mejora de los modelos globales siempre ha ido de 1990, el servicio meteorológico finlandés fue el
emparejada con el avance en la capacidad de cálculo primer instituto que puso en marcha de forma opera-
de los ordenadores. Otra manera de incrementar la tiva el modelo HIRLAM. Aunque habitualmente nos
resolución de un modelo sin necesidad de aumentar el referimos al modelo HIRLAM, no hablamos exclu-
rendimiento de un ordenador sería disminuir el área sivamente de las ecuaciones físico-matemáticas que
de integración. Así surgió la idea de utilizar modelos describen a la atmósfera en su conjunto. Sería más
de área limitada, los cuales necesitan de un enfoque correcto hablar del sistema HIRLAM, que además
diferente y más complejo que un modelo global. del código con las ecuaciones, está constituido por
un complejo sistema de directivas que controlan la
Desde un primer momento, todos los Servicios Meteo- ejecución del modelo, herramientas adicionales que
rológicos Nacionales en Europa tuvieron constancia preparan las fuentes iniciales que lo alimentan, e. g.
del esfuerzo que iba a suponer el desarrollo no solo observaciones, condiciones iniciales (CCII), etc. y
del modelo atmosférico en sí mismo, si no de un siste- que generan productos posprocesados a partir de las
ma de predicción completo para su uso operativo en variables de diagnóstico del modelo.
meteorología. Conscientes de este hecho, los institu-
tos europeos crearon distintas alianzas internacionales Las actividades del grupo HIRLAM se extendieron
20.1 El consorcio HIRLAM y otras agrupaciones europeas 303
en el tiempo, organizando las tareas a desarrollar en miembros: Francia, República Checa, Hungría, Ruma-
forma de proyectos que durarían un par de años cada nía, Austria, Polonia, Bulgaria, Eslovaquia, Eslovenia,
uno. Desde el año 2006, los miembros del consorcio Marruecos, Croacia, Bélgica, Portugal, Túnez, Argelia
decidieron continuar su colaboración pero con progra- y Turquía.
mas de cinco años de duración donde se establecen
claramente cuáles son los objetivos a alcanzar al fi- Pese a las fronteras, el intercambio de conocimientos
nalizar cada uno de ellos: HIRLAM-A (2006-2010), entre los científicos y desarrolladores de los diferentes
HIRLAM-B (2010-2015), HIRLAM-C (2016-2020). consorcios ha sido una constante a lo largo de la histo-
A lo largo de las últimas tres décadas de existencia ria de la modelización. En los últimos años, los grupos
del consorcio se fueron uniendo otros países europeos, HIRLAM y ALADIN han ido incrementando progre-
siendo diez los que actualmente usan de forma opera- sivamente la cooperación entre ellos, formalizando en
tiva el mismo sistema para la predicción a corto plazo: diciembre de 2005 dicha colaboración. El objetivo del
Dinamarca, España, Estonia, Finlandia, Holanda, Is- trabajo conjunto sigue siendo el mismo que cada uno
landia, Irlanda, Lituania, Noruega y Suecia. de ellos perseguía por separado. Por un lado, mejorar
la modelización numérica de los procesos atmosféri-
Existen alianzas similares que aglutinan otros países cos usando sistemas regionales de mayor resolución
europeos y a las que a lo largo de su historia poco espacio-temporal, con especial énfasis en la detección
a poco se les fueron uniendo los distintos servicios y pronóstico de fenómenos severos. Y, por otro lado,
meteorológicos. Se ilustran los diferentes consorcios desarrollar sistemas eficientes de predicción meteoro-
en la Figura 20.1. Hoy en día están constituidos por: lógica que se puedan usar de manera óptima en los dis-
tintos servicios meteorológicos. Fruto de esta acción
COSMO (Consortium for Small-scale Modelling,
conjunta surgió el sistema de predicción HARMONIE
http://www.cosmo-model.org), compuesto ac-
(HIRLAM-ALADIN Research on Meso-scale Opera-
tualmente por Alemania, Grecia, Israel, Italia, Po-
tional NWP in Euromed), que constituye a día de la
lonia, Rumanía, Rusia y Suiza.
presente publicación uno de los sistemas operativos
RC LACE (Regional Centre for Limited Area mo-
más sofisticados a nivel mundial. HARMONIE per-
delling in Central Europe, http://www.rclace.
mite distintas configuraciones de uso y dentro de la
eu), formado por Austria, Croacia, Eslovaquia, Es-
comunidad HIRLAM la opción preferente es la cono-
lovenia, Hungría, República Checa y Rumanía.
cida como HARMONIE-AROME. Esta es la versión
Finalmente, el Reino Unido utiliza su propio model modelo no hidrostática, que resuelve explícita-
delo denominado Unified Model (http://www. mente la convección (ya no está parametrizada) y que
metoffice.gov.uk), que corre en distintas configu- permite resoluciones del orden de 1 km en su opera-
raciones de forma operativa en su servicio meteoroló- tividad. Este modelo actualmente se utiliza de forma
gico. determinista, como modelo de predicción de área li-
mitada, además de su uso en su versión de predicción
En 1990, Météo-France, que ya disponía del modelo por conjuntos. También existe la opción de correr el
de escala global ARPEGE, propone a los miembros modelo de forma climática y, actualmente, existe una
del consorcio RC LACE colaborar estrechamente para línea de desarrollo que incluye la integración de los
transformar el modelo ARPEGE en uno de área limi- procesos meteorológicos con la química atmosférica
tada. Un año más tarde, se formaliza esta colaboración (aerosoles, contaminantes, etc.)
conjunta siendo la génesis de lo que se conoce como
el consorcio ALADIN (Aire Limitee Adaptation Dy- Existe el compromiso de que para el año 2020, ambos
namique Developpement International). A este nuevo consorcios se fusionen en uno solo y doten de un úni-
grupo se le fueron uniendo más países, y no solo de co sistema común de predicción para ser usado en los
Europa, estando formado actualmente por dieciséis 26 países.
Superensemble multimodelo con desfase

Tipo
temporal
Hirlam STRACO, Hirlam Kain/Fritsch, Alaro
Modelos/Física
SURFEX, Alaro ISBA
Tamaño 54 miembros
Subensembles 4 x (1+12) miembros
Pasadas 4 diarias: 00, 06, 12, 18 UTC
Alcances Hasta T+54 h
Resolución horizontal 7.5 km (5 km en v3)
Dominio Pan-europeo
CCII y contorno ECENS (downscaling)
Tabla 20.1: Tabla resumen de características del SPC GLAMEPSv2.
20.2 GLAMEPS Naturaleza. En su etapa de madurez, GLAMEPS

es un superensemble multimodelo de 4+48 miem-
El Gran Sistema de Predicción por Conjuntos de Mo- bros, con 4 miembros de control más 48 miembros
delos de Área Limitada, Grand Limited Area Model perturbados, incluyendo desfase temporal o lagging
Ensemble Prediction System, GLAMEPS [316], es (sec. 13.5.2 en la página 174), técnica especial descri-
un proyecto conjunto de los consorcios HIRLAM y ta también más adelante, en la mitad de los miembros
ALADIN. Se trata de un Sistema de Predicción por perturbados. GLAMEPSv2 se lanza en 4 ciclos o pasa-
Conjuntos, SPC (cap. 13 en la página 165) paneuropeo das por día, 00, 06, 12 y 18 UTC, donde cada pasada
por su dominio, siendo el primer SPC de área limitada consiste en un superensemble de 4+24 miembros. Pa-
en cubrir el continente europeo por completo. El pro- ra ser precisos, cada pasada consta exactamente de 4
yecto comenzó en 2006 y participan o han participado ensembles de 1+6 miembros cada uno. La configura-
numerosos países entre los que pueden destacarse No- ción de miembros está preparada para que 2 pasadas
ruega, Dinamarca, España, Suecia, Bélgica, Holanda, consecutivas constituyan un superensemble de 4+48
Hungría e Irlanda. La versión operativa en 2017 es miembros.
GLAMEPSv2, aunque está funcionando en paralelo
la versión GLAMEPSv3, que se ha desarrollado por el
Grupo de Predecibilidad del proyecto HIRLAM. En Modelos. GLAMEPSv2 se compone de los modelos
ese proyecto se viene desarrollando desde hace años descritos en la Tabla 20.2. La etiqueta 000 se refiere a
una plataforma para poner en funcionamiento SPC de miembro de control. La numeración de los miembros
mesoescala en dominios nacionales, plataforma que coincide con la numeración interna de los 1+50 miem-
se denomina Harmon-EPS. La Tabla 20.1 ofrece un bros del ECENS y los LAM de GLAMEPS utilizan
resumen básico de las características de GLAMEPS. los miembros respectivos del ECENS como condi-
ciones iniciales y de contorno. Por tanto, GLAMEPS
es un downscaling (sec. 10.1 en la página 130) del
20.2.1 Configuración ECENS. Todos los miembros tienen su propio ciclo
de asimilación en superficie y los miembros de con-
Instalación. GLAMEPS funciona en las plataformas trol realizan 3DVAR (sec. 16.2.3 en la página 247)
de supercomputación del Centro Europeo de Predic- para análisis en altura. Los HIRLAM llevan física
ción a Plazo Medio, European Centre for Medium- estocástica y perturbaciones de las observaciones de
range Weather Forecasts, ECMWF (sec. 19.4 en la superficie. Los miembros de control hacen 3DVAR
página 297), en una modalidad de aplicación llamada (ver sec. 16.6 en la página 247).
Time-Critical Facility que se caracteriza, entre otras
ventajas, por estar mantenida por personal del centro Acrónimo Modelo Contribución miembros
de proceso de datos del ECMWF. GLAMEPS uti- HirEPS_S Hirlam STRACO 000, 001 - 006, 007 - 012
liza el SPC del ECMWF, ECENS (sec. 19.3 en la HirEPS_K Hirlam K/F 000, 013 - 018, 019 - 024
página 293), tradicionalmente llamado EPS en Agen- AloEPS_S Alaro SURFEX 000, 025 - 030, 031 - 036
cia Estatal de Meteorología (AEMET) y denominado AloEPS_I Alaro ISBA 000, 037 - 042, 043 – 048
ENS-IFS en el ECMWF, como condiciones iniciales
y de contorno. Tabla 20.2: Modelos integrantes de GLAMEPSv2.
20.2 GLAMEPS 305
Figura 20.2: Dominio Pan-europeo de GLAMEPSv2 en proyección cilíndrica.
Dominio. El dominio de GLAMEPSv2 es paneuro- da, como se hacía en GLAMEPSv1. En GLAMEPSv2

peo, abarcando en diagonal holgadamente desde las los miembros perturbados están separados en dos gru-
islas Canarias (gracias a nuestra participación en el pos, que se lanzan alternativamente en las pasadas
proyecto, de otro modo se habría desconsiderado) has- 00, 12 ó 06, 18 UTC. La Tabla 20.3 muestra la dis-
ta las islas Svalbard y desde Terranova hasta Oriente tribución de miembros perturbados para las distintas
Medio. Queda ilustrado en dos proyecciones distintas pasadas de un día. Los miembros (no perturbados) de
en la Tabla 20.1 en la página anterior (figura interior) control para cada uno de los 4 modelos, miembros
y en la Figura 20.2. identificados con la etiqueta 000, se lanzan en cada
pasada.
Malla. En el caso de los modelos HIRLAM se trata de
una malla rotada latitud-longitud (latlon rotada) para Esta configuración conduce a un superensemble com-
minimizar el impacto de la variabilidad del tamaño de pleto cuando se combinan los miembros perturbados
celda con la latitud. El polo sur se sitúa en (-46, 30). de dos pasadas consecutivas, y se añaden los miem-
En el caso de los ALARO se trata de una rejilla lam- bros de control de la pasada más reciente, según ilustra
bert conforme con 7.5 km de resolución natural. El la Figura 20.3. De este modo, GLAMEPS es capaz
número de puntos en la malla es 388 x 242 = 93 896 de proporcionar predicciones (productos) probabilis-
tas cada 6 horas, a la vez que optimiza el uso de los
recursos computacionales.
Resolución. Horizontal: 0,075º × 0,075º en la rejilla
natural de HIRLAM y 7.5 km en la rejilla natural de
ALARO. Vertical: 60 niveles híbridos.
Pasada Miembros perturbados

HirEPS_S HirEPS_K AloEPS_S AloEPS_I
00 001 - 006 013 - 018 025 - 030 037 - 042
06 007 - 012 019 - 024 031 - 036 043 - 048
Tabla 20.3: Distribución de miembros perturbados para

las distintas pasadas de un día en GLAMEPSv2.
Construcción de las pasadas (Cycling). GLA- Figura 20.3: Construcción de las diferentes pasadas.
MEPSv2 no ejecuta todos los miembros en cada pasa- Imagen cedida por I NGER -L ISE F ROGNER, 2014.
Figura 20.4: Esquema completo de GLAMEPSv2, con la construcción de las diferentes pasadas a partir de distintos
miembros de ECENS (ver texto).
GLAMEPS hace downscaling (sec. 10.1 en la pági- 20.2.2 Verificación

na 130) de ECENS: toma condiciones iniciales y de
contorno de los miembros de ECENS, de modo que
en diferentes pasadas toma subconjuntos distintos de En los diversos ejercicios de verificación realizados,
esos miembros. Este esquema se ilustra en la Figu- GLAMEPS vino obteniendo mejor rendimiento que
ra 20.4. En la parte superior podemos ver los típicos AEMET-SREPS y que ECENS. Así mismo, las versio-
sellos (sec. 27.2.1 en la página 402) del ECENS, a su nes calibradas convenientemente obtuvieron mejores
derecha la selección para una pasada de GLAMEPS resultados que las versiones crudas. Su naturaleza mix-
y, a su derecha, la subdivisión dentro de esa selección, ta con multimodelo y perturbaciones, el hecho de ser
con colores correspondientes a la tabla coloreada inun downscaling de ECENS y, por supuesto, su resolu-
ferior. En dicha tabla, cada fila de las 4 muestra un ción superior de 7.5 km explican la mejor calidad en
subensemble basado en un modelo (dos HIRLAM, las salidas.
dos ALARO). Cada subensemble consta de un miem-
bro de control, downscaling del miembro de control
En la Figura 20.5 en la página siguiente se muestra
de ECENS, en rojo, más 6 miembros perturbados,
un ejemplo de ejercicio de verificación. En la gráfi-
downscaling de 6 miembros perturbados de ECENS,
ca izquierda se muestra la relación dispersión-error
en distintos colores, uno para cada subensemble. Des-
(sec. 15.8.2 en la página 223), GLAMEPS en azul y
pués, tal como se describía anteriormente, se añaden
ECENS en verde, mostrando GLAMEPS una relación
los 6 miembros perturbados de cada subensemble de
mejor, más cercana a la diagonal. En la gráfica dere-
la pasada anterior (time-lagging), para formar los cua-
cha se muestra el BSS (sec. 15.7 en la página 224)
tro Subensembles de 1+12 miembros cada uno. En
de las probabilidades de viento por encima de 10 m/s,
total GLAMEPS consta de 4x(1+12)=54 miembros,
esta vez GLAMEPS en verde, AEMET-SREPS en
equiparable a ECENS que tiene 51.
rojo y ECENS en azul; para todos los alcances de
predicción AEMET-SREPS mejora el rendimiento de
Flexibilidad. Dado que los datos de los miembros es- ECENS y GLAMEPS mejora a su vez el de AEMET-
tán disponibles separadamente, cada usuario puede SREPS, consistentemente, como decíamos previamen-
elegir la combinación o conjunto que más le convenga te, con sus resoluciones horizontales de 50 km, 25 km
y aplicar su propio posproceso. y 11 km en la época del ejercicio.
20.2 GLAMEPS 307
Figura 20.5: Verificación de GLAMEPS (ver texto).
20.2.3 Calibración mejoran. La gráfica muestra el BSS (sec. 15.8 en la

página 224) con respecto al umbral en m/s. Con área
de entrenamiento de toda Europa, 100 000 casos, en
Viento. El posproceso estadístico pasó de realizarse
rojo, puede verse la degradación progresiva y, a par-
con BMA (sec. 14.1.2.0.1 en la página 195 y 21.6
tir de 10 m/s el rendimiento muy bajo. Reduciendo
en la página 319) a realizarse utilizando la regresión
el área a una de 25 000 casos, en negro discontinuo,
logística extendida, extended logistic regresion, ELR
la mejora es notable. Añadiendo, además, técnicas
(sec. 14.1.2.0.7 en la página 198). Se utilizan como
spline, en negro continuo, se mejora notablemente el
predictores el promedio del SPC, la latitud, la longitud
rendimiento también para umbrales bajos.
y la altitud de la estación. Para ejercicios de periodos
de entrenamiento del orden de un mes y verificación
similar, con estaciones europeas para el alcance pre- Temperatura. Para la calibración específica en tem-
dictivo de T+18 h las mejoras son sustanciales, tanto peratura a 2 m se aprovechó el ejercicio de predicción
en fiabilidad como en resolución (sec. 15.8 en la pá- de los juegos olímpicos de Sochi, Figura 20.7 en la pá-
gina 224). Pueden mejorarse los resultados para um- gina siguiente. Se calibraba con datos de 30 estaciones
brales altos entrenando en áreas pequeñas, resultado y se actualizaba la predicción con mucha frecuencia,
mostrado en la Figura 20.6. Entrenando en el rectán- lo que mejoraba ostensiblemente el rendimiento, en
gulo que comprende parte de Alemania, los resultados rojo, con respecto al original, en negro.
Figura 20.6: Calibración del viento a 10 m. Realizando el entrenamiento en áreas relativamente pequeñas, los
resultados para umbrales altos pueden mejorar (ver texto). F ROGNER, 2014.
Figura 20.7: Calibración de la temperatura a 2 m. F ROGNER, 2014.
20.2.4 Ejemplos de predicciones En la Figura 20.8 podemos observar probabilidades

de exceder umbrales de temperatura a 2 m, tanto de
Olas de calor. En la emisión de avisos de tempera- ECENS, a 16 km, como de GLAMEPS, a 7.5 km. La
turas máximas en la temporada estival, la resolución capacidad de GLAMEPS de resolver contornos geo-
horizontal de los SPC juega un papel decisivo. La gráficos con algo más del doble de resolución se hace
temperatura a 2 m es un parámetro muy orográfico, es patente en las señales de probabilidad de excedencia
decir, está muy influido por la orografía del modelo. de umbrales.
Figura 20.8: Probabilidad de temperaturas por encima de 30 ºC como herramienta de decisión para emisión de
avisos. A la izquierda ECENS con resolución horizontal de 16 km. A la derecha GLAMEPS con 7.5 km. La capacidad
de GLAMEPS para afinar por pequeñas regiones es notable (ver texto).
Figura 20.9: Ampliación del País Vasco correspondiente a los mapas de la Figura 20.8, a la izquierda ECENS, en
el centro GLAMEPS. Se acompaña, a la derecha, el registro de observaciones que corrobora el rendimiento de
GLAMEPS (ver texto).
20.2 GLAMEPS 309
20.2.5 Plataforma Harmon-EPS 20.2.6 Anexo: GLAMEPS en cifras
GLAMEPS es, en la actualidad (2018), el último SPC Volumen de operación diaria. Hay ficheros corres-
de área limitada capaz de cubrir Europa entera con pondientes a 4 subensembles, en total 54 miembros, 2
resoluciones razonablemente altas. Por debajo de los pasadas (00 y 12 UTC), con 18 alcances predictivos
5 km, al traspasar claramente la frontera de la me- (de 3 h a 54 h cada 3 h), lo que hace 54 x 2 x 18 = 1944.
soescala gamma, se requiere que los modelos sean no Cada fichero contiene datos de, al menos 18 paráme-
hidrostáticos (sec. 6.3.2 en la página 78) y el coste tros, un total de 1944 x 18 = 34 992 bloques de pa-
computacional se desborda y se requiere cambiar el rámetro dentro de 1944 ficheros. Considerando que
planteamiento completamente. un fichero tiene un peso medio de 21 Mb, tendremos
1944 x 21 Mb = 40_824_Mb ~ 40 Gb diarios.
La plataforma Harmon-EPS en ensembles es una con-
cepción similar a la plataforma HARMONIE para mo-
delos deterministas. Estas plataformas proporcionan Volumen para verificación mínima. Para verificación
los recursos necesarios para que, con las particulariza- se selecciona un subconjunto mínimo de parámetros
ciones convenientes, cada país pueda lanzar un mode- por razones de austeridad de espacio en disco, de mo-
lo o un SPC de altísima resolución en la mesoescala do que se almacenan únicamente 8 parámetros de los
en un dominio reducido acorde con sus necesidades. 18 operativos. Tendremos entonces 1944 x 8 = 15 552
Así mismo, los esfuerzos comunes para desarrollar bloques de parámetro dentro de 1944 ficheros. Consi-
estas plataformas revierten positivamente en los parti- derando que un fichero tiene un peso medio de 9 Mb,
cipantes. AEMET ha venido participando activamente tendremos 17 Gb diarios, 520 Gb al mes y 6 Tb al
tanto en GLAMEPS como en Harmon-EPS, en con- año.
vergencia con los intereses y planes delineados para
el AEMET-γSREPS (cap. 22 en la página 333). Se Información gráfica. La cobertura gráfica de un ejer-
detallan a continuación los aspectos técnicos en que cicio completo de verificación es un auténtico proble-
se ha focalizado la plataforma Harmon-EPS. ma dimensional. Solamente para la parte determinista
se debe pintar sesgo y error cuadrático medio de todos
Transición a la mesoescala gamma. SPC que los miembros y promedio del SPC. En la verificación
permitan resolver la convección explícitamente propiamente probabilista está la parte de flujo a gran
(convection-permitting). escala por un lado, típicamente para z500, t500, t850
Áreas subeuropeas, tendencia hacia áreas pequeñas. y mslp, dispersión-error e histogramas de rango y, por
Resolución de 2.5 km. otro lado, las variables de tiempo sensible tempera-
Dos pasadas diarias, 00 y 12 UTC. Alcance predic-
tura, viento y precipitación, con desdoblamiento por
tivo hasta T+36 h.
Asimilación de datos completa y ciclos de 3 h para umbrales (e. g. pcp >= 0.3, 1 ,5 ,10 . . . ), diagramas
el miembro de control. Asimilación de superficie de fiabilidad, agudeza, ROC, RV, BS y BSS y sus
para todos los miembros. descomposiciones. El resultado aproximado es un mí-
En elcaso particular de AEMET-γSREPS (cap. 22 nimo de 4 500 gráficas, eligiendo lo más sencillo. En
en la página 333), continuar con el paradigma mul- la práctica nadie puede enseñar, en un artículo, libro o
timodelo: 10 miembros AROME + 10 miembros conferencia 4 500 gráficas con información de rendi-
ALARO = 20 miembros
miento y otras medidas. Se suelen seleccionar algunas
Perturbaciones en las CCII: EDA como referen-
cia y, alternativamente, LETKF (sec. 16.2.2 en la
que sean representativas de algún aspecto a resaltar.
página 246), 4DVAR y downscaling del ECENS.
Perturbaciones en el modelo: SPPT (sec. 17.4.4 en
la página 269) y multifísica.
Parametrizaciones estocásticas para la convección
profunda organizada usando el algoritmo de autó-
mata celular [40, 250].
Perturbaciones en las condiciones de contorno:
comparativas entre ECENS T639 vs ECENS Figura 20.10: Logo de GLAMEPS, idea original de K AI
T1279. S ATLER (DMI).
modelo HIRLAM HARMONIE-AROME

dominio ONR HNR CNN Iberia Canarias
malla 0.17[º] 0.55[º] 0.055[º] 2.5[km] 2.5[km]
puntos de malla 582 × 424 606 × 430 606 × 430 1152 × 864 576 × 480
niveles verticales 40 65
pasadas 00/06/12/18 00/03/06/09/12/15/18/21
alcances +72h +36h +36h +48h +12h
asimilación 3D-VAR 3D-VAR
condiciones iniciales
ECMWF/IFS ECMWF/IFS
y de contorno
actualización cccc 3h 1h
Cray X1E (2004-2016) Bullx
supercomputador
Bullx Ivy Bridge Ivy Bridge
Tabla 20.4: Características principales de los modelos HIRLAM y HARMONIE-AROME en AEMET en 2017.
Figura 20.11: Dominios de integración de los modelos integrados en AEMET: HIRLAM la izquierda, HARMONIE-
AROME a la derecha. (ampliación en Figura 20.12 en la página siguiente). AEMET.
20.3 Anexo: El modelo HIRLAM 20.4 Anexo: El modelo

en España HARMONIE- AROME en
España
La Tabla 20.4 muestra las principales característi-

La Tabla 20.4 muestra las principales características cas de los diferentes dominos de integración de
de los distintos dominIos de integración de HIRLAM. HARMONIE-AROME. En la Figura 20.12 en la pági-
En las Figuras20.11 y 20.12 en la página siguiente, na siguiente, parte inferior, podemos ver los distintos
parte superior, podemos ver los diferentes dominios dominios de integración del modelo HARMONIE-
de integración del modelo HIRLAM en AEMET. AROME en AEMET.
20.4 Anexo: El modelo HARMONIE- AROME en España 311
Figura 20.12: Dominios de integración de los distintos modelos en AEMET. Arriba: modelo HIRLAM, dominio ONR
en contorno azul, cubriendo buena parte del océano Atlántico Norte, Europa y norte de África, dominio HNR en
contorno rojo centrado en la península ibérica y dominio CNN en contorno rojo centrado en las islas Canarias.
Abajo: modelo HARMONIE-AROME, un dominio centrado en la península ibérica y el otro centrado en las islas
Canarias. AEMET.
Sistema de Predicción por Conjuntos hecho en Espa-
ña: AEMET-SREPS 21
DOI: 10.31978/014-18-009-X.21
C ARLOS S ANTOS B URGUETE J ESÚS M ONTERO G ARRIDO
Centro Nacional de Predicción (CNP), Agencia Esta- Departamento de Producción, AEMET
tal de Meteorología (AEMET) J UANMA S ANCHO ÁVILA
A LFONS C ALLADO I PALLARÉS Y PAU E SCRIBÀ CNP, AEMET
AYERBE DANIEL S ANTOS -M UÑOZ
Delegación Territorial en Cataluña, AEMET Project Leader for System, HIRLAM, AEMET
J OSÉ A NTONIO G ARCÍA -M OYA Z APATA J UAN PABLO S IMARRO G RANDE
Area de Innovación, AEMET Delegación Territorial en Valencia, AEMET
ROMÁN.- Inventen, pues, ellos y nosotros nos aprovecharemos de sus invenciones. Pues confío y
espero en que estarás convencido, como yo lo estoy, de que la luz eléctrica alumbra aquí tan bien
como allí donde se inventó.
SABINO.- Acaso mejor.
El pórtico del templo – M IGUEL DE U NAMUNO
La predecibilidad atmosférica es dependiente del flujo: según el tipo de situación, el comportamiento atmosférico es más
o menos predecible. Los modelos atmosféricos utilizados en predicción numérica del tiempo, con escalas espaciales y
temporales cada vez más finas, encuentran a menudo limitaciones para predecir los fenómenos adversos y los fenómenos
extremos. En España el comportamiento meteorológico está influido por la interacción entre el flujo sinóptico y las
características del área mediterránea, con orografía compleja de pequeña escala y el calor latente del mar. Esta interacción
produce a menudo sistemas convectivos de mesoescala, altamente caóticos y muy difíciles de predecir, que con cierta
frecuencia producen precipitaciones de varios cientos de litros por metro cuadrado en menos de 24 horas. En este contexto,
el enfoque probabilista se hace imprescindible. En la primera década del siglo XX, AEMET fue pionera en Europa en la
implementación de un sistema de predicción por conjuntos para el corto plazo basado en la técnica llamada multimodelo.
Presentamos en este capítulo este sistema, denominado AEMET-SREPS.
Palabras clave: sistema de predicción por conjuntos AEMET-SREPS, proyecto AEMET-SREPS, multimodelo-multicontorno,
proyecto COASTEPS, proyecto PREDIMED, proyecto MEDICANES, proyecto ENSEMBLE.
Imagen parte superior: cumulonimbus mamma. Villaseca de Uceda (Guadalajara), hacia el sureste, 25 de junio de 2006, a las 21:28.
314 Física del caos en la predicción meteorológica Capítulo 21. SPC hecho en España, AEMET-SREPS
Figura 21.1: Los fenómenos convectivos, altamente caóticos desde el punto de vista dinámico, producen a menudo
precipitaciones intensas en el área mediterránea española. En este caso se ilustra el episodio de precipitación de 817
mm registrada en 24 horas en Oliva el 04-11-1987. Imagen: composición, incluyendo imagen de satélite ESA 2003 y
mapas pluviométricos de C ÉSAR RODRÍGUEZ BALLESTEROS, Agencia Estatal de Meteorología (AEMET) 2017.
21.1 El proyecto AEMET-SREPS un SPC de este estilo. Como sistema focalizado en

predicciones a corto plazo, hasta 72 horas de alcance
Durante los años 2002-2014 se desarrolló en AEMET predictivo, se pretendía muestrear las incertidumbres
(INM anteriormente) un sistema de predicción por y errores de los modelos, las condiciones iniciales y
conjuntos (SPC, cap. 13 en la página 165) para el de contorno, demostrando AEMET-SREPS ser capaz
corto plazo que vino a denominarse AEMET-SREPS. de generar una dispersión muy realista. Se esperaba
Para la elaboración de predicciones a medio y largo entonces que AEMET-SREPS fuese una herramienta
plazo, desde 3-5 días hasta la escala quincenal, AE- complementaria a los modelos deterministas de me-
MET utiliza las salidas directas o posprocesadas del soescala, emergentes en aquella época, como ya se ha
modelo global determinista y del sistema global de dicho, e. g. HIRLAM HNR (5 km) y HARMONIE-
predicción por conjuntos (Ensemble Prediction Sys- AROME (2.5 km), focalizado en la predicción en el
tem, ECENS, sec. 19.3 en la página 293), del Cen- corto plazo de fenómenos extremos y fenómenos ad-
tro Europeo de Predicción a Plazo Medio (ECMWF, versos (ver fenómeno meteorológico adverso (FMA),
cap. 19 en la página 289), denominados en este volu- secs. 27.7 en la página 419 y 42.2 en la página 637),
men ECHRES (con resoluciones en aquellos tiempos e. g. temporales, precipitaciones intensas, tormentas
de 50, 25 y 16 m) y ECENS (100, 50 y 32 km), res- de nieve, etc.
pectivamente. Para la predicción en el corto plazo, en
el intervalo 0-48 horas, AEMET ha venido utilizan- Según la época, el sistema usaba 4-5 modelos deter-
do, según la época, el modelo determinista HIRLAM ministas regionales o de área limitada (sec. 10.1 en
HNR (5 km) y, más recientemente y hasta la actua- la página 130): HIRLAM (del consorcio HIRLAM,
lidad (2018), el modelo determinista de mesoescala cap. 20 en la página 301), HRM (del servicio meteo-
HARMONIE-AROME (2.5 km). Para la predicción rológico alemán DWD), UM (del servicio meteoro-
probabilista en el corto plazo, AEMET es pionera en lógico británico UKMO), MM5 (de la Universidad
el desarrollo y ejecución experimental a escala diaria de Pennsylvania y el Centro Nacional americano pa-
del SPC AEMET-SREPS, de resolución 25 km y con ra Investigaciones Atmosféricas PSU/NCAR) y LM
20-25 miembros basado, como se describe más ade- COSMO (del consorcio COSMO, cap. 20 en la pá-
lante, en la integración de 5 modelos numéricos de gina 301). Estos modelos, además, trabajaban con
área limitada diferentes forzados con las predicciones condiciones iniciales y de contorno provistas por 4-5
de 5 modelos globales distintos. modelos deterministas globales (sec. 10.1 en la pági-
na 130): ECHRES o HRES-IFS (del Centro Europeo
El sistema AEMET-SREPS se basó característicamen- de Predicción a Medio Plazo ECMWF, sec. 19.2 en
te en la técnica llamada multimodelo (sec. 13.5 en la la página 291), UM (del servicio meteorológico bri-
página 174), siendo AEMET pionero en Europa y uno tánico UKMO), GME (del servicio meteorológico
de los primeros centros en el mundo en desarrollar alemán DWD), GFS (del Centro Nacional americano
21.2 Metodología 315
para predicciones ambientales NCEP), CMC (del ser- rante 2007 alcanzó un punto de madurez, corriendo
vicio meteorológico canadiense MSC) y GSM (de la 20 miembros con buen rendimiento a una resolución
agencia meteorológica japonesa JMA). De este modo, horizontal de 0.25º y 40 niveles en la vertical. En 2008
tanto los errores en las condiciones iniciales como se añadió una segunda pasada a las 12 UTC. En 2009
los errores del modelo se simulaban en el sistema se incluyó el modelo global CMC, incrementando el
(sec. 13.8 en la página 172). número de miembros a 25. A partir de 2010 y hasta
2014 el sistema corría regularmente dos veces al día,
La verificación del sistema AEMET-SREPS para con- 00 y 12 UTC hasta un alcance predictivo de 72 horas
trastar su reproducción del flujo atmosférico a gran con 25 miembros. La última pasada realizada en el
escala (sinóptico), realizada usando el análisis del Cray-X1E tuvo lugar en noviembre de 2014 por la
ECMWF, mostraba que se trata de un sistema con- terminación operativa de aquel supercomputador en
sistente y ligeramente subdispersivo[221] (como la AEMET.
mayoría de los sistemas en esa época). Para los pará-
metros de tiempo sensible (precipitación, viento, tem-
peratura, etc.) que son los más importantes en relación
al alto impacto social, el sistema mostraba una alta
21.2 Metodología
calidad (calidad, destreza o pericia, sec. 15.2.3 en la
página 211) en su respuesta frente a eventos binarios Siguiendo los resultados del Experimento de Tempes-
(normalmente superación de umbrales), mostrando tades y Ensembles de Mesoescala (Storm and Mesos-
buenos resultados en propiedades como la fiabilidad cale Ensemble Experiment, SAMEX) llevado a cabo
(sec. 15.9.4 en la página 226), la resolución probabi- en EE. UU. en 1998 [306] y con la inestimable orien-
lista (sec. 15.9.5 en la página 229) o la discriminación tación de la Doctora E UGENIA K ALNAY, del NCEP,
(sec. 15.9.6 en la página 231). Para verificar las pre- experta y pionera mundial en sistemas de predicción
dicciones de precipitación se utilizaron observaciones por conjuntos (SPC, cap. 13 en la página 165), AE-
de las redes climatológicas nacionales europeas, ma- MET eligió combinar las técnicas multimodelo, multi-
lladas (gridding) convenientemente y se comparó con análisis y multicontorno para el desarrollo de un SPC
el SPC del ECMWF (ECENS, sec. 19.3 en la pági- para el corto plazo que se llamaría AEMET-SREPS,
na 293). El periodo verificado que se muestra en este pensado para proporcionar predicciones probabilistas.
capítulo cubre los años 2007–2008 y corresponde a Este tipo de predicciones ofrecerían información com-
la pasada de 00 UTC con 20 miembros a 0.25º de plementaria a los modelos deterministas operativos
resolución horizontal. en AEMET y permitirían mejorar las predicciones
de fenómenos adversos y fenómenos extremos como
El proyecto AEMET-SREPS (A-S abreviadamente pa- temporales, precipitaciones intensas, tormentas de nie-
ra el resto del capítulo) comenzó en 2001-2002 y tuvo ve u olas de calor. La emisión de avisos de fenómenos
carácter oficial desde 2005. En 2006 corría todos los adversos es una de las tareas más importantes de los
días a las 00 UTC el primer conjunto de modelos con servicios meteorológicos, por el impacto y daño po-
diferentes condiciones iniciales y de contorno. Du- tencial que estos eventos pueden provocar.
Característica Configuración
Muestreo de error del modelo Multimodelo (LAM)
Muestreo de error de condiciones iniciales Multianálisis (GCM)
Muestreo de error de condiciones de contorno Multicontorno (GCM)
Número de modelos regionales y globales y de miembros 5 LAM x 5 GCM = 25 miembros
LAM para multimodelo HIRLAM, HRM, LM, MM5, UM
GCM para multianálisis y multicontorno GEM, GME, HRES-IFS, GSM, GFS
Pasadas 2 al día: 00 y 12 UTC
Rango de alcances predictivos Hasta 72 horas (3 días)
Resolución horizontal 0.25º ∼ 25 km
Resolución vertical 40 niveles
Tabla 21.1: Configuración de AEMET-SREPS en su época de madurez 2009-2014.

Figura 21.2: Predicciones individuales generadas por los 25 miembros de AEMET-SREPS, en este caso pode-
mos ver predicciones de precipitación. En filas se despliegan los diferentes modelos regionales integrados en el
supercomputador y en columnas los diferentes modelos globales usados como condiciones iniciales y de contorno.
21.2.1 Multimodelo cional americano para la Investigación Atmosférica

NCAR.
Unified Model, UM [150], del servicio meteoroló-
La técnica multimodelo elegida para A-S requirió gico británico UKMO.
instalar y hacer funcionar una serie de modelos regio- LM COSMO Model, LM [165], del consorcio COS-
nales o de área limitada (sec. 10.1 en la página 130) MO (sec. 20.1 en la página 302).
en el supercomputador de la época en AEMET, un
Cray-X1E (sec. 11.4 en la página 150). Los modelos Cada uno de estos modelos tenía unas características
utilizados fueron los siguientes: diferentes, tales como diferentes núcleos dinámicos
(sec. 10.4 en la página 135), diferentes parametriza-
High-Resolution Limited Area Model, HIRLAM ciones físicas (sec. 10.5 en la página 137), etc. Para
[428, 634], del consorcio del mismo nombre poder inicializar y conducir a cada uno de ellos con di-
(cap. 20.1 en la página 302). ferentes modelos globales se requirió desarrollar una
High-Resolution Regional Model, HRM [401, 402], serie de herramientas adicionales de preproceso, ta-
del servicio meteorológico alemán Deutsche Wet- les como interpolación vertical para distintos tipos de
terdienst (DWD). niveles, interpolación horizontal en diferentes mallas,
Mesoscale Model version 5, MM5 [170, 243], de topografías diferentes, codificación para diferentes
la Pennsylvania State University y el Centro Na- variedades de ficheros de datos (diferentes estilos de
21.2 Metodología 317
Gridded Binary, GRIB) provistos por los diferentes de disponer de las predicciones con cierta antelación
centros emisores de modelos globales, variables es- y, de paso, liberaba al A-S de posibles problemas deri-
peciales que no todos los modelos proveen (un típico vados del propio spin-up de las condiciones iniciales
caso es la humedad relativa a partir de la humedad de los modelos globales.
específica, la presión y la temperatura), intentando
siempre minimizar el ruido que las diferentes etapas Las condiciones iniciales y de contorno se obtenían
de preproceso podían introducir en los datos origi- de los siguientes modelos deterministas globales:
nales. Una vez aplicadas todas las etapas necesarias
de preproceso se disponía de condiciones iniciales y ECHRES o HRES Integrated Forecast System [317,
de contorno en formato, número y tipo homogéneos 584], del Centro Europeo de Predicción a Medio
y adecuados para correr cada modelo regional. Un Plazo, European Centre of Medium Range Weather
sistema de esta envergadura y heterogeneidad interna Forecasts, ECMWF (sec. 19.2 en la página 291).
implica una enorme cantidad de trabajo y de recursos. Global Unified Model, UM [150], del servicio me-
teorológico británico, UKMO
Global Forecast System, GFS [572, 573], del centro
21.2.2 Multianálisis y multicontorno nacional americano para Predicciones Ambientales,
NCEP.
Las condiciones iniciales y de contorno se tomaban de Global Model, GME [403], del servicio meteoroló-
predicciones de 4-5 modelos deterministas globales gico alemán, DWD.
distintos. La hora del análisis de estos modelos globa- Global Canadian Model, CMC [142], del servicio
les era 12 horas antes del tiempo de partida del A-S, meteorológico de Canadá, MSC.
de modo que si el análisis de los modelos globales era Global Spectral Model, GSM [610], de la agencia
a las HH UTC, los modelos regionales miembros de meteorológica japonesa, JMA, que sustituyó a UM
A-S se inicializaban con predicciones de estos mode- desde 2011.
los globales válidas para HH+12 UTC. Esta estrategia
podía devaluar el rendimiento determinista de cada Todos estos modelos globales incluyen esquemas de
miembro, dado que no se usaban las observaciones asimilación variacional: IFS, UM y CMC usaban
más recientes, sino observaciones con una antigüedad 4DVAR, GFS y GME usaban 3DVAR (sec. 16.6 en
de 12 horas. Sin embargo, al no realizar asimilación de la página 247) y parametrizaciones físicas de reciente
las observaciones cada modelo regional (arranque en desarrollo (sec. 17.4.4 en la página 269). El uso de
frío), se ganaba un cierto tiempo y se podía disponer estos modelos como condiciones iniciales y de con-
de las salidas del A-S con antelación. Es decir, se asu- torno garantizaba una parte importante de la calidad
mía esta ligera devaluación en rendimiento a cambio del A-S.
Figura 21.3: Monitorización del sistema AEMET-SREPS en un sitio web interno de AEMET.
Figura 21.4: Izquierda: Dominios de integración de los diferentes modelos regionales del AEMET-SREPS: HRM y
COSMO (cyan), MM5 (rojo), HIRLAM (negro) y UM (verde). Dominio de posproceso y verificación (azul) con malla
regular lat-lon de 0.25º, que cubre parte del Atlántico Norte, África septentrional, Europa y el mar Mediterráneo.
Derecha: malla común de 0.25º, 25 km aproximadamente, sobre la península ibérica y Baleares.
21.2.3 Posproceso en un sitio web interno de AEMET en tiempo real.

En la Figura 21.2 pueden verse como ejemplo unos
Los SPC proporcionan una ingente cantidad de in- sellos de precipitación acumulada y, en la sec. 27.2.1
formación que, sobre todo en un entorno operativo, en la página 402, unos sellos de altitud geopotencial y
es preciso procesar y sintetizar para ofrecer al pre- temperatura en 500 hPa.
dictor o usuario final una información condensada y
útil. Por otro lado, las salidas directas del SPC pueden
mejorarse mediante métodos estadísticos (cap. 14 en
la página 193), de modo que tenemos distintos tipos 21.3 Otras investigaciones
de posproceso. Los métodos de posproceso son, por
tanto, imprescindibles. Durante toda la etapa de desarrollo y funcionamiento
diario del A-S se probaron diversas configuraciones
El primer paso en el posproceso de A-S consiste en
experimentales para probar su rendimiento, calidad,
la interpolación espacial espacial horizontal de los
plausibilidad y conveniencia. Se probaron también
diferentes dominios de integración a un área y ma-
otras metodologías totalmente diferentes para la gene-
lla comunes , Figura 21.4. El área es la intersección
ración de predicciones probabilistas o para la mejora
máxima de las áreas de los modelos. Dado que las
de las salidas de las ya existentes. Mencionaremos
mallas de los modelos eran diferentes, algunas regu-
aquí brevemente algunas de las investigaciones más
lares latitud-longitud, otras rotadas y otras Lambert
relevantes.
conformes, la intersección de las áreas era sensible-
mente menor que cada una de las mismas. Por tanto,
se decidió ampliar las diferentes áreas de integración
para maximizar este área común. Finalmente, este 21.3.1 Calibración estadística
área común (Figura 21.4, izquierda) cubría parte del
Atlántico Norte, parte de África septentrional, Europa
y el mar Mediterráneo. La malla era regular latitud- Mediante el posproceso de calibración estadística pue-
longitud a 0.25º, aproximadamente 25 km en estas den mejorarse las salidas de un modelo o de un siste-
latitudes medias (Figura 21.4, derecha). Se compu- ma de predicción por conjuntos (cap. 14 en la pági-
taban en estas área y malla predicciones o productos na 193). En el grupo de predecibilidad se realizaron
probabilistas de distintos parámetros meteorológicos, diversas investigaciones al respecto, probando funda-
partiendo de la base de equiprobabilidad de los miem- mentalmente la técnica de Promediado Bayesiano del
bros (sec. 13.7.2 en la página 191). Estas prediccio- Modelo, Bayesian Model Averaging, BMA [529] para
nes precisaban de una verificación regular adecuada calibrar la PDF del SPC mediante las observaciones
(cap. 15 en la página 207). El sistema se monitorizaba (sec. 13.23 en la página 190).
21.3 Otras investigaciones 319
2. Se atribuye una PDF continua, por ejemplo gau-

siana, a cada una de las predicciones corregi-
das de sesgo y se construye una PDF conjunta
por suma ponderada de las PDF individuales,
aplicando el algoritmo estimation-maximitation,
E-M[237, 430], que asigna pesos a las PDF in-
dividuales optimizando una medida probabilis-
ta denominada Continuous Ranked Probability
Score [285, 682] (sec. 15.9.9 en la página 232).
Este método se aplicó y estudió en varias ocasiones

Figura 21.5: Fundamento de la técnica de calibrado [187, 566]. Los resultados han venido mostrando con
bayesiano BMA. Dadas las predicciones de cinco miem- claridad [187] que, aunque las medidas estadísticas
bros Fi , previamente se les quita el sesgo determinista,
mejoraban notablemente, se perdía capacidad predic-
después se asigna una PDF continua a cada una de ellas.
Después, con el método E-M que optimiza el CRPS[285]
tiva en los fenómenos extremos. En la Figura 21.6
se construye una PDF conjunta en dos pasos: la PDF derecha, se muestra para el episodio de vientos fuertes
del AEMET-SREPS calibrado (ver texto). del 23-01-2009 en Cataluña cómo el A-S calibrado
no mejoraba en capacidad predictiva, aunque su ren-
dimiento medido estadísticamente para varios meses
fuese mejor. En el caso particular de vientos fuertes,
El fundamento de la técnica de calibrado bayesiano con un sesgo negativo al ser simulados más débiles
BMA, una de cuyas partes se muestra en la Figura 21.5 por el SPC, eran corregidos erróneamente de un sesgo
izquierda, se realiza en dos pasos: positivo general, debido a que los vientos flojos mayo-
ritarios en las observaciones usadas en la calibración
1. Dadas las predicciones de, por ejemplo, cinco eran superiores a los observados. Los fenómenos ex-
miembros Fi , se hace una corrección de sesgo tremos siguen siendo uno de los caballos de batalla
individualmente. del mundo de la predicción.
Figura 21.6: Mosaico de cuatro mapas de probabilidad de viento por encima de distintos umbrales para el episodio
del 23-01-2009 en Cataluña. A la izquierda el A-S crudo y a la derecha el A-S calibrado con BMA pero mostrando
umbrales algo más bajos. Aunque la calibración mejora, estadísticamente, el rendimiento del SPC para eventos
extremos como éste se pierde capacidad predictiva. Los fenómenos extremos siguen siendo un problema (ver texto).
Figura 21.7: Método del SPC difusivo para generar predicciones probabilistas a partir de un modelo determinista
[620] aplicado en AEMET [583] sobre el modelo HIRLAM. A la izquierda, el fundamento del método consiste en
dispersar la información determinista en el espacio y en el tiempo. En el centro, precipitación acumulada en 24 h de
HIRLAM 0.05º para el 15-06-2006 y la probabilidad de precipitación mayor que 20 mm en 24 h correspondiente a la
misma fecha, con radio de vecindario de 35 km en este caso. Finalmente, a la derecha, un diagrama de atributos o
fiabilidad donde se comparan tres métodos difusivos con distintos parámetros comparados con el A-S completo de
aquella época. El A-S daba un rendimiento superior, tanto en fiabilidad, como en resolución y discriminación (ver
texto).
21.3.2 SPC difusivo 21.3.3 SPC híbrido
Mediante las técnicas denominadas de vecindario, Cuando se combinan un SPC con un modelo determi-
puede construirse un SPC de bajo coste usando las nista de mayor resolución para formar una predicción
salidas de un modelo determinista [620]. Éstos tie- probabilista híbrida, se está intentando combinar la
nen al menos algunos errores espaciales y temporales dispersión e información de incertidumbre del SPC
que pueden interpretarse como un desfase en la des- con la información de mayor detalle y precisión dada
cripción de los eventos. El método difusivo dispersa por el modelo determinista debido a su mayor reso-
las predicciones deterministas en el espacio y en el lución. Esta configuración o diseño vino a llamarse
tiempo usando alguna distribución de probabilidad a ensemble híbrido [168]. Entrando un poco más en de-
priori y proporcionando predicciones probabilistas. El talle, cada miembro del SPC se considera como suma
tamaño de vecindario es un parámetro clave: a medida de una base, a menudo el miembro sin perturbar y
que se hace pequeño el resultado tiende a las predic- una perturbación. El modelo determinista de mayor
ciones deterministas y si se hace demasiado grande se resolución podía considerarse como una mejor base
dispersa en exceso la información, perdiendo calidad. de modo que se construía cada miembro del SPC hí-
El método se aplicó a salidas de precipitación y de brido sumando y restando la perturbación al modelo
viento del modelo HIRLAM operativo en AEMET, determinista. Pueden surgir numerosos problemas, de-
en sus distintas resoluciones de 0.16º y 0.05º, en el bido principalmente a las diferencias en resolución:
periodo AMJ2006 [583]. Se verificó contra las obser- se requieren interpolaciones horizontales y vertica-
vaciones de la red pluviométrica de AEMET (INM les que introducen ruido en el proceso y pueden por
en esa época). Se utilizó la distribución normal para tanto reducir el rendimiento. El método del SPC híbri-
la difusión, generando una PDF discreta. En la Figu- do se probó usando una combinación del HIRLAM
ra 21.7 se muestra, a la izquierda, el fundamento del operativo en AEMET en aquella época como modelo
método; en el centro arriba, precipitación acumulada determinista y de algunos subconjuntos de AEMET-
en 24 h de HIRLAM 0.05º para el 15-06-2006 y, aba- SREPS [98], Figura 21.8 en la página siguiente. En
jo, la probabilidad de precipitación mayor que 20 mm principio, el SPC híbrido no mostraba mejores medi-
en 24 h correspondiente, con radio de vecindario de das de verificación que A-S, salvo en casos puntuales,
35 km y, finalmente, a la derecha, un diagrama de frecuencias muy bajas y siempre con una elección cui-
atributos (sec. 15.4 en la página 226) donde se com- dadosa del subconjunto adecuado del A-S, siguiendo
paran tres métodos difusivos con distintos parámetros las indicaciones del estudio original [168].
comparados con el A-S completo de aquella época. El
A-S daba un rendimiento superior, tanto en fiabilidad,
como en resolución y discriminación.
21.3 Otras investigaciones 321
Figura 21.8: Método del SPC híbrido [168] para combinar un modelo determinista que aporte su mayor resolución
y un SPC que aporte su dispersión y por tanto su información sobre incertidumbre, aplicado en AEMET sobre
HIRLAM y AEMET-SREPS [98]. A la izquierda, combinación de los diferentes dominios en un dominio común. En el
centro arriba, la base constructiva del SPC híbrido y, abajo, las observaciones usadas para verificar. A la derecha,
gráficas de verificación que muestran cómo A-S rinde mejor en casi cualquier circunstancia que las diferentes
configuraciones de SPC híbrido investigadas (ver texto).
21.3.4 Error en las observaciones y alcance T+54. El BSS, orientado positivamente, en

trazo grueso continuo para el método tradicional y en
En verificación de la predicción se asumía tradicional- trazo grueso discontinuo para el método de probabili-
mente que el error observacional es despreciable com- dad observacional que tiene en cuenta el error en las
parado con el error en la predicción. Aunque esta asun- observaciones. Las componentes del BSS, orientadas
ción puede ser cierta para plazos de predicción medios negativamente, se muestran con símbolos intercalados,
y largos no tiene porqué serlo en general; más aún, fiabilidades con triángulos y resoluciones con círcu-
con las mejoras de los modelos, el error relativo de los. Puede comprobarse cómo el rendimiento medido
las predicciones con respecto al de las observaciones teniendo en cuenta el error observacional es superior.
va disminuyendo. En un marco de verificación más
amplio y general las observaciones, al igual que las
predicciones, pueden ser descritas junto con su error
21.3.5 Time lagged ensemble con AEMET-
o incertidumbre asociados. Normalmente, cuando no
se considera el error observacional, el rendimiento de SREPS
los SPC tiende a subestimarse. Por tanto, adquiere
relevancia creciente el hecho de incorporar esa in- Una de las configuraciones que se probó en diversas
certidumbre en la verificación. El método general de ocasiones y durante largos periodos de tiempo es del
C ANDILLE y TALAGRAND denominado probabilidad tipo time lagged ensemble [395] (sec. 13.5 en la pági-
observacional [105] se estudió en profundidad para na 174), consistente en juntar salidas de miembros de
la precipitación en un estudio de S ANTOS y G HELLI pasadas consecutivas para formar un superensemble.
[565], del que se muestra un resumen en la Figura 21.9 Por ejemplo, si cada pasada de las dos (00 y 12 UTC)
en la página siguiente. Cuando se tiene en cuenta el produce un ensemble de 20 miembros, pueden tomar-
error observacional se evita subestimar el rendimiento se los 20 miembros de la última pasada y los 20 de la
de los SPC, que resulta más alto de lo acostumbra- penúltima y formar un superensemble de 40 miembros.
do. La Figura 21.9 en la página siguiente izquierda Este tipo de sistemas no implica coste computacional
muestra el concepto de probabilidad observacional. adicional en lo referente a los modelos en sí, aunque sí
En cada caja de malla se toman las observaciones pre- que lo requiere en el posproceso para la computación
sentes y se construye una distribución de probabilidad de productos probabilistas que, en cualquier caso, es
que representa la precipitación estimada en esa caja, a un coste relativamente pequeño. Los ensemble time
partir de la que se infieren las probabilidades. La Fi- lagged son baratos en ese sentido y suelen dar resul-
gura 21.9 en la página siguiente derecha muestra una tados positivos. Se proyectó aumentar el número de
parte del ejercicio de verificación realizado para pro- pasadas a cuatro (00, 06, 12 y 18 UTC), existiendo en
bar esta teoría. Pueden verse series temporales de BSS ese caso la posibilidad de construir un superensemble
de precipitación acumulada en 24 h superior a 10 mm de 80 miembros combinando los 4 ensembles más
y sus componentes para AEMET-SREPS en la Penín- recientes (HH, HH-6, HH-12, y HH-18), aunque no
sula y Baleares para el periodo usual en este capítulo se llegó a poner en práctica esta posibilidad.
Figura 21.9: Método de probabilidad observacional de C ANDILLE y TALAGRAND [105] aplicado aquí a la
precipitación por S ANTOS y G HELLI [565]. Al tener en cuenta el error en las observaciones, el rendimiento medido
del SPC es superior, en este caso AEMET-SREPS (ver texto). Figura de S ANTOS Y G HELLI, 2012, QJRMS [565].
21.4 Verificación: consistencia del hasta diciembre de 2008, el mismo que se muestra en
la sección 21.5.1 en la página 325 para las variables de
flujo a gran escala
tiempo sensible. Dada la problemática usual en fases
La verificación de un ensemble trata de evaluar en de desarrollo, no puede disponerse del sistema todos
qué grado la predicción probabilista es buena dado los días al 100 %, de modo que del periodo señalado
que exacta no es por naturaleza, dado que es proba- se seleccionaron 614 pasadas de 00 UTC. La malla de
bilista. Técnicamente, mediante diferentes medidas verificación consta de 380 × 164 = 62 320 puntos. De
se evalúan diversas propiedades que presenta el SPC este modo, el tamaño muestral para evaluar la signifi-
al compararlo con las observaciones o con el análisis cación de cada medida en cada alcance de predicción
correspondiente: la calidad mediante medidas como es 62 320 × 614 ∼ 3,8 × 107 . El horizonte predicti-
la fiabilidad o la resolución y el valor con medidas vo alcanza hasta 72 h y se verifican alcances cada
como el valor económico relativo de la predicción, es 6 horas desde T+06 hasta T+72, es decir 12 alcances.
decir, el beneficio relativo que aportaría a un usuario Se estudiaron diferentes aspectos del rendimiento de
la utilización de la predicción probabilista. las predicciones que mostramos en las siguientes sub-
secciones: la calidad individual de los miembros, la
Para contrastar la consistencia general del sistema a consistencia estadística con el análisis y, por último,
gran escala, digamos escala sinóptica, se comparan la dispersión del ensemble.
campos dinámicos previstos con los correspondientes
campos del análisis. La ventaja de usar un análisis es
que este cubre todo el dominio de integración (no así 21.4.1 Rendimiento de los miembros indi-
las observaciones) con el mismo peso, lo que evita
viduales
dar prioridades a las zonas de tierra donde la densidad
de observaciones es bastante superior. La verificación
frente a observaciones (surface synoptic observations En los SPC multimodelo, e. g. AEMET-SREPS, exis-
(SYNOP), TEMP) da, como es natural, peores resulten tareas extra en comparación con los SPC basados
tados pero cualitativamente similares. Los campos en un solo modelo, e. g. ECENS. La calidad o ren-
dinámicos son aquellos que reflejan la dinámica at- dimiento individual de cada miembro como modelo
mosférica a gran escala sin sufrir influencias de menor determinista es condición necesaria, pero no suficien-
escala como, por ejemplo, la orográfica. Se tomaron te, para garantizar la calidad del SPC en conjunto.
campos de presión reducida al nivel del mar y altu- Hay que tener en cuenta que en el posproceso del
ra geopotencial en 500 hPa y se compararon con el sistema se computan productos probabilistas basados
análisis operativo del ECMWF. en la equiprobabilidad de los miembros. Por tanto, el
primer requisito es garantizar una calidad individual
El periodo de verificación abarca desde abril de 2007 cuanto menos equiparable.
21.4 Verificación: consistencia del flujo a gran escala 323
Figura 21.10: Evolución con el alcance de la predicción (eje horizontal) del error medio (trazo discontinuo) y la raíz
cuadrada del error cuadrático medio (trazo continuo) de predicciones de presión reducida al nivel del mar (MSLP)
computados para cada miembro del SPC (colores) y para el promedio del SPC (negro, trazo grueso). Izquierda:
presión reducida al nivel del mar. Derecha: viento a 10 m.
También se espera que se cumpla una propiedad es- consistente con las observaciones o fiable. Un siste-
tadística conocida: el error cuadrático medio (MSE, ma fiable presenta un histograma de rango con forma
sec. 15.2.3 en la página 211) del promedio del SPC aproximadamente plana. En la Figura 21.11 izquierda
ha de ser más pequeño que el MSE de cualquiera de podemos ver el histograma de rango correspondiente
los miembros [374, 464, 676, 698]. Para comprobar al periodo mencionado abril 2007 - diciembre 2008
este aspecto, se computan el error medio (ME, sec- para Z500 en el alcance T+24 y muestra consistencia
ción 15.3 en la página 213) y la raíz cuadrada del a grandes rasgos, con una cierta cantidad de valores
error cuadrático medio (RMSE) de predicciones de atípicos en los extremos, indicando una ligera subdis-
variables dinámicas (Z500, T500, MSLP) para cada persión típica de los SPC operacionales de esa época.
miembro y para el promedio del SPC. La Figura 21.10 El hecho de estar promediando 21 meses seguidos po-
muestra los resultados para MSLP. Tanto el ME como dría esconder alguna variabilidad estacional. Para ello,
el RMSE del promedio del SPC están dibujados en en la Figura 21.11 derecha estratificamos la muestra
trazo grueso para distinguirlos. Puede comprobarse en las diferentes estaciones, apareciendo tendencias
el rendimiento similar de los miembros que garantiza claras: subdispersión en invierno (forma de U), fiabili-
una calidad equiparable, así como el menor RMSE dad en primavera, sobredispersión en verano (forma
del promedio. Como ya se ha insistido en otros ca- de campana) y una ligera subdispersión en otoño. Para
pítulos, es una propiedad estadística solamente: el otras variables y alcances predictivos los histogramas
promedio del SPC no siempre es una situación me- muestran tendencias similares.
teorológica plausible, pero su rendimiento medido
estadísticamente es superior al de los miembros indi-
viduales (sec. 13.6.3 en la página 178). 21.4.3 Dispersión
La consistencia de las predicciones con las observacio-

21.4.2 Consistencia estadística con las ob- nes (o el análisis) está relacionada con la dispersión
servaciones en el flujo a gran escala del SPC. Se espera que un SPC realice un muestreo
adecuado de las incertidumbres subyacentes en la pre-
En tanto que propiamente probabilista, un primer paso dicción, representada en cada punto por la dispersión
para verificar el sistema es el de comprobar la consis- de las predicciones (con respecto al promedio o con
tencia de las predicciones con las observaciones (o el respecto al miembro de control si lo hay), así como
análisis) en el flujo a gran escala.El llamado histogra- brindar información cuantitativa y explícita de la pre-
ma de rango [16, 104, 262, 263, 264] puede usarse decibilidad de la atmósfera, que a posteriori puede ser
para comprobar si, en cada punto, el valor observa- representada en ese mismo punto por el error (e. g. el
do es estadísticamente indistinguible del conjunto de RMSE) del promedio de las predicciones comparado
los valores previstos por el SPC. Equivalentemente, con la observación. Un SPC consistente muestra una
si tanto el valor observado como los previstos son relación aproximadamente lineal entre ambas canti-
igualmente probables como candidatos a la verdad. dades, la dispersión y el error del promedio [81, 85,
Si es así, el sistema se dice que es estadísticamente 676].
Figura 21.11: Histogramas de rango correspondientes al periodo abril 2007 - diciembre 2008 para Z500 en el
alcance T+24, tomando como referencia el análisis del ECHRES. A la izquierda, el total. A la derecha, de arriba
abajo y de izquierda a derecha, la estratificación estacional: invierno D2007-EF2008, primavera MAM2008, verano
JJA2008 y otoño SON2008. [221] TellusA, CC BY 4.0.
Dado que A-S se compone de un producto cartesiano izquierda y centro, donde no se ha tenido en cuenta
de modelos LAM y modelos GCM surge un aspecto el posible impacto del tamaño de cada SPC [85, 199,
que se ha estudiado por su particular interés: ¿qué par- 200], 20 para el A-S completo y 4 ó 5 para los subSPC.
te de la dispersión de A-S proviene de los múltiples La Figura 21.12 muestra la relación dispersión-error
modelos LAM y qué parte de las múltiples condicio- para la variable MSLP en los alcances predictivos T+6
nes iniciales y de contorno? Para responder a esta hasta T+72 cada 6 horas, tanto para el A-S completo
pregunta, basta con considerar la relación dispersión- (trazo grueso) como para los distintos subSPC (trazos
error correspondiente a los diferentes subensembles finos), multicontorno a la izquierda y multimodelo
que pueden formarse dentro de A-S: por un lado cinco en el centro. Como primer resultado, el sistema A-S
subensembles multicontorno formados por un modelo completo muestra una relación dispersión-error clara-
LAM y cuatro globales y, por otro lado, cuatro suben- mente lineal, por lo que el sistema es consistente con
sembles multimodelo formados por cinco modelos el análisis. En segundo lugar, todos los subensembles
LAM y un modelo global. Una vez formados estos muestran menos dispersión que el A-S completo, con-
subensembles, puede compararse la dispersión del clusión alcanzada en otros estudios como el proyecto
A-S completo con la dispersión de los distintos suben- SAMEX [306], el estudio de Arribas y col. [23] o el
sembles. El resultado se muestra en la Figura 21.12 proyecto DEMETER [492] de predicción estacional.
Figura 21.12: Diagramas dispersión-error para la variable MSLP en los alcances T+6 hasta T+72 cada 6 horas
en el periodo mencionado en figuras anteriores. Para el sistema completo, multimodelo y multicontorno con 20
miembros, en trazo grueso en los tres diagramas. Izquierda: para los cinco subsistemas multicontorno en trazo fino.
Centro: para los cuatro subsistemas muti-modelo en trazo fino. Derecha: para los cuatro estaciones del año en trazo
fino. El sistema completo muestra mejor relación dispersión-error que cualquiera de sus subsistemas y el periodo
completo mejor que cualquiera de las estaciones (ver texto). [221] TellusA, CC BY 4.0.
21.5 Verificación: tiempo sensible 325
Como tercer resultado, los subSPC multimodelo son probabilidades tiene una base estadística y el ejercicio
más subdispersivos que los subSPC multicontorno sede verificación de un SPC es más significativo cuanto
gún avanzamos en el alcance de predicción, lo que nos mayor es la muestra de datos; el período verificado
lleva a concluir que la contribución de los modelos aquí tiene una significación dentro de lo acostumbra-
globales a la dispersión del sistema es algo superior a do, tanto menor cuanto más alto el umbral, que es
la contribución de los diferentes LAM, respondiendo cuando el evento binario tiene lugar en un número de
a la pregunta que nos planteábamos anteriormente. ocasiones menor y en esos casos aparece ruido en las
curvas (fenómeno llamado undersampling [682]).
Para incluir tendencias estacionales que podrían que-
dar enmascaradas en el resultado de todo el periodo, Para comparar con otro sistema predictivo de refe-
mostramos también la estratificación estacional, es- rencia, se seleccionó el SPC del ECMWF, ECENS
ta vez sólo para el sistema A-S completo, tal como (sec. 19.3 en la página 293). Al tratarse ECENS de un
se hizo anteriormente para los histogramas de ran- SPC óptimo para el medio plazo y AEMET-SREPS de
go (sec. 21.11 en la página anterior). Los resultados un sistema óptimo para el corto plazo la comparación
son consistentes con los que para el alcance T+24 no es idónea; sin embargo, se eligió desde un punto
mostraban los histogramas de rango. En invierno el de vista práctico al no tener que comparar A-S con
sistema se torna subdispersivo para alcances altos, en otros sistemas de servicios meteorológicos nacionales.
primavera muestra una clara sobredispersión ligera- Se escogieron alcances de predicción comunes, con el
mente creciente con el alcance predictivo, en verano propósito de minimizar cualquier posible ventaja de
sobredispersión pero con menores valores tanto de algún SPC sobre otro y, por tanto, alcances un poco
dispersión como de error y, finalmente, en otoño el tempranos para ECENS y algo tardíos para A-S, por la
sistema muestra una relación dispersión-error muy naturaleza de cada sistema. Por simplicidad, mostrare-
lineal, claramente cerca de la diagonal, con valores mos detalladamente los resultados para precipitación,
menores a los de invierno-primavera y mayores que dejando sólo un breve resumen de la temperatura y el
los de verano. Estos resultados son consistentes con viento.
la mayor predecibilidad esperable en verano y menor
predecibilidad acompañada de mayor dispersión en Para tener una representación adecuada en densidad
primavera. Las tendencias estacionales se compensan y cobertura se usaron datos de las redes pluviométri-
parcialmente unas a otras para producir la curva más cas europeas de alta resolución, en la Figura 21.13 se
equilibrada del periodo completo. muestra el ejemplo de cobertura de estas estaciones en
España. Los métodos basados en interpolación de los
valores previstos en los puntos de malla a los puntos
21.5 Verificación: tiempo sensible de observación (pointwise, sec. 15.5 en la página 219),
pueden adolecer por un lado, del impacto de la hete-
21.5.1 Tiempo sensible: respuesta frente a rogénea densidad espacial de las observaciones y, por
eventos binarios otro lado, de la potencial falta de significación debido
a la dependencia entre estaciones cercanas .
Un SPC de corto plazo está enfocado principalmen-
te en las variables de tiempo sensible (precipitación,
viento, temperatura). La verificación correspondiente
más adecuada mide la respuesta del sistema frente a
eventos binarios, del tipo llueve/no-llueve, llueve por
encima de 5 mm / no llueve por encima de 5 mm, etc.,
seleccionando un conjunto también adecuado de um-
brales meteorológicos, umbrales característicos desde
el punto de vista climatológico o predictivo.
21.5.2 Periodo, predicciones y observacio-

nes
Figura 21.13: Red pluviométrica de estaciones en Es-
El periodo elegido cubre 21 meses consecutivos, des- paña. Las estaciones azules son pluviométricas puras y
de abril 2007 hasta diciembre 2008. La verificación de las rojas son termo-pluviométricas. AEMET 2017.
Para evitar ambos problemas se aplicó un método de detalladamente en el capítulo 15 en la página 207 y en
gridding o upscaling [128] a las observaciones de pre- los textos fundamentales de verificación de prediccio-
cipitación. En este método se toman, para cada caja nes [331, 332, 334, 682]. Se usó el índice de habilidad
de malla (grid box en inglés), los valores observados de Brier o Brier Skill Score (BSS) [73] y su descompo-
dentro de la misma y se computa un representante, nor- sición en fiabilidad y resolución [332] como medidas
malmente una ponderación adecuada con la distancia netas de fiabilidad, resolución y habilidad. Un sistema
para evitar tomar el promedio puro. Sólo se consideran con BSS mayor que 0 es más hábil que la climato-
aquellas cajas con un número mínimo de 5 estaciones, logía muestral y uno con BSS=1 indica un sistema
para garantizar cierta consistencia. El ECMWF pro- perfecto y determinista. Se usó el índice de habilidad
porcionó estos datos ya mallados a 0.25ºx0.25º, malla del área ROC o Roc Skill Area (RSA), igual a 2A – 1,
de verificación del A-S. donde A es el área bajo la curva ROC, para medir la
discriminación. Las áreas ROC se han computado por
Se comparan, así, predicciones de AEMET-SREPS el método empírico del trapezoide. Una estimación
(A-S) y de ECENS (E-E). Dado que las redes climato- paramétrica daría resultados con menos sesgo [332,
lógicas proporcionan precipitación acumulada de 07 613, 683], mientras que el método empírico tiende
a 07 UTC, que la pasada disponible de A-S era la de a subestimar el área, especialmente para eventos co-
la 00 UTC y que se disponía de salidas cada 6 h, se rrespondientes a umbrales altos, así como favorecer
eligieron los alcances de T+30 y T+54 para computar a SPC de tamaños superiores. La discriminación es
la precipitación acumulada entre 06 y 06 UTC del día una medida complementaria a la que proporciona el
siguiente y poder comparar con E-E en alcances no BSS. Mientras que el BSS es relativamente insensible
demasiado tempranos (la otra opción era T+6 y T+30). a eventos extremos, el RSA no lo es [332]. En contra-
No se tiene en cuenta la diferencia de 1 h entre la ven- partida, RSA puede ser insensible a algunos tipos de
tana de acumulación 06-06 prevista y la ventana 07-07 sesgos predictivos [345].
observada. El número medio de parejas predicción-
observación comparadas es de 1 000 por día, mientras
que para periodos de tres meses es de aproximadamen- Para cada evento binario de exceder el umbral co-
te 76 000. Por su relevancia en predicción operativa rrespondiente, se computa la distribución conjunta de
se eligieron los umbrales de precipitación 1, 5, 10 y predicciones y observaciones, en los diferentes puntos
20 mm. de malla y distintos días del periodo, puntos x días
= casos. En cada caso, a las observaciones se les da
el valor 0 ó 1 según se haya sobrepasado el umbral y
21.5.3 Medidas de verificación y estrategia dado el conjunto de predicciones del SPC, se asigna
una probabilidad de exceder el umbral siguiendo la
En el contexto de la respuesta frente a eventos binarios, hipótesis de equiprobabilidad de L APLACE: número
la calidad del sistema puede comprobarse midiendo de miembros que superan el umbral dividido entre nú-
diferentes propiedades [104, 106]: fiabilidad, corres- mero de miembros totales. Para SPC de N miembros,
pondencia entre probabilidad del evento y frecuencia se hace una partición del espacio de probabilidades
condicionada de observación del mismo, representa- en N+1 intervalos o clases, para obtener medidas más
da en diagramas de fiabilidad, tanto mejores cuanto precisas [698], es decir 52 clases para E-E y 21 clases
más cercanos a la diagonal; resolución, capacidad del para A-E. No se ha tenido en cuenta la diferencia de
sistema para dar valores predictivos probabilistas con tamaños entre ambos SPC [85, 199, 200], aunque pue-
más resolución, también probabilista (valga la redun- de suponerse que favorece en todo caso a E-E y tener
dancia), que la propia climatología muestral y discri- este hecho en cuenta. A partir de la distribución con-
minación, capacidad del sistema para discernir entre junta, plasmada en diversas tablas de contingencia, se
la ocurrencia y no ocurrencia del evento, representada obtiene una serie de medidas. Se estratificó en perio-
en curvas ROC (Relative Operating Characteristics dos de tres meses, utilizando la climatología muestral
[345]), tanto mejores cuanta más área presenten por como referencia en cada estrato [413], sobre el do-
encima de la diagonal. El valor relativo del sistema minio completo, construyendo así una serie temporal
suele representarse en curvas de valor económico re- mensual con media móvil [682] de tres meses. No se
lativo, tanto mejores cuanta más área y cuanto más calcularon intervalos de confianza para las medidas,
centrado esté el máximo (sección 15.10 en la pági- aunque es conveniente hacerlo [112, 232, 331, 414] y
na 234). Este conjunto de propiedades se describen se ha hecho en otros estudios posteriores.
21.5 Verificación: tiempo sensible 327
Figura 21.14: Series temporales de BSS (trazo grueso) y de sus componentes de fiabilidad (trazo fino) y resolución
(trazo fino discontinuo), utilizando media móvil de tres meses, con centro desde mayo 2007 hasta noviembre 2008.
Se muestran resultados de arriba abajo y de izquierda a derecha para los umbrales de 1, 5, 10 y 20 mm de
precipitación acumulada en 24 h respectivamente. El alcance predictivo es de T+54 (acumulación de T+30 a T+54),
AEMET-SREPS en círculos y ECENS en aspas. [221] TellusA, CC BY 4.0.
21.5.4 Resumen de resultados 20 mm la variabilidad estacional no es significativa.

La primera pauta es consistente con la predominancia
de precipitación a gran escala, más bien estratiforme,
La Figura 21.14 muestra series temporales de BSS en invierno. A-S en círculos supera en rendimiento
(trazo grueso) y de sus componentes de fiabilidad a E-E en primavera y verano de forma clara para los
(trazo fino) y resolución (trazo fino discontinuo), uti- umbrales 1, 5 y 10 mm, mientras que para 20 mm lo
lizando media móvil de tres meses, con centro desde supera solo en invierno. Esta diferencia en habilidad
mayo 2007 hasta noviembre 2008. Se muestran resul- se explica en términos de resolución: A-S a 0.25º pue-
tados de arriba abajo y de izquierda a derecha para los de resolver mejor los sistemas convectivos que E-E
umbrales de 1, 5, 10 y 20 mm de precipitación acumu- a 0.50º. Esta diferencia puede esperarse también en
lada en 24 h respectivamente. El alcance predictivo otoño, pero no se midió: efectivamente, la convección
es de T+54 (acumulación de T+30 a T+54), AEMET- otoñal se sabía necesitaba todavía mejorar en A-S.
SREPS en círculos y ECENS en aspas. El BSS tiene Entrando en detalle en las componentes del BSS, A-
orientación positiva, cuanto más alto mejor, cero in- S muestra más fiabilidad que E-E, especialmente en
dicando habilidad igual a la climatología muestral y primavera y verano, diferencia decreciente con el um-
uno indicando predicción perfecta. Las componentes bral. Por el contrario, E-E muestra más resolución en
de fiabilidad y resolución tienen orientación negativa, el espacio de las probabilidades en primavera, otoño e
es decir, cuanto más abajo más fiabilidad y resolución. invierno, excepto para 20 mm, lo cual puede deberse
Como pautas generales comunes, los dos sistemas A- a su mayor tamaño con 51 miembros. La resolución
S y E-E presentan su mayor habilidad en invierno, la no puede mejorares mediante un proceso de calibra-
habilidad se degrada según aumenta el umbral y para ción del espacio de probabilidades; por el contrario,
la fiabilidad puede mejorarse mediante calibración a En resumen, A-S muestra en general mejor rendimien-
costa de la resolución, aunque los beneficios de tal to que E-E en términos de habilidad medida con BSS
calibración son difíciles de conseguir en un entorno y sus componentes, aunque E-E muestra a veces más
operativo [26]. La mayor diferencia en fiabilidad que resolución, A-S es más fiable y con mayor diferencia
en resolución en primavera y verano da al sistema A-S en general. Esta diferencia es aún mayor en aquellas
mayor BSS que E-E en estas estaciones. estaciones en las que la precipitación de tipo convec-
tivo es más frecuente, mientras que cuando se espera
La Figura 21.15 muestra series temporales de RSA predominio de precipitación de gran escala o estrati-
con las mismas características que la Figura 21.14 en forme, no se observa apenas diferencia de habilidad
la página anterior en lo relativo a umbrales, periodo, entre ambos sistemas. Estos resultados son consis-
etc. La medida RSA tiene orientación positiva, con tentes con la diferencia en resolución horizontal de
un valor de cero indicando discriminación igual que ambos SPC con A-S 0.25º sobre 0.50ª del E-E, a pesar
la de la climatología muestral y un valor de uno code la ventaja en tamaño del E-E con 51 miembros so-
rrespondiendo a discriminación perfecta. Para 1, 5 y bre 20, ventaja que explica alguna diferencia puntual.
10 mm ambos sistemas, A-S en círculos y E-E con No se encontraron grandes diferencias en discrimi-
aspas, muestran valores altos de RSA, ligeramente nación medida con RSA, excepto para el umbral de
superiores en invierno, cuando esperamos que pre- 20 mm donde A-S muestra valores superiores, posi-
domine la precipitación estratiforme, sin diferencias blemente debido a su mayor sensibilidad a eventos
relevantes entre ambos sistemas. Para 20 mm hay di- más raros. Si se tuviera en cuenta la diferencia por
ferencia más clara, con A-S mostrando mayor RSA tamaño del SPC, podríamos esperar aún mayor dife-
en otoño e invierno, posiblemente debido a la mayor rencia de rendimiento a favor de A-S. Para explicar
sensibilidad de A-S a eventos más raros, pues en este estos resultados, A-S mejora las predicciones de E-E
caso no está tan claro el papel de la resolución ho- debido probablemente a su mayor resolución horizon-
rizontal y su relación con la capacidad de describir tal (25-50 km) y quizá debido también a su naturaleza
correctamente la actividad convectiva. multimodelo, multianálisis y multicontorno.
Figura 21.15: Como en la Figura 21.14 en la página anterior, pero esta vez el RSA. [221] TellusA, CC BY 4.0.
21.6 Usuarios 329
21.6 Usuarios Baleares, citamos por su relevancia y amabilidad espe-

cial al Servizio Meteorologico Regionale del ARPA-
A partir del año 2007 se comenzaron a diseminar en SIM de Lombardia, donde utilizaron durante años A-S
tiempo real tanto las salidas directas de los miembros con espectaculares resultados, siendo utilísimo para
como los productos resultantes del A-S a diversos los casos de sistemas convectivos de mesoescala y
servicios meteorológicos, así como otras entidades precipitaciones torrenciales. Se recibían avisos de los
europeas, que así lo demandaron para sus propios lombardos los (pocos) días que recibían A-S con retra-
fines operativos o de investigación, a la par que co- so o no lo recibían, debido a que no podían disponer
laboraban en explorar las proyecciones del sistema. de las predicciones correspondientes.
Mencionamos aquí algunos ejemplos relevantes.
21.7 Proyectos
Algunos de los proyectos más relevantes en los que se

Figura 21.16: Usuarios destacados de AEMET-SREPS ha involucrado el grupo de predecibilidad de AEMET
en Europa: consorcio COSMO. se describen a continuación.
Entre los consorcios europeos que más activamen-

te solicitaron A-S para fines de investigación, pode- 21.7.1 Proyectos internacionales de gran
mos mencionar Consortium for Small-scale Modeling escala
(COSMO). Durante un tiempo se le suministraban
cuatro miembros de A-S a la resolución de 0.25º. Des- 2008-2012 TIGGE-LAM: THORPEX Interactive
pués estuvieron investigando y operando el SPC de Grand Global Ensemble - Limited Area Models.
mesoescala COSMO-SREPS, en el ARPA-SIM de Bo- https://software.ecmwf.int/wiki/display/
lonia, para lo que se les suministraban 16 miembros TIGL
de A-E para producir perturbaciones en algunos pa-
rámetros usando A-S como condiciones de contorno.
2006-2012 GLAMEPS: Grand Limited Area
Por último, para anidamiento del SPC de mesoescala
Model Ensemble Prediction System, Consor-
COSMO-DE-SREPS usando AEMET-SREPS como
cio HIRLAM. http://hirlam.org/index.php/
contorno, se les suministraban 16 miembros de A-S.
hirlam-programme-53/general-model-description/
Dentro de AEMET, en el Área de Técnicas y Apli-
glameps
caciones de Predicción (ATAP) se abrió una línea de
generación de productos probabilistas a partir de A-
S. En la D. T. en Baleares se estuvieron usando las
salidas de A-S con un algoritmo de detección de me- 21.7.2 Energía eólica
dicanes (capítulo 33 en la página 551).
2009-2010 SAFEWIND: Multi-scale data assimila-

tion, advanced wind modelling & forecasting with
emphasis to extreme weather situations for a safe
large-scale wind power integration. Collaborative pro-
Figura 21.17: Usuarios destacados de AEMET-SREPS
ject funded by the European Commission under the
en Europa: Servizio Meteorologico Regionale del ARPA-
SIM de Lombardia. 7th Framework Program, Theme 2007-2.3.2: Energy.
http://www.safewind.eu/
Por otro lado, en el campo de la predicción operativa, 2003-2005 HONEYMOON: A High resOlution Nu-
A-S fue popular especialmente en aquellos centros merical wind EnergY Model for On- and Offsho-
operativos donde la convección profunda del área me- re using eNsemble predictions , DMI,INM, Cork
diterránea es un elemento clave. Además de los GPV Univ., Oldenburg Univ., EED, etc. http://cordis.
de Barcelona y Málaga y, en menor medida Valencia y europa.eu/project/rcn/67930_en.html
21.7.3 UIB (fenómenos adversos en el me- en un periodo de casi dos años, desde abril de 2007
diterráneo) hasta diciembre de 2008 (21 meses), primer periodo
de madurez del sistema,
2018- COASTEPS: Fenómenos meteorológicos seve- En la representación del flujo a gran escala, sinóptica
ros en zonas costeras mediterráneas: retos de predic- principalmente, A-S era estadísticamente consistente
tibilidad y análisis climático (CGL2017-82868-R)., con el análisis del modelo determinista del ECMWF,
CICYT, UIB. http://meteo.uib.eu/coasteps el ECHRES, con una ligera subdispersión típica en
(en construcción en mayo 2018). los SPC operativos más comunes. La dispersión del
A-S muestra una relación razonablemente lineal con
2011-2014 PREDIMED: Mejora de las prediccio-
el error del promedio del SPC según crece el alcan-
nes de tiempo severo Mediterráneo por medio de
ce de predicción, una evidencia clara de consistencia,
observaciones adaptativas y métodos avanzados de
relación mejor que la mostrada por cualquiera de los
predicción por conjuntos en el marco de los proyec-
subSPC que se podían formar con los miembros del
tos MEDEX Fase II y HyMeX (CGL2011-24458),
sistema, e. g. subSPC multimodelo o subSPC multi-
CICYT, UIB. http://meteo.uib.eu/predimed/
contorno. Estos últimos revelaron ser menos subdis-
PREDIMED.cid242657
persivos que los multimodelo, haciendo sospechar que
el ingrediente multicontorno en el sistema tenía algo
2008-2011 MEDICANES: Ambientes Meteorológi-
más de peso sobre la dispersión neta del mismo.
cos, Predecibilidad Numérica y Evaluación del Ries-
go en el Clima Presente y Futuro (CGL2008-01271), En la respuesta frente a eventos binarios para las varia-
CICYT, UIB. bles de tiempo sensible, temperatura, viento y preci-
pitación acumulada, que resultan las más importantes
2005-2008 ENSEMBLE: Aplicación de Técnicas de
para los usuarios de un SPC para el corto plazo, el
Predicción por Conjuntos a episodios meteorológi-
sistema presentaba una habilidad, destreza o pericia
cos de gran impacto en el Mediterráneo occidental
(skill) comparable o superior a la de SPC operativos
(CGL2005-05681/CLI), CICYT, UIB.
destacables. Se muestran en este capítulo, por bre-
vedad pero con cierto detalle, solamente los resulta-
dos para la precipitación acumulada en 24 horas. Se
21.8 Resumen y conclusiones utilizaron observaciones de las redes pluviométricas
europeas convenientemente malladas (gridding o ups-
En el periodo 2002-2014 se desarrolló en caling) a 25 km, unas 1 000 observaciones diarias. Se
INM/AEMET un SPC para el corto plazo multi- compararon predicciones probabilistas del SPC del
modelo, multianálisis y multicontorno denominado ECMWF, ECENS (E-E) y el A-S, seleccionando un
AEMET-SREPS (A-S). En su etapa de madurez el alcance predictivo, relativamente justo para la com-
sistema funcionaba integrando cinco modelos de- parativa, de T+54. Por su importancia en predicción
terministas de área limitada (Limited Area Model operativa se seleccionaron los umbrales de precipi-
(LAM) o Regional Circulation Model (RCM)) en el tación 1, 5, 10 y 20 mm. Usando la medida Brier
superordenador de AEMET usando cinco modelos Skill Score (BSS [104, 332]) y sus componentes, A-
deterministas de globales o de circulación general S resulta tener más fiabilidad y peor resolución, con
(Global Circulation Model (GCM)) como condiciones una habilidad neta superior en general a la de E-E,
iniciales y de contorno. El sistema se componía, ha- diferencia más clara en estaciones del año con ac-
ciendo el producto cartesiano correspondiente, de 25 tividad convectiva más alta. Usando la medida Roc
miembros que se integraban dos veces al día, pasadas Skill Area (RSA [168]) para medir la discriminación,
de 00 y 12 UTC, produciendo predicciones hasta un solo se encontró diferencia par el umbral de 20 mm,
alcance predictivo de 72 horas sobre un dominio que en el que la discriminación de A-S fue superior en
cubría parte del océano Atlántico Norte, parte del otoño-invierno. La más alta resolución horizontal de
norte de África y casi toda Europa. La resolución A-S, 0.25º sobre 0.50º juega un papel importante en
horizontal de los miembros era de 0.25º, aproxima- estas diferencias de rendimiento, incluso a pesar de
damente 25 km en nuestras latitudes y la vertical su tamaño más pequeño en número de miembros, 20
de 40 niveles. En este capítulo se ha mostrado un sobre 50, aspecto no estudiado en este ejercicio [85,
ejercicio de verificación completo, tanto del flujo a 200]. Las situaciones convectivas se describen mejor
gran escala como de las variables de tiempo sensible, con mayor resolución, conclusión esperada de ante-
21.8 Resumen y conclusiones 331
mano. De ahí que en las situaciones donde predomina técnica time lagged para construir un superensemble
la precipitación estratiforme, de gran escala, apenas agrupando varias pasadas también ha dado buenos re-
hay diferencias en el rendimiento de ambos sistemas. sultados. Se ha probado también un ensemble híbrido,
La diferencia de naturalezas en su diseño sin duda que rescata la parte de la información de la incerti-
juega un papel, pero es más difícil de contrastar. A-S dumbre de un ensemble, para agregarla a un modelo
es multimodelo, multianálisis y multicontorno, mien- determinista de más alta resolución, y por tanto, a prio-
tras que E-E es un SPC monomodelo construido con ri más exacto y sobretodo detallado, obteniendo así un
perturbaciones en las condiciones iniciales y parame- ensemble de más resolución, es decir, con más detalle.
trizaciones estocásticas para tener en cuenta el error Las técnicas de generación de SPC difusivos, también
del modelo. En este sentido hace falta investigación probadas, pueden mejorar la predicción probabilista
más profunda [698], fuera del alcance del proyecto. de la precipitación, una de las más importantes.
El reconocimiento es muy claro sobre la estrategia Un aspecto importante que aportó la experiencia con
de diseño elegida: las configuraciones seleccionadas, A-S tiene que ver con la oportunidad de establecer el
multimodelo, multianálisis y multicontorno, quedan sistema como operativo oficialmente. Con A-S surgie-
confirmadas como técnicas no solo plausibles sino ron problemas de licencia para el uso de los modelos,
también eficaces para muestrear convenientemente uso del que AEMET no tenía plena libertad para explo-
el error y las icertidumbres de condiciones iniciales, tación y, en ocasiones, el uso se restringió al contexto
modelo y contorno. de investigación pero no el operativo. Otro aspecto
importante tiene que ver con la publicidad interna que
Las predicciones probabilistas proporcionadas por A- necesita un sistema puntero tanto en su concepción
S de variables de tiempo sensible pudieron ayudar en teórica como en la práctica de su uso para predicción
la predicción operativa como herramienta complemen- operativa. En la época de A-S un buen número de
taria a los modelos deterministas de mayor resolución. predictores eran reacios a la hora de aprender las téc-
A-S brinda información cuantitativa, explícita y deta- nicas elementales de predicción probabilista, por lo
llada sobre la incertidumbre en la predicción y, por que el valor de una herramienta como A-S, que ya
ende, sobre la predecibilidad atmosférica en cada área era un SPC añadido al ECENS, se ponía en tela de
y alcance predictivo. Así mismo, proporciona diferen- juicio. Añadiendo un largo etcétera para el que no
tes escenarios, algunos de ellos de riesgo potencial, hay espacio en este capítulo, el resultado, en el fondo
por lo que puede ser una poderosa herramienta de nada insólito, es que A-S nunca fue un SPC operativo
toma de decisiones a la hora de emitir avisos de fenó- oficialmente y tampoco se utilizó, al menos oficial-
menos adversos, de gran relevancia en España, como mente, en los grupos de predicción. Este aprendizaje
son lluvias torrenciales o inundaciones súbitas en el es útil a la hora de afrontar el desarrollo del actual
área mediterránea, temporales de viento en el Can- AEMET-γSREPS (cap. 22 en la página 333), aunque
tábrico u olas de calor en el cada vez más intenso y muchos de los condicionantes de aquella época ya
extenso verano. no son tales: los predictores, en la actualidad, aunque
cada vez menos, están mejor preparados y con actitud
Se dieron varias líneas de investigación y desarrollo
positiva para el aprendizaje de nuevas herramientas.
interesantes, tanto para mejorar este ensemble como
Queda la memoria de AEMET-SREPS un sistema de
para compararlo con otras alternativas de predicción
naturaleza multimodelo, técnica en la que España fue
probabilista, que han aportado conocimiento y expe-
pionera europea.
riencia para desarrollos actuales o futuros como el
AEMET-γSREPS (cap. 22 en la página 333). La apli-
cación de física estocástica en el SPC, utilizada en el
ECMWF, puede aportar mejoras en el equilibrio ener-
gético en diferentes escalas. Las técnicas estadísticas
avanzadas de calibración en el posproceso, aunque
muestran resultados excepcionales corrigiendo la dis-
persión del ensemble en sentido estadístico, todavía Figura 21.18: Logo de AEMET-SREPS, idea original de
fallan a la hora de afrontar fenómenos extremos. La DANIEL S ANTOS -M UÑOZ.
AEMET-γSREPS
22
DOI: 10.31978/014-18-009-X.22
LFONS C ALLADO I PALLARÉS1 , PAU E SCRIBÀ AYERBE1 Y J OSÉ A NTONIO G ARCÍA -M OYA Z APATA 2
A
Contribuciones de: M ARC C OMPTE ROVIROLA1 , DAVID G IL O LIVA1 , A. M ARTÍN2 Y J. RODRÍGUEZ2 Y

E RNEST W ERNER H IDALGO1
1. Delegación Territorial en Cataluña, Agencia Estatal de Meteorología (AEMET)

2. Area de Innovación, AEMET
A model can bear the mark of its designer just as surely as a song can bear the mark of its composer.
Un modelo contiene la huella de su diseñador igual que una canción posee el sello de su compositor.
E DWARD N ORTON L ORENZ, 2004
El futuro de la predicción del tiempo se fundamentará en sistema(s) de predicción por conjuntos (SPC) que
describan cada vez más detalladamente la atmósfera y sus interrelaciones con el resto de componentes del
Sistema Climático: suelo, océanos, hielos y biosfera. Más detalladamente porque los modelos de predicción del
tiempo representarán la atmósfera a escalas horizontales (y verticales) cada vez más pequeñas, desde muy pocos
kilómetros a unos pocos metros. ¿Y por qué más detalladamente? Pues porque hay procesos de mesoescala
(de 1 a 20 km en jerga de meteorólogos y modelizadores) que sólo se simulan adecuadamente con modelos
detallados. Y que se simulen adecuadamente es determinante para poder hacer una buena predicción de eventos
meteorológicos relevantes como por ejemplo precipitaciones intensas y/o copiosas que producen inundaciones.
Y las incertidumbres inherentes a esas escalas y, por ende, su predecibilidad, sólo se podrán tener en cuenta
con las predicciones de carácter probabilista basadas en SPC y no con una sola predicción determinista. En ese
camino se enmarcan los actuales SPC de área limitada (una zona más o menos rectangular de la Tierra), de alta
resolución (1-4 km), convection permitting (sin parametrizar la convección), anidados en modelos globales (todo
el planeta), como el AEMET-γSREPS de AEMET.
Palabras clave: sistema de predicción por conjuntos AEMET-γSREPS, proyecto AEMET-γSREPS, multimodelo-multicontorno,
incertidumbre en escala convectiva, sistemas de predicción por conjuntos de alta resolución.
Imagen parte superior: nubes orográficas. Chamonix (Francia), hacia el sureste, 20 de julio de 2009, a las 9:04. Fotografía de J OSÉ
A NTONIO Q UIRANTES C ALVO.
334 Física del caos en la predicción meteorológica Capítulo 22. AEMET-γSREPS
22.1.1 La atmósfera en la escala convec-

tiva y el espectro de energía K −5/3
La atmósfera incluye multitud de diferentes escalas

de diferentes fenómenos atmosféricos [477] (cap. 6 en
la página 67), desde la escala casi molecular, e. g. las
ondas sonoras, hasta la circulación general, e. g. fe-
nómenos como el ENSO-El Niño (sec. 29.2.1 en la
página 484) y todas interaccionan y se influyen entre
ellas como un todo continuo e interrelacionado. Nues-
tras observaciones de la atmósfera, como las clásicas
desde aviones en nivel de vuelo cerca de la tropopausa
de NASTROM -G AGE [382], muestran unos regímenes
de interacciones entre escalas diferentes, en particular
entre la escala convectiva y la escala sinóptica.
Figura 22.1: Espectro de energía del viento zonal y me- En la Figura 22.1 se observa, para cada una de las com-
ridional de L INDBORG [382]. La línea vertical azul ponentes del viento, un régimen del espectro de ener-
marca aproximadamente el cambio del espectro entre gía que sigue un K −3 en la escala sinóptica y K −5/3 en
los regímenes sinóptico y convectivo con espectros de las escala convectiva. Sólo los modelos de predicción
energía de K −3 y K −5/3 respectivamente. del tiempo de alta resolución, como los modelos que
integran el SPC AEMET-γSREPS no hidrostáticos
(sec. 6.3.2 en la página 78) y convection-permitting,
22.1 La incertidumbre en la escala parecen ser capaces de reproducir parcialmente el ré-
gimen de la escala convectiva con el espectro K −5/3
convectiva y, por tanto, describir el cambio de régimen entre
escalas. Este es un punto importante a favor de los
Las incertidumbres en la escala convectiva o mesoes-
modelos y SPC de alta resolución, sobre todo si que-
cala tienen unas implicaciones diferentes a las de la
remos reproducir la atmósfera cada vez más detallada
escala sinóptica, implicaciones que las convierten en
y fidedignamente.
relevantes, sobretodo en las predicciones cada vez
más detalladas en zonas cada vez más pequeñas con
fenómenos meteorológicos más locales. Vamos a dar
22.1.2 El límite inherente de predecibilidad
las ideas más importantes en esta sección, pero no hay
duda de que por su importancia en la evolución futura en la escala convectiva
tanto de los SPC globales y regionales a altas reso-
luciones, como de la predicción operativa más local, La escala convectiva, con el espectro de energía K −5/3 ,
merecería un capítulo entero en el presente volumen. tiene un límite inherente de predecibilidad indepen-
dientemente de tener, por ejemplo, mejores condicio-
nes iniciales para un modelo de alta resolución. Esto
Escalas sinóptica y convectiva. En el presente capí-
no sucede en la escala sinóptica con el espectro de
tulo y por simplicidad, aunque puede prevalecer el
enfoque didáctico por encima del rigor científico, el energía K −3 , donde, por ejemplo, si se mejora un 10 %
fondo de la cuestión aparece en toda su magnitud. En la condición inicial a través de las observaciones, la
este contexto, nos referimos a la escala convectiva, predicción a 24 horas mejorará un 1 %: la mejora no
del orden de 1-10 km, claramente subsinóptica y a es lineal, pero existe. En la escala convectiva la mejora
escalas sinópticas del orden de 10-1000 km, que en sería de un 0 %. Las escalas convectivas son inherente-
una clasificación de O RLANKSI [477] (cap. 6 en la mente inciertas, siendo el límite de su predecibilidad
página 67 y sec. 13.10 en la página 174) de las escalas
independiente de las condiciones iniciales. Uno de los
espacio-temporales de la atmósfera, corresponderían
más o menos la escala convectiva a las escalas meso-γ
pioneros en el error del modelo (sec. 5.3 en la pági-
y meso-β y, por otro lado, la escala sinóptica a las na 62), el meteorólogo E DWARD N. L ORENZ, ya se
meso-α y sinóptica de O RLANSKI, respectivamente. dio cuenta de ello a finales de los años 60 del siglo
XX [392] (sec. 5.3.1 en la página 62).
22.1 La incertidumbre en la escala convectiva 335
Figura 22.2: Reproducción del espectro de energía (línea negra superior envolvente) y espectro de energía del error
(curvas negras ascendentes de 5 días, 1 día, 5 horas, 1 hora y 15 minutos) de E. N. L ORENZ (1969 [392]). La
línea azul vertical marca aproximadamente el cambio del espectro entre los regímenes sinóptico y convectivo con
espectros de energía de K −3 y K −5/3 respectivamente.
L ORENZ no lo hizo con un modelo común de la de predecibilidad, a diferencia de las mejoras

atmósfera, sino con uno simplificado teórico, pero en las condiciones iniciales.
que retenía la esencia del problema atmosférico. És- 3. A pesar de lo comentado en el punto anterior,
ta es una práctica muy común entre meteorólogos- con mejores condiciones iniciales, por ejemplo
modelizadores-teóricos. asimilando datos de radar en modelos de los
SPC de alta resolución, sí que se pueden mejo-
Con nostalgia, en la Figura 22.2 se reproduce una grá- rar las predicciones. Eso sí, sólo antes de llegar
fica con sus resultados, donde se muestran donde se al límite de predecibilidad inherente.
situarían las escalas sinóptica y convectiva.
Más tarde se comprobó que el límite inherente de la 22.1.3 Modelos y SPC en la escala convec-
predecibilidad en las escalas convectivas en la prác- tiva
tica de los modelos de predicción del tiempo reales
se sitúa entorno de las 12 horas [296]. Por suerte, Para ejemplificar el futuro de los modelos y, sobreto-
superior a las 5 horas estimadas con el modelo de do, de los SPC a escala convectiva, haremos uso de
L ORENZ de 1969 [394]. Todo ello condiciona la apli- uno de los modelos simplificados de la atmósfera más
cabilidad de las técnicas y metodologías clásicas en utilizados a nivel teórico de nuestro laureado gurú
modelización de la escala sinóptica al pasar a la esca- E. N. L ORENZ: el denominado modelo de L ORENZ
la convectiva [295, 296]. Este descubrimiento es un 96. En la Figura 22.3 en la página siguiente podemos
importante jarro de agua fría para el avance de la pre- visualizar el modelo L ORENZ’96 [394] que nosotros
dicción del tiempo y, simultáneamente, un interesante interpretaremos que reproduce la interacción caótica
reto para los meteorólogos-modelizadores. de dos escalas: en rojo la escala convectiva y en verde
la escala sinóptica.
Antes de ahondar más en el límite de predecibilidad a
escalas convectivas, debemos advertir algunos puntos: ¿Qué pasaría si analizáramos los errores (e incerti-
dumbres) en ambas escalas? Pues el resultado puede
1. La predecibilidad depende del flujo, es decir, verse en la Figura 22.4 en la página 337, siguiendo
depende de cada situación meteorológica: en los trabajos de L ORENZ:
una puede ser de sólo 6 horas, por ejemplo en
algún caso con mucha inestabilidad convectiva El error en las escalas convectivas (línea roja) crece
y, en otros casos, llegar más allá de 24 horas, rápidamente hasta saturarse al cabo de unas 12 ho-
por ejemplo una situación estable anticiclónica. ras. La saturación del error se produce cuando es
2. Las mejoras en los modelos sí que pueden au- tan grande que ya no hay más crecimiento: la curva
mentar de manera efectiva el límite inherente se pone horizontal.
Figura 22.3: Reproducción de W ILKS [682] del modelo de L ORENZ 96. En rojo se representan la escala convectiva
y en verde la sinóptica: las líneas negras representan los flujos de las interacciones intra-escalas e inter-escalas.
Anecdóticamente, se reproducen las dos ecuaciones de L ORENZ 96 para ambas escalas, donde el último término de
cada ecuación representa las interacciones entre ellas.
El error en escalas sinópticas (línea verde) crece la página 272, sec. 17.5 en la página 271).
rápidamente al principio por influencia de las esca-
las convectivas pero, llegada la saturación del error A diferencia de las escalas convectivas, las escalas
de estas últimas, crece a su propio ritmo, más len- sinópticas representan flujos y circulaciones más res-
ta y continuadamente y sin llegar a la saturación: tringidos a la horizontal (2D), por balances cinéticos
esa saturación llegaría hacia los 10-20 días en los y energéticos respectivamente. Estamos en el régimen
modelos operacionales. del espectro de energía K −3 , de la llamada inestabili-
Profundicemos algo más en las enseñanzas de la Figu- dad baroclínica o baroclina, sin límite inherente de la
ra 22.4 en la página siguiente. Las escalas convectivas predecibilidad y un crecimiento del error e incertidum-
son el fruto de flujos en tres dimensiones (3D), es de- bres más controlado: mucho más sencillo de simular
cir, tanto en la horizontal como en la vertical y, tales por un modelo.
circulaciones, no están balanceadas o en equilibrio
con su entorno. En los modelos y, para simular consis- Para un modelo de muy alta resolución, las escalas
tentemente en especial la inestabilidad convectiva, se que se resuelven a partir de unas 12 horas, sin el error
precisa asimilar (cap. 16 en la página 243) observacio- saturado, son las mesoescalares y las sinópticas. Para
nes de su propia escala tales como las reflectividades un SPC regional se pueden aplicar los métodos clá-
de los radares meteorológicos (con resoluciones al- sicos y los errores e incertidumbres se pueden tratar
rededor de 1 km). La línea de puntos marrón de la a través de las condiciones de contorno de modelos
Figura 22.4 en la página siguiente quiere representar o SPC globales (LBC por sus siglas en inglés) y los
cómo nos gustaría tener en cuenta las fuentes de incer- métodos usuales para el error del modelo (ver cap. 17
tidumbre en un SPC de alta resolución bien diseñado. en la página 257). Una buena simulación de las in-
Se necesitarían unas condiciones iniciales (IC por sus certidumbres en un SPC, representada por la línea de
siglas en inglés) adecuadas a la escala (e. g. asimi- puntos marrón, es el objetivo de cualquier SPC de alta
lación de radar) y un buen tratamiento del error del resolución y se considera factible con un SPC bien
modelo (MO) para la escala convectiva (Tabla 17.5 en diseñado.
22.1 La incertidumbre en la escala convectiva 337
Figura 22.4: Crecimiento del error en el modelo de Lorenz 96: en rojo las escalas de procesos rápidos interpretados
como escala convectiva; y en verde las escalas de procesos lentos interpretados como escala sinóptica. La línea azul
vertical marca aproximadamente el cambio del espectro entre los regímenes sinóptico y convectivo con espectros de
energía de K −3 y K −5/3 respectivamente. Ver texto para más detalles.
22.1.4 ¿Y por qué SPC en la escala con- sistema convectivo de mesoescala (SCM), etcétera,
vectiva o kilométrica? organización muy limitada en los modelos con la
convección parametrizada en la física.
Responderemos a la pregunta en dos pasos siguiendo Simular mejor la rotura de ondas de ROSSBY
a uno de los pioneros de los SPC y errores del modelo, (sec. 6.3.3 en la página 80) y por ende la persis-
T IM PALMER [487]. tencia de bloqueos anticiclónicos, etcétera.
Posibilidad de mejores detalles de procesos en la
El primer paso: hay multitud de razones para evo- física como la Planetary Boundary Layer (PBL)
lucionar los modelos de predicción del tiempo a no (turbulencia) y la evolución de las nubes o microfí-
hidrostáticos (sec. 6.3.2 en la página 78) y convection- sica de nubes (condensación de la gran escala).
permitting en las altas resoluciones y, con ellos, los
SPC en las escalas convectivas de las cuales, por su
relevancia en latitudes medias, listamos las siguientes Y el segundo paso: ¿Qué sucede una vez que muda-
sin pretender ser exhaustivos: mos nuestros modelos a las escalas convectivas, no del
todo inherentemente inciertas, pero sí en las que crece
Mejores condiciones de contorno inferiores: mejor rápidamente el error de la predicción hasta saturarse
orografía, mejor descripción de los límites costeros, en las 12 horas? Pues sucede que la aproximación
de usos del suelo, etcétera. determinista, es decir, hacer una predicción con un
Asimilación de observaciones de alta resolución, modelo determinista, pierde sentido. Estamos en una
como las reflectividades radar, datos de satélites de escala tan incierta que la predicción es sólo posible
alta resolución, etcétera. incorporando la probabilidad de forma natural en nues-
Simular explícitamente la inestabilidad convectiva tro sistema predictivo. La única predicción consistente
con la dinámica del modelo y no en las parametri- y viable a escalas convectivas se fundamenta en tener
zaciones físicas (es decir, convection-permitting), en cuenta las incertidumbres con un SPC de alta re-
al igual que la inestabilidad baroclínica o baroclina, solución no hidrostático (sec. 6.3.2 en la página 78)
facilitando la simulación de la organización de la y convection permitting, como el AEMET-γSREPS
convección en sistemas como líneas de turbonada, presentado en este capítulo.
Figura 22.5: Técnicas más empleadas en los SPC de alta resolución para tener en cuenta las tres fuentes de
incertidumbre. En negrita las usadas en Harmon-EPS (SPC de HIRLAM-ALADIN) y en AEMET-γSREPS.
22.2 SPC de alta resolución en la península ibérica podrían ser estructuras meteo-
rológicas sinópticas como el Anticiclón de las Azores
o una borrasca típica entrando por Galicia con frente
En la Figura 22.5 se muestran las diferentes técnicas
frío asociado.
más usualmente utilizadas, en Harmon-EPS (SPC de
HIRLAM-ALADIN, grupo del que Agencia Estatal
de Meteorología (AEMET) forma parte), en el diseño Alta resolución horizontal entre 2-3 km. Una resolu-
de un SPC de alta resolución para tener en cuenta ción horizontal de la malla de los modelos por debajo
las tres fuentes de incertidumbre. En la Tabla 22.1 de unos 4 km implica, como aspecto más destacable,
en la página siguiente se resumen los detalles técni- que la convección o nubes de tormenta, desencade-
cos de diversos SPC de alta resolución operativos o nadas por la llamada inestabilidad convectiva, son
semi-operativos en Europa en 2018. Atendiendo a esta resueltas por la parte dinámica (sec. 10.4 en la pá-
tabla, cabe resaltar dos detalles transversales en todos gina 135) de los modelos (esta característica se de-
los SPC: abarcan un área pequeña y tienen una alta nomina convection-permitting en inglés), en vez de
resolución horizontal, entre 2-3 km. Ambos detalles estar parametrizada dentro de la parte de las parame-
son significativos y condicionantes en su diseño. trizaciones físicas (sec. 10.5 en la página 137) del
modelo. Siguiendo con el ejemplo del γSREPS, la
misma parte de los modelos que simula la evolución
Áreas pequeñas. Las áreas pequeñas van ligadas a del Anticiclón de las Azores al sur y el paso de un
resolver principalmente incertidumbres de carácter frente frío de madrugada en Galicia, también deberá
mesoescalar (en particular, escala meso-β) y de escala resolver la tormenta de tarde en el sistema Ibérico. To-
convectiva como, por ejemplo, convección diurna en do ello también implica que deben resolverse con más
las montañas y nieblas locales en los valles. Mientras detalle otras parametrizaciones físicas de los mode-
que las incertidumbres de estructuras sinópticas gene- los, donde destacan la turbulencia en la Capa Límite
ralmente no se generan y/o desarrollan dentro de esas Planetaria (PBL) y la microfísica de nubes. Esta últi-
áreas pequeñas y vienen dadas por las condiciones de ma, por ejemplo, se resuelve describiendo con sumo
contorno. Es decir, provienen de los modelos globales, detalle la evolución de las gotitas de nube dentro de
o los SPC generados con éstos, en los que se anidan ella durante horas o días, creciendo hasta dar lluvia o
los SPC de alta resolución. Ejemplos para el γSREPS evaporándose y deshaciéndose la nube.
22.2 SPC de alta resolución 339
Modelo Resolución
Características / Condiciones Condiciones de
# miembros Pasadas Error del modelo
SPC Europeos iniciales contorno
Área Alcance
AEMET- Multimodelo 2,5 km x 65/72 Igual que de
γSREPS 20 00/12 UTC contorno +✙ 5 GCM
(~ 9-28 km) (*)
Multimodelo
(***)
[España] 400x1200 km HH+48 LETKF 2018
MetCoOp EPS HARMONIE- 2,5 km x 65 3DVAR NMC + SLAF con ✙ 2018 ¿pert.
[Noruega, Suecia AROME 10 00/06/12/18 UTC asimilación ECHRES superficie?
y Finlandia] 1900x2400 km HH+48 superficie (~ 9 km) [GCM] ¿SPPT?
AROME 2,5 km x 90 3DVAR + pert. PEARP (***) SPPT
AROME-EPS
[Francia]
12 09/21 UTC ✙
superficie EDA (~ 10 km) [SPC (parametrización
1900x2000 km HH+45 2018 global] estocástica)
COSMO-DE- COSMO 2,8 km x 50 LETKF (KENDA) ICON-EU
Multiparámetros
EPS 20 03/06/.../21 UTC + pert. SST y (~ 6.5 km) [SPC
(fijos)
[Alemania] 1200x1300 km HH+27/54 humedad suelo regional]
COSMO 2,2 km x 60 ECENS SPPT
COSMO-E LETKF
21 00/12 UTC (~ 18 km) [SPC (parametrización
[Suiza] (KENDA)
1300x850 km HH+120 global] estocástica)
UM 2,2 km x 70 MOGREPS-G
MOGREPS-UK Multiparámetros
12 03/09/15/21 UTC UKV análisis (~ 20 km) [SPC
[Reino Unido] (estocásticos)
1600x1650 km HH+54 global]
Tabla 22.1: Resumen de características técnicas de seis SPC de alta resolución en Europa en 2018; (*) IFS, ARPEGE,
GSM, GFS y GEM; (**) HARMONIE-AROME, ALARO, WRF-ARW y NMMB; (***) agrupamiento.
Finalmente, debemos destacar que los modelos de alta plo, se muestra en la Figura 22.6, parte izquierda, una
resolución se benefician de unas condiciones de con- orografía a 2,5 km donde podemos apreciar el detalle
torno inferiores (el «suelo» del modelo) descritas más de los valles, desde el Valle del Ebro hasta los más
detalladamente: las líneas de costa, los tipos de suelo intrincados valles de los Pirineos. Los diferentes tipos
con su vegetación y las zonas urbanas, la orografía, et- de suelo pueden ser examinados en la Figura 22.6,
cétera. Pueden simular, por tanto, con más detalle bri- parte derecha: invitamos a localizar en píxeles negros
sas marinas y de valle/montaña, nieblas, alto-cúmulos las ciudades de Barcelona y Zaragoza.
lenticulares de ondas de montaña, etc. Como ejem-
Figura 22.6: Condiciones de contorno inferiores del modelo WRF-ARW a 2,5 km de resolución (píxeles) en el
nordeste de la península ibérica. Izquierda: orografía. Derecha: tipos de suelo: urbano (negro), cultivos (magentas,
rojos y naranjas), pastos (marrón), matorrales o bosque ralo (amarillo), bosques (azul turquesa y verde) y agua
(azul).
22.3 Objetivos del γSREPS 22.4 Fase de diseño
Hay dos objetivos principales. El primero, predecir

22.4.1 Incertidumbre en condiciones inicia-
fenómenos meteorológicos adversos (ver fenómeno
les
meteorológico adverso (FMA), sec. 41.3 en la pá-
gina 628) y/o extremos, tales como precipitaciones
copiosas en el ámbito del Mediterráneo, que suelen Este aspecto de la fase de diseño se aborda en detalle
producir inundaciones (cap. 32 en la página 531 y en el capítulo 16 en la página 243.
cap. 44 en la página 655). Un aviso oportuno en el
sistema Meteoalerta (cap. 41 en la página 627) de
AEMET puede salvar vidas y bienes. 22.4.2 Incertidumbre en condiciones de
contorno: Multicondiciones de con-
Fenómenos meteorológicos adversos (FMA). Ocu- torno
rre a menudo, sobre todo en el ámbito del mar Medi-
terráneo, que las evoluciones mesoescalares son deci-
El objetivo final de un SPC de alta resolución es pro-
sivas para la génesis y evolución regional de los FMA,
modulando ciertamente los forzamientos sinópticos porcionar los mejores productos posibles para realizar
más generales. Así, para simular las evoluciones me- las mejores predicciones que permitan, a su vez, tomar
soescalares, sobretodo con inestabilidad convectiva, las mejores decisiones a los usuarios finales. Todo se
son imprescindibles los modelos de predicción del consigue proporcionando la mejor predicción posible
tiempo de alta resolución. Y dada la baja predecibili- de la incertidumbre en la propia predicción, estimán-
dad de estos FMA, no se puede acometer su predicción dola y acotándola: prediciendo la predecibilidad. Para
si no es a través de un SPC de alta resolución. un SPC de alta resolución de área limitada se nece-
sitan diversas condiciones de contorno (CC), tantas
como miembros. Cuanto mejor se describan las in-
El segundo objetivo es predecir variables cotidianas certidumbres sinópticas a través de esas condiciones,
de alto interés socioeconómico con alta fiabilidad y mejor será el SPC generado. Una de las posibilidades
detalle. Ejemplos: temperaturas máximas y mínimas más utilizadas es anidar un SPC de alta resolución
en localidades; viento en aeropuertos (condicionan la dentro de un SPC global. En otras palabras, un miem-
operatividad de despegues y aterrizajes); en energías bro del SPC global proporciona las CC a un miembro
renovables, viento en parques eólicos, radiación solar de un SPC de alta resolución. En el capítulo 18 en la
para parques fotovoltaicos y de concentración (térmi- página 275 se muestra que ninguno de los SPC globa-
ca), en ambos casos para anticipar la producción de les estudiados proporciona suficiente incertidumbre
energía eléctrica, etc. sinóptica en las CC.
22.4 Fase de diseño 341
Figura 22.7: Evolución con el alcance predictivo de dispersión (desviación típica) y error (RMSE del promedio) de
la temperatura de garita meteorológica (a 2 metros) prevista por diferentes SPC, todos con 22 miembros y con un
único modelo, HARMONIE-AROME, pero diferentes estrategias de condiciones de contorno. Izquierda: dispersión
(línea continua) y error (discontinua), comparando ECENS a 32 km (negro), ECENS a 16 km (naranja) y SLAF con
ECHRES a 16 km (azul). Derecha: proporción dispersión/error, comparando SLAF con ECHRES a 16 km (negro),
multicondiciones de contorno con los 5 modelos globales del γSREPS (azul) y combinación de las dos estrategias
anteriores (naranja).
Pero, en el mismo capítulo (sec. 18.5 en la página 285),

se muestra que combinando cada uno de los diferen- Scaled Lagged Average Forecast (SLAF) [173]
(sec. 13.5 en la página 174). Técnica para utilizar
tes modelos globales, es decir, multicondiciones de
las diferentes pasadas de un modelo global para gene-
contorno, sí que se describe consistentemente la in- rar las condiciones de contorno de un SPC de más alta
certidumbre en las condiciones de contorno. La idea resolución. Tiene dos ventajas sumamente apreciables:
subyacente es que cada modelo global determinista mejor resolución horizontal de un modelo global res-
distinto proporcione las condiciones de contorno para pecto a un SPC global y barato computacionalmente,
cada uno de los miembros de un SPC de alta resolu- pues se reduce en más de un factor 10 la cantidad de
ción. datos. Se basa en añadir o sustraer a la condición de
contorno de la última pasada, escalada por un factor
k, la diferencia de ésta con la de una pasada anterior
válida a la misma hora:
BCSLAF = FCre f ± Kn (FCre f − FCHH ) (22.1)
Por ejemplo, las condiciones de contorno para dos

miembros en un alcance HH=24 desde las 00 UTC
a partir de dos pasadas globales a las 12 UTC y las
00 UTC del día anterior:
12+24 12+24 00+36
BC1 = FCre + 0,75(FCre − FCHH )
¿Por qué multicondiciones de contorno en el γSREPS? f
12+24
f
12+24 00+36
BC2 = FCre f − 0,75(FCre f − FCHH )
Porque son las que experimentalmente (i. e. en la prác-
(22.2)
tica) describen mejor, de largo, las incertidumbres si-
nópticas a través de las condiciones de contorno. Lo
mostramos en dos pasos en la Figura 22.7 verifican-
do la variable de temperatura a 2 metros del suelo
contra la observada en la garita meteorológica. En
la parte superior se puede apreciar que el SLAF con
ECHRES o IFS del ECMWF (azul) es mejor que el
ECENS a 16 km (naranja), al estar las dos curvas más
cercanas (cap. 15 en la página 207). En la parte infe- En conclusión, la estrategia de multicondiciones de
rior vemos que multicondiciones de contorno (azul) contorno del γSREPS hasta el momento se ha demos-
es mejor que SLAF con ECHRES (negro), al ser la trado mejor que cualquier otra técnica, especialmente
razón dispersión/error más cercana a 1 (sec. 15.8.2 en respecto a utilizar un SPC global como condiciones
la página 223). de contorno tal como el ECENS o SPC global del
ECMWF.
22.4.3 Incertidumbre asociada a los errores hace referencia precisamente la cita del meteorólogo
del modelo: Multimodelo E DWARD L ORENZ que encabeza este capítulo.
Ya sabemos (sec. 13.5 en la página 174 y cap. 17 en Veamos un ejemplo de esos resultados experimen-
la página 257) que los modelos no son perfectos y tales. Nos centraremos en el episodio sucedido en
que para el diseño de un SPC consistente se deben Málaga el 28 de septiembre de 2012, que se trató
de tener en cuenta, en la medida de lo posible, los de un fenómeno meteorológico adverso de precipita-
errores e incertidumbres inherentes dentro de los mo- ción muy intensa. Aunque sólo es un caso y de él no
delos. ¿Por qué multimodelo para tener en cuenta los se pueden tomar conclusiones estadísticamente sig-
errores del modelo? Porque es la técnica que experi- nificativas, es un primer paso en la evaluación del
mentalmente (i. e. en la práctica) describe mejor las sistema. Ese día una profunda y activa borrasca en
incertidumbres mesoescalares y, por ende, la escala altura pasó por el sur peninsular produciendo preci-
convectiva de los modelos en el entorno de un SPC. Es pitaciones intensas con inundaciones en Málaga. Se
decir, las diferencias intrínsecas en el diseño de cada registraron 85,4 mm / 1 hora en Álora (Las pelonas) y
modelo proporcionan unas predicciones ligeramente 227,0 mm / 12 horas en Alpandeire (AEMET). Mos-
diferentes que describen adecuadamente su incerti- tramos aquí las verificaciones de la temperatura a dos
dumbre inherente y compensar dentro del SPC, como metros en las Figuras 22.8 y 22.9 en la página siguien-
conjunto, los distintos errores de cada uno de los mo- te, correspondientes a ese caso y no la verificación de
delos. A estas diferencias de diseño entre los modelos la precipitación que no es tan fácilmente interpretable.
Figura 22.8: Evolución con el alcance predictivo de la dispersión y el error (izquierda) e histograma de rango
(derecha) para la temperatura a 2 metros de cuatro SPC: multimodelo de tres modelos (negro) y 3 SPC monomodelo
con cada modelo del multimodelo: HARMONIE-AROME (azul), WRF-ARW (rojo) y NMM (gris).
Figura 22.9: Como en la Figura 22.8 en la página anterior ahora para estos tres SPC: multimodelo con dos modelos
(negro), multifísica (verde) y con la parametrización estocástica SPPT (rojo).
En la primera (Figura 22.8 en la página anterior) se gráficas es igual a la anterior: líneas negras más próxi-
comparan 4 SPC: uno con la técnica multimodelo con mas con más dispersión en el diagrama de evolución
tres modelos (tri-modelo) y el resto de SPC con un de dispersión y error y, por otro lado, la silueta de las
sólo modelo (monomodelo), pero cada uno de los SPC barras más plana en conjunto en el histograma de ran-
con uno de los modelos que han conformado el SPC go. Tan sólo señalar que la conclusión de diseñar un
multimodelo. En la segunda (Figura 22.9) se compara SPC multicondiciones de contorno y multimodelo pa-
un SPC multimodelo de dos modelos (bi-modelo) con ra el γSREPS en la mesoescala y la escala convectiva
otros dos SPC de un solo Modelo (monomodelos) pe- porque son las que prometen los mejores resultados,
ro que utilizan otras dos técnicas para tener en cuenta es la misma a la que se llegó que se llegó en el diseño
el error del modelo: uno con multifísica de dos físicas de su predecesor el AEMET-SREPS, por las mismas
(bi-física) y el otro con la parametrización estocástica razones con unos resultados muy similares a los ex-
SPPT [488] (cap. 17 en la página 257). En todos los puestos aquí (sec. 21.4 en la página 322 y sec. 21.5.1
experimentos de ambas figuras, los SPC tienen con- en la página 325).
figuraciones parejas, en todo lo que no tiene que ver
con el error de los modelos, para que las compara-
ciones sean limpias: 22 miembros cada uno, mismas 22.4.4 Incertidumbre asociada a los cam-
condiciones de contorno del ECENS, etc. pos de suelo y/o superficie
En la Figura 22.8 en la página anterior se comprue-
ba que el SPC multimodelo (negro) obtiene mejores A LBERTO M ARTÍN G ARCÍA
resultados que cualquier SPC monomodelo de los mo- Area de Innovación, AEMET
delos que lo componen: HARMONIE-AROME (azul),
WRF-ARW (rojo) y NMM (gris). El SPC multimode- En el estudio de la incertidumbre asociada a las para-
lo, muestra mayor consistencia con las observaciones metrizaciones físicas del modelo, desde hace pocos
porque en el diagrama de evolución de dispersión y años, está ganando fuerza el análisis y la comprensión
error las curvas negras están más próximas entre ellas de los procesos físicos que tienen lugar en el suelo, ya
y la dispersión tiene valores más altos (línea negra sea éste considerado tierra firme o como una extensión
discontinua). En el histograma de rango la lectura acuosa de agua dulce (ríos y lagos) o de agua salada
es similar porque en conjunto las barras negras for- (mares y océanos). Estos procesos físicos transfieren
man una figura mucho más plana (sec. 15.8.1 en la una cierta cantidad de energía a las capas superiores
página 222). de la atmósfera. Esta energía, a su vez, juega un pa-
pel determinante en alimentar procesos como el de
Y en la Figura 22.9 se comprueba también que el SPC la convección facilitando, por tanto, el desarrollo y
multimodelo (negro) obtiene mejores resultados que crecimiento de la nubosidad y desembocando, cuan-
cualquiera de las otras dos técnicas de SPC para tener do las condiciones del entorno sean favorables, en la
en cuenta el error del modelo. La interpretación de las generación de tormentas.
Para entender y cuantificar la incertidumbre asociada en un campo tan determinante para la sociedad como
a los procesos físicos que tienen lugar tanto a nivel de es el de la precipitación. Como ejemplo de pertur-
suelo como en su interior (subsuelo), se recurre a una bación de los campos de suelo o de superficie, en la
metodología basada en perturbar de forma aleatoria Figura 22.10 se muestra el campo de la temperatura de
(estocástica) algunas de las variables que intervienen la superficie del mar en el análisis de un modelo me-
en dichos procesos. Estas perturbaciones se pueden teorológico, una vez ha sido dicho campo perturbado
introducir en los modelos de manera individual (per- de forma estocástica para cada uno de los miembros
turbando una única variable) o de forma colectiva que integran un sistema de predicción por conjuntos
(perturbando un conjunto de variables) con el propósi- (SPC).
to de entender sus interacciones y su posterior efecto
Figura 22.10: Análisis del modelo meteorológico de alta resolución Harmonie-40h1.1 donde se muestra, para cada
miembro de un SPC, el campo de la temperatura de la superficie del mar una vez perturbado de forma estocástica.
La imagen que encabeza la figura se corresponde con el análisis del miembro de control (no perturbado).
Se puede observar cómo varía el gradiente de tem- la estructura del patrón de perturbación con el que
peratura a lo largo de la costa atlántica de Francia, se perturba a una muestra del SPC. Obsérvense las
de la península ibérica y sobre el Mediterráneo occi- diferencias existentes en dicho patrón entre los miem-
dental, entre los diferentes miembros del sistema de bros representados. La Figura 22.11, abajo, representa
predicción por conjuntos. una muestra formada por 4 miembros del SPC que
se representaba en la Figura 22.10. Puede apreciarse
Como se ha indicado previamente, para cada uno de el efecto que la perturbación de la temperatura de la
los miembros del SPC mostrado en la Figura 22.10, superficie del mar ejerce sobre el campo de la precipi-
se perturba la temperatura de la superficie del mar tación predicha por el modelo. Puede observarse cómo
aplicando, sobre dicho campo, un patrón de pertur- varían, en el campo de precipitación, la estructura, la
bación que ha sido generado previamente de manera localización y la cantidad de precipitación prevista
estocástica. En la Figura 22.11, arriba, se representa entre los diferentes miembros del SPC mostrados.
Figura 22.11: Arriba: patrón de perturbación generado de forma estocástica (aleatoria) para varios miembros de un
SPC. Abajo: campo de precipitación acumulada en 24 h predicho por el modelo meteorológico de alta resolución
Harmonie-40h1.1 para varios miembros de un SPC.
Tabla 22.2: Los 20 miembros del γSREPS. Un miembro es generado con una condición de contorno y un modelo.
La condición de contorno, una de las 5 columnas de los 5 modelos globales. El modelo, una de las 4 filas de los
4 modelos de predicción del tiempo de alta resolución. Por ejemplo, la última celda (la de más abajo y más a la
derecha) es el miembro simulado por el modelo NMMB con las condiciones de contorno del CMC/GEM.
22.5 Características de AEMET- realizado en 5 centros punteros a nivel mundial. Al es-

cribir estas líneas, se pretende ya en 2018 substituirlo
γSREPS
con una asimilación propia de observaciones mediante
el método LETKF (sec. 16.2.2 en la página 246).
El AEMET-γSREPS es un SPC de 20 miembros de
alta resolución a 2,5 km, no hidrostático (sec. 6.3.2 en
la página 78), convection-permitting, multicondicio- 22.5.2 Incertidumbre en las condiciones de
nes de contorno y multimodelo. Desde Abril de 2016 contorno
se integra dos veces al día, a las 00 y a las 12 UTC,
hasta un alcance predictivo de 36 horas. Es el SPC he- La incertidumbre de escala sinóptica entra a través
redero del clásico AEMET-SREPS [221] (cap. 21 en de los cuatro bordes de los 4 modelos del γSREPS a
la página 313) con un diseño acorde con la finalidad través de las predicciones de los 5 modelos globales
de ser la herramienta para tener en cuenta las incerti- deterministas de 5 centros independientes, es decir,
dumbres en la predicción operativa de corto plazo en multicondiciones de contorno:
AEMET (sec. 4.2.2 en la página 32), cuantificando la
predecibilidad. En el diseño del γSREPS se tienen en Del IFS (o ECHRES) del ECMWF o Centro Euro-
cuenta las tres diferentes fuentes de incertidumbre de peo a plazo medio (https://www.ecmwf.int).
la siguiente manera (ver características en negrita en Del ARPÈGE de MétéoFrance (http://www.
la Figura 22.5 en la página 338). meteofrance.fr).
Del GFS del NCEP de USA (http://www.ncep.
noaa.gov).
22.5.1 Incertidumbre en condiciones inicia- Del GSM del JMA o del Servicio Meteorológico
les Japonés (http://www.jma.go.jp).
Del GEM del CMC o del Centro Meteorológi-
Se utiliza la misma estrategia que en las condiciones co Canadiense (https://www.canada.ca/en/
de contorno: multicondiciones iniciales. La incerti- environment-climate-change/services/
dumbre se tiene en cuenta a través de las diferencias science-technology/centres/quebec.
de los análisis que de manera independiente se han html#cmc).
22.5 Características de AEMET-γSREPS 347
22.5.3 Incertidumbre en los modelos umr-cnrm.fr/aladin/spip.php?article129).

WRF-ARW del NCAR o Weather Research
Se evalúan con la técnica multimodelo (cap. 17 en and Forecasting, Advanced Research WRF
la página 257), es decir, con 4 modelos de alta reso- (NCAR) dynamical core del National Center
lución desarrollados independientemente. Se espera for Atmospheric Research [586, 587] (https:
que las diferencias entre ellos contengan gran parte de //ncar.ucar.edu y https://www.mmm.ucar.edu/
weather-research-and-forecasting-model).
las incertidumbres inherentes dentro de ellos mismos.
Los 4 modelos utilizados son: NMMB del NCEP o Non-hydrostatic Multi-scale
Model on a B grid del National Centers for Environ-
HARMONIE-AROME de HIRLAM o Hirlam mental Prediction [319] (https://dtcenter.org/
Aladin Regional/Meso-scale Operational NWP nems-nmmb/users/index.php).
In Europe de High Resolution Limited Area
Model [41] (http://hirlam.org y http:// En la Tabla 22.2 en la página anterior, podemos obser-
hirlam.org/index.php/hirlam-programme-53/ var los 20 miembros o 20 simulaciones ligeramente
general-model-description/mesoscale-harmonie, diferentes, pero todas consideradas igualmente plausi-
sec. 20.4 en la página 310). bles, que componen el γSREPS. Los 20 miembros se
HARMONIE-ALARO de ALADIN o ALadin- generan al cruzar las 5 condiciones de contorno de 5
AROme de Aire Limitée Adaptation Dynamique modelos globales (multicondiciones de contorno) con
Développement Internacional [619] (http://www. los 4 modelos (multimodelo).
En el diseño del γSREPS y, debido a que su naturaleza pensar el SPC. Bajo esta filosofía, se han configurado
multimodelo, ha imperado la premisa de integrar los todos los modelos de manera equiparable. Por ejem-
cuatro modelos bajo las condiciones más parecidas plo, con mallas o rejillas horizontales (grids en inglés)
posibles para no beneficiar uno frente a otro y descom- y niveles verticales lo más equivalentes posible.
Figura 22.12: Malla o grid horizontal del γSREPS denominada IBERIA_2.5. En crucecitas rojas, la proyección
Lambert Conformal Conic de los Modelos HARMONIE-AROME, ALARO y WRF-ARW y, en las azules, la malla de
la proyección Latitud-Longitud Regular Rotada del NMMB. Se representan solamente 1 de cada 15 puntos.
Figura 22.13: Las tres distribuciones de niveles verticales utilizados en los 4 modelos del γSREPS: 65 niveles
verticales híbridos de sigma-presión para AROME y ALARO (HARMONIE en azul), 72 niveles sigma para WRF-ARW
y 72 híbridos sigma-presión para el NMMB.
formal Conic. El Modelo NMMB tiene una rejilla de

NMMB: de la proyección Longitud-Latitud Regu- Latitud-Longitud Regular Rotada (táctica de modeli-
lar Rotada a la Lambert. Si se ha observado atenta- zación consistente en hacer que el ecuador pasa por el
mente la Tabla 22.2 en la página 346 puede haberse centro de la malla, consiguiendo así tener una malla
notado que el modelo NMMB tiene dos puntos más
muy regular en latitudes medias). Ambas mallas, co-
de malla. ¿Por qué? En realidad, se pone un punto de
malla o rejilla más todo alrededor del área del NMMB, mo puede observarse en la Figura 22.12 en la página
porque la salida del γSREPS de todos y cada uno de anterior, tienen una distribución muy similar, con casi
los miembros está codificada exactamente igual en exactamente los mismos números de puntos, 565x469,
un formato llamado GRIB1 y, para poder hacer real- con la misma separación entre ellos de 2,5 km.
mente homogénea esta codificación, debe hacerse que
los datos de todos los miembros estén en la misma
proyección Lambert Conformal Conic. Al estar los
datos del modelo NMMB Latitud-Longitud Regular 22.5.5 Niveles verticales
Rotada, deben interpolarse a la proyección Lambert.
Para interpolar sin introducir ruido en los datos es Para que la simulación en los 4 modelos de la parte
preciso tener puntos alrededor, por los que se incluye
más baja de la atmósfera, correspondiente a la PBL
en los bordes del área del NMMB ese punto de más.
(sec. 10.5 en la página 137), sea consistente entre
todos los modelos, sin ventajas de unos respecto a
otros, se han distribuido los niveles verticales de ma-
nera equiparable con unos espesores entre ellos muy
22.5.4 Mallas horizontales similares: mismo número de niveles verticales hasta
850 hPa con un espesor casi equivalente. Todo ello se
Tres de los modelos, a saber, HARMONIE-AROME, pone de relieve en la Figura 22.13, donde se puede
ALARO y WRF-ARW tienen configurada exactamen- apreciar que casi no hay diferencias en las zonas sin
te la misma rejilla de la misma proyección horizontal relieve, pero si las hay en las zonas montañosas. Estas
(ver Tabla 22.2 en la página 346): la Lambert Con- discrepancias son insalvables debido a las distintas
22.5 Características de AEMET-γSREPS 349
definiciones subyacentes de los niveles verticales en 22.5.7 Resolución de las condiciones de

los modelos. contorno
Los 72 niveles verticales en los WRF-ARW y Otro aspecto de capital importancia en el diseño del
NMMB versus los 65 en los HARMONIE. Nóte- γSREPS es tener la mejor resolución horizontal y
se que tanto WRF-ARW como NMMB se integran vertical posible en las condiciones de contorno que
con 72 niveles verticales, 7 más que los 65 de los
provienen de los 5 modelos globales. Cuanto menor
modelos HARMONIE (AROME y ALARO). Ésto es
debido a que los dos primeros tienen un tope en la sea el salto de resolución entre un modelo global a
atmósfera que simulan en 40 hPa. Los segundos no uno de alta resolución, mejor será la simulación. En
lo tienen. En ese tope o tapa que se pone al modelo, la Tabla 22.4 en la página siguiente se muestran las
o cerca de él, se pueden generar en las simulaciones resoluciones de los modelos globales disponibles para
evoluciones atmosféricas espurias (no reales), como el γSREPS frente a la resolución real en la que se in-
por ejemplo ondas de gravedad, que podrían entorpe- tegran. Y el objetivo es ese, disponer de la resolución
cer la simulación de toda la atmósfera del modelo. De
más próxima posible a la real de los modelos globales
modo que recurrimos a otra táctica habitual en mode-
lización: acumulando (aumentando y apretando) más
como condiciones de contorno.
niveles verticales al acercarse a ese tope, tal como si
estuviéramos en los niveles bajos al acercarnos a la su-
perficie, se aminoran ostensiblemente esos efectos no 22.5.8 Parametrizaciones
deseados. En el γSREPS se consigue poniendo esos 7
niveles verticales de más en el WRF y el NMMB.
Para los procesos de subgrid o submalla, es decir,
las parametrizaciones de la parte de la física de los
modelos, como la radiación, la microfísica de nubes
22.5.6 Configuraciones de los modelos (evolución de las nubes), la turbulencia en la PBL,
el suelo, etc. se han utilizado en cada modelo aque-
En la Tabla 22.3 se muestran las características y con- llas combinaciones diseñadas específicamente para
figuraciones de los 4 modelos utilizados. Nótese que simulaciones de alta resolución convection-permitting
tal como expone E. N. L ORENZ en la cita de cabe- desde 1 a 4 km. También ha imperado la búsqueda de
cera del capítulo, cada modelo tiene una naturaleza la coherencia entre los distintos modelos: por ejemplo,
diferente, es decir, tienen diseños de base variopintos. se actualiza la entrada de energía de los modelos, es
Pero como se señalaba en el apartado anterior, pro- decir, la radiación solar (radiación de onda corta) con
bablemente en esas diferencias resida la fuerza del la misma cadencia, concretamente cada 15 minutos,
multimodelo. en todos ellos.
Modelo / HARMONIE WRF-ARW NMMB

características AROME ALARO
Física ALARO con Núcleo
Dinámica y Física Dinámica NNM
convección 3MT en la dinámico ARW
Física AROME Física NMMB
dinámica Física 3 km
60 segundos 12 segundos
Paso de tiempo 5 625 segundos (euleriano)
(espectral y semi-lagrangiano) (Euleriano)
72 sigma
Niveles 65 híbridos 72 híbridos sigma-presión
Tope atmósfera
verticales sigma-presión hasta 40 hPa
40 hPa
Proyección / Lambert Conformal Conic Regular lat-lon rotada
Malla o grid Centro en 2.5ºO / 40ºN (IBERIA_2.5) Centro 2.5º W / 40º N
horizontal grid arakawa A 565x469 grid arakawa B 567x471
CC 8 puntos de relajación en las condiciones de contorno
Tabla 22.3: Resumen de las características y configuraciones más generales de los 4 modelos de alta resolución del
γSREPS.
Condición de
modelo global original Del modelo global a γSREPS
contorno
Resolución Número niveles Resolución Número niveles
Centro / modelo
horizontal (km) verticales y tipo horizontal (km) verticales y tipo
ECMWF / IFS 11 137 híbrido 11 137 híbrido
NCEP /GFS 13 64 sigma 26 32 isobárico
MétéoFrance /
7 105 híbrido 10 60 híbrido
ARPÈGE
CMC / GEM 25 80 híbrido 25 47 híbrido
JMA / GSM 20 100 híbrido 20 86 híbrido
Tabla 22.4: Resoluciones horizontales y número de niveles verticales de las 5 condiciones de contorno del γSREPS
respecto a la resolución original de los modelos globales.
22.6 Evolución y futuro parques eólicos, la radiación solar con la GHI para
parques de energía fotovoltaica y la DNI para los
A LFONS C ALLADO I PALLARÉS Y DAVID G IL O LI - de concentración, etc.
VA Área más grande: IBERIA_2.5XL. El área de in-
Delegación Territorial en Cataluña, AEMET tegración del γSREPS, llamada IBERIA_2.5, cubre
poco más que la península ibérica, lo que limita
En un mundo en plena revolución tecnológica y de desarrollos meteorológicos sinópticos e incluso me-
continuos avances, el γSREPS no podía ser menos. soescalares, dando una preponderancia muy grande
Los SPC de alta resolución van incorporando con- a partir de unas 12-18 horas de integración a las
tinuamente los últimos avances en las técnicas para condiciones de contorno. El γSREPS se convierte,
generarlos y en sus modelos. A continuación se listan en cierto modo, en un zoom o downscaling dinámi-
las evoluciones previstas en el γSREPS en el momen- co de los modelos globales. La idea es incrementar
to de escribir estas líneas: el área de IBERIA_2.5 a IBERIA_2.5XL, es de-
cir, de 565x469 puntos de rejilla a 1152x864 o de
Asimilación. Incorporación de un sistema de asimi-
1400x1200 km a 2900x2200 km, retrasando el efec-
lación propio, basado en LETKF (sec. 16.2.2 en la
to de zoom dinámico hasta unas 24-36 horas y de
página 246) o en su defecto en 3DVAR (sec. 16.2.3
paso dando más peso a la asimilación en las condi-
en la página 247), asimilando observaciones de alta
ciones iniciales.
resolución convencionales, de satélites y sobretodo
Incrementar a 25 miembros: el GEM-LAM. Pa-
de radares.
ra describir mejor las probabilidades y tener más
Ciclos cada 3 horas. Un objetivo futuro del
posibilidades de captar fenómenos adversos, se de-
γSREPS es la predicción a muy corto plazo, es
be incrementar el número de miembros: se genera
decir, las primeras 12-24 horas. Así se integrarán
una PDF más detallada en el espacio de probabilida-
los ciclos intermedios, a saber, 03, 05, 09, 15, 18
des (cap. 12 en la página 155). Y, por consistencia,
y 21 UTC, a unas 12 horas para las predicciones a
coherencia y la simetría condiciones de contorno
muy corto plazo y salidas muy frecuentes (15 mi-
– modelos alta resolución, incluir en el γSREPS el
nutos de dos puntos más abajo).
modelo de alta resolución canadiense GEM-LAM
Incremento del alcance. Se integrarían los ciclos
que se correspondería a las condiciones de contorno
principales de las 00 UTC y las 12 UTC a 3 días
del CMC/GEM.
(72 horas), cubriendo todo el corto plazo operativo
Incluir la parametrización estocástica SPPT. En
en AEMET.
algunos casos de eventos de precipitaciones inten-
Salidas cada 1 hora y cada 15 minutos para
sas, la parametrización estocástica SPPT para tener
campos relevantes. La salida del γSREPS es cada
en cuenta los errores del modelo (cap. 17 en la pá-
3 horas y se va a incrementar a 1 hora, suficiente
gina 257} ha dado excelentes resultados (véase, por
para la mayoría de tareas de verificación (cap. 15
ejemplo, en la Figura 22.9 en la página 343, que
en la página 207) y de productos generales de pre-
hasta el alcance de 36 horas la SPPT verifica casi
dicción. Pero hay campos que por su relevancia
tan bien como el multimodelo). Se planea estudiar
y/o utilidad van a tener una salida cada 15 minutos.
la combinación de la SPPT con el multimodelo.
Ejemplos son: el viento a 10/80/100/120 metros en
22.6 Evolución y futuro 351
Más campos posprocesados. Inclusión de una página 198).

serie de campos posprocesados por lo modelos Actualización modelos. Cada nueva versión de los
de especial interés, sobre todo para su uso en modelos de predicción del tiempo incluyen mejoras
predicción operativa: convective available poten- de las que se benefician los SPC en su conjunto.
cial energy (CAPE), convective inhibition (CIN), La actualización del γSREPS viene dada en el mo-
pseudo-imágenes de reflectividad radar, pseudo- mento de actualizar los modelos que lo componen
imágenes de satélite, visibilidad y/o niebla, rayos, cada vez que hay una nueva versión estable. Por
temperaturas máximas y mínimas de garita a 2 me- ejemplo, al escribir estas líneas se está actualizando
tros, rachas máximas de viento, etcétera. el WRF-ARW de la versión 3.6.0 a la 3.9.1.1, que
como mejora más significativa incluye una mejor
Campos posprocesados. Se trata de campos no dis- descripción de los niveles verticales. Se abando-
ponibles directamente en el modelo, pero que se pue- nan los niveles sigma para dar paso a los mejores
den diagnosticar (es decir, calcular después) con cam- niveles híbridos de sigma-presión.
pos disponibles en el mismo, normalmente haciendo Presentación de los productos en una página
uso de sus niveles verticales naturales. web interactiva. Desarrollo y evolución del actual
portal web incluyendo más productos del γSREPS
Pseudo-imágenes. Imágenes generadas a partir de
en mapas interactivos como herramienta esencial
las salidas de los modelos numéricos que reprodu-
cen (aparentemente, imitan) las imágenes que serían
para predicción operativa en AEMET en el corto
captadas por satélites y radares en la situación meteo- plazo e incluso para nowcasting (predicción a muy
rológica simulada. corto plazo). La interactividad básica comprende,
por ejemplo, seleccionar un tipo de producto, hacer
un zoom dinámico a una zona deseada, etc. Y la in-
Calibración. Calibrar la salida de tres campos me- teractividad avanzada, permitiendo combinar varios
teorológicos de especial relevancia socioeconómi- campos como capas, plotear miembros individuales
ca: la temperatura de garita a 2 metros, el viento cómo isolíneas sobre mapas de probabilidad, pin-
de anemómetro a 10 metros y la precipitación acu- char en un punto o cliquear un polígono y plotear el
mulada. Se utilizarán métodos convencionales de EPSgrama temporal o el perfil vertical correspon-
calibración (sec. 22.9 en la página 358) y métodos diente, etcétera. En la Figura 22.14 se muestra un
de aprendizaje automático (AA) (sec. 14.2 en la ejemplo con un zoom dinámico.
Figura 22.14: Ejemplo de visualización del portal web experimental del AEMET-γSREPS para la predicción
operativa en el corto plazo con el producto probabilidad de helada como temperatura a 2 metros inferior a 0 ºC
para el día 31 de enero de 2018.
22.7 Resultados de las pasadas de las 00 y las 12 UTC, contra 60 000

observaciones, SYNOP y de la red de estaciones au-
A LFONS C ALLADO I PALLARÉS Y M ARC C OMPTE tomáticas de AEMET, de la relación dispersión-error
ROVIROLA (sec. 15.8.2 en la página 223) para la temperatura a
Delegación Territorial en Cataluña, AEMET 2 metros y la precipitación acumulada en 3 horas.
La calidad y el valor de las predicciones de un sis- En ambos casos, tanto para la temperatura a 2 metros
tema puede evaluarse subjetivamente con casos de como para la precipitación acumulada en 3 horas, el
estudio y objetivamente mediante métodos de verifica- γSREPS verifica objetivamente (cuantitativamente)
ción (cap. 15.2.3 en la página 211). Mostramos aquí mejor que el GLAMEPS: su error es menor en la línea
verificaciones de ambos tipos. continua y tiene más dispersión. Es más, ambas curvas
están más juntas mostrando un SPC más consistente
(ver capítulo verificación para una interpretación más
22.7.1 Verificación objetiva detallada (sec. 15.8 en la página 222).
Objetivamente validamos un SPC con las medidas GLAMEPS (8 km de resolución horizontal) (cap. 20
estadísticas descritas en el capítulo de verificación en la página 301) ha sido en AEMET el SPC operativo
(sec. 15.2.3 en la página 211), normalmente compara- de corto plazo, durante un tiempo, desde la finaliza-
das con otros SPC. En nuestro caso vamos a comparar ción del AEMET-SREPS clásico (25 km) (cap. 21
el γSREPS respecto al GLAMEPS (sec. 20.2 en la pá- en la página 313) en 2014. Ahora, el desarrollo de
gina 304), el SPC más parecido disponible que cubre AEMET-γSREPS (2,5 km) presenta nuevas perspecti-
la península ibérica y alrededores. El mayor handicap vas para la operatividad, está integrándose diariamente
del GLAMEPS es su peor resolución horizontal, de desde 2016 y está previsto que entre en operación pa-
8 km respecto a los 2,5 km respecto al γSREPS, que ra la predicción operativa en 2018. Es relevante el
sin duda lo penaliza. valor de disponer en la predicción operativa en el cor-
to plazo de AEMET del AEMET-γSREPS, al ser un
Mostramos las verificaciones objetivas de dos meses, SPC significativamente mejor que sus predecesores
desde el 1 de septiembre al 31 de octubre de 2017, GLAMEPS y AEMET-SREPS.
Figura 22.15: Diagrama de evolución con el alcance predictivo de dispersión y error para la temperatura a 2 metros
en el período de 2 meses de septiembre y octubre de 2017 del γSREPS (naranja) respecto al GLAMEPS (negro).
22.7 Resultados 353
Figura 22.16: Diagrama de evolución con el alcance predictivo de dispersión y error para la precipitación acumulada
en el período de 2 meses de Septiembre y Octubre de 2017 del γSREPS (naranja) respecto al GLAMEPS (negro).
22.7.2 Verificación subjetiva

Imágenes de estimación de precipitación corregi-
das de radar. Las imágenes de precipitación del radar
Subjetivamente o, lo que es lo mismo, comparando meteorológico originales están en reflectividades Z en
visualmente bajo la óptica de la discriminación del dBZ que se pueden traducir a precipitación en mm o
cerebro del meteorólogo-científico, podemos discernir l/m2 . Tienen la ventaja de cubrir un área extensa, un
en casos de estudio la calidad de nuestro SPC respecto círculo de 240 km de radio y la gran desventaja de
que contienen muchos errores, más cuanto más lejos
a otros.
se está de la localización del radar en el centro del
círculo. Por otro lado, los pluviómetros registran con
Mostramos aquí dos verificaciones subjetivas en dos razonable precisión la precipitación real: esta es su
casos de estudio. En ambos se comparan salidas de ventaja. Su desventaja es que lo hacen sólo en una
precipitación acumulada en 6 horas del γSREPS con localización y sólo informan de la precipitación en
otro SPC, el HARMONIE-LETKF, y se verifica sub- los puntos de la red de pluviómetros. Se puede combi-
jetivamente respecto a observaciones combinadas de nar la información puntual de la red de pluviómetros
radar y pluviómetros. para calibrar (en cierto sentido, corregir) las imáge-
nes de estimación de precipitación de radar, de modo
que desaparecen las desventajas. Puede apreciarse una
SPC HARMONIE-LETKF. Es un SPC con asimi- imagen con la distribución espacial de la precipitación
lación LETKF de observaciones para las condiciones (casi) real en la sec. 8.7.7 en la página 110.
iniciales (cap. 16 en la página 243), pero que no tiene
en cuenta los errores del modelo (precisamente por
eso se pone la inflación). En los 20 miembros se utili-
za el mismo modelo (monomodelo), el HARMONIE- Convección Mediterránea. Caso del 9 de agosto de
AROME. 2017 alrededor de Valencia de convección medite-
rránea asociada al paso de un frente frío. En la Fi-
gura 22.17 en la página siguiente podemos ver que
la media de la precipitación acumulada del γSREPS
Se debe recordar que uno de los objetivos del γSREPS (izquierda) se asemeja en estructura y distribución
son los fenómenos adversos, como los de precipitacio- a la observación-estimación radar-pluviómetro (cen-
nes intensas y/o copiosas y/o persistentes. Los casos tro) mucho mejor que el SPC HARMONIE-LETKF
de estudio correspondientes son idóneos para verificar (derecha). Subjetivamente podemos concluir que la
si γSREPS realiza predicciones de calidad justamente predicción del γSREPS multimodelo fue sobresalien-
en esos casos para los que ha sido diseñado. te.
Figura 22.17: Precipitación acumulada en 6 horas para el día 9 de agosto de 2017. En el centro, la estimación
radar corregida con pluviómetros. A la izquierda el γSREPS y a la derecha el SPC HARMONIE-LETKF, con las
predicciones a 12 horas de la precipitación acumulada media de todos los 20 miembros.
Convección diurna. Caso de estudio del día 15 de la página 680). Otra vez, el γSREPS se muestra como
agosto de 2017 alrededor de Zaragoza de convección una adecuada herramienta para resaltar la posibilidad
diurna disparada por el calentamiento solar. Otra vez de que el fenómeno extremo de precipitación acumu-
el γSREPS (izquierda) verifica subjetivamente bastan- lada ocurriese, sugiriendo la posibilidad de lluvias de
te mejor que el SPC HARMONIE-LETKF, sobretodo más de 800 mm en los dos días del episodio cerca del
localizando el máximo de precipitación y no generan- área donde se produjeron.
do precipitación espuria donde no se produjo, como
sucede con el SPC HARMONIE-LETKF.
Concluimos subjetivamente que el γSREPS, a pesar
Sistema convectivo de mesoescala. Caso de estudio de no disponer todavía de asimilación, verifica ex-
histórico con el γSREPS reanálisis del episodio de celentemente para casos de precipitaciones intensas
Oliva-Gandía del 3 y 4 de noviembre de 1987, con y/o copiosas. Por tanto, el γSREPS parece ser un
la efeméride oficial (récord) del máximo de precipita- SPC idóneo para cumplir el objetivo de ser una buena
ción en un día pluviométrico en AEMET: los 817 mm herramienta de predicción operativa para prever los
del día 3. Los resultados para el γSREPS se presentan fenómenos meteorológicos adversos y/o extremos en
en el capítulo del episodio Oliva-Gandía (sec. 44.4 en el corto plazo de AEMET.
Figura 22.18: Como la Figura 22.17, salvo que para los SPC se muestran las predicciones a 18 horas de las
precipitaciones acumuladas en las 6 horas anteriores máximas de entre todos los miembros en cada punto de rejilla.
22.8 Productos probabilistas de alta resolución 355
22.8 Productos probabilistas de al- práctica posteriormente. Para afianzar conceptos, dire-
mos que no es lo mismo predecir de manera general
ta resolución
que va a nevar en las montañas cántabras entre 10-30
centímetros de nieve, que predecir que localmente van
A LFONS C ALLADO I PALLARÉS , DAVID G IL O LIVA
a caer 35 cm de nieve justo en los Lagos de Enol de
Y E RNEST W ERNER H IDALGO
Covadonga. La predecibilidad del primer caso, muy
Delegación Territorial en Cataluña, AEMET general, puede ser mucho más alta que en el segundo
En este apartado mostramos algunos productos de caso, mucho más local.
SPC (para una introducción general a la predicción y
productos probabilistas, ver cap. 27 en la página 401}
del γSREPS con su carácter probabilista subyacen- 22.8.1 Mapas de probabilidad
te. El objetivo es hacer un poco de hincapié en las
nuevas generaciones de productos basados en SPC Incertidumbre espacial. Un mapa probabilista pue-
de alta resolución. Nos fijaremos, por un lado, en un de enmascarar la probabilidad real de un evento me-
par de ejemplos de cómo tratar las incertidumbres teorológico debido justamente a cómo se dibuja la
espacio-temporales y, por otro lado, en un producto probabilidad. Como vale más una imagen que mil
específico. palabras, veamos un ejemplo con el γSREPS. En la
Figura 22.19 podemos ver la probabilidad de chubas-
Cabe recordar que las predicciones se generan en zo- cos, definidos como la probabilidad de precipitacio-
nas cada vez más pequeñas, incluso muy locales, de- nes superiores a 10 mm en 3 horas en la provincia
mandadas cada vez más por las sociedades tecnológi- de Valencia y en el extremo sur de las provincias de
cas y estas predicciones adolecen de una incertidum- Castellón y Teruel. Las probabilidades, en escala de
bre mayor que predicciones más generales. Desde grises, nos muestran una probabilidad de chubascos,
un punto de vista teórico E DWARD N. L ORENZ ya en general baja, del 10-20 % en varias zonas disper-
anticipaba este problema [391, 392] (cap. 17 en la sas, abarcando en general una zona bastante amplia
página 257) en los años 60 y se ha confirmado en la (manchas grises).
Figura 22.19: Mapa de probabilidades de precipitación acumulada en 3 horas superior a 10 mm previsto por el
γSREPS. Incluye el ploteo de las isolíneas de precipitación acumulada de 10 mm en 3 horas para cada miembro
individual del γSREPS. Se incluyen sólo 10 miembros de los 20 del γSREPS por simplicidad.
Pero hemos añadido más información relevante a la Aeropuerto de Barcelona, para las 12 primeras horas
Figura 22.19 en la página anterior. Se trata de plotear del día de mañana, en nuestro ejemplo el 5 de Abril
las isolíneas de 10 mm / 3 h de todos los 10 miembros de 2016. Disponemos pare ello de un EPSgrama de
individuales que componen el SPC. Lo podemos ver la última salida del γSREPS a las 12 UTC del día 4,
con las líneas simples en colores. Y ahora viene la mostrado en la Figura 22.20 (para la interpretación
magia: ¿Qué pasa si nos fijamos miembro a miem- de EPSgramas véase sec. 27.8.1 en la página 426 y
bro? Pues que los 10 miembros dan todos chubascos. cap. 31 en la página 523).
La probabilidad de chubascos, considerando un área
amplia, es del 100 %. Hay una gran incertidumbre, Un predictor con poca experiencia podría tener la
pero es sólo espacial, pues no podemos estar nada se- tentación de pensar que la precipitación máxima se-
guros en qué lugares de Valencia, Castellón o Teruel guiría la línea negra, es decir, siempre la máxima
se producirán. Pero los chubascos, haberlos haylos. probabilidad de precipitación. Sumando los máxi-
En otras palabras, es sólo la localización del evento mos, podría llegar a una conclusión errónea: caerán
(chubasco) lo que tiene una predecibilidad baja, pero 62 mm en 24 horas (62 es, más o menos, la suma de
no la ocurrencia del evento en sí. 8+10+8+9+19+5+3).
¿Tener en cuenta la incertidumbre espacial nos per- Un predictor experimentado no lo tendría tan claro y
mite hacer una predicción mejor? Pues sí. Con el buscaría más información. En realidad, intuyendo la
nuevo producto mostrado, incluyendo ploteo de los baja predecibilidad de cuándo exactamente va a llover,
miembros individuales, podemos asegurar que habrá debido a la dispersión del EPSgrama (anchura del pe-
chubascos locales en algún lugar del interior de las nacho), le gustaría saber qué hace algún miembro indi-
tres provincias. vidual representativo del γSREPS. En la Figura 22.20
Ploteando sólo las probabilidades queda enmascara- se han ploteado esos 3 miembros representativos: el
da, en cierto sentido, la probabilidad de chubascos miembro mbr001 (magenta) representa el que tiene
y su incertidumbre espacial. Pero la Figura 22.19 en una precipitación acumulada media en las 12 horas
la página anterior incluyendo los miembros indivi- primeras horas del día 5. El mbr002 (verde) represen-
duales, podría ser uno de los caminos de una nueva ta a uno de los que ha acumulado más precipitación
generación de productos de los SPC que contengan y el mbr003 (amarillo) el que menos, ambos en ese
información explícita para evaluar la incertidumbre período de 12 horas. ¿Y qué ve este predictor expe-
espacial (ver sec. 27.13 en la página 437). rimentado? Pues que la precipitación máxima que se
puede acumular es de unos 20-25 mm, y que lo que
tiene delante es una incertidumbre temporal de cuán-
22.8.2 EPSgramas para aeropuertos do va a llover: el mbr002 (verde) da precipitación
por la mañana, el mbr001 (magenta) al mediodía y el
Incertidumbre temporal. Imaginemos que somos mbr003 (amarillo) avanzada la tarde y fuera ya del
predictores y debemos predecir la precipitación en el período de interés.
Figura 22.20: EPSgrama de la probabilidad de precipitación acumulada cada 3 horas en el Aeropuerto de Barcelona
(LEBL), incluyendo la evolución de las precipitaciones de tres miembros individuales del SPC durante el día 5 de
Abril de 2016: miembro 1 en magenta (mbr001), miembro 2 en verde (mbr002) y miembro 3 en amarillo (mbr003).
22.8 Productos probabilistas de alta resolución 357
Figura 22.21: AEROgramas específicos para la pista 02-20 del Aeropuerto de Barcelona para los días 4 y 5 de
Abril de 2016. De arriba abajo: rosetas de probabilidades de dirección del viento cada 3 horas; probabilidad de la
dirección del viento en EPSgrama; EPSgrama de probabilidades de viento cruzado (perpendicular a la pista) por
encima de 3, 8 y 16 nudos; EPSgrama como el anterior pero para el viento de cola (en la dirección de la pista).
Una nueva generación de EPSgramas, como el ejem- aeropuertos y parques eólicos de molinos de viento.
plo mostrado de incluir algunos miembros representa- En la figura 22.21 se muestran EPSgramas especiali-
tivos, ofrecería la posibilidad de desentrañar la posible zados para la aeronáutica: AEROgramas.
incertidumbre temporal escondida bajo las probabili-
dades. En los aeropuertos, lo más importante para las opera-
ciones de aterrizaje y despegue, es el viento, pero no
cualquier viento, sino el viento de cola o en la direc-
22.8.3 AEROgramas ción de la pista y el viento cruzado o en el cuadrante
perpendicular a la pista.
Puede consultarse el capítulo 31 en la página 523 co-
mo introducción a productos específicos aeronáuticos. El AEROgrama de más abajo en la Figura 22.21 mues-
Hay usuarios finales especializados con necesidades tra durante las horas centrales del día 4 de Abril que
muy específicas. Una nueva línea de productos basa- la probabilidad de un viento de cola sea superior a 3
dos en SPC de alta resolución, también podrían incluir nudos es segura y de que sea superior a 8 nudos es del
productos muy especializados en áreas o zonas muy 80 %. Esto llevaría a los controladores del Aeropuer-
locales, para cuya generación ya se dispondría de va- to de Barcelona, nuestros usuarios especializados, a
rios puntos de rejilla. Algunos ejemplos podrían ser cambiar durante la mañana de ese día la configuración
de la pista, es decir intercambiar cabecera y cola de la error (sec. 15.8.2 en la página 223) pero, en la práctica,
pista en despegues y aterrizajes para realizar respecti- los SPC tienden a ser subdispersivos (menos disper-
vamente unos con el viento a favor y los otros con el sión que error). Por este motivo, en los últimos años,
viento en contra. ha emergido como solución la calibración de ensem-
bles, en particular con métodos estadísticos, tomando
Y fijándonos en el penúltimo AEROgrama en la Figu- simultáneamente las predicciones que queremos me-
ra 22.21 en la página anterior, el del viento cruzado, jorar. y las observaciones.
vemos que para el final de la mañana del día 5 de
Abril y, sobretodo, durante el mediodía de ese día, hay En el proceso de calibración se deben tener en cuenta
una probabilidad baja, de un 10 %, de vientos fuertes las dimensiones del conjunto de datos utilizados para
cruzados superiores a 16 nudos. Aunque la probabi- una fase del proceso de calibración llamada entrena-
lidad sea sólo del 10 %, desde la torre del aeropuerto miento. Algunos estudios realizados han mostrado que
se tendrá que estar alerta a esa posibilidad, que podría la utilización de grandes conjuntos de datos para el
alterar la frecuencia normal de aterrizajes y despegues entrenamiento producen una mejora significativa del
de la pista produciendo indeseables retrasos en ambas mismo. Aumentando el tamaño muestral aumenta la
operaciones. significación estadística del proceso de calibración.
No se trata, por otro lado, de aumentar indiscrimi-
Viento de cola y cruzado. Los aviones quieren ate- nadamente el rango temporal del conjunto de datos
rrizar contra el viento y despegar con el viento a favor utilizados para calibrar: la combinación de periodos
o de cola: en el primer caso la velocidad respecto al muy largos, con situaciones meteorológicas diversas,
suelo del avión es menor y aterrizan con menos pista puede llevar a que el entrenamiento no incorpore in-
y más rápido; en el segundo caso, el viento los empuja formación relevante para la calibración o que aporte
para despegar, siendo el despegue más rápido y con otra información que suavice las rectificaciones nece-
menos pista. Y a los aviones les importunan en los sarias.
aterrizajes y los despegues los vientos de cierta inten-
sidad perpendiculares a la pista. De ahí el producto Las Figuras 22.22 y 22.23 en la página siguiente com-
específico en forma de AEROgrama mostrado en la paran diferentes medidas de calidad y rendimiento del
Figura 22.21 en la página anterior.
γSREPS, tanto crudo como calibrado con diferentes
parámetros.
22.9 Calibración
J ESÚS RODRÍGUEZ D ÉNIZ
Area de Innovación, AEMET
Como sabemos, el proceso de predicción tiene una
incertidumbre asociada, por un lado, a las condiciones
iniciales y, por otro, a la simplificación de las ecua-
ciones generales para la resolución numérica de la
evolución del estado de la atmósfera. Con los SPC in-
tentamos simular adecuadamente esas incertidumbres
y existen un conjunto de técnicas que permiten cali-
brar las mismas por medio de la aplicación de algunos
métodos estadísticos a las predicciones directas de los
Figura 22.22: Curvas de evolución con el alcance pre-
SPC. La calibración de ensembles, en este contexto, es
dictivo del continuous ranked probability score (CRPS
el posproceso que trata de corregir las salidas directas [106, 285]) de predicciones de temperatura a 2 m. Se
de los ensembles teniendo en cuenta las observacio- compara el γSREPS (azul) con 5 diferentes calibracio-
nes. Si se aplican herramientas estadísticas, entonces nes del mismo (resto de colores). Al tratarse de un error
hablamos de calibración estadística de ensembles. en el espacio de las probabilidades, cuanto más peque-
ño el CRPS, mejor la calidad de las predicciones. Vemos
El margen para la mejora está en las formas limitadas que usando esta medida solamente una calibración con-
de tener en cuenta las citadas incertidumbres. Espe- sigue mejorar la calidad del γSREPS, mientras que las
ramos de los ensembles usados para la predicción demás no mejoran o degradan la calidad en diferentes
meteorológica una correlación entre la dispersión y el márgenes.
22.10 El proyecto SRNWP EPS Phase II de EUMETNET 359
Figura 22.23: Mosaico con diversas gráficas de contraste de rendimiento de predicciones de temperatura a 2 m. Se
compara el γSREPS (amarillo) con 5 diferentes calibraciones del mismo (resto de colores). Arriba a la izquierda
diagrama de atributos, cuanto más cerca de la diagonal más fiables las predicciones. Arriba a la derecha curvas
ROC, cuanta más área bajo la curva más capacidad discriminativa tienen las predicciones. Abajo a la izquierda
envolventes de valor relativo, cuanta más área bajo la curva, tanto más valor aporta la predicción. Vemos que
algunas calibraciones no mejoran el rendimiento del γSREPSy otras sí, con unos márgenes, en cualquier caso, no
muy amplios. Para la interpretación exhaustiva de las gráficas, pueden consultarse las referencias [332, 334, 682] o
el capítulo 15 en la página 207.
22.10 El proyecto SRNWP EPS Uno de los proyectos de investigación que se está
llevando a cabo en el marco de EUMETNET es el
Phase II de EUMETNET
proyecto SRNWP EPS II que trata de dar cabida a
la cooperación de los miembros en el campo de la
J OSÉ A NTONIO G ARCÍA -M OYA Z APATA predicción por conjuntos en el área limitada (LAM-
Ex Meteorólogo, Área de Innovación, AEMET EPS). Esta cooperación ha sido reconocida como de
alta prioridad entre los objetivos de EUMETNET.
European Meteorological Services Network (Euro-
pean Meteorological Network (EUMETNET)) es un El proyecto está dedicado a la cooperación en el cam-
grupo de 31 Servicios Meteorológicos Nacionales po de los llamados sistemas de predicción por conjun-
(SMN) Europeos que forman un marco de trabajo tos (SPC o ensembles) a escala kilométrica que están
para organizar programas de colaboración corporati- ayudando a los servicios meteorológicos a mejorar
vos entre sus miembros en el campo de la meteorolo- sus predicciones de tiempo adverso introduciendo en
gía y otros campos afines. Sus principales actividades ellas aproximaciones probabilistas.
incluyen sistemas de observación, proceso de datos,
productos básicos de predicción, investigación, desa- El proyecto incluye dos paquetes de trabajo comple-
rrollo y entrenamiento. mentarios: uno de aplicación en el que se desarrollan
nuevas herramientas y metodologías para la calibra- resultados de los trabajos ejecutados en el marco del
ción de productos de ensembles y para el desarrollo proyecto. Dichas reuniones cuentan también con la
de posprocesos de ensembles para la predicción de participación de invitados externos al proyecto cuyas
nieblas y tormentas. El segundo paquete de trabajo es presentaciones y experiencias sirven para validar las
básicamente de investigación y consiste en trabajos tareas realizadas en el marco del mismo.
que estudien la sensibilidad de los SPC a las condicio-
nes del suelo y de la PBL. Estos trabajos se dirigen a la
mejora de la predicción de las nieblas y las tormentas La coordinación del proyecto se comparte entre la
y se focalizan en: Agencia Estatal de Meteorología (AEMET), el Servi-
cio Meteorológico de Italia (Centro Operativo per la
Asimilación de datos de suelo y superficie. Pertur- Meteorologia, COMET) y el Servicio Meteorológico
baciones de los esquemas de suelo y de la PBL. de la región de Italia Emilia-Romagna (ARPA-SIMC).
Introducir la incertidumbre de los datos de uso de Los SMN participantes son, además de España e Ita-
suelo en las perturbaciones. lia, Chequia, Croacia, Dinamarca, Finlandia, Polonia,
Los resultados del paquete de trabajo servirán para Islandia, Portugal, Holanda, Irlanda, Noruega, Gran
mejorar el conocimiento acerca del impacto de las Bretaña, Suiza, Hungría, Serbia, Bélgica, Eslovenia,
diferentes propiedades del suelo en las predicciones Eslovaquia, Suecia y Austria. El proyecto comenzó
probabilísticas. el 1 de Julio de 2015 y terminará el 31 de Diciem-
bre de 2018 y ha sido financiado totalmente por las
El proyecto organiza una reunión de trabajo cada año aportaciones, en metálico y en especie, de los países
en la que los diferentes participantes intercambian los participantes a través de EUMETNET.
El SPC de UK Met Office MOGREPS 23
DOI: 10.31978/014-18-009-X.23
K EN M YLNE
UKMO
The Met Office Global and Regional Ensemble Prediction System (MOGREPS) is an ensemble system that
produces uncertainty information, primarily for short-range forecasts. MOGREPS is primarily designed to aid
the forecasting of rapid storm development, wind, rain, snow and fog.
https: // www. metoffice. gov. uk/ research/ weather/ ensemble-forecasting/ mogreps –
M ET O FFICE, United Kingdom
El Servicio Meteorológico británico, United Kingdom Met Office o, abreviadamente, Met Office disfruta, entre
otros sistemas de predicción numérica, de un sistema de predicción por conjuntos (SPC) que abarca todas las
escalas tanto espaciales como, por ende, temporales. El así llamado Met Office Global and Regional Ensemble
Prediction System, MOGREPS, es decir, SPC global y regional de Met Office, consta de una componente global
y otra regional para generar información sobre la incertidumbre atmosférica, principalmente enfocado a las
previsiones a corto plazo. El sistema está diseñado especialmente para ayudar en la predicción del desarrollo de
tormentas rápidas, viento, lluvia, nieve y niebla.
Palabras clave: sistema de predicción por conjuntos MOGREPS de UKMO, MOGREPS-G, MOGREPS-UK.
Imagen parte superior: edificio principal del Met Office en las afueras de Exeter, Reino Unido. Fotografía cortesía de A LBERTO
A RRIBAS, UKMO.
362 Física del caos en la predicción meteorológica Capítulo 23. El SPC de UK Met Office MOGREPS
23.1 Introducción y breve historia la página 132) del análisis global y sus perturbacio-
nes. Más tarde MOGREPS-R se mejoró para usar las
perturbaciones globales ETKF centradas en el análi-
El sistema de predicción por conjuntos global y re- sis regional de alta resolución. Durante un tiempo se
gional del Servicio Meteorológico británico, en inglés implementó [66] un ETKF regional, pero tuvo peor
Met Office Global and Regional Ensemble Prediction rendimiento que el ETKF global, de modo que se re-
System, MOGREPS, está construido con base en el emplazó. Se introdujeron posteriormente mejoras con
modelo de predicción numérica unificado correspon- un esquema de inflación adaptativo [59], primero con
diente, Met Office Unified Model, UM. MOGREPS el uso de observaciones de satélite para aumentar la es-
se implementó primeramente en 2005 y se diseñó tabilidad del esquema [210] y más tarde permitiendo
desde el principio como un SPC regional para predic- la variación vertical del factor de inflación [211].
ciones a corto plazo, pero incluyendo un SPC global
(MOGREPS-G) que proporcionase condiciones de Incluso en los primeros planes, uno de los objetivos
contorno y perturbaciones consistentes para el SPC era prepararse para proporcionar condiciones de con-
regional. Una versión de alcance 15 días del global lla- torno laterales para un futuro SPC de escala convecti-
mada MOGREPS-15 se estuvo integrando desde 2006 va (convection-permitting). Se reconocía así que cuan-
hasta 2014 como contribución de UKMO al proyecto do los modelos de escala convectiva fuesen plausi-
y archivo TIGGE [614] (cap. 26 en la página 387), un bles con el avance en supercomputación, la aproxi-
proyecto de investigación del programa The Obser- mación SPC sería esencial para tratar con los errores
ving System Research and Predictability Experiment de rápido crecimiento en esas escalas (sec. 22.1 en
(THORPEX) de SPC multimodelo en el que se hacían la página 334). El primer SPC de escala convectiva,
disponibles las predicciones para fines de investiga- MOGREPS-UK [257], se implementó en 2012 como
ción. En 2014 MOGREPS-G se amplió de resolución parte de un proyecto de demostración de predicción
hasta los primeros 7 días y pasó a ser un SPC global (forecast demonstration project) asociado a los Jue-
operativo, sustituyendo a MOGREPS-15 en el archivo gos Olímpicos de Londres 2012. Usaba un modelo
TIGGE [614] y en las correspondientes predicciones de resolución variable, con malla de 2.2 km en el in-
multimodelo. terior, estirándose hasta 4 km en los bordes. De este
modo podía anidarse (ver anidamiento) directamente
Cuando se implementó MOGREPS por primera vez en MOGREPS-G, que en ese momento había mejora-
en 2005 [65], la componente regional MOGREPS-R do con una malla de 33 km, haciendo innecesario el
era un SPC de 24 miembros con una malla de 24 km intermedio de MOGREPS-R, que se retiró en esta eta-
de resolución abarcando el Atlántico Norte y Euro- pa. MOGREPS-G se modificó para integrarse cuatro
pa, con un beneficio de resolución significativo en veces al día con 12 miembros para proporcionar con-
comparación con los SPC globales disponibles en la diciones de contorno actualizadas a un MOGREPS-
época. MOGREPS-G se implementó con Ensemble UK de 12 miembros cada seis horas. Combinando
Transform Kalman Filter (ETKF [54] sec. 16.2.2 en la las dos últimas pasadas de MOGREPS-G con la téc-
página 246) para proporcionar perturbaciones en las nica time-lagged ensemble [395] (sec. 13.5 en la pá-
condiciones iniciales que se añadían al análisis glo- gina 174) se generaban productos con 24 miembros.
bal de Met Office. Se aplicaban perturbaciones físicas MOGREPS-UK se implementó inicialmente como
estocásticas usando un esquema de Parámetros Alea- un SPC de reducción de escala usando condiciones
torios y, algo más tarde, se introdujo [66] un esquema iniciales y perturbaciones de MOGREPS-G. Más tar-
llamado Stochastic Kinetic Energy Backscatter, SKEB de, en 2016, se mejoró para usar las perturbaciones
[46]. MOGREPS-R se implementó inicialmente como globales centradas en el análisis sobre UK de escala
una reducción de escala o downscaling (sec. 10.1.3 en convectiva.
23.2 MOGREPS en 2017 363
SPC MOGREPS-G MOGREPS-UK

Tipo Mono-modelo con perturbaciones Mono-modelo con perturbaciones
Modelo base Unified Model (UM) Unified Model (UM)
Tamaño 18 miembros 12 miembros
Pasadas 4 diarias: 00, 06, 12, 18 UTC 4 diarias: 00, 06, 12, 18 UTC
Alcances Hasta 7 días Hasta 54 h
Resolución horizontal 20 km Variable, 2.2 km en el interior
Dominio Global UK
LETKF [310] basado en un SPC de 44
Reducción de escala (downscaling) directa
Perturbaciones en las miembros que se integra sólo en el ciclo
de MOGREPS-G.
condiciones iniciales de asimilación
Se añaden al análisis global 4DVAR que
Las perturbaciones se centran en el
usa el ensemble para estimar los errores
análisis 4D-VAR de UK, ciclos cada hora.
del campo previo dependientes del flujo
Esquema de Parámetros Aleatorios que Esquema de Parámetros Aleatorios que
modifica estocásticamente los esquemas modifica estocásticamente los esquemas
Perturbaciones en el
de las parametrizaciones físicas de las parametrizaciones físicas
modelo
Stochastic Kinetic Energy Backscatter
(SKEB) [617]
Perturbaciones en temperatura de la Perturbaciones estocásticas en la Planetary
superficie del mar, humedad del suelo y Boundary Layer (PBL) para temperatura y
temperatura del suelo profundo [618] humedad
Se generan productos probabilistas con un
Combinaciones de las dos últimas pasadas método de vecindario incorporando
Posproceso con para generar productos con 36 miembros vecinos de las celdas cercanas para tener
métodos de vecindario usando la técnica time-lagged ensemble en cuenta la incertidumbre espacial no
[395] abarcada por el SPC de 12 miembros
(Figura 23.2 en la página 365).
Tabla 23.1: Tabla resumen de características de los SPC MOGREPS-G, global y MOGREPS-UK, regional.
23.2 MOGREPS en 2017 características de ambos SPC quedan sintetizadas en

la Tabla 23.1.
En 2017 MOGREPS consta de un SPC glo- El posproceso que se realiza de MOGREPS-G pro-
bal, MOGREPS-G, a 20 km de resolución pa- porciona a los predictores una amplia variedad de
ra predicciones de hasta una semana y un SPC productos, incluyendo sellos (sec. 27.2.1 en la pági-
regional, MOGREPS-UK, a 2.2 km para pre- na 402) y mapas de probabilidad (sec. 27.6.1 en la
dicciones de corto plazo para el Reino Uni- página 416) para un rango amplio de umbrales. El
do. Pueden encontrarse más detalles, así como sistema identifica ciclones extratropicales y sistemas
referencias, en el sitio web de UK MetOffi- frontales y se dibujan como características sinópticas
ce https://www.metoffice.gov.uk/research/ [288]. Un servicio de mapas web (wms) proporciona
weather/ensemble-forecasting/mogreps. Las un mapa global de peligros.
364 Física del caos en la predicción meteorológica Capítulo 23. El SPC de UK Met Office MOGREPS
Figura 23.1: Predicciones de MOGREPS-G para el huracán I RMA , pasada de 00 UTC de 06-09-2017. Izquierda:
trayectorias SPC. Centro: probabilidades de impacto. Derecha: EPSgramas de intensidad de la tormenta. Las líneas
negras punteadas indican la trayectoria observada en las imágenes izquierda y central, mientras que la línea color
cían muestra la intensidad observada (figura cortesía de H ELEN T ITLEY, UKMO).
El citado mapa de peligros se genera combinando pre- por carretera debido a fuertes vientos y, por último,
dicciones probabilistas de MOGREPS-G y ECENS riesgos de inundaciones por desbordamiento de ríos o
(sec. 19.3 en la página 293) para dar un resumen mun- por lluvias torrenciales.
dial del tiempo potencial de alto impacto, incluyendo
probabilidades de fenómenos extremos muy aparta-
dos de valores medios climatológicos (aquellos que
excedan el percentil 99 de la climatología local) [542]. 23.3 Planes futuros
Los ciclones tropicales se rastrean antes y después de
su formación, poniendo productos a disposición de los Los planes de mejora de MOGREPS para los próxi-
Centros Meteorológicos Regionales Especializados mos años a partir de 2017 intentarán afinar la disper-
(Figura 23.1). Para las predicciones a unos cuantos sión generada para ser más consistente con el ritmo
días vista los miembros del SPC se agrupan mediante de crecimiento de los errores, es decir, afinar la rela-
un sistema de regímenes de tiempo atmosférico para ción dispersión-error (sec. 15.8.2 en la página 223).
resumir las probabilidades de tipos de tiempo y los Los planes inmediatos se centran en MOGREPS-UK
potenciales de tiempo de impacto en UK [468]. Se para que aproveche la potencia de la reciente mejora
generan a cinco días vista para UK primeras conjetu- del superordenador de alto rendimiento Cray XC40
ras (first-guess) de avisos de fenómenos adversos (ver (cap. 11 en la página 145). El MOGREPS-UK se rees-
fenómeno meteorológico adverso (FMA)) basadas en tructurará para explotar el análisis 4D-VAR de escala
el posible riesgo [467]. convectiva en UK con ciclos cada hora, integrando 3
miembros cada hora centrados en el último análisis y
La Tabla 23.1 en la página anterior destaca las carac- generando así un SPC con desfase de tiempo (time-
terísticas esenciales del SPC MOGREPS-UK. Pueden lagged, sec. 13.5 en la página 174) de 18 miembros
encontrarse todos los detalles de forma más completa combinando los seis últimos ciclos horarios. Así se
en [257]. MOGREPS-UK se utiliza como condicio- introducen, por primera vez, perturbaciones de escala
nes iniciales y de contorno (en inglés se utiliza el convectiva en las condiciones iniciales mediante el
teŕmino forzar) para una serie de modelos de impacto uso de múltiples análisis, reduciendo así la tendencia
meteorológico que dan soporte a toma de decisiones del SPC a seguir la última predicción determinista. Ex-
basada en riesgo de tiempo de alto impacto. Entre perimentalmente, las predicciones se extenderán hasta
estos modelos podemos citar los de avisos de primera 5 días para probar el beneficio de la reducción de esca-
conjetura (first-guess) de fenómenos adversos para la a la escala convectiva en el medio plazo temprano,
UK, un modelo de peligro de volcado de vehículos particularmente para acumulaciones de precipitación
que identifica el aumento del riesgo para el transporte provocadoras de inundaciones.
23.3 Planes futuros 365
Figura 23.2: Ejemplo de mapa de probabilidad, procesado con método de vecindario, de intensidad de precipitación
superior a 4 mm / h a partir de MOGREPS-UK.
Un reemplazo primordial para los sistemas de pospro- Sistema perfeccionado de perturbaciones estocás-
ceso está también en fase de desarrollo para explotar ticas en MOGREPS-G mediante una formulación
los ciclos horarios de MOGREPS-UK, mezclados con actualizada de SKEB, reemplazo del método de Pa-
otros sistemas de predicción numérica, en un marco rámetros Aleatorios por SPPT [488] (sec. 17.4.4 en
plenamente probabilista. la página 269) y la introducción de un término de
forzamiento estocástico basado en incrementos del
Otros planes incluyen: análisis seleccionados aleatoriamente [513].
Reemplazar ETKF por un sistema de asimilación Perturbaciones en las parametrizaciones de superfi-
por conjuntos (EDA [315], sec. 16.2.5 en la pági- cie en MOGREPS-UK.
na 248) basado en 4D-Ensemble-VAR para mejo- Sistema de asimilación por conjuntos (EDA) en UK
rar la dispersión de las perturbaciones iniciales de para generar perturbaciones de escala convectiva
MOGREPS-G. para MOGREPS-UK.
Sistemas de predicción por conjuntos en México
24
DOI: 10.31978/014-18-009-X.24
S ERVICIO M ETEOROLÓGICO NACIONAL (SMN), M ÉXICO

Nuestra misión: proveer pronósticos, alertas e información del estado del tiempo y del clima estratégica
y útil para el país, que sustente la toma de decisiones. Nuestra visión: Seremos reconocidos por la
sociedad como una organización efectiva y moderna que proporciona información confiable, útil y
oportuna sobre meteorología y climatología para contribuir a una adecuada prevención y toma de
decisiones, aplicando innovaciones tecnológicas y avances científicos con personal altamente calificado.
http: // smn. cna. gob. mx/ es/ smn/ mision-y-vision – SMN
Presentamos en este capítulo el Sistema de predicción por conjuntos (SPC) que se está desarrollando en el
Servicio Meteorológico Nacional de México, gracias a una moderna plataforma de servidores virtuales que
describimos también con cierto detalle. Al igual que en el capítulo dedicado a Argentina, por el enorme interés
cultural de la diversidad lingüística, se ha respetado la terminología original del trabajo, de uso al otro lado del
Atlántico, aclarando algún término por facilitar la consistencia con otros capítulos de este volumen. El modelo
atmosférico en que se basa este SPC es el mundialmente famoso Weather Research and Forecasting Model
(WRF).
Palabras clave: sistemas de predicción por conjuntos en México, ensambles en servidor virtual.
Imagen parte superior: Tenochtitlán, octubre de 2012. Fotografía de C ARLOS S ANTOS B URGUETE.
368 Física del caos en la predicción meteorológica Capítulo 24. SPC en México
Figura 24.1: Servicio Meteorológico Nacional (SMN), escalera principal. Fotografía: http: // smn. cna. gob.
mx/ es/ smn/ historia
24.1 Introducción auditorium-del-centro-de-estudios-de-la.

html). Tiempo después y dentro de un programa de
El Servicio Meteorológico Nacional (SMN, Figu- modernización el SMN adquiere en el año 2000 una
ras 24.1 y 24.6 en la página 371) en México se creó el Supercomputadora Origin 2000 de 8 procesadores
6 de marzo de 1877 con la finalidad de dar un servicio Reduced Instruction Set Computer (RISC) 12000 de
integral a la inmigración extranjera, investigadores del Silicon Graphics, en donde se corrió durante 9 años
campo, realizar un estudio exhaustivo de la Climato- el modelo Modelo a Mesoescala Generación 5 (MM5
logía del país, sus cambios atmosféricos, así como la [243]). En este lapso de tiempo se hicieron aportacio-
de promover el intercambio internacional con otros nes a nivel Nacional e Internacional importantes como
observatorios y poner a disposición los datos recau- el cambio del uso de suelo para la Capital de la Repú-
dados a las personas y empresas que estén en aptitud blica Mexicana y presentar un caso de estudio [387]
de utilizarlos. Estas tareas aún se siguen mantenien- en el User’s Workshop MM5 en el año 2002. Dado el
do pero se han agregado más usuarios en las últimas costo de mantenimiento de este tipo de computadoras,
décadas, como la industria turística, deportistas, ins- en el año 2010 se adquieren una serie de CPU de la
tancias gubernamentales, empresas aseguradoras, etc. marca IBM que se instalan en la modalidad de Clúster,
No hay en el mundo actualmente, algo que no tenga llegando a tener 25 procesadores, donde además de
que ver con la meteorología y la climatología, de ahí correr el modelo MM5 se incursionó en la siguiente
la importancia de ser estudiada. generación de modelos a mesoescala, como el Weat-
her Research and Forecasting Model (WRF [587]),
además se graficaban los datos de entrada que corres-
24.2 Antecedentes ponden al modelo Global Forecast System (GFS [572,
573]). Teniendo la experiencia que las computadoras
tiene un tiempo limitado de vida útil y sabiendo que
El Servicio Meteorológico Nacional (SMN) preo-
se necesita un mejor pronóstico numérico del tiempo,
cupado por tener siempre el equipo idóneo pa-
surge la necesidad de tener corridas del modelo WRF
ra la medición, estudio, análisis y pronóstico de
por Ensamble es así que en el año 2013 bajo un con-
los procesos atmosféricos, a finales de la década
venio de colaboración con el Instituto Mexicano de
de los 80 adquirió maquinas computadoras como
Tecnología del Agua (IMTA), se implementa lo que
la CYBER 380 y CYBER 920 donde se corría
se le conoce como: Corrida por Ensambles.
el Modelo Baroclínico de Tres Niveles elabora-
do por el Dr. Julian Adem Chahin [695] (http:
//cronistadetuxpan.blogspot.mx/2011/05/
24.3 Primeros intentos 369
24.3 Primeros intentos 10 nodos clientes con las mismas características de

procesador con la diferencia de una memoria RAM de
Bajo esos términos se realizó un experimento que du- 12 GB. Dicho equipo interconectado con red Ethernet
ró todo el año 2013, con un ensamble de 6 elementos y cuenta con un sistema de almacenamiento masivo de
(Figura 24.2), para una malla madre de resolución 65 Tb conectado al equipo mediante 10 Gbps, bajo el
de 30 km, que cubre todo el territorio Nacional. La sistema operativo Centos. Esta computadora está por
aplicación se instaló en una maquina marca DELL acabar su vida útil, lo que ahora se está haciendo es
con una configuración tipo Clúster que consta de un elaborar corridas operativas, aunque si publicar, por
nodo maestro, 6 procesadores Intel Xeon con doble estar en periodo de prueba en Servidores Virtuales.
núcleo físico y doble núcleo virtual a una velocidad de Aquí se proyectó realizar un ensamble de 3 elementos,
2.79 GHz y memoria RAM de 24 Gb, se tiene además con equipo y en las instalaciones del SMN.
Figura 24.2: En la figura de la izquierda se observan los resultados del modelo WRF para una malla de 30 km con la
parametrización K AIN -F RITSCH. En la carta de la derecha vemos el resultado del ensamble de 6 elementos. Abajo,
la comparación real con imagen de Satélite de Canal Infrarrojo para el evento de los Huracanes M ANUEL e I NGRID
(GOES, CONAGUA).
370 Física del caos en la predicción meteorológica Capítulo 24. SPC en México
Figura 24.3: Arquitectura de distribución de máquinas virtuales en el SMN.
24.4 Ensambles en Servidor Vir- tiempos de las salidas del modelo GFS de 00 UTC,
06 UTC, 12 UTC y 18 UTC. La arquitectura de distri-
tual
bución de dichas máquinas virtuales puede verse en
Un Servidor Virtual Privado (VPS, por sus siglas en la Figura 24.3.
Inglés) es un método de particionar un servidor físico
en varios servidores de tal forma que todo funcione Esta implementación nos ha estado arrojando muy
como si se estuviese ejecutando en una única máquina. buenos resultados en cuanto a los tiempos de procesa-
La implantación de los Servidores Virtuales en centros miento comparándose con el tiempo de procesamiento
como los Servicios Meteorológicos ha tenido mucho del modelo WRF instalado en un clúster (ver capítu-
auge, debido a una reducción de costos en la adqui- lo 11 en la página 145). En la Figura 24.4 se muestran
sición de equipo y su mantenimiento, administración unas tablas con los tiempos obtenidos de las pruebas
más sencilla, mejor seguridad, flexibilidad, adaptable realizadas, cabe aclarar que las horas de inicio y fin
a medianas y grandes instituciones, un ahorro ener- están dadas en horario local.
gético y de personal. Actualmente se trabaja con la
configuración en las maquinas virtuales mostrada en En la Figura 24.5 en la página siguiente se exhiben
la Tabla 24.1. algunos ejemplos de los productos que se generan
actualmente en el SMN, en el modo de Servidores
Sistema operativo CentOS 6.6 Virtuales.
Memoria 32 GB dinámicos
Procesadores 12 cores
Discos Duros 1
Disco Duro Virtual 300 GB para el Sistema
Operativo
Conexiones VNC y SSH
Tabla 24.1: Configuración en las máquinas virtuales.
Se tiene instalado y configurado el modelo WRF, ver-

sión 3.6.1, para el desarrollo de un pronóstico a 72 h
con salidas cada 3 h con una malla de 16 km de reso-
lución, los datos de entrada son del modelo GFS de
0.5° (aproximadamente 25 km de resolución), las pa-
rametrizaciones por el momento son: K AIN -F RITSCH, Figura 24.4: Rendimiento y tiempos obtenidos con las
B ETTS -M ILLER -JANJIC y G RELL -F REITAS, para los pruebas en las máquinas virtuales en el SMN.
24.5 Futuro 371
Figura 24.5: La imagen de la izquierda es el resultado del modelo WRF con la parametrización K AIN -F RITSCH. A
la derecha con la parametrización B ETTS -M ILLER -JANJIC .
24.5 Futuro próximo contara con el pronóstico por Ensambles con

el fin de seguir colaborando con el pronosticador pa-
El pronóstico numérico actualmente es una de las ra que éste realice mejores análisis, pronósticos aún
herramientas más poderosa e imprescindible en los más eficaces, confiables y en un tiempo relativamente
Servicios Meteorológicos Nacionales, sin embargo corto, beneficiando con esto a los usuarios internos y
en modelación todavía se trata de alcanzar un buen externos al Servicio Meteorológico Nacional y al pue-
porcentaje de acierto en la previsión atmosférica. Los blo de México en general, contribuyendo a tomar las
esfuerzos han sido muchos, se ha avanzado demasia- medidas precautorias en eventos atmosféricos severos,
do pero falta mucho por hacer. El SMN en un futuro como se nos indicó desde hace más de 140 años.
Figura 24.6: Imágenes del Servicio Meteorológico Nacional.
MyWave: Sistemas locales de predicción de oleaje
por conjuntos 25
DOI: 10.31978/014-18-009-X.25
C RISTINA T OLEDANO L OZANO

Área de Aplicaciones, Agencia Estatal de Meteorología (AEMET)
Ola tras ola siguió Ralph aquel subir y bajar hasta que algo
propio del carácter distante del mar le embotó la mente.
El señor de las moscas – W ILLIAM G OLDING
La información meteorológica es de vital importancia para el apoyo a la navegación marítima. La

dirección e intensidad de los vientos, así como la intensidad y dirección del oleaje, son cruciales y están
interrelacionados. AEMET, en colaboración con el Organismo Público Puertos del Estado desarrolla
y explota sistemas operativos de predicción del oleaje basados en técnicas de modelización para la
predicción en las zonas oceánicas de nuestro entorno. En el marco de la Organización Meteorológica
Mundial, AEMET contribuye a la creación de capacidad en meteorología marítima en los países de
África occidental y Macaronesia. Dentro de estos contextos, el proyecto europeo MyWave, liderado
por el Instituto Meteorológico Noruego, fue creado con el objetivo principal de sentar las bases para
un Centro de Servicios Marinos que incluyese el oleaje, identificando para ello cuatro áreas en las
que era necesaria la investigación: la asimilación de datos, la mejora del modelo, el establecimiento
de protocolos estándar de validación y la predicción por conjuntos. En este capítulo se describe el
trabajo realizado para el desarrollo de estos sistemas de predicción de oleaje por conjuntos en puertos
españoles, así como los resultados.
Palabras clave: sistemas locales de predicción de oleaje por conjuntos, proyecto MyWave, meteorología
marítima.
Imagen parte superior: inestabilidad Kelvin-Helmholtz en altocumulus lenticularis. Madrid, Ciudad Universitaria, hacia el oeste, 15 de
febrero de 2006, a las 19:03. Fotografía de J OSÉ A NTONIO Q UIRANTES C ALVO.
Física del caos en la predicción meteorológica Capítulo 25. MyWave: Sistemas locales de predicción de oleaje
374 por conjuntos
en la página 141) y la batimetría. Para calcular la evo-
lución del espectro del oleaje, el modelo necesita unas
condiciones iniciales y, durante la integración, campos
de viento a 10 m y condiciones de contorno.
El modelo da como salida el espectro completo y los

parámetros integrados de oleaje. Los principales pará-
metros son:
Altura significativa: altura media del tercio mayor

de todas las olas observadas.
Periodo medio: periodo medio de todos los grupos
de ondas que, superpuestas, forman el oleaje.
Periodo de pico: periodo del grupo de ondas con
más energía .
Figura 25.1: Posición de los tres sistemas de predicción Dirección media: media de las direcciones de pro-
de oleaje por conjuntos (WAVE-EPS), para los puertos pagación del grupo de ondas.
de Gijón, Tenerife y Barcelona. En rojo, boyas de la red
de Puertos del Estado dentro de las regiones de estos
sistemas y utilizadas para la validación.
25.2 Configuración de los sistemas

25.1 SPC de olas locales WAVE-EPS
El proyecto europeo FP7 MyWave [561] (2012-2014),

Los sistemas para los puertos utilizaron el modelo de
liderado por el Instituto Meteorológico Noruego
alta resolución Simulating Waves Nearshore, SWAN
(https://www.met.no/), fue creado con el objeti-
[63], desarrollado por la universidad de Delft especia-
vo principal de sentar las bases para un Centro de
lizado en el tratamiento del oleaje cerca de la costa.
Servicios Marinos que incluyese el oleaje, identifican-
do para ello cuatro áreas en las que era necesaria la
investigación: la asimilación de datos, la mejora del Debido a esto, la batimetría jugó un papel importante
modelo, el establecimiento de protocolos estándar de en la configuración de los sistemas. Respecto a la con-
validación y la predicción por conjuntos. figuración del WAVE-EPS local, fue determinada por
modelo regional WAVE-EPS al que estaba anidado,
Para la mejora de la predicción por conjuntos, se utilizando el mismo viento y las condiciones de con-
desarrollaron sistemas de oleaje llamados WAVE-EPS torno (espectros de energía) generadas por el sistema
[512] enfocados a las costas europeas en dos áreas: en regional.
el Atlántico Norte y en el mar Mediterráneo. Anida-
dos en estos sistemas Agencia Estatal de Meteorología
Descripción estadística del campo de olas. La na-
(AEMET) desarrolló, en colaboración con Puertos del
turaleza matemática de la descripción de las olas de
Estado, tres sistemas de predicción de oleaje por con- superficie hace necesaria una descripción estadística
juntos para los puertos de Gijón,Tenerife y Barcelona para sintetizar la información. Los parámetros estadís-
ticos que representan un campo de olas caracterizan
Los tres sistemas empezaron a funcionar de forma ope- las condiciones existentes durante un cierto periodo
rativa a mediados del proyecto (2013), generando los de tiempo y para cierta extensión espacial.
productos específicos de la predicción por conjuntos,
El descriptor más utilizado del campo de olas es el
aunque no se diseminan públicamente.
espectro de densidad de energía en dirección y fre-
cuencia, E( f , Θ ), donde f es la frecuencia y Θ la
Para definir un sistema de predicción de oleaje en un dirección de propagación.
área limitada se empieza por definir la malla (sec. 10.6
25.2 Configuración de los sistemas locales WAVE-EPS 375
El sistema de Gijón (Figura 25.2) tiene una malla

computacional de 51x51 puntos, con una resolución
de 629x511 metros cada celda (O -5,93, E -5,54, S
43,54, N 43,77). Los campos de viento tienen una
resolución espacial de 0,45ºx0,30º.
El sistema de Tenerife (Figura 25.3) tiene una malla

computacional de 61x71 puntos con celdas de resolu-
ción de 571x554 metros (O -16,26, E -15,90, S 28,30,
N 28,65). Los campos de viento tendrán una resolu-
Figura 25.2: Configuración del sistema local WAVE- ción espacial de 0.45ºx0.30º.
EPS de Gijón: malla computacional (puntos amarillos),
campos de viento (puntos rojos) y condiciones de con-
torno (puntos negros). La batimetría (sombreado en
colores, de 0 a 160 metros de profundidad) muestra 25.2.2 Descripción del wave-EPS del
los límites de aguas someras y hasta dónde influiría en Atlántico
oleaje.
El sistema regional del Atlántico generado por el Me-
tOffice, el UKMO wave-EPS [89] está forzado por
25.2.1 Descripción de los modelos locales los dos EPS atmosféricos que utiliza el MetOffice:
del Atlántico el sistema global (MOGREPS-G) y el de área limi-
tada MOGREPS-UK [65] (ver capítulo 23 en la pá-
Los dos sistemas locales WAVE-EPS implementa-
gina 361). El modelo de oleaje utilizado será el WA-
dos en el Atlántico reciben los forzamientos del UK
VEWATCH III (WW3 [624]). Debido a que utilizan
MetOffice (http://www.metoffice.gov.uk/): el
los forzamientos del UKMO-wave EPS, los sistemas
viento del sistema MOGREPs-UK y las condiciones
locales de Gijón y Tenerife funcionan con la misma
de contorno de su modelo regional WAVE-EPS. Este
resolución temporal que el sistema del MetOffice, de-
modelo usa una malla llamada Spherical Multi-Cell
finido con:
(SMC), que tiene una resolución variable cerca de la
costa (ver página 375). Debido a ello, las condiciones
Cuatro ciclos diarios: 00/06/12/18 UTC.
de contorno no están espaciadas de forma regular.
Control+22 miembros, repartidos como sigue.
00/12 UTC: miembros 1-11 con horizonte de pre-
dicción 72 h, 12-22 con ciclo corto.
06/18 UTC: miembros 12-22 con horizonte de pre-
dicción hasta 72 h, 1-11 con ciclo corto.
Reinicio cada 6 horas.
Es decir, sólo el control y la mitad de los 22 miembros

funcionan con el horizonte de predicción completo,
dejando miembros con ciclo corto de 7 horas para
que se pueda mantener la continuidad. En el siguiente
ciclo, los miembros que corrieron con el ciclo corto
tendrán horizonte de predicción completo y viceversa.
Así, el producto de los 22 miembros se podrá generar
superponiendo los dos últimos ciclos completos.
La versión de WW3 que utilizará MetOffice inclu-

ye modificaciones para el manejo de las coordenadas
Figura 25.3: Configuración del sistema local WAVE- polares giradas, una partición de olas revisada [89],
EPS de Tenerife: malla computacional (puntos rojos), advección de segundo orden [379] y una malla deses-
campos de viento (puntos verdes) y condiciones de con- tructurada (ver caja) SMC.
torno (puntos azules). Batimetría como en la Figura
25.2.
376 por conjuntos
El sistema local se define en una malla computacional
Una malla desestructurada es un conjunto de polígo- de 50x71 puntos y una resolución de 600x400 me-
nos que cubren una superficie con un patrón irregular.
tros cada celda (Figura 25.4). Los campos de viento y
Habitualmente este tipo de mallas se utilizan en el mé-
todo de elementos finitos (sec. 10.4 en la página 135) condiciones de contorno tendrán una resolución de 3’.
en regiones con límites irregulares, como la costa.
Una malla Spherical Multi Cell o SMC [378] es una
malla desestructurada con la particularidad de que 25.2.4 Descripción del wave-EPS del Me-
conserva la rejilla en coordenadas cartesianas (latitud
diterráneo
y longitud). Esta malla relaja la restricción Courant-
Friedrichs-Lewy (CFL) (cap. 10 en la página 129) en
latitudes altas, uniendo varias celdas, y permite quitar El Nettuno-EPS consiste en 40+1 miembros, integra-
puntos de tierra del modelo de oleaje, lo que reduce dos a las 00 UTC, con un horizonte de predicción de
la advección en un 45 %. Todas las configuraciones 48 horas en toda la cuenca mediterránea. El sistema
usarán una resolución espectral con 24 direcciones y corre en un ciclo diario a las 00 UTC. El modelo de
30 frecuencias. oleaje que utiliza es el WAM [354], modelo operativo
del ECMWF, y casi todas las instituciones europeas.
El sistema de Barcelona funcionará con la misma re-

25.2.3 Descripción del modelo local del
solución temporal que el Nettuno-EPS. El modelo
Mediterráneo correrá de forma operativa con un ciclo al día, que
empezará a las 08:30 UTC.
El sistema de Barcelona se fuerza con los campos
de viento del Centro Nazionale di Meteorologia e
Climatologia, CNMCA [48] y las condiciones de con-
torno del modelo Nettuno-EPS [48], descrito en el 25.3 Validación del sistema deter-
apartado 25.2.4. La malla donde están definidos estos minista de oleaje
forzamientos tendrá una resolución de 0.05º (O 2,05,
E 2,40, S 41,20, N 41,45).
A partir de agosto de 2013, los 3 sistemas determinis-
tas de oleaje para Barcelona, Gijón y Tenerife empe-
zaron a funcionar de forma operativa.
El modelo operativo genera en cada ciclo series tem-

porales en un punto específico con la velocidad, di-
rección de viento y los parámetros integrados Altura
significativa de la ola, dirección media, periodo me-
dio y periodo de pico. El punto elegido para estas
series temporales será la localización de las boyas de
Puertos del Estado, para poder comparar modelo con
observación.
Parámetros integrados. Los parámetros integrados

se calculan a partir de los espectros de densidad de
varianza E( f , Θ ).
E (energía) = aceleración_de_la_gravedad x densi-

dad_del_agua x espectro_densidad_de_varianza
Figura 25.4: Configuración del sistema local WAVE- Altura significativa de la ola, Hs =
q˜
EPS de Barcelona: malla computacional (puntos ne-
4 E( f , Θ )d f dΘ
gros), campos de viento (puntos amarillos) y condicio- ˜
sinΘ E( f ,Θ )d f dΘ
nes de contorno (puntos rojos). La batimetría (som- Dirección media, Dir = arctan ˜ cosΘ E( f ,Θ )d f dΘ
breado en colores, de 0 a 160 metros de profundidad), ˜ 2 − 12
f E( f ,Θ )d f dΘ
muestra los límites de aguas someras, y hasta dónde Periodo medio, T m = ˜ E( f ,Θ )d f dΘ
influiría en oleaje.
25.3 Validación del sistema determinista de oleaje 377
Boya Latitud Longitud Profundidad

Barcelona 41,32º N 2,20º E 68 m
S. C. Tenerife 28,46º N 16,23º W 56 m
Tabla 25.1: Localización y profundidad de las boyas usadas para la validación.
En septiembre de 2013 la boya de Gijón dejó de fun- Altura significativa y dirección media. Los gráficos de
cionar, luego el estudio de validación que se muestra dispersión muestran el comportamiento del modelo
a continuación es el que se hizo sólo para las boyas a las H+0 h y H+48 h para Barcelona y a las H+0 h,
de Tenerife y Barcelona, cuyos datos sobre emplaza- H+24 h, H+48 h y H+72 h para Tenerife. Estos re-
miento y profundidad se presentan en la Tabla 25.1. sultados dan una idea de cómo funciona el miembro
0 (modelo determinista), antes de desarrollar el siste-
Las estadísticas presentadas a continuación (Figu- ma de predicción por conjuntos. Sobre el fundamento
ra 25.5 y Tabla 25.2 para Barcelona y Figura 25.6 de las medidas estadísticas, puede consultarse la sec-
en la página siguiente y Tabla 25.3 en la página si- ción 15.2.3 en la página 211.
guiente para Tenerife) están basadas en los parámetros
Figura 25.5: Barcelona-CNMCA: gráficos de dispersión de Altura significativa del oleaje para T+0 y T+48 h.
Modelo determinista SWAN/boya de Barcelona.
Modelo Num datos Corr Pendiente RECM EM Dispersión

SWAN - Barcelona 4831 0,86 0,73 0,26 0,03 0,37
Altura significativa de ola
SWAN 48 -Barcelona 4808 0,84 0,70 0,28 0,01 0,39
SWAN - Barcelona 591 0,61 0,55 128 -34,5 0,61
Dirección media SWAN 24 -Barcelona 583 0,63 0,57 126 -45,2 0,59
SWAN 48 -Barcelona 577 0,63 0,57 127 -45,2 0,59
Tabla 25.2: Barcelona-CNMCA: estadísticos de Altura significativa y dirección media del oleaje (Corr: coeficiente
de correlación, RECM: raíz del error cuadrático medio, EM: error medio). Modelo determinista SWAN/boya de
Barcelona.
378 por conjuntos
Figura 25.6: Tenerife-UKMO: gráficos de dispersión de Altura significativa del oleaje para T+0, 24, 48 y 72 h.
Modelo determinista SWAN/boya de Tenerife.
Modelo Num datos Corr Pendiente RECM EM Dispersión

SWAN - Tenerife 6822 0,85 0,83 0,22 0,05 0,29
SWAN 24 - Tenerife 6803 0,86 0,83 0,21 0,02 0,27
Altura significativa
SWAN 48 - Tenerife 6783 0,86 0,81 0,22 0,01 0,27
SWAN 72 - Tenerife 6753 0,84 0,79 0,22 0,01 0,28
SWAN - Tenerife 2665 0,69 0,62 32,6 -19.0 0,12
SWAN 24 - Tenerife 2646 0,69 0,64 32,1 -17.6 0,12
Dirección media
SWAN 48 - Tenerife 2642 0,75 0,72 30,3 -17.4 0,12
SWAN 72 - Tenerife 2632 0,72 0,72 30,0 -16.3 0,11
Tabla 25.3: Tenerife-UKMO: estadísticos como en la Figura 25.5 en la página anterior. Modelo determinista
SWAN/boya de Tenerife.
25.4 El modelo local WAVE-EPS Tenerife y Barcelona. Los 3 sistemas locales WAVE-
EPS empezaron a funcionar de forma operativa en
para los puertos
septiembre del 2013. Las Figuras 25.7 en la página
siguiente y 25.8 en la página 380 muestran mapas de
Una vez implementados los sistemas deterministas, se dispersión-promedio (sec. 27.5.1 en la página 412) en
desarrollaron los sistemas por conjuntos para Gijón, ambos sistemas.
25.4 El modelo local WAVE-EPS para los puertos 379
Figura 25.7: Mapas de dispersión-promedio del sistema de Tenerife, con el parámetro de Altura significativa de la
ola, generados en la operativa cada ciclo de predicción. Las líneas de contorno indican la media del ensemble.
380 por conjuntos
Figura 25.8: Mapas de dispersión-promedio del sistema de Gijón, con el parámetro de Altura significativa de la ola,
generados en la operativa cada ciclo de predicción. Las líneas de contorno indican la media del ensemble.
25.4 El modelo local WAVE-EPS para los puertos 381
25.4.1 Consistencia del WAVE-EPS rango dispersivo para H+06 y consistente para H+24
y H+48.
Para estimar la fiabilidad con una significación del El histograma de Tenerife WAVE-EPS (figura 25.10),
10 % de un SPC de 20 miembros, se necesitarían apro- muestra un sistema estadísticamente consistente, con
ximadamente 14 000 salidas del modelo. Partiendo de tendencia a la sobrepredicción (bias positivo).
esta base, es recomendable poder hacer la verificación
de un periodo de al menos 3-6 meses. En este caso, Para completar la información sobre la validación de
se tomaron los resultados de la salida del modelo de los WAVE-EPS locales en este apartado, se muestra a
enero a mayo de 2014 (4 meses). continuación un resumen con las series temporales o
espagueti.
El primer paso en la validación del WAVE-EPS, co-
mo cualquier sistema de predicción probabilista, es Estos diagramas presentan la evolución de la predic-
comprobar su consistencia estadística con las obser- ción por conjuntos del parámetro de Altura significati-
vaciones (sec. 15.8 en la página 222). El histograma va con una mayor dispersión conforme va aumentando
de rango (sec. 15.8.1 en la página 222) se usó pa- el horizonte, algo que se muestra de forma clara en
ra comprobar si la observación es estadísticamente la primera gráfica (Figura 25.11 en la página siguien-
indistinguible del conjunto de valores pronosticados. te, modelo Barcelona WAVE-EPS). En la segunda se
presenta Gijón (Figura 25.12 en la página siguiente, iz-
Se puede observar cómo el sistema de Barcelona quierda). La última gráfica (Figura 25.12 en la página
WAVE-EPS (Figura 25.9) comienza con una disper- siguiente, derecha), espagueti del modelo de Tenerife,
sión baja que va aumentando a medida que aumenta muestra cómo la observación (en verde) está dentro
el horizonte de predicción, con un histograma de bajo de la dispersión del modelo.
Figura 25.9: Histogramas de rango con la Altura significativa del sistema Barcelona WAVE-EPS, con horizonte de
predicción T+06, T+24, y T+48.
Figura 25.10: Histogramas de rango con la Altura significativa del sistema Tenerife WAVE-EPS, con horizonte de
predicción T+06, T+24, T+48 y T+66. Para el cálculo del histograma, también se usaron los datos del ciclo corto.
382 por conjuntos
Figura 25.11: Series temporales (espagueti) de los WAVE-EPS de Barcelona (arriba). En verde, la observación, y en
negro, el miembro de control.
Figura 25.12: Series temporales (espagueti), como en la Figura 25.11, de los WAVE-EPS de Gijón (izquierda) y
Tenerife (derecha).
25.5 Resultados dor de la mediana para definir un rectángulo vertical.

Los miembros restantes definen los picos extremos del
Los dos productos principales de la predicción de 25 %. El EPSgrama de cajas proporciona así una infor-
oleaje por conjuntos para Gijón, Barcelona y Tenerife mación probabilista discreta en los intervalos 0-25 %,
fueron EPSgramas (sec. 27.8.1 en la página 426) y 25-50 % y 75-100 %, con una resolución temporal de
mapas de probabilidad (sec. 27.6.1 en la página 416). 3 horas. El miembro determinista (miembro de con-
En este apartado se muestran ejemplos para los tres trol) se incluye como referencia. El gráfico con el
puertos a continuación. EPSgrama continuo tiene resolución horaria, que es
la resolución de la salida de los 3 sistemas locales
Un EPSgrama muestra la evolución temporal de la dis- implementados.
tribución estadística de los miembros del ensemble en
una localización geográfica determinada (sec. 27.8.1
en la página 426). Los EPSgramas de oleaje (Figu- Como el nombre indica, los mapas de probabilidad
ras 25.13 en la página siguiente y 25.14 en la pá- (sec. 27.6.1 en la página 416) muestran la probabi-
gina 384) nos dan la distribución de los parámetros lidad de que un determinado parámetro exceda un
Altura significativa y Dirección Media en un punto umbral dado. La Figura 25.15 en la página 384 mues-
concreto. tra las probabilidades de que la Altura significativa
de la ola supere los 4,5 metros en el puerto de Gijón
La dispersión está calculada por el WAV-EPS. El 50 % y la Figura 25.16 en la página 385 los 1,8 metros en
de los miembros se distribuyen uniformemente alrede- Barcelona.
25.5 Resultados 383
Figura 25.13: Ejemplo de EPSgramas para Tenerife, con la Altura significativa y dirección media, ciclo 2014111400.
384 por conjuntos
Figura 25.14: Ejemplo de EPSgramas para Tenerife (izquierda, mostrado anteriormente en la Figura 25.13 en
la página anterior) y, para comparar en términos generales y sin entrar en detalle, Gijón (centro) y Barcelona
(derecha), todos ellos con la Altura significativa y dirección media, ciclo 2014111400.
Figura 25.15: Mapas de probabilidad para Gijón, umbral de Altura significativa: 4,5 metros.
Figura 25.16: Mapas de probabilidad para Barcelona, umbral de Altura significativa: 1,8 metros.
25.6 Conclusiones dades de Barcelona, Gijón y Tenerife. Se incluyó en

la operativa rutinas para generar EPSgramas, mapas
Durante los años de trabajo del proyecto, 2012-2014, de probabilidad y de dispersión-promedio.
apenas había comenzado a aplicarse la predecibilidad
en los modelos de oleaje. La generación de sistemas Los mapas de probabilidad con el umbral específi-
de predicción por conjuntos proporcionó nuevos pro- co de alerta para cada autoridad portuaria son una
ductos y nuevas opciones de visualización de la infor- herramienta importante para agregar al sistema deter-
mación, enriqueciendo así las técnicas de predicción minista que usan ahora los puertos.
del oleaje.
Los sistemas locales de WAVE-EPS se pusieron opera- Aunque los modelos locales de WAVE-EPS podrían
tivos en septiembre de 2013 con el objetivo principal generar más productos para los puertos comerciales,
de proporcionar predicciones categóricas con la malos EPSgramas con la dirección media o la Altura
yor exactitud posible y una base cuantitativa para un significativa y los mapas de probabilidad son las he-
pronóstico de probabilidad fiable y útil. rramientas más útiles para comenzar a introducir in-
formación sobre predecibilidad en la meteorología
La información probabilista fue adaptada a las necesi- marítima.
Sistemas de Predicción por Conjuntos en el mundo,
proyectos TIGGE y TIGGE-LAM 26
DOI: 10.31978/014-18-009-X.26
J UANMA S ANCHO ÁVILA

No vayas a creer lo que te cuentan del mundo (ni siquiera esto

que te estoy contando), ya te dije que el mundo es incontable.
M ARIO B ENEDETTI
El experimento de investigación de sistemas de observación y predecibilidad, en inglés The Observing System

Research and Predictability Experiment (THORPEX), es un proyecto de la Organización Meteorológica Mundial,
World Meteorological Organization (WMO), cuyo objetivo es mejorar las predicciones de fenómenos adversos
(ver fenómeno meteorológico adverso (FMA)) de 1 día a 2 semanas. Dentro de THORPEX existe un proyecto
interactivo de sistema(s) de predicción por conjuntos (SPC) globales, el proyecto THORPEX Interactive Grand
Global Ensemble (TIGGE), que nació en 2005 con el fin de crear un archivo de acceso a la comunidad científica
en el que estuvieran disponibles los datos de los modelos atmosféricos globales producidos por los nueve
centros principales del mundo. El objetivo fundamental es que los investigadores puedan disponer de los datos
almacenados para comparar los diferentes SPC con el fin de entender más profundamente la influencia de las
diferentes fuentes de error en la contribución final a la calidad de las predicciones según los diferentes diseños
de los SPC. Otro objetivo importante es estudiar e investigar las posibilidades de mejora en el desarrollo de SPC
combinando diferentes ensembles en los llamados enfoques multimodelo. En este técnico capítulo, por un lado,
se describen en detalle los proyectos TIGGE y TIGGE-LAM. Por otro lado, se revisan los principales SPC del
mundo, participen en TIGGE o no, lo que permite esbozar una silueta del estado del arte a nivel mundial en la
actualidad.
Palabras clave: sistemas de predicción por conjuntos en el mundo, proyecto TIGGE, proyecto TIGGE-LAM.
Imagen parte superior: arcoíris supernumerario. Chamonix (Francia), hacia el noreste, 28 de julio de 2006, a las 20:10. Fotografía de
388 Física del caos en la predicción meteorológica Capítulo 26. SPC en el mundo y proyectos TIGGE
26.1 SPC globales en el mundo: El El experimento de investigación de sistemas de obser-

vación y predecibilidad, en inglés The Observing Sys-
proyecto TIGGE
tem Research and Predictability Experiment (THOR-
PEX), es un proyecto de la Organización Meteoro-
Fueron E PSTEIN [186] y L EITH [374] los pioneros en
lógica Mundial, World Meteorological Organization
proponer un enfoque basado en predicciones proba-
(WMO), cuyo objetivo es mejorar las predicciones de
bilistas en lugar del uso de modelos deterministas a
fenómenos adversos de 1 día a 2 semanas.
la vista de la rápida degradación de la calidad de los
pronósticos con el alcance de la predicción.
Dentro de THORPEX existe un proyecto interactivo
Pero no fue hasta diciembre de 1992, después de una de SPC globales, el proyecto THORPEX Interactive
investigación exhaustiva acerca de cómo perturbar Grand Global Ensemble (TIGGE), que nació en 2005
de forma efectiva las condiciones iniciales y la física con el fin de crear un archivo de acceso para la co-
de los modelos de predicción, cuando el European munidad científica en el que estuvieran disponibles
Centre for Medium-range Weather Forecasts -Centro los datos producidos por los 9 centros en un formato
Europeo de Predicción a Plazo Medio- (ECMWF) homogéneo, estándar y con las mismas unidades. El
(cap. 19 en la página 289) y el National Centers for objetivo fundamental era que los investigadores pudie-
Environmental Prediction, EE. UU. (NCEP) inicia- ran utilizar los datos almacenados para comparar los
ron la producción de predicciones probabilistas de diferentes SPC con el fin de entender más profunda-
forma operativa. A estos siguieron poco después el mente la influencia de las diferentes fuentes de error
canadiense MSC (Meteorological Service of Canada) en la contribución final de la calidad de las predic-
en 1995, y más tarde otros seis centros nacionales ciones según los diferentes diseños de los SPC. Otro
comenzaron a implementar sistema(s) de predicción objetivo importante era estudiar e investigar las posibi-
por conjuntos (SPC): el australiano BMRC (Austra- lidades de mejora en el desarrollo de SPC combinando
lian Bureau of Meteorology), el chino CMA (China diferentes ensembles en los llamados enfoques multi-
Meteorological Administration), el brasileño CPTEC modelo.
(Brazilian Center for Weather Prediction and Climate
Studies), el japonés JMA (Japanese Meteorological En TIGGE se almacenan diariamente, cada 6 horas,
Administration), el coreano KMA (Korean Meteoro- a nivel global y para todo el alcance de la predicción,
logical Administration) y el británico UKMO (United campos superficiales de 30 variables así como cam-
Kingdom Meteorological Office). pos en altura a varios niveles de la atmósfera para
distintas variables. La disponibilidad de los datos en
A estos nueve SPC, que contribuyen al proyecto TIG-
TIGGE se remonta a octubre de 2006 (dependiendo el
GE y que actualmente proporcionan de forma opera-
inicio del archivo de los datos de cada centro nacional
tiva productos basados en predicciones probabilistas
de predicción). El acceso a los datos almacenados en
a escala global, habría que añadir también el SPC
TIGGE se puede hacer a través de tres centros mundia-
global de Météo-France, denominado PEARP (Prévi-
les: el ECMWF europeo, el CMA chino y el National
sion d’Ensemble ARPEGE). Por otro lado el DWD
Center for Atmospheric Research (NCAR) en Estados
alemán está actualmente desarrollando un sistema de
Unidos.
asimilación para su modelo a escala global ICON
(Icosahedral Nonhydrostatic Model), basado en asi-
milación de datos por conjuntos (Ensemble of Data Una de las conclusiones de la implementación del ar-
Asimilation (EDA), sec. 16.2.5 en la página 248 [314, chivo TIGGE es que no existe una receta única para el
315]) y un SPC a escala global (ICON-EPS). tratamiento de las fuentes de error en el diseño de SPC.
Es posible utilizar distintos enfoques y tratamientos
Anteriormente, la información producida diariamente aunque, como se verá posteriormente, hay sistemas
por los SPC de los diferentes Centros Nacionales de que muestran claramente un mejor comportamiento
Predicción podía ser accedida únicamente desde cada que otros, como es el caso del sistema del ECMWF,
centro. Además, el formato de los datos producidos que hoy por hoy se comporta con claridad mejor que
así como los campos, variables e incluso unidades el resto, sobre todo para variables en escala sinóptica
eran distintos para cada sistema. y a medio plazo.
26.1 SPC globales en el mundo: El proyecto TIGGE 389
Resolución
Centro #M Pert. CCII Pert. Mod Alcance #Ejecuciones
horiz. (km) / vert. (#niveles)
ECMWF (EU) 1+50 SV +EDA SPPT+ SKEB 0-15 d TCO639 (18 km)/91 00/12
16-46 d TCO319(36 km)/91 niveles
NCEP (EEUU) 1+20 ETR SPPT 0-7 d T254 (90 km)/28 niveles 00/06/12/18
8-16 d T190 (120 km)/28 niveles
CMA (China) 1+14 BV NO 0-10 d T213(70 km)/31 niveles 00/12
CMC (Canada) 1+20 EnKF SPPT+ SKEB 0-16 d 600x300(75 km)/40 niveles 00/12
UKMO (UK) 1+17 ETKF RP2+ SKEB 0-7 d N640(20 km)/70 niveles 00/06/12/18
BMRC (Au) 1+32 SV NO 0-10 d TL119(210 km)/19 niveles 00/12
CPTEC (Br) 1+14 EOF NO 0-15 d T126(120 km)/28 niveles 00/12
JMA (Jap) 1+25 SV+ETKF SPPT 0-11 d T479(50 km)/100 niveles 00/12
KMA (Kor) 1+23 ETKF RP2+ SKEB 0-12 d N320(40 km)/70 niveles 00/06/12/18
Tabla 26.1: Principales Características de los 9 modelos en TIGGE en agosto 2017. #M: Número de miembros
perturbados (1 + indica un miembro adicional de control, no perturbado). Perturbaciones condiciones iniciales
(CCII): Método de perturbación: Bred Vectors (BV [627], Ensemble Kalman filter (EnKF [308]), Ensemble Transform
Kalman Filter (ETKF) [54, 666], Ensemble Transform with Rescaling (ETR [670]); EDA [62, 82, 315]; Singular
Vectors (SV [449]); Empirical Orthogonal Functions (EOF [432]). Perturbaciones en el modelo (Mod): Stochastic
Perturbed Parameterization Tendencies (SPPT) [83]; Stochastic Kinetic Energy Backscatter (SKEB) [46]; Random
Parameters (RP2, [488])
26.1.1 Características de los Sistemas de datos, de manera que los datos observacionales son
Predicción por Conjuntos (SPC) introducidos en el modelo sin ser añadidas perturba-
ciones. El resto de integraciones o predicciones, que
constituyen el conjunto de los llamados miembros per-
En la actualidad se siguen archivando los datos de 7 turbados, simulan los efectos de las incertidumbres
sistemas de predicción global en la base de datos de en la medida y asimilación de las observaciones. La
TIGGE, ya que los procedentes del modelo Austra- mayor parte de ellos, además, tiene también en cuenta
liano (BMRC) dejaron de archivarse en julio de 2010 las incertidumbres o errores propios de la física del
y los del modelo británico (UKMO) en julio de 2014. modelo a través de la aplicación de perturbaciones
Los diferentes SPC están desarrollados con el fin de estocásticas a las tendencias del mismo. También hay
simular el efecto de las principales fuentes de error en diferencias sustanciales en el número de miembros
las predicciones numéricas. Por un lado, las incerti- perturbados, la resolución tanto horizontal como en
dumbres en las condiciones iniciales propias, debidas número de niveles verticales, el alcance máximo de
tanto a los errores observacionales como a las apro- predicción y el número de ejecuciones diarias de los
ximaciones realizadas en el proceso de asimilación sistemas, que por lo general suelen ser dos (00 h y
de datos para la estimación estado inicial, también 12 h).
llamado análisis de la atmósfera. Por otro lado, las
incertidumbres del modelo debidas tanto a las apro- Con el fin de estimar el coste computacional en la pro-
ximaciones de las ecuaciones de la física del mismo ducción de los ensembles por parte de cada uno de los
como a las simplificaciones asociadas a las parame- centros, es útil definir los siguientes cuatro índices:
trizaciones de los procesos físicos en resoluciones
mayores que la malla del modelo. Los enfoques para La resolución espacial, HR2 (que tiene en cuenta
el tratamiento de estas fuentes de error son diferentes que si la resolución se duplica, el número de puntos
aunque comunes en algunos casos (ver Tabla 26.1). de grid se multiplica por 4).
Una ejecución del modelo o miembro de control, se El número de niveles verticales LEV
alimenta inicialmente por un análisis no perturbado El número de miembros por día #M
de la atmósfera durante el proceso de asimilación de El alcance de la predicción en días FCD.
Figura 26.1: Comparación de 4 índices normalizados de coste computacional: el cuadrado de la resolución horizontal
(HR), el número de niveles verticales (LEV), el número de miembros perturbados por día (#M) y el alcance de la
predicción en días (FCD). Cada índice esta normalizado con respecto al máximo valor de entre todos los SPC
(ECMWF, 2017).
Estos cuatro índices están normalizados dividiendo terísticas principales de los distintos SPC a escala
los valores por el correspondiente al SPC que propor- global.
ciona el valor mas costoso computacionalmente (Ver
Figura 26.1). El esfuerzo o coste computacional relati-
vo rn en la producción de cada predicción probabilista 26.1.2 Europa, ECMWF (European Centre
diaria en cada SPC se puede estimar con el producto
for Medium-Range Weather Fore-
de estos cuatro índices:
casts), ECENS
rn = (HRn /32)2 · (LEVn /91) · (#Mn /102) · (FCDn /16)
Teniendo en cuenta este índice, es el SPC del ECMWF El SPC del ECMWF, llamado ECENS (ECmwf En-
el que requiere más recursos computacionales debido semble Prediction System), fue uno de los dos siste-
fundamentalmente a su mayor número de miembros y mas pioneros junto con el GEFS (Global Ensemble
resolución tanto horizontal como en número de niveles Forecast System) del NCEP norteamericano, en la pro-
verticales, seguido por el SPC coreano del KMA, el ducción de predicciones probabilistas a escala global
japonés del JMA, el británico del UKMO, el canadien- a partir de noviembre de 1992. Se comenzó a archi-
se del MSC y el resto de sistemas. Existe una relación var información del ECENS en TIGGE en octubre de
directa entre los recursos computacionales necesarios 2006, continuando en la actualidad. Sus características
para la producción de predicciones probabilistas y la actuales (2018) son las siguientes:
calidad de dichas predicciones.
Está formado por 51 miembros (1 de control y 50
A continuación se describirán brevemente las carac- perturbados)
Se ejecuta 2 veces al día (00 h/12 h) con un alcan- fenómenos de resoluciones finas a escalas mayores.
ce de 46 días y una resolución variable según el
alcance de la predicción
La resolución horizontal es de 18 km hasta los 15 26.1.3 EEUU, NCEP (National Centers
días y de 36 km desde los 16 a los 46 días de al- of Environmental Prediction, USA),
cance. El número de niveles en la vertical es de GEFS
91 en ambos casos. Anteriormente la resolución
horizontal disminuía a partir del día 10 y es a partir El sistema estadounidense, denominado GEFS (Glo-
de la introducción del ciclo 41r2 en marzo de 2016 bal Ensemble Forecast System), comenzó a funcionar
cuando se introducen estas importantes mejoras en operativamente en diciembre de 1992, disponiéndo-
la resolución horizontal. se de datos en TIGGE desde 2007. Las predicciones
El modelo atmosférico esta acoplado con un mode- probabilistas de los sistemas NCEP y del CMC cana-
lo dinámico oceánico (NEMO) con una resolución diense son intercambiadas en tiempo real generando
horizontal de 1 grado y 42 capas oceánicas y a un sistema de predicción por conjuntos multimode-
un modelo de olas (WAM) con 55 km de resolu- lo para América del Norte en el marco del proyecto
ción. Esta es una mejora destacable con respecto NAEFS (North American Ensemble Forecast System),
a otros sistemas de predicción, sobre todo para los en el que además de Estados Unidos y Canadá, está
alcances mayores. El acoplamiento con el modelo involucrado el servicio meteorológico mexicano. Las
oceánico se realiza desde noviembre de 2013 desde características de este sistema son las siguientes:
el alcance mas corto y no desde el día 10 como
anteriormente. Esta formado por 21 miembros (1 miembro de con-
Las condiciones iniciales son perturbadas utilizan- trol y 20 perturbados).
do combinaciones lineales de Vectores Singulares Se ejecuta 4 veces al día (00/06/12/18) con un al-
(Singular Vectors, SV [449], sec. 16.2.6 en la pági- cance de 16 días.
na 249) y perturbaciones definidas por asimilación La resolución horizontal es variable según el alcan-
de datos por conjuntos (EDA [314, 315], sec. 16.2.5 ce de las predicciones: 90 km hasta 7 días y 120 km
en la página 248). Los vectores singulares se calcu- hasta 16 días, siendo 28 los niveles verticales.
lan teniendo en cuenta las direcciones en las que la No cuenta con un modelo oceánico acoplado al
energía asociada a las perturbaciones crecen más atmosférico.
rápidamente en un intervalo de 48 h. Por otra parte, El esquema de perturbaciones de las condiciones
cada uno de los 25 miembros EDA se genera pertur- iniciales esta basado en un esquema Ensemble
bando las observaciones según una gaussiana con Transform with Rescaling (ETR [666]) que es una
una desviación estándar de acuerdo con la muestra evolución del método original Bred Vectors (BV
de observaciones reales y haciendo evolucionar ca- [626, 627]).
da trayectoria en una ventana de asimilación de 12 h Las incertidumbres del modelo están tratadas según
teniendo en cuenta los errores del modelo según un un esquema SPPT.
esquema SPPT [83]. Una vez calculados los vecto-
res singulares, estos se combinan con los miembros
EDA para obtener 25 miembros perturbados. Los 26.1.4 China, CMA (China Meteorological
otros 25 miembros que faltan hasta alcanzar los 50 Administration)
miembros que constituyen el ensemble completo
se obtienen cambiando el signo a dichos miembros El sistema desarrollado por China comenzó en 2001
obteniendo, por tanto, otras 25 perturbaciones simé- continuando en la actualidad, archivando datos en
tricas. TIGGE desde 2007.
La incertidumbre del modelo atmosférico se tiene
en cuenta mediante la introducción de perturbacio- Sus características principales son las siguientes:
nes estocásticas de las tendencias SPPT y el método
Consta de 15 miembros (1 miembro de control y
SKEB [46]. El SPPT está diseñado para simular
14 perturbados).
errores aleatorios del modelo debido a los procesos
Se ejecuta diariamente hasta 10 días a las 0 h y
físicos parametrizados y el método SKEB simula la
12 h.
transferencia de energía desde escalas no resueltas
Su resolución horizontal es de 70 km con 31 niveles
por el modelo a escalas que sí lo son, es decir, de
verticales.
Solo tiene en cuenta las componentes de tierra y Está formado por 18 miembros (1 miembro de con-
atmosférica, ya que no cuenta con un modelo oceá- trol y 17 perturbados).
nico acoplado al atmosférico. El alcance es de 7 días con 4 ejecuciones diarias
El método de perturbación de las condiciones ini- (00/06/12/18 h).
ciales se basa en Bred Vectors (BV) basados en la La resolución horizontal es de 20 km con 70 niveles
primera versión del ensemble del NCEP (EE. UU.). verticales.
No se simulan incertidumbres de la física del mo- No cuenta con un modelo oceánico acoplado al
delo, es decir, se hace la suposición de modelo atmosférico.
perfecto. Para la generación de las perturbaciones en las con-
diciones iniciales utiliza un esquema ETKF.
La incertidumbre en el modelo esta simulado me-
26.1.5 Canadá, CMC (Meteorological Cen- diante la introducción de parámetros aleatorios RP2
y el método SKEB.
tre of Canada), GEPS
Denominado GEPS (Global Ensemble Prediction Sys- 26.1.7 Australia, BMRC (Bureau of Me-
tem), el sistema canadiense inició la producción de teorology Research Center), BoM-
predicciones probabilistas en 1998, estando disponi- EPS
bles los datos en TIGGE desde 2007. Este sistema:
El SPC del BMRC, denominado BoM-EPS (BMRC
Consta de 21 miembros (1 miembro de control y Medium-Range Ensemble Prediction System), comen-
20 perturbados). zó a producir predicciones por conjuntos en julio de
El alcance es de 16 días con 2 ejecuciones diarias 2001 y ha continuado hasta julio de 2010, momento
(00/12). en que cesó la producción con el fin de comenzar de
La resolución horizontal es de 75 km con 40 niveles nuevo después de desarrollar un sistema de asimila-
en la vertical. ción de datos y de predicción similar al sistema del
No cuenta con un modelo oceánico acoplado al UKMO.
atmosférico. Las características de este sistema no han variado sus-
El método de perturbación de las condiciones ini- tancialmente desde su inicio en 2001 hasta 2010 y son
ciales se basa en un esquema Ensemble K ALMAN las siguientes:
Filter (EnKF).
La incertidumbre del modelo atmosférico se estima Está formado por 33 miembros (1 miembro de con-
mediante la introducción de perturbaciones estocás- trol y 32 perturbados).
ticas a las tendencias SPPT y el método SKEB. El alcance de predicción es de 10 días con 2 ejecu-
ciones diarias (00 UTC / 12 UTC).
La resolución horizontal es de aproximadamente
210 km con 19 niveles verticales.
26.1.6 Reino Unido, UKMO (United
No tiene en cuenta un modelo oceánico acoplado
Kingdom Meteorological Office),
al modelo atmosférico.
MOGREPS-G
El esquema de perturbación de las condiciones ini-
ciales se basa en la primera versión de Vectores Sin-
Este sistema se describe con mayor detalle en el capí- gulares desarrollado en el ECMWF y son compu-
tulo 23 en la página 361. No obstante, se describe aquí tados solo para el Hemisferio Sur.
por completitud en el capítulo. El sistema desarrollado No se simulan incertidumbres de la física del mo-
en Met Office, denominado MOGREPS-G (Met Offi- delo.
ce Global and Regional Ensemble Prediction System -
Global version, cap. 23 en la página 361), comenzó
a producir predicciones en 2005, interrumpiendo su 26.1.8 Brasil, CPTEC (Centro de Previ-
operación en 2014 con el fin de continuar más adelan- sión del Tiempo y Estudios Climá-
te generando conjuntos de predicciones siguiendo un ticos)
enfoque basado en Lagged Average Forecasts, LAF
[173, 293, 395]. Los datos están disponibles en TIG- El CPTEC comenzó a producir predicciones proba-
GE desde 2006. bilistas en 2001 y se archivan en TIGGE desde 2008.
Su sistema: GE desde 2007. Desde el año 2011 utiliza un sistema

muy similar al SPC del UKMO. Sus características
son:
14 perturbados).
Produce predicciones hasta 15 días con 2 ejecucio-
nes diarias (00 UTC / 12 UTC). Está formado por 24 miembros (1 miembro de con-
La resolución horizontal es de 120 km con 28 nive- trol y 23 perturbados)
les en la vertical. Se realizan predicciones con un alcance de hasta 12
No considera un modelo oceánico acoplado al mo- días con 4 pasadas diarias (00/06/12/18 h)
delo atmosférico. La resolución horizontal es de 40 km y 70 niveles
Las incertidumbres en las condiciones iniciales se verticales
obtienen a partir de un sistema basado en funciones No tiene en cuenta un modelo oceánico ni de olas
empíricas ortogonales (Empirical Orthogonal Fun- acoplado al modelo atmosférico
ctions; EOF [390, 432]). El miembro de control se Las condiciones iniciales se perturban utilizando el
obtiene a partir del análisis del NCEP. esquema ETKF.
No utiliza un esquema de errores del modelo. La incertidumbre del modelo se tiene en cuenta
mediante la introducción de parámetros aleatorios
26.1.9 Japón, JMA (Japan Meteorological RP2 y el método SKEB.
Agency)
El SPC de Japón comenzó a funcionar de manera ope-

rativa desde 2001 y archiva datos en TIGGE desde
2011. Este sistema: 26.1.11 Francia, Météo-France, PEARP

25 perturbados).
Produce predicciones hasta 11 días con 2 ejecucio- Météo-France comenzó a ejecutar en 2004 su sistema
nes diarias (00 UTC / 12 UTC). de predicción por conjuntos denominado PEARP (Pré-
La resolución horizontal es de 50 km con 100 nive- vision d’Ensemble ARPEGE), basado en su modelo
les en la vertical. determinista a escala global ARPEGE (Action de Re-
No considera un modelo oceánico acoplado al mo- cherche Petite Echelle Grande Echelle). A diferencia
delo atmosférico. del resto de SPC globales, se caracteriza por utilizar
Las incertidumbres en las condiciones iniciales se una resolución espacial variable, de forma que sobre
obtienen a partir del un sistema basado en funciones el dominio de Francia la resolución es mayor que en
empíricas ortogonales EOF. El miembro de control el resto del globo.
se obtiene a partir del análisis del NCEP.
Las condiciones iniciales son perturbadas utilizan-
do combinaciones lineales de Vectores Singulares Consta de 35 miembros (1 miembro de control y
(SV) y recientemente (2017) también mediante el 34 perturbados).
método basado en ETKF. El alcance de las predicciones es de 4.5 días con
La incertidumbre del modelo atmosférico se tiene una única pasada a las 18 h.
en cuenta mediante la introducción de perturbacio- La resolución espacial es variable: 15.5 km sobre
nes estocásticas a las tendencias SPPT. Sistema si- Francia y 89 km en el resto del globo, contando con
milar al originalmente desarrollado en el ECMWF. 65 niveles en la vertical.
Las condiciones iniciales son perturbadas utilizan-
do Vectores Singulares (SV) y perturbaciones de-
26.1.10 Corea, KMA (Korea Meteorological finidas por un conjunto de asimilación de datos,
Agency) EDA.
Para tener en cuenta el error del modelo se realiza
El sistema coreano comenzó a funcionar de manera un enfoque multifísica basado en 10 configuracio-
operativa en marzo de 2000, archivando datos en TIG- nes distintas de parametrizaciones físicas.
Centro #Miembros Miembro de control Alcance (h) Ejecuciones diarias

ALADIN-LAEF 16 YES 72 00/12
COSMO-DE-EPS 20 NO 27 00/03/06/09/12/15/18/21
COSMO-LEPS 16 NO 132 00/12
DMI-HIRLAM 25 YES 64 00/06/12/18
GLAMEPS 54 NO 60 06/18
HUNEPS 11 YES 60 18
MOGREPS 12 NO 54 03/09/15/21
PEARP 35 YES 54 06/18
Tabla 26.2: Principales Características de los ocho modelos presentes en TIGGE-LAM en agosto de 2017.
26.2 SPC regionales: Proyecto procesos que tienen lugar a pequeña escala) están muy
limitados por su predecibilidad determinista, que es
TIGGE-LAM
inevitablemente baja debido a su comportamiento caó-
El proyecto TIGGE-LAM es una extensión del ar- tico. Por tanto, incluso para un plazo corto de solo
chivo TIGGE para incluir información procedente de 24 horas, la predicción de detalles de la convección
SPC regionales desarrollados utilizando modelos de como la localización o el momento en que se puede
área limitada (Limited Area Models; LAM). Estas pre- producir una tormenta es normalmente incierta.
dicciones probabilistas se producen para resoluciones
Los SPC basados en modelos de área limitada y alta re-
de 2 a 12 km y para alcances de unos pocos días.
solución pueden añadir información a los pronósticos
El proyecto TIGGE-LAM permite mejorar las me- procedentes de modelos de alta resolución determinis-
todologías para la aplicación y generación de SPC tas. Por esta razón, muchos servicios meteorológicos
regionales y comparar los diferentes sistemas para el nacionales están desarrollando sistemas regionales de
corto o muy corto plazo. Inicialmente los métodos de predicción por conjuntos.
predicción probabilistas estaban enfocados al medio
plazo y en los últimos años se está avanzando en el
26.2.1 Características específicas
desarrollo y uso de estos métodos en el corto y muy
corto plazo.
Los sistemas regionales de predicción por conjuntos
Por otra parte, el archivo TIGGE-LAM proporciona están basados en modelos de área local no hidrostá-
una información muy útil para el desarrollo de los sis- ticos y de alta resolución. Son desarrollados dentro
temas globales de predicción por conjuntos descritos de diferentes proyectos, como es el caso de ALADIN
anteriormente, ya que estos están evolucionando rápi- (desarrollado y mantenido por un consorcio de 16
damente hacia resoluciones mayores y es previsible Servicios Meteorológicos Nacionales liderados por
que lo sigan haciendo en los próximos años. Météo-France), COSMO (desarrollado por un consor-
cio de 7 Servicios Meteorológicos Nacionales y lide-
Los ensembles basados en modelos de área limitada se rado por el servicio alemán, Deutscher Wetterdienst),
desarrollan para resoluciones mayores (actualmente Weather Research and Forecasting (WRF) (desarro-
de 2 km a 25 km), y alcances menores (de 18 a 72 h) llado en Estados Unidos por el NCAR, la National
que en el caso de los SPC globales descritos anterior- Oceanic and Atmospheric Administration (NOAA) y
mente. Cuando un modelo puede resolver explícita- otros), HARMONIE (un modelo que comparte código
mente la convección (debido a sus características y su con ALADIN, y desarrollado por un consorcio de 10
configuración en alta resolución), es capaz de repre- SMN), y el Unified Model (MetOffice).
sentar de forma más realista los típicos patrones de los
campos de precipitación, por ejemplo. Sin embargo, Estos sistemas pueden tener un ciclo de asimilación
las predicciones de la convección (así como de otros de datos que utiliza una extensa variedad de observa-
26.2 SPC regionales: Proyecto TIGGE-LAM 395
ciones meteorológicas, incluyendo en algunos casos fijos durante cada ejecución. También es destacable
datos procedentes de radares meteorológicos, tratan- que, durante el proceso de asimilación, se alimenta de
do de representar con la máxima fiabilidad posible estimaciones de datos de precipitación procedentes de
los patrones de precipitación en las observaciones radares meteorológicos.
que alimentan el sistema. Necesitan, así mismo para
su ejecución, condiciones de contorno laterales que
proceden normalmente de SPC globales con menor 26.2.3 Arome-France-EPS de Météo-
resolución. France
En la Tabla 26.2 en la página anterior se muestran El sistema regional de mesoescala Arome-France-

algunas de las principales características de los SPC EPS, desarrollado por Météo-France, entró en fun-
regionales que se archivan en TIGGE-LAM. cionamiento en modo de desarrollo en septiembre de
2015 y de forma operativa en octubre de 2016. Está
A modo de ejemplo, en las subsecciones que siguen basado en el modelo no hidrostático HARMONIE-
se resumen las características de los SPC regiona- AROME y consta de 12 miembros con una resolución
les como COSMO-DE-EPS [224] del DWD, Arome- horizontal de 2.5 km y 60 niveles en la vertical. Se
France-EPS de Météo-France, SREF [627] de NCEP ejecuta dos veces al día (09/21 UTC) para un alcance
y el AEMET-SREPS [221]. Otros sistemas son el de 45 horas. Utiliza un sistema de perturbación de
noruego EPS LAMEPS [215], el hungaro LAMEPS las condiciones iniciales y de contorno basado en un
basado en ALADIN [256], el sistema multimodelo algoritmo de agrupamiento (clustering) de perturba-
GLAMEPS [316] (de los consorcios ALADIN y HIR- ciones de PEARP (Prévision d’Ensemble ARPEGE),
LAM) y la versión en área limitada de MOGREPS el sistema de predicción por conjuntos a escala global
[257] (MetOffice). de Météo-France, centrando dichas perturbaciones en
torno al análisis determinista del modelo de mesoesca-
la HARMONIE-AROME. Los errores en la física del
26.2.2 COSMO-DE-EPS de COSMO modelo se tienen en cuenta mediante un esquema de
perturbaciones estocásticas de las tendencias, SPPT
El sistema de predicción por conjuntos COSMO-DE- (sec. 17.4.4 en la página 269).
EPS entró en operación en 2012 y participa actual-
mente en el proyecto TIGGE-LAM. Está basado en
el modelo no hidrostático (y que por lo tanto pue- 26.2.4 Short Range Ensemble Forecast
de resolver la convección) COSMO-DE y produce (SREF) del NCEP
predicciones probabilistas en un grid de 2.8 km y
para 50 niveles verticales en un dominio centrado En cuanto al sistema de predicción por conjuntos re-
en Alemania abarcando también algunos países co- gional desarrollado por NCEP empezó a funcionar de
lindantes. Está formado por 20 miembros con un al- forma operativa en 2001 y se denomina SREF (Short
cance de 27 horas (45 horas en el caso de la pasada Range Ensemble Forecast). Este sistema está basa-
de las 03 UTC), ejecutándose cada 3 horas. Utiliza do en el modelo no hidrostático de mesoescala WRF
un sistema de perturbación de las condiciones inicia- y sus diferentes configuraciones, teniendo en cuenta
les basado en un esquema Ensemble Kalman Filter y los diferentes tratamientos de las parametrizaciones
condiciones de contorno procedentes de 4 modelos físicas y el uso de los dos núcleos dinámicos desarro-
globales (ECMWF, ICON del DWD, GFS del NCEP llados para este modelo: el NMN (Non-hydrostatic
y GSM de Japón). Sin embargo, está prevista una pró- Mesoscale Model), desarrollado por el NCEP y el
xima sustitución de este sistema de perturbación de ARW (Advanced Research WRF) del NCAR. Está
las condiciones de contorno por un sistema basado formado por 26 miembros que se ejecutan 4 veces al
en el uso de distintos miembros de un único modelo día (03/09/15/21 h) con un alcance de hasta 87 horas
(ICON), es decir, abandonar el enfoque multimodelo para el dominio de Norteamérica. La resolución ho-
en favor de un sistema monomodelo. También tiene rizontal es de 16 km con 40 niveles verticales. Las
en cuenta el error del modelo mediante un sistema condiciones de contorno son proporcionadas por el
de perturbaciones de un número fijo de parámetros modelo global GFS (Global Forecast System) actua-
que se distribuyen de manera aleatoria entre los 20 lizadas cada 3 horas. Es un sistema multimodelo que
miembros del sistema, manteniéndose posteriormente trata la incertidumbre en la modelización de la física
teniendo en cuenta varios modelos (o configuraciones NCEP-GFS y UKMO) para las condiciones iniciales
del mismo modelo) diferentes. De forma análoga, las y de contorno y 4-5 modelos de área limitada (de en-
condiciones iniciales se tratan en un enfoque multi- tre los cinco siguientes: COSMO-LM, DWD-HRM,
análisis y utilizando técnicas LAF (Lagged Average HIRLAM, MM5 y UKMO-UM) que se ejecutaban
Forecast). para cada una de las condiciones de contorno e ini-
ciales, proporcionando finalmente un total de 20-25
miembros. La resolución horizontal era de 25 km con
26.2.5 AEMET-SREPS de AEMET alcances de hasta 72 horas ejecutándose 2 veces al día,
cubriendo una región amplia que incluía el Atlántico
Norte, Europa y el norte de África.
El sistema AEMET-SREPS (este sistema se describe
con pleno detalle en el cap. 21 en la página 313) fun-
cionó diariamente desde 2007 hasta 2014. Combinaba
técnicas multimodelo para los errores en la formula- 26.3 Personalidades
ción del modelo, multianálisis para las incertidum-
bres en las condiciones iniciales y multicondiciones En la Figura 26.2 en la página siguiente se da un pe-
de contorno para el tratamiento de los errores debi- queño detalle de algunas personalidades responsables
dos a las condiciones de contorno. Utilizaba 5 mode- del surgimiento y desarrollo de los SPC pioneros en
los globales (DWD-GME, ECMWF-IFS, MSC-CMC, el mundo.
26.3 Personalidades 397
E DWARD N ORTON L ORENZ (1917-2008), matemático y meteorólogo

estadounidense, formuló el concepto de atractor extraño e introdujo el
caos en meteorología, acuñando o recuperando (sec. 5.5 en la página 64)
la idea de efecto mariposa.
E UGENIA K ALNAY, meteoróloga argentina, experta en dinámica y

predecibilidad, pionera mundial en el desarrollo de sistemas
probabilistas de predicción basados en técnicas por conjuntos, en
particular la técnica bred vectors (cap. 16 en la página 243). Trabaja
actualmente en la Universidad de Maryland, trabajó en el NCEP y ha
visitado Agencia Estatal de Meteorología (AEMET) en algunas
ocasiones como científica asesora para el proyecto AEMET-SREPS.
T IM PALMER, físico-matemático británico, experto en predecibilidad del

tiempo y el clima, pionero mundial en el desarrollo de sistemas
probabilistas de predicción basados en técnicas por conjuntos, aplicados
tanto para la predicción del tiempo como para proyecciones del clima.
Ha trabajado en el ECMWF. Actualmente en la Universidad de Oxford.
F RANCO M OLTENI, experto en predecibilidad del tiempo y el clima, ha

trabajado en el Abdus Salam International Centre for Theoretical
Physics en Trieste, así como en el ECMWF. Experto internacional en
predicción estacional y proyecciones del clima. Junto con PALMER y
B UIZZA, es considerado uno de los padres del ECENS.
ROBERTO B UIZZA, experto en predecibilidad del tiempo y el clima, es

uno de los directores científicos en el ECMWF. Experto internacional en
predicción por conjuntos, fundador de la técnica de los singular vectors
(sec. 16.2.6 en la página 249). Junto con PALMER y M OLTENI, es
considerado uno de los padres del ECENS.
Z OLTAN T OTH, experto en predicción por conjuntos y temas afines,

dirige actividades de investigación y desarrollo en asimilación de datos y
SPC, aplicaciones en tiempo real, posproceso, observaciones y
verificación en el NCEP.
Figura 26.2: Pioneros en el mundo de los SPC.
Parte V
Aplicaciones
Parte V Aplicaciones
Incluimos en esta parte un abanico amplio y heterogéneo de diversas aplicaciones
de los sistema(s) de predicción por conjuntos (SPC). La naturaleza de cada capítulo
puede pedir un enfoque más bien teórico o relativamente práctico. Para dar soporte
teórico a toda la parte de Casos, es imprescindible abrir esta parte de Aplicaciones
con un capítulo amplio dedicado a la predicción probabilista como tal: cómo abor-
dar la predicción del tiempo usando estos SPC. Seguimos con exposiciones bien
detalladas y rigurosas, con un capítulo de predicciones de largo plazo (mensual,
estacional y anual) y otro para proyecciones del clima, que aborda las candentes
cuestiones del calentamiento global y el cambio climático. Un capítulo breve cuen-
ta después cómo pueden usarse observaciones de radar de forma probabilista para
diseñar productos muy útiles, aplicables por ejemplo en el llamado nowcasting. De
crucial importancia es la predicción aeronáutica, en la que pueden aplicarse con
extrema utilidad los SPC de escala convectiva. Siguen dos capítulos específicos del
Mediterráneo, uno de propósito general y otro sobre previsión de medicanes, los
huracanes del Mare Nostrum. En relación con los avisos y los fenómenos adversos,
presentamos en dos capítulos la previsión de rayos y una aplicación específica para
los fenómenos meteorológicos adversos. Aunque nos gustaría mostrar aplicaciones
de los SPC en muchos lugares del mundo, hemos elegido dos por cercanía cultural
o lingüística: Portugal y Argentina. Finalizamos esta parte con dos capítulos que
muestran cómo pueden ser útiles y rentables las predicciones probabilistas en la
optimización de las energías sostenibles: uno para la solar y otro para la eólica.
Página anterior: entorno del aeropuerto de Jerez de la Frontera, el lunes 21 de abril de

2014, sobre las 09 UTC, después de un chubasco fuerte originado por una tormenta, en la
Oficina Meteorológica Aeronáutica (OMA). La fotografía muestra el asfalto de la pequeña
carretera de acceso a la Torre de Control y la imagen de esta misma reflejada en un charco
producido por el chubasco. Fotografía tomada por P EPE T ORRES, con un Samsung Galaxy
SII y posterior aplicación de un filtro de instagram.
Predicción probabilista
27
DOI: 10.31978/014-18-009-X.27
A NEXO : S ERGI G ONZÁLEZ H ERRERO
Delegación territorial (DT) en Cataluña, AEMET
A NEXO : Á LVARO S UBÍAS D ÍAZ -B LANCO Y A LEJANDRO ROA A LONSO
Área de Técnicas y Aplicaciones de Predicción (ATAP), AEMET
El mundo es tan impredecible. Cosas suceden de repente,

inesperadamente. Queremos sentirnos en control de nuestra
propia existencia. En algunas cosas lo estamos, en otras no lo
estamos. Nos regimos por las fuerzas del azar y la casualidad.
frase atribuida – PAUL AUSTER
La probabilidad es un modelo rico y razonable para describir y comprender muchos aspectos del mundo físico.
Los Sistemas de Predicción por Conjuntos (SPC) proporcionan información útil y honesta cuando los miramos
como sistemas de predicción intrínsecamente probabilistas. ¿Cómo se interpreta adecuadamente esta información
para hacer predicciones, ya sean generales o específicas? Veremos en este capítulo que los SPC deben usarse
cuidadosamente, porque sin previo entrenamiento pueden chocar con el «sentido común». Bien usados, nos
brindan información cuantitativa, detallada y explícita sobre la incertidumbre de la atmósfera y, por ende, de su
predecibilidad.
Palabras clave: sistemas de predicción por conjuntos aplicados a la predicción de corto y medio plazo, predicción
probabilista, agrupamiento, dispersión, mapas de probabilidad, EPSgramas, predicción de riesgos, fenómenos
adversos, fenómenos extremos, predecibilidad dependiente del flujo.
Imagen parte superior: cumulonimbus mamma. Ciudad Universitaria, Madrid, hacia el nordeste, 22 de mayo de 2007, a las 20:13.
402 Física del caos en la predicción meteorológica Capítulo 27. Predicción probabilista
27.2 Productos crudos

Advertencia. En este capítulo se presentan numero-
sos productos para la predicción, aunque solamente Como hemos ido viendo en capítulos anteriores, los
unos pocos están disponibles para el público general SPC se componen de miembros que individualmente
en los sitios web correspondientes. En los sitios web son predicciones deterministas y, en principio, nada
de los servicios meteorológicos no se publica toda la impide disponer de esa plétora de información de-
información debido a políticas de datos. Además, la terminista [221]. Esta información tiene utilidades
información probabilista es menos susceptible de ser
publicada, pues todavía falta costumbre para ello y a
diversas: puede ayudar a los predictores «clásicos» a
menudo se piensa que el público no está preparado, lo entender los SPC, puede proporcionar información
cual es un eterno tema interno de discusión. En este complementaria a la propiamente probabilista, etc.
libro se alternarán productos, la mayoría restringidos, Dado un punto de rejilla del SPC en el que tenemos N
del sitio web del European Centre for Medium-range predicciones (correspondientes a un SPC de N miem-
Weather Forecasts -Centro Europeo de Predicción a bros), llamamos productos crudos a aquellos en los
Plazo Medio- (ECMWF) [509] y, de la Agencia Esta- que se muestran tan sólo esos N valores directamente.
tal de Meteorología (AEMET), del sitio web y de su
Tenemos tres ejemplos básicos de productos crudos:
Intranet. Esperamos fervientemente que las políticas
de datos y productos tiendan hacia la apertura en un sellos, penachos y espaguetis.
futuro cercano.
27.2.1 Sellos
En los mapas meteorológicos clásicos se muestran

una o más variables meteorológicas interesantes para
27.1 Incertidumbres propias en pre- el diagnóstico o la predicción del tiempo. Uno de los
más usuales es el famoso «mapa de isobaras», que
dicción del tiempo representa la presión reducida al nivel del mar (mean
sea level pressure o MSLP). Esas isobaras muestran
estructuras interesantes, como los anticiclones, las
Este capítulo presenta los principios de la predicción borrascas, etc. A menudo se acompaña con la tempe-
probabilista orientada principalmente a la predicción ratura; pero no con la temperatura en superficie, que
del tiempo atmosférico en el corto y medio plazo, deses una variable muy «orográfica» (sigue fielmente la
de el D+1 hasta, como mucho, un D+10 o un D+15, orografía) y por tanto no aporta una información tan
rangos que suelen englobarse en lo que se denomi- rica. Se suele acompañar con la temperatura en el ni-
na comúnmente predicción del tiempo. La predicción vel de 850 hPa, que es un campo algo más suave e
en escalas superiores como la mensual, la estacional, informa mejor de la distribución térmica en niveles
la anual o, más allá, las proyecciones del clima, son bajos.
ámbitos desarrollados en otros capítulos de este libro
(cap. 28 en la página 447 y cap. 29 en la página 477).
Como se describía con cierto detalle en el capítulo
sobre predecibilidad (cap. 12), cada rango de predic-
ción tiene unas incertidumbres propias con diferentes
pesos en diferentes aspectos físicos. Así, la predicción
del tiempo es más un problema de predecibilidad de
primera clase, es decir, con mucho peso en las condi-
ciones iniciales mientras que, en el otro extremo de la
escala, las proyecciones del clima son más un proble-
ma de predecibilidad de segunda clase, es decir, con
mucho peso en las condiciones de contorno o forza-
mientos (ver sec. 12.2.3 en la página 158). Las escalas
intermedias están a caballo entre ambos problemas:
las predicciones mensuales, estacionales, anuales o
decadales tienen sus pesos más repartidos entre ambos Figura 27.1: Mapa meteorológico previsto de presión y
aspectos. temperatura. ECMWF 2017.
27.2 Productos crudos 403
Figura 27.2: Sellos de «presión» y «temperatura» para un D+5 (ver texto). ECMWF 2017.
En la Figura 27.1 en la página anterior tenemos un ción. El ECMWF muestra en su sitio web sellos de
ejemplo: mapa de presión y temperatura del modelo «presión» y «temperatura» de su ECENS junto con su
ECHRES (sec. 19.2 en la página 291) del ECMWF ECHRES.
(cap. 19 en la página 289). Las isobaras son líneas
negras, pintadas cada 4 hPa, y sólo se pintan dos iso- La Figura 27.2 muestra un ejemplo de estos sellos, con
termas para no «embarullar», en azul la de 16 ºC y en la presión reducida al nivel medio del mar (MSLP)
rojo la de -6 ºC. Este mapa combinado es una prime- y la temperatura en 850 hPa, para un D+5 (previsión
rísima aproximación para diagnosticar o predecir la para un «día más cinco»).
situación atmosférica basándonos en los niveles bajos.
La presión y la temperatura son salidas, usualmente, Esta imagen, en particular, está realizada con la pasada
de un modelo determinista. Si disponemos de un SPC 2017030500 UTC, alcance T+132, es decir, válida pa-
que conste de N miembros, entonces podríamos dis- ra 2017031012 UTC (ver sec. 10.2 en la página 142).
poner de N mapas distintos de presión y temperatura Arriba a la izquierda tenemos el miembro de control
similares a éste. del ECENS (aquel que se ha corrido con condicio-
nes iniciales sin perturbar, y por tanto «parecido» en
Los sellos son mosaicos ordenados de mapas meteo- principio al ECHRES). A su lado, el ECHRES, deter-
rológicos de todos los miembros de un SPC (ver Figu- minista de mayor resolución.
ra 27.2). Estos sellos incorporan el miembro de control
(si lo hay, ver sec. 13.5 en la página 174), el modelo de- El resto despliega, en 5 filas y 10 columnas, los 50
terminista de mayor resolución (si lo hay y si procede) miembros perturbados del ECENS (sec. 13.5 en la
y el resto de miembros (llamados miembros pertur- página 174). Para simplificar esta avalancha de in-
bados en algunos SPC). Estos sellos proporcionan un formación se pintan sólo dos isotermas en cada sello
abanico de escenarios atmosféricos posibles, por lo (como decíamos, la de -6 ºC y la de 16 ºC). Si se dispo-
que la dificultad principal es que el predictor/usuario ne de información complementaria de agrupamiento
tiene que tratar con una enorme cantidad de informa- (clustering, ver 27.4.1 en la página 406), entonces
puede resultar muy interesante saber en qué grupo

(cluster) ha caído cada miembro, y esa información
consta, en principio, en cada sello.
La similitud de estos 1+1+50=52 escenarios atmosfé-

ricos que brindan los sellos es una primera indicación
sobre la dispersión del SPC. Cuanto más se parez-
can, menos dispersión presentará el SPC y podremos
atribuir a la atmósfera menos incertidumbre y, por
ende, más predecibilidad. Si, por el contrario, los di- Figura 27.3: Izquierda: grupo con unos pocos espa-
ferentes escenarios muestran diferencias notables y/o guetis, en azul, y control, en rojo. Derecha: grupo con
muchos espaguetis y control. AEMET 2017.
numerosas, entonces el SPC mostrará más dispersión
y podremos atribuir a la atmósfera más incertidumbre
y, por ende, menos predecibilidad.
Puede dibujarse en un color diferente el miembro de
control (si lo hay), y dibujarse, también en otro color,
el modelo determinista de mayor resolución (si lo hay).
En la Figura 27.3 podemos observar dos ejemplos de
27.2.2 Espaguetis espaguetis seleccionando la isolínea de 5820 mgp de
altitud geopotencial; a la izquierda de la figura, unos
pocos miembros en azul y control en rojo; a la dere-
Resulta imposible superponer los mapas meteoroló- cha de la figura, muchos miembros en azul, control
gicos de todos los miembros de un SPC en una sola en rojo y el modelo determinista de mayor resolución
imagen: resultaría absolutamente ilegible. Para poder en verde. Igual que los penachos (sección 27.8.2 en la
representar muchas predicciones (muchos miembros) página 433), estos mapas proporcionan información
en el mismo mapa, existe un truco: puede hacerse se- sobre la dispersión del SPC, es decir, la incertidumbre
leccionando solamente una misma isolínea de cada y, por ende, la predecibilidad atmosférica. Si de entre
miembro, y pintando esa isolínea, de forma que el todos los espaguetis seleccionamos unos pocos que
mapa tendrá N versiones de esa isolínea. Así se pose parecen y que por lo tanto representan configura-
drá observar, a grandes rasgos, el comportamiento de ciones sinópticas parecidas, observamos que aunque
todos los miembros sobre una zona determinada. Se son parecidos, todavía presentan ligeras diferencias.
suelen dibujar mapas de espaguetis de campos dinámi- En la Figura 27.4 se muestra un ejemplo de mapas de
cos (e. g. altitud geopotencial) acompañados de otros espaguetis típicamente utilizados en AEMET por los
campos. predictores.
Figura 27.4: Montaje de 11 días de espaguetis. D+0 a la izquierda y sucesivamente. Al tratarse de un montaje
específico para la figura, los títulos no pueden leerse completos. AEMET 2017.
27.3 El papel de la resolución 405
En tres filas se muestran, respectivamente, la altitud más fina la resolución horizontal, más fina es la diná-
geopotencial en 500 hPa (solamente la isohipsa de mica del modelo, más realistas su parametrizaciones
5820 mgp para cada miembro, por tanto se muestran (incluso hay procesos que dejan de requerir parametri-
52 isohipsas), temperatura en 850 hPa (solamente la zación pues se resuelven a nivel de rejilla del modelo),
isoterma de 10 ºC), y presión reducida al nivel del más realista su orografía, etc. Siempre que un modelo
mar (solamente la isobara 1028 hPa). En esta figura, sufre una mejora en resolución horizontal (que sue-
por simplicidad, hemos condensado la información le ir acompañada de otras mejoras) esperamos que
usual, mostrando 11 días en 11 columnas: desde D+1 «resuelva» mejor los fenómenos meteorológicos, aun-
uno por uno hasta D+10 y después D+15. Puede ob- que también nos dice la experiencia que puede haber
servarse muy bien que las diferentes isolíneas están, otros problemas. A menudo, un aumento de resolu-
al principio (columnas de la izquierda), muy juntas y ción requiere una temporada de prueba, pues puede
son muy similares. A medida que el plazo de predic- ir acompañado de representación ruidosa de algunos
ción aumenta y nos alejamos en el tiempo (columnas fenómenos en particular, como por ejemplo rachas
más hacia la derecha), las isolíneas van presentando de viento a sotavento de barreras montañosas, cuya
cada vez más diferencias y más notables. Llega un intensidad puede exagerar el modelo notablemente
plazo en el que hay tal «barullo» que parece un plato en comparación con la realidad. Ahí está la mano del
de espaguetis. Puede observarse, así mismo, que la predictor para evaluar el realismo de estas representa-
altitud geopotencial en 500 hPa, al ser un campo más ciones. En cualquier caso, un mismo modelo con dos
«dinámico», va desarrollando diferencias menos rui- resoluciones horizontales diferentes puede mostrar re-
dosas que la temperatura en 850 hPa y ésta, a su vez, sultados con mayores o menores diferencias según
presenta también menos ruido que la presión reducida la situación meteorológica. Cuando, independiente-
al nivel del mar. Las diferencias aportan información, mente de la resolución, el modelo muestra resultados
detallada espacialmente, sobre la dispersión y su na- similares, decimos que la resolución horizontal no
turaleza meteorológica. Si, por ejemplo, la zona de juega un papel crítico. Por el contrario, cuando hay
diferencias es una vaguada de geopotencial con el eje diferencias notables en el resultado dependiendo de
posicionado en diferentes lugares, sabemos que la in- la resolución horizontal, es más claro que ésta desem-
certidumbre va asociada, en principio, a la zona de peña un papel crucial: decimos entonces que en esos
más inestabilidad baroclina, etc. Estos conceptos se casos, cuando hay diferencias debido únicamente a
desarrollan con más detalle en el apartado 27.12 en la este factor, la resolución horizontal juega un papel
página 413. crítico.
Todos los productos crudos comparten la misma des-

ventaja: una dificultad inherente para manejar la enor-
me cantidad de información que brindan. Es preciso 27.3.1 Comparación control-determinista
sintetizarla e interpretarla por otros caminos. Esos
caminos son los productos probabilistas.
En aquellos SPC donde haya un miembro de control
y, además, se disponga de un modelo determinista
27.2.3 Penachos de mayor resolución horizontal que el SPC, puede
realizarse un «chequeo» interesante. Un ejemplo cer-
Se desarrollan más adelante en este mismo capítulo cano es el SPC del ECMWF (ECENS). Se compara
pues, aunque encajarían aquí por categoría, conceptual el miembro de control del SPC con el citado modelo
y didácticamente resultan más útiles en otro apartado determinista de mayor resolución ECHRES (el mode-
(sec. 27.8.2 en la página 433). lo determinista era la única herramienta en predicción
hasta hace relativamente poco, y en predicción clá-
sica no había modelos atmosféricos). Dado que el
27.3 El papel de la resolución miembro de control tiene menor resolución horizontal
(18 km en 2017) que el determinista (9 km en 2017),
La resolución horizontal de los modelos ha sido siem- pero como modelo es bastante equivalente (los dos se
pre una cuestión crucial a la hora de interpretarlos han corrido con el análisis sin perturbar), entonces la
apropiadamente, conocer sus fortalezas y debilida- comparación entre ambos revela el papel que juega la
des y sacarles el mejor fruto que pueden dar. Cuanto resolución horizontal.
Figura 27.5: Comparación control-determinista para tres alcances de predicción: D+3, D+5, D+10. En cada
alcance se muestran, en filas, un bosquejo de la atmośfera en niveles medios-altos (T y Z en 500 hPa), otro en niveles
bajos (MSLP y T en 850 hPa) y la precipitación en 24 h. En columnas se muestran el determinista ECHRES a la
izquierda y el control del ECENS a la derecha. En este caso control y determinista presentan pautas relativamente
similares en todos los alcances (aunque las diferencias van aumentando con el alcance de predicción, en este caso
no son diferencias notables) y se infiere que la resolución horizontal no juega un papel primordial en la situación
(ver texto). AEMET 2017.
Si control y determinista presentan pautas similares, pueden chocar con su «sentido común» (anexo G en
entonces la resolución horizontal no es algo crucial la página 1017).
en la situación y podemos seguir el resto de la infor-
mación del SPC sin más consideraciones (ejemplo en La valoración de la incertidumbre atmosférica es un
la Figura 27.5). Sin embargo, si presentasen pautas requisito previo importante en el proceso de predic-
distintas, eso implicaría que la resolución horizontal ción. Esta valoración puede realizarse con diferentes
jugaría un papel importante en la situación y, por tan- herramientas, complementarias y no excluyentes. Pre-
to, podemos seguir la información del SPC pero con sentamos aquí las agrupaciones (grupos y supergru-
cierta precaución, dado que su resolución es menor y pos) y los mapas dispersión-promedio.
la resolución es importante en esa situación.
27.4.1 Grupos AEMET
27.4 Estimación de la incertidum- Para la predicción operativa, el manejo de un producto
bre: agrupamiento como los sellos es inviable en la práctica: no se dis-
pone del tiempo suficiente para analizar en detalle 51
Mucho más allá de la información determinista de los miembros o escenarios, con todos los parámetros (pre-
miembros en los «productos crudos», los SPC pro- sión, temperatura, etc.), alcances (plazos en el tiempo),
porcionan su aspecto más útil, dan «el do de pecho», etc. Para hacer tratable la información y resaltar partes
cuando los miramos como sistemas de predicción in- predecibles, una primerísima aproximación natural a
trínsecamente probabilistas. En este contexto, muchas este problema es la agrupación: considerar similitu-
de las salidas de los SPC reflejan esta naturaleza pro- des entre los diferentes miembros, y agruparlos según
babilista. La probabilidad es un modelo rico y razona- un cierto criterio. El criterio de similitud puede ser
ble para describir y comprender muchos aspectos del una cierta norma o métrica (e. g. correlación entre
mundo físico. Pero la interpretación de la información campos, o diferencia cuadrática media) y, una vez
proporcionada (salidas) por los SPC debe aprenderse agrupados los miembros, se promedian los miembros
y usarse cuidadosamente más allá de la interpretación de cada grupo constituyendo nuevas «predicciones» o
directa, porque (especialmente para los predictores escenarios. El agrupamiento (clustering) es un mun-
y usuarios «deterministas») algunas interpretaciones do en sí mismo dentro de la ciencia [277, 412, 449];
27.4 Estimación de la incertidumbre: agrupamiento 407
existen numerosos algoritmos de agrupamiento, según cuadrática, se considera que dos miembros son sufi-
el propósito buscado, según la naturaleza de los ele- cientemente similares para pertenecer al mismo grupo.
mentos que queramos agrupar o el espacio en el que Aunque el número total de grupos (clusters) puede ser,
trabajemos, etc. No existe un método de agrupamiento en principio, variable, en AEMET se computan siem-
que sea mejor que los demás, cada método tiene sus pre seis grupos. El número de grupos, potencialmente
ventajas e inconvenientes y, según el contexto, podrá variable aunque se fije en seis, dependería de tres fac-
aplicarse un método mejor que otro. tores principales: (i) la dispersión atmosférica propia
del día, (ii) el umbral de diferencia cuadrática media
En AEMET se realiza un agrupamiento localizado escogido y (iii) el grado de modalidad (en principio,
del ECENS (51 miembros) mediante ordenador. Es multimodal implica más grupos). Una vez agrupados
localizado (target clustering) porque la similitud entre los miembros, y asumiendo que la varianza interna
miembros se calcula para un dominio regional que de cada grupo es pequeña, se calcula el representante
comprende la Península y Baleares (el ECENS es glo- o centroide del grupo haciendo el valor medio de los
bal, por lo que cualquier subconjunto es regional) o miembros del grupo. Recuérdese que el promedio del
Canarias en otro agrupamiento distinto. El agrupa- SPC no se debe utilizar, en principio, o en todo caso
miento se computa mediante el llamado algoritmo de utilizar con mucha precaución, pues puede no corres-
Ward [449], que pertenece a la familia de los llama- ponder a ninguna situación meteorológica plausible
dos algoritmos jerárquicos [277]: la similaridad entre (sec. 13.6.3 en la página 178). Sin embargo, el prome-
miembros se mide con la diferencia cuadrática media dio de los miembros de un grupo sí que representará
del campo de altitud geopotencial en 500 hPa (Z500) una situación meteorológica plausible, dado que la va-
para una serie de alcances (T+120...T+168), de modo rianza interna del grupo es pequeña por construcción
que el cálculo garantiza una «continuidad sinóptica». (Figura 27.6).
Por debajo de un umbral predeterminado de diferencia
Figura 27.6: Grupos AEMET D+7 (ver texto). AEMET 2017.

Como ejemplo, la Figura 27.6 en la página anterior útil) y en la última fila la probabilidad de precipitación
muestra los grupos elaborados en AEMET con el acumulada en 24 horas superior a 1 mm (sec. 13.6.14
ECENS del día 20170305 pasada 00 UTC, alcance en la página 189). Las columnas muestran los dife-
D+7, es decir, válido para el 20170311 a las 12 UTC. rentes grupos resultado del algoritmo de Ward. Para
En la primera fila se muestra un resumen de la atmós- cada columna, en cabecera se muestra el número de
fera en niveles medios, 500 hPa (altitud geopotencial miembros comprendidos en ese grupo, y cuáles son.
y temperatura), en la segunda fila un compendio del Dado que asumimos que los miembros representan
comportamiento atmosférico en niveles bajos (presión escenarios atmosféricos equiprobables (sec. 13.7.2 en
reducida al nivel del mar y temperatura en 850 hPa; la página 191), entonces ese número de miembros del
no se pinta la temperatura en superficie por ser un grupo puede considerarse como el peso probabilista
parámetro muy «orográfico», sigue la orografía dema- del grupo, de modo que la probabilidad de cada grupo
siado fielmente, y por tanto no brinda información tan sería proporcional a su peso.
Figura 27.7: Grupos para la Península y Baleares desde el día D+1 hasta el D+10, y luego D+13 y D+15 (ver texto).
AEMET 2017.
Figura 27.8: Grupos D+3 y supergrupos D+3, realizados con la pasada 2017-03-19 de las 00 UTC, válidos para
2017-03-21 a las 12 UTC.AEMET 2017.
Nótese que los grupos se muestran de más peso a la papel crítico, y la PDF que representa el SPC puede
izquierda a menos peso a la derecha. Es importante co- desviarse bastante del escenario del determinista. En
nocer en qué grupo está comprendido el miembro de esos casos hay poca predecibilidad aunque haya poca
control, y se dispone precisamente de esa información: dispersión en el SPC. A lo largo de todo el alcance de
en este caso el control ha caído en el grupo 3. Obsér- predicción, los grupos suelen evolucionar aumentando
vese que con los grupos se dispone de información la dispersión gradualmente y, aunque no siempre un
cuantitativa, detallada y explícita de la PDF atmosféri- día tiene menos dispersión que el siguiente, sí que
ca (sec. 13.6 en la página 176) en forma de mapas, en suele ser la pauta general. La Figura 27.7 en la página
particular de la dispersión y de la incertidumbre. Es anterior muestra los grupos elaborados en AEMET
una información riquísima y con un gran valor sintéti- con el ECENS del día 20170305 pasada 00 UTC, al-
co: se resume mucha información en 3x6 imágenes. El cances desde D+1 hasta D+15, es decir, válido desde
grupo 1 es el más probable, el siguiente el grupo 2, etc. el 20170306 a las 12 UTC hasta el 20170320 a las
El miembro de control está comprendido usualmente 12 UTC. Puede observarse como pauta general que
en el grupo 1 o en el 2, pero no siempre es así (como los grupos del D+1 suelen ser todos similares. A me-
es el caso en este ejemplo). El escenario atmosférico dida que avanzamos en el plazo de predicción (D+2.
que finalmente representó mejor lo que se observó D+3, ...) la dispersión atmosférica y la incertidumbre
(la «realidad») no tiene por qué estar comprendido en van creciendo a su vez, y los grupos van pareciéndose
los grupos más probables y, aunque ciertamente suele cada vez menos, de modo que la atmósfera es cada
estarlo, aquellos días del año en que esto no es así sue- vez menos predecible. Los grupos para el D+7 ya pre-
len ser más difícilmente predecibles (presentan menos sentan diferencias notables, y en el D+13 cualquier
predecibilidad). Una atmósfera muy estable (e. g. si- parecido entre ellos podría ser «pura coincidencia» si
tuación anticiclónica) suele corresponder a una PDF no supiéramos que se trata de predicciones para el
más bien monomodal del SPC, con un grupo 1 muy mismo día. Es notable y señalamos aquí que en este
numeroso y los demás grupos con pocos miembros. contexto se tiene ya un soporte cuantitativo, detallado
Atmósferas más inestables presentan más dispersión y explícito para afirmar que la atmósfera es menos
y pueden ser más bien bimodales, trimodales, etc. Ese predecible según avanza el alcance de predicción.
grado de modalidad (en el sentido de número de mo-
dos) tiene cierta correspondencia con la incertidumbre
atmosférica, y por ende con la falta de predecibilidad. 27.4.2 Supergrupos AEMET
En ocasiones hay ingredientes muy finos para consi-
derar: por ejemplo, no siempre la falta de dispersión En las Figuras 27.8 y 27.9 en la página siguiente se
implica poca incertidumbre; cuando el determinista muestran ejemplos de grupos y, también, supergrupos
de mayor resolución y el miembro de control no se correspondientes, generados en el CNP de AEMET.
parecen, entonces la resolución horizontal juega un ¿En qué consisten estos supergrupos?
Figura 27.9: Grupos D+4 y supergrupos D+4, realizados con la pasada 2017-03-19 de las 00 UTC, válidos para
2017-03-22 a las 12 UTC.AEMET 2017.
En el procedimiento operativo de AEMET, una vez la dispersión aumenta y la predicibilidad disminuye

que se han computado automáticamente los grupos, el con el alcance de predicción, pero no todos los días
meteorólogo predictor examina estos grupos para los en el mismo grado ni al mismo ritmo. No se puede
alcances D+3, D+4 y D+5, analizando para cada día simplificar diciendo que «los SPC se usan en el medio
diferencias a gran escala entre grupos en la situación plazo porque es ahí donde la atmósfera empieza a
atmosférica y su posible impacto en el tiempo sensi- presentar más dispersión». Los SPC resultarán más
ble (viento, precipitación...). Una vez examinados, los útiles, a menudo, en el medio plazo que en el corto,
«reagrupa» en «supergrupos». El número de supergru- pero habrá días, importantes por su dificultad, en que
pos no es fijo, sino que dependerá de la dispersión y los SPC resulten utilísimos o incluso imprescindibles
la incertidumbre del día en cuestión. en el corto plazo. Como decíamos, estos supergrupos
se deciden manualmente, y después mediante ordena-
Cuando todos los grupos son muy similares, se genera dor se calculan los centroides correspondientes a esos
un solo supergrupo, el día tiene muy poca incerti- supergrupos y se muestran en la intranet de AEMET.
dumbre, la atmósfera puede predecirse con el modelo Quedan disponibles para el resto de predictores de
determinista de mayor resolución ECHRES y no es AEMET, ahorrando una buena cantidad de tiempo y
necesario apoyarse en el ECENS; este sería el caso, de trabajo, dado que la información sobre dispersión
típicamente, de las situaciones anticiclónicas. Muchos e incertidumbre queda aún más sintetizada que con
otros días hay dispersión suficiente para formar dos, los grupos.
o incluso tres, supergrupos; este sería el caso de días
con paso de vaguada móvil, paso de frentes, etc. En
casos excepcionales pueden llegar a formarse cuatro En las Figuras 27.8 en la página anterior y 27.9 se
supergrupos; podría ser el caso de algunas depresiones muestran dos ejemplos de grupos y, también, super-
aisladas en niveles altos (depresión aislada de niveles grupos correspondientes, generados en el CNP de
altos (DANA)) muy erráticas, por ejemplo. Igual que AEMET con el ECENS del día 20170319 pasada de
ocurre con los grupos, se cumple en general que la 00 UTC, válidos para el D+3 y para el D+4, respecti-
dispersión aumenta con el alcance de predicción, por vamente. Para el D+3 hay poca dispersión y se genera
lo que en el D+3 a menudo se forma un sólo supergru- un sólo supergrupo, por lo que se sugiere al perso-
po, en el D+4 uno o dos, y en el D+5 uno, dos o hasta nal de predicción operativa que utilice directamente
tres en los casos usuales. el modelo determinista de mayor resolución. Para el
D+4, sin embargo, hay dispersión suficiente como pa-
Pero este comportamiento, aunque sea una pauta ge- ra generar dos supergrupos distintos, dos escenarios
neral aproximada, no puede generalizarse y ahí está atmosféricos propiamente dichos en cuanto a modelo
la ciencia y el arte del predictor. Podemos decir que conceptual y tiempo presente.
Figura 27.10: Grupos ECMWF. ECMWF 2017.
27.4.3 Grupos ECMWF climatológico, aportando una medida de diferencias

entre escenarios según el flujo de gran escala. De este
En el ECMWF se realiza otro tipo de agrupamiento, modo, el usuario tiene dos informaciones útiles: el es-
con características diferentes, que no se suele utilizar cenario y su atribución climatológica. En un futuro se
operativamente en AEMET, pero se describe aquí por darán medidas de calidad de las predicciones según el
completar el enfoque. El dominio de agrupamiento es reǵimen, es decir, dependiendo del flujo. Ese contraste
distinto, incorporando una buena parte del hemisferio permitirá conocer la predecibilidad dependiente del
norte (mucho más amplio que el dominio usado en flujo (sec. 12.7 en la página 164). En los paneles de
AEMET). El algoritmo también es diferente: el núme- grupos (Figura 27.10) se muestra la altitud geopoten-
ro de grupos es variable, no fijo. Se buscan similitudes cial en 500 hPa y en 1000 hPa, en contornos sólidos,
en el campo de altitud geopotencial en 500 hPa, en de los miembros del ECENS representativos de ca-
distintos intervalos de alcance de predicción: 72-96 h, da grupo (cada uno es el más cercano al centroide).
120-168 h, 192-240 h y 264-360 horas. Se ejecuta En 500 hPa se muestran, además, las anomalías en
un procedimiento diario de agrupamiento para deter- colores. En aquellos casos en que la distribución del
minar escenarios de tiempo atmosférico, cada uno ECENS es suficientemente homogénea, el algoritmo
definido por el miembro del ECENS más cercano al de agrupamiento no puede agrupar de modo signifi-
centroide del grupo, lo cual aporta realismo. Se utiliza, cativo: en esos casos se representa el miembro más
además, un conjunto predefinido de cuatro regímenes cercano al promedio del ECENS. Cada escenario, co-
climatológicos para cada estación del año, calculados mo decíamos antes, está asociado a uno de los cuatro
con 29 años de reanálisis (ERA-Interim [154] y ERA- regímenes climatológicos de gran escala predefinidos,
40 [637]), denominados bloqueo, NAO positiva, NAO lo que se representa mediante un marco de color que
negativa y dorsal atlántica (ver Figura 27.11 en la lleva cada mapa: rojo para bloqueo, azul para NAO po-
página siguiente y sec. 29.2.2 en la página 485). A sitiva, verde para NAO negativa y violeta para dorsal
cada escenario de tiempo se le atribuye un régimen atlántica.
Figura 27.11: Regímenes climatológicos usados para atribuir a cada grupo. ECMWF 2017.
27.4.4 Nuevos grupos (2017) en AEMET el promedio aritmético del ensemble no es siempre
una situación meteorológica plausible, pues es resul-
tado de una operación estadística y no de un modelo
En noviembre de 2017 se implementó en AEMET
atmosférico [81, 221]. Por tanto, se ruega encarecida-
una nueva técnica de agrupamiento, sustituyendo a
mente no usar el promedio del ensemble en predicción
la anterior junto con todos los paneles de presenta-
operativa, salvo que se haga con mucha precaución.
ción. Dado que la mayoría de casos meteorológicos
No obstante, una excepción notable son los mapas
presentados en este libro se han construido con las
de dispersión-promedio que aquí presentamos, en los
técnicas anteriores, se ha mantenido la descripción de
que el promedio se dibuja solo orientativamente. Jun-
la presentación antigua. En algún caso concreto se usa
to a la centralización, la simetría, la curtosis y otras
la nueva que, con mucho detalle, presentamos en el
propiedades, la dispersión es una de las herramientas
anexo de este capítulo (sec. 27.14 en la página 441).
estadísticas conceptuales para sintetizar la informa-
ción de un conjunto, a menudo amplio, de informa-
ción. Asociamos en general la dispersión del SPC a
27.5 Estimación de la incertidum- la incertidumbre atmosférica, aunque en particular
bre: dispersión hay casos en los que esta relación requiere de matices
adicionales. En un punto de malla del SPC, se dispone
de N predicciones para un parámetro y alcance de
27.5.1 Mapas de dispersión-promedio
predicción. Se trata de una distribución de números,
una cantidad grande de información que se requiere
Como se detalla en el capítulo de Sistemas de Pre- sintetizar.
dicción por Conjuntos (sec. 13.6.3 en la página 178)
27.5 Estimación de la incertidumbre: dispersión 413
la desviación estándar tal cual, sino que se normaliza

con respecto a la desviación de los últimos 30 días,
para tener una idea ponderada de desviación relativa
a la desviación promedio de esos últimos 30 días. Por
tanto, la desviación estándar normalizada no tiene
unidades, dado que está dividida entre una cantidad
con sus mismas unidades. Esta desviación normaliza-
da nos indicará que la desviación es similar, superior
o inferior a la del último mes si su valor es similar,
superior (tonos rosados) o inferior (tonos verdes) a 1,
respectivamente. Esas zonas sombreadas verdes (ro-
sas) en color más oscuro son aquellas en las que hay
menos (más) desviación estándar relativa y por tanto
donde los miembros del SPC se parecen más (menos),
es decir, menos (más) dispersión relativa. De modo
Figura 27.12: Ejemplo de mapa dispersión-promedio,
que en las zonas verdes asumimos menos incertidum-
en este caso dispersión normalizada y ECHRES sustitu-
yendo al promedio. ECMWF 2017. bre atmosférica y, en principio, más predecibilidad.
Por el contrario, en las zonas rosadas asumimos más
incertidumbre atmosférica y, en principio, menos pre-
Dos cantidades que pueden sintetizar la información decibilidad. La utilidad de estos mapas es, entonces,
dada por esa distribución son la media, medida de muy clara: nos muestran aquellas áreas en las que ten-
centralización (sec. 13.6.3 en la página 178) y la des- dremos una predecibilidad potencialmente mayor y
viación estándar, medida de dispersión (sec. 13.6.5 menor comparativamente con el último mes y, por tan-
en la página 181). Extendiendo ese procedimiento a to, áreas en las que se deberá poner atención especial
todos los puntos de la malla y dibujándolo, resultará en el proceso de predicción.
un mapa de promedio y dispersión, abreviadamente
En la Figura 27.13 vemos un ejemplo diferente de ma-
dispersión-promedio, de los cuales hay diversas mo-
pa de dispersión-promedio elaborado con el ECENS
dalidades.
del ECMWF, de la altitud geopotencial en 500 hPa.
En la Figura 27.12 vemos un ejemplo de mapa de Diferente porque ahora se muestra el ECHRES en
dispersión-promedio elaborado con el ECENS del lugar del promedio del ECENS y porque ahora se
ECMWF, de la altitud geopotencial en 500 hPa. Los muestra la desviación estándar tal cual. Las isolíneas
mapas de esta variable ofrecen una orientación sobre muestran el modelo determinista ECHRES.
el flujo atmosférico en altitudes en torno a los 5.5 km;
las estructuras que aparecen en forma de ondulaciones,
dorsales, vaguadas, etc., permiten al predictor, junto
con mapas de otras variables en este y otros niveles,
una primera composición 3D de la atmósfera para
poder hacer diagnóstico y predicción. Las isolíneas
muestran el promedio del SPC que, insistimos una
vez más, debe mirarse con mucha precaución [221].
No está garantizado que el promedio sea una situa-
ción atmosférica plausible [81], ni siquiera realista
de modo que, aunque a menudo el mapa pueda ser
interpretado meteorológicamente a gran escala, puede
haber estructuras de pequeña escala que tengan un
sentido relativo y matizable. Se muestran algunas iso-
líneas en rojo como referencia, cada 6 decámetros (6
dam) y el resto en azul, cada decámetro (dam). Por Figura 27.13: Ejemplo de mapa dispersión-promedio, en
otra parte se representa la desviación estándar como este caso dispersión sin normalizar y promedio directo
medida de dispersión. En este mapa no se representa del ECENS. ECMWF 2017.
Figura 27.14: Mapas dispersión-promedio evolucionando con el alcance de predicción. ECMWF 2017.
Se muestran, como antes, algunas isolíneas en rojo claramente cómo, en general y a gran escala, la dis-
como referencia, cada 6 decámetros (6 dam) y el res- persión, mapas sólo en rosa, va aumentando con el
to en azul, cada dam. Por otra parte se representa la alcance: en el D+0 el color rosa no aparece, en el D+1
desviación estándar como medida de dispersión. En aparece alguna tímida sombra aquí y allá y después,
este mapa sí que se representa la desviación estándar progresivamente, van apareciendo cada vez más áreas
tal cual. Sus unidades son las mismas que las de la con dispersión, mayor cada vez. Es importante resaltar
variable en sí, en este caso dam. La zonas sombreadas que, para una región particular como podría ser una
en color más oscuro son aquellas en las que hay más parte de la península ibérica, la dispersión no tiene
desviación estándar y por tanto donde los miembros por qué ir siempre a más: puede haber algún día en
del SPC se parecen menos (los valores están más dis- el que la dispersión baje o se mantenga relativamente
persos). En esas zonas asumimos más incertidumbre constante. También destacamos que en ocasiones, la
atmosférica y, en principio, menos predecibilidad. La dispersión puede ser grande en un área en el panel
utilidad de estos mapas es, entonces, muy clara y si- derecho y, sin embargo, presentar valores iguales o
milar al ejemplo anterior, pero sin el ingrediente com- inferiores a 1 en el panel izquierdo; ésto se debe a
parativo relativo a los últimos 30 días: nos muestran que, en predicciones hechas en días previos se dieron
aquellas áreas en las que tendremos una predecibili- valores de dispersión en ese área iguales o mayores a
dad potencialmente menor y, por tanto, áreas en las los presentes.
que se deberá poner atención especial en el proceso
de predicción.
Estos mapas de dispersión-promedio suelen utilizarse
La evolución con el alcance de predicción suele ir para valorar la incertidumbre atmosférica en diferen-
unida a un aumento de dispersión: la incertidumbre tes zonas según los distintos alcances de predicción,
atmosférica suele crecer con dicho horizonte y, por incertidumbre en una escala sinóptica (procedimientos
ende, disminuir la predecibilidad. Pero es importante usuales en 2017), evaluando los patrones sinópticos de
saber que esto no es siempre así, y aquellos alcances campos dinámicos en niveles medios-altos, e. g. alti-
en los que la dispersión, en vez de aumentar, disminu- tud geopotencial en 500 hPa, o bien campos de niveles
ye, muestran señales muy interesantes para el proceso más bajos pero no demasiado ruidosos, e. g. presión
de predicción. Esta evolución con el alcance de la reducida al nivel del mar, temperatura en 850 hPa,
predicción la podemos ver en la Figura 27.14, donde velocidad del viento en 850 hPa. Si se dibujaran, por
se muestran en 3 filas y 3 columnas ordenadamente ejemplo, para la temperatura a 2 m, que es un campo
de derecha a izquierda y de arriba abajo los mapas de muy orográfico y ruidoso comparado con los anterior-
dispersión promedio, en sus dos variantes mostradas mente citados, la dispersión sería así mismo bastante
anteriormente, para los alcances de predicción desde ruidosa, lo que dificultaría mucho su interpretación y
D+0 («hoy») hasta D+8 («día más ocho»). Se observa le restaría utilidad a la herramienta.
27.5 Estimación de la incertidumbre: dispersión 415
¿Cómo se interpretan estos mapas? En líneas genera-

les, la interpretación se realiza identificando las áreas
de mayor dispersión sobre los patrones sinópticos que
presente la situación. Presentamos a continuación tres
pautas sencillas y generales, ilustradas en las Figura
27.15, 27.17 y 27.17.
Figura 27.17: Interpretación conceptual de los mapas

Eje de vaguada. Si las áreas de mayor dispersión se de dispersión. Un solo flanco de vaguada. COMET.
presentan sobre un eje de vaguada, esperaremos
más incertidumbre en la intensidad de la vagua-
da, dado que las zonas donde los miembros di- Valores altos de desviación estándar suelen indicar
fieren más están sobre el eje. Puede visualizarse una incertidumbre en la predicción también alta y, por
bien el razonamiento comparando espaguetis ende, la fiabilidad de los mapas de la variable corres-
con dispersión, como en la figura. pondiente, tanto la del modelo determinista de mayor
resolución correspondiente (si lo hay) como la del
promedio del SPC. Por otro lado, la desviación están-
dar normalizada pone en contexto el comportamiento
general del SPC en el área mostrada en los últimos
30 días. Valores de desviación altos, aunque en gene-
ral van asociados a mayor incertidumbre, si los días
previos han sido altos también o incluso superiores,
entonces la desviación normalizada mostrará valores
Figura 27.15: Interpretación conceptual de los mapas relativamente bajos, aumentando ligeramente nuestra
de dispersión. Eje de vaguada. COMET. confianza en los mapas de la variable.
En el sitio web del ECMWF pueden consultarse ma-

Ambos flancos de una vaguada. Si las áreas de mapas dispersión-promedio de cuatro variables meteo-
yor dispersión se presentan corriente arriba y rológicas diferentes del ECENS: presión reducida al
abajo (a ambos lados de la vaguada), espera- nivel del mar, temperatura en 850 hPa, velocidad del
mos más incertidumbre en la posición de dicha viento en 850 hPa y altitud geopotencial en 500 hPa.
vaguada, no en su intensidad. Estos mapas se presentan (2017) en parejas: a la iz-
quierda el promedio del ECENS con la desviación
estándar normalizada y a la derecha, para comparar,
el modelo determinista de mayor resolución ECHRES
con la desviación estándar tal cual.
Como resumen diremos que estos mapas de

dispersión-promedio son más específicos para la pre-
dicción operativa que para los usuarios, mostrando
por un lado la dispersión (o dispersión normalizada)
Figura 27.16: Interpretación conceptual de los mapas
que tiene la predicción probabilista de un parámetro,
de dispersión. Ambos flancos de una vaguada. COMET.
y por otro, el valor del modelo determinista corres-
pondiente (o del promedio del SPC). Aunque no está
Un solo flanco de vaguada. Si las áreas de mayor rigurosamente demostrada una relación directa entre
dispersión se presentan a un lado de la vaguada mayor dispersión y menor predecibilidad, esta rela-
solamente, entonces esperamos probablemente ción se asume ordinariamente por la experiencia en
características menos predecibles, presentes a el uso de los SPC y tiene un uso orientativo. Así, en
menudo en una escala menor, e. g. mesoescala aquellas regiones donde la dispersión sea mayor, la
de algún orden y ocultas por el procedimiento incertidumbre será mayor, y el predictor puede poner
de suavizado al dibujar los campos. especial atención en esas zonas.
Figura 27.18: Comparación de un mapa de precipitación prevista determinista (izquierda) con el correspondiente
mapa de probabilidad de precipitación prevista (derecha) (ver texto). AEMET 2017.
27.6 Predicción de eventos precipitación? (algo así como preguntar ¿llueve o no

llueve?). Pues con ayuda del SPC, en cada punto de
27.6.1 Mapas de probabilidad rejilla tenemos un conjunto de valores previstos de
precipitación (e. g. 51 valores). Si en un punto con-
Los típicos productos meteorológicos de los mode- creto de rejilla la mitad de esos valores superan 1 mm
los deterministas se muestran en un mapa, con una de precipitación, entonces la probabilidad, con un sen-
gama de colores, la gama de valores del parámetro me- cillo cálculo, es del 50 %, para ese punto. Para otro
teorológico de interés. Por ejemplo, la precipitación punto será 70 %, para otro 20 %, para otros 0 %, etc.
prevista (entre 0 y 50 mm) para mañana entre las 06 y Podemos dibujar esta idea en un mapa, coloreando
las 12 UTC (Figura 27.18 izquierda). En contraposi- con diferentes colores distintos valores de probabili-
ción, los SPC muestran en un mapa, con una gama de dad. En la Figura 27.18 derecha se ilustra el resultado
colores, las diferentes probabilidades de que ocurra de este proceso. El color blanco es para probabilida-
un evento meteorológico de interés. Por ejemplo, la des entre 0 y 2 % («no llueve»), el verde playa entre
probabilidad prevista de obtener precipitación supe- 2 y 10 % («apenas llueve»), gama de verdes entre 10
rior a 1 mm para mañana entre las 12 y las 18 UTC y 40 % («no se descarta lluvia»), amarillo-naranja en-
(Figura 27.18 derecha). tre 40 % y 70 % («lluvia posible»), naranja-rojo entre
70 % y 90 % («lluvia probable») y, por último, rojo
Centremos nuestro interés en una variable meteoroló- entre 90 % y 100 % («llueve seguro»). El mismo pro-
gica como la precipitación. La casuística de la preci- cedimiento puede realizarse con dieferentes umbrales
pitación puede desarrollarse según una serie de um- de precipitación: en la Figura 27.19 se muestran, com-
brales de precipitación (e. g. 1, 5, 10 y 20 mm) y pletando la Figura anterior, los umbrales de 5, 10 y
sus correspondientes probabilidades de superación. 20 mm, típicos en predicción operativa.
Ahora fijemos el umbral de 1 mm y hagamos la pre-
gunta ¿qué probabilidad tenemos de superar 1 mm de
Figura 27.19: Mapas de probabilidad de precipitación prevista para superación de umbrales de 5, 10 y 20 mm (ver
texto), completando la Figura 27.18. AEMET 2017.
27.6 Predicción de eventos 417
100 % (llueve «seguro»).
Para diferentes umbrales de precipitación y alcances

de predicción tendremos diferentes mapas. La Figu-
ra 27.21 muestra abanicos de diversos mapas de pro-
babilidad. Nubosidad y precipitación para diferentes
umbrales (1, 5, 10, 20 mm) y alcances de predicción
(D+3, D+4, D+5), tanto en la Península y Baleares
como en Canarias.
Dado el fenómeno meteorológico de superación de un

umbral (e. g. precipitación prevista > 5 mm / 24 h), el
mapa de probabilidad muestra la distribución espacial
de las probabilidades previstas proporcionadas por el
SPC. Mapas similares pueden hacerse para los percen-
tiles, aunque en AEMET se utilizan poco. Los mapas
Figura 27.20: Mapa de probabilidad de precipitación
prevista superior a 1 mm, según el estilo antiguo de de probabilidad son una útil guía para el predictor,
colores: el color blanco es para probabilidades entre mostrando una primera aproximación de los lugares
0 y 10 % («no llueve»), el celeste entre 10 y 40 % («no en los que esperamos con más o menos probabilidad
se descarta lluvia»), azul entre 40 % y 70 % («lluvia que ocurran eventos interesantes (e. g. precipitación
posible»), azul oscuro entre 70 % y 90 % («lluvia proba- mayor que 20 mm en 24 horas).
ble») y, por último, azul muy oscuro entre 90 % y 100 %
(llueve «seguro»). Ver texto. AEMET 2017. La «temperatura a 2 m» dada por los modelos suele ser
una variable posprocesada, derivada de una interpola-
ción entre el nivel más bajo del modelo, y la superficie
Existían varios estilos de mapas de probabilidad usa- misma. Es una variable tremendamente «orográfica»
dos en AEMET durante el proceso de escritura de este (influida por la «orografía»), por lo que en ese pos-
libro: por ejemplo, los mostrados anteriormente son proceso puede tenerse en cuenta la diferencia entre la
más modernos. Otro estilo, más antiguo pero usado orografía del modelo y la orografía verdadera. La Fi-
profusamente en los casos de este libro, utiliza gamas gura 27.22 en la página siguiente muestra abanicos de
de azules para la probabilidad. Para precipitación, por mapas de probabilidad relacionados con la tendencia
ejemplo, el color blanco es para probabilidades entre de la temperatura, es decir, la diferencia de la tempera-
0 y 10 % («no llueve»), el celeste entre 10 y 40 % («no tura con la temperatura del día anterior. A la izquierda,
se descarta lluvia»), azul entre 40 % y 70 % («lluvia las probabilidades por umbrales de la tendencia de las
posible»), azul oscuro entre 70 % y 90 % («lluvia pro- máximas. A la derecha, lo mismo para la tendencia de
bable») y, por último, azul muy oscuro entre 90 % y las mínimas.
Figura 27.21: Probabilidades de nubosidad y precipitación. AEMET 2017.

Figura 27.22: Probabilidades relacionadas con la tendencia de la temperatura (diferencia de la temperatura del día
con la del día anterior). AEMET 2017.
En la Figura 27.23 se muestran otros mapas de pro- diferentes y, para cada una de ellas, distintos umbra-
babilidad. De izquierda a derecha: «superación por les, alcances de predicción y dominios geográficos.
encima» de distintos umbrales de temperatura, «re- Una batería de información útil. La clave de la labor
basamiento por debajo» de umbrales de temperatura, del predictor o del usuario experimentado es filtrar,
viento y rachas de viento. Por sencillez, no se mues- entre la enorme cantidad de información, aquella que
tran otros mapas de probabilidad, e. g. convective le puede ser más útil en cada situación. Se trata de
available potencial energy (CAPE), nieve acumulada algo similar a lo que se dice en la frase del fontanero,
en 24 horas, altura de olas de mar de viento, etc. Pue- que «no cobra por apretar un grifo con una llave, sino
den dibujarse, y se dibujan, innumerables mapas de por saber dónde hay que apretar».
probabilidad, para muchas variables meteorológicas
Figura 27.23: Otras probabilidades. AEMET 2017.

27.7 Predicción del riesgo 419
27.7 Predicción del riesgo 27.7.1 Climatología del ECENS (M-

climate)
Los fenómenos extremos no siempre son adversos,
aunque los fenómenos adversos suelen ser extremos
[187]. Un fenómeno extremo es un fenómeno raro
según un cierto criterio meteorológico de normalidad, Un primer paso esencial es definir los márgenes de
mientras que un fenómeno adverso (ver fenómeno normalidad. Para ello no se toma la distribución clima-
meteorológico adverso (FMA)) es un fenómeno con tológica de las observaciones, por presentar valores
consecuencias potencialmente dañinas para la socie- demasiado extremos que restan utilidad a las herra-
dad y, para valorar al fenómeno como adverso, el mientas que se diseñan, que no suelen presentar señal
criterio es de carácter social, económico, etc. La idea [367]. En su lugar, se construye la climatología del
de extremo o anormal como opuesto a normal es una modelo o del SPC, denominada model climate o M-
idea muy intuitiva en meteorología de andar por casa, climate en el ECMWF. Es función del alcance de
y se pueden oír frases como este mes es más cálido de predicción, para tener en cuenta derivas del modelo.
lo normal, estas lluvias han sido extremas, etc. Pero Se utiliza un SPC especial denominado repredicción:
entrando en detalles hace falta cierta precisión, pues se repredice el tiempo a 15 días vista, con fecha de
una cosa es la idea intuitiva y otra es cómo sacarle partida la fecha de hoy (e. g. 15 de julio), del año pasa-
punta a los SPC para tener una idea cuantitativa de do, del anterior y así los últimos 20 años; es decir, 20
normalidad o anormalidad. Las probabilidades en repredicciones. La repredicción se ejecuta dos veces
sí mismas no son indicativas de anormalidad; e. g. a la semana, lunes y jueves (2017), con 1 miembro
que la probabilidad de 20 mm de lluvia en 24 horas de control y 10 miembros perturbados cada pasada.
en un día de octubre sea del 40 %, en Gandía no es Usando 9 pasadas de esta repredicción, centradas en
un fenómeno anormal, pero sí lo sería en Almagro. la fecha actual, cubrimos un abanico de unas 5 sema-
Para poder hablar de anormalidad necesitamos dos nas. Juntando las 9 pasadas de los últimos 20 años,
ingredientes: primero, la predicción en sí misma, y se- cada una con 11 miembros, tendremos un abanico de
gundo, un historial de predicciones que suele llamarse 9 × 20 × 11 = 1980 valores previstos para definir los
climatología del modelo o del SPC. De ese modo y, márgenes de tiempo representativo de «lo que es nor-
con técnicas matemáticas muy sofisticadas, se puede mal en esta época del año», quitando el posible ruido
calcular si una predicción (e. g. para mañana) corres- muestral que da la variabilidad diaria. Se usa la misma
ponde a un tiempo normal o si, por el contrario, puede climatología, basada en la pasada de 00 UTC, en los
catalogarse como de anormal, o incluso de extrema. productos de las pasadas de 00 UTC y 12 UTC para
En ese último caso, nos vendría de perlas saber cuán evitar inconsistencias (la pasada de 12 UTC es más an-
extrema es de algún modo. También se puede conocer tigua, etc. [701]). Esta metodología puede extenderse
esa información. para los extremos hidrológicos [371, 372].
Figura 27.24: Índice de predicción extrema o Extreme Forecast Index (EFI). ECMWF 2017.
Figura 27.25: EFI para temperatura con el percentil climatológico Q1 (izquierda) y recorte de otros dos percentiles
climatológicos, Q50 (centro) y Q99 (derecha). ECMWF 2017.
27.7.2 Índice de predicción extrema (EFI)

Extreme forecast index (EFI). Es una medida inte-
gral de la diferencia entre la distribución del SPC y la
distribución de la climatología de dicho SPC (llamada
a menudo climatología del modelo o M-climate).
ˆ1
2 p − Ff (p)
EFI = p dp (27.1)
π p(1 − p)
0
Así, se da una idea de anormalidad de la situación

prevista sin necesidad de definir umbrales (ni en el
espacio ni el tiempo). Si todos los miembros del SPC
Las siglas EFI significan Extreme Forecast Index (Ín- están por encima del máximo climatológico, entonces
dice de predicción extrema)[367]. El EFI es una canti- EFI = +1, si todos están por debajo del mínimo cli-
dad que puede calcularse usando el SPC y su clima- matológico, entonces EFI = −1. Cuando más cerca
tología (llamada la climatología del modelo o, para de estos dos extremos, más inusual puede conside-
rarse el tiempo previsto; cuando más cerca de 0, más
ser más precisos, del SPC) que no es otra cosa que el
normal.
historial de predicciones. Para un lugar determinado,
se compara la predicción probabilista (la famosa PDF,
sec. 13.6 en la página 176) con ese historial, y se cal-
cula un número, un índice, que dice cuán extrema es El ECMWF muestra en su web (producto restringido)
la predicción. los parámetros EFI/SOT y la correspondiente clima-
tología. En la Figura 27.24 podemos ver en el panel
izquierdo el EFI coloreado en tonos amarillo/rojos pa- viento, símbolos verdes para la precipitación, sombra
ra valores altos y en tonos fríos para valores bajos. Se amarillo-naranja para temperaturas cálidas y celeste-
pinta también el SOT (explicado más adelante en este azul para las frías. Para ayudar a la interpretación
mismo apartado) contorneado con isolíneas negras, se superponen isohipsas de altura geopotencial en
así como la orografía [700]. En el panel derecho de 1000 hPa (algo similar a la presión). Ver Figura 27.26.
la misma figura, el ECMWF presenta distintos per-
centiles de la climatología, para que el usuario pueda
constrastar los valores climatológicos potencialmente
extremos. En la Figura 27.25 en la página anterior
vemos EFI para temperatura con distintos percenti-
les climatológicos. En la Figura 27.27 en la página
siguiente se muestran EFI para viento y para precipi-
tación acumulada.
EFI combinado. Para ofrecer ideas generales sobre

potenciales fenómenos extremos de las variables de
tiempo presente «todo en uno», se pueden dibujar
distintos EFI diferenciando entre variables, usando
distintos símbolos y colores. Símbolos rosas para el Figura 27.26: EFI combinado. ECMWF 2017.
Figura 27.27: EFI para rachas de viento y para precipitación. ECMWF 2017.
27.7.3 Desplazamiento de cola SOT por encima (debajo) del percentil 99 (percentil 1) de la
climatología del ECENS. SOT = 0 indica que el 10 %
Del inglés Shift of Tail (desplazamiento de cola) el de los miembros (5 de 51) cae por encima (debajo) de
SOT [366], es un índice complementario del EFI y uno de estos percentiles. Valores EFI cerca de +1 y de
que proporciona información sobre cuán extremo un -1 junto con valores positivos de SOT significan que
evento extremo podría ser, comparando la cola de se espera un evento muy inusual, más extremo cuanto
la distribución del ECENS (predicción del día) con más alto el SOT. Aunque teóricamente el SOT puede
la cola de la distribuciín del M-clima (historial de adquirir valores infinitos, se restringe gráficamente a
predicciones). Para que el SOT aporte información un valor máximo de 8-10, siendo muy poco plausible
significativa, se toman los puntos comparativos de re- que el percentil 90 de la distribución prevista por el
ferencia como los percentiles 99 y 90 del M-clima, por ECENS exceda en más de 10 veces la distancia entre
un lado y, por otro, el percentil X-ésimo del ECENS, los percentiles 90 y 99 de la climatología.
que en la práctica suele ser el percentil 90, es decir,
X = 90. Con respecto al EFI, se dibujan valores positivos y
negativos para temperatura y altura significativa de
Shift of tail (SOT). Fijando X=90, se comparan las ola y solamente positivos para el resto de variables,
partes altas de la cola de la distribución del SPC y lo que concuerda conceptualmente con lo que en pre-
la cola de la distribución del M-clima, siguiendo la dicción se considera extremo o no. Como excepción
relación:
tenemos la precipitación para los periodos 1-10, 1-15
Q f (90) − Qc (99) y 10-15 días, donde se computan y muestran valores
SOT90 = (27.2)
Qc (99) − Qc (90) negativos, resultando enormemente útil para indicar
periodos anormalmente secos. Nótese que, de todos
donde Q f (90) es el percentil 90 de la distribución pre-
vista del SPC (f de forecast en inglés), mientras que modos, en zonas áridas precipitación nula no es un
Qc (90) y Qc (99) (c de climate) son los percentiles 90 valor extremo. Para el periodo 10-15 días se dibujan
y 99 de la distribución de la climatología del ECENS también isolíneas de EFI de valores +0,1 y -0,1 pues
(el M-clima). pueden ser útiles aunque presenten señales pequeñas
para alcances tan altos.
Para las variables de temperatura se computa el SOT

también para la cola inferior, tomando en ese caso
X = 10. Nótese la diferencia con el EFI, porque el
SOT se computa para dar valores positivos también en
la cola inferior. La elección de 10 y 90 es relativamen-
te arbitraria y viene dada por la experiencia en predic-
ción operativa. El SOT90 se contornea en trazo sólido y
el SOT10 en fino discontinuo. El SOT no está definido
cuando Qc (90) = Qc (99), lo cual conduce a mapas
ruidosos (e. g. de precipitación en regiones áridas).
Para la nieve, cuando sucede ésto se fija SOT = −1
por consistencia. Valores positivos de SOT90 (SOT10 ) Figura 27.28: Desplazamiento de cola o Shift of Tail
indican que las colas de la distribución prevista están (SOT). ECMWF 2017.
Figura 27.29: Mapas de estructuras tropicales. Arriba a la izquierda: probabilidad de encontrar tormentas tropicales.
Arriba a la derecha, encima: probabilidad de encontrar ciclones tropicales. Arriba a la derecha, debajo: probabilidad
de encontrar huracanes. Abajo: secuencia de probabilidad de encontrar tormentas tropicales desde el D+0 hasta el
D+9. ECMWF 2017.
27.7.4 Estructuras tropicales pas y gráficos previstos de la depresión extratropical

Ophelia, ex huracán emigrado al NE desde los trópi-
En el sitio web del ECMWF puede verse un apartado cos que pasó cerca de España en octubre de 2017, para
dedicado a la actividad de (a veces potenciales) ciclo- comprobar la tremenda utilidad de estas herramientas
nes tropicales. Se muestran, por un lado, mapas de de predicción probabilista.
probabilidad de impacto de ciclón o strike probability,
basados en el número de miembros del ECENS que
pasan por cada lugar en la previsión. En particular, Detección de ciclones. La identificación de ciclo-
se calcula la probabilidad de que pasen dentro de un nes en el proceso de predicción utiliza métodos obje-
radio de 300 km de la localización y en una ventana de tivos computacionales [651]. El algoritmo busca un
tiempo de 48 h. Incorporando esta incertidumbre, con máximo de vorticidad en 850 hPa y localiza el mí-
nimo local de presión en superficie más cercano. Se
estos mapas puede evaluarse con eficacia el riesgo en
busca un núcleo cálido en la troposfera alta cerca del
diferentes áreas. Se generan estos mapas para tres ca- centro del ciclón para descartar otros fenómenos que
tegorías diferentes: ciclón tropical (vientos superiores no sean ciclones tropicales. Cuando se localiza un can-
a 8 m/s, tormentas tropicales (17 m/s) y huracanes- didato en el proceso, se comprueba su continuidad en
tifones (32 m/s). Se dispone de mapas globales, así alcances sucesivos y se asigna una categoría de ciclón,
como de 7 subregiones de interés. Se acompaña infor- tormenta o huracán, según los umbrales típicos de
mación de verificación. Ver Figura 27.29 la escala Saffir-Simpson. Un algoritmo similar, adap-
tado para el Mediterráneo, se aplica en la detección
Como botón de muestra, en las Figuras 27.30, 27.31 temprana de medicanes(cap. 33 en la página 551).
y 27.32 en la página siguiente mostramos algunos ma-
Figura 27.30: Ophelia a su paso cerca de la península ibérica. Izquierda: penachos. Derecha: probabilidades de
impacto, junto con verificaciones. ECMWF 2017.
Figura 27.31: Ophelia a su paso cerca de la península ibérica. Izquierda: supergrupos para el 15-10-2017. Derecha:
mapa previsto de superficie para esa misma fecha. AEMET 2017.
Figura 27.32: Ophelia a su paso cerca de la península ibérica, previsiones para el 15-10-2017. Izquierda: EFI de
temperatura. Centro: EFI de viento. Derecha: EFI combinado. ECMWF 2017.
27.8 Productos en localizaciones 425
La interpolación horizontal, en sí misma, puede

dar valores meteorológicamente poco represen-
tativos si el punto de interés es de tierra y los
puntos de malla más cercanos son de mar. Para
ello deben seleccionarse puntos cercanos afines,
si los hay.
La interpolación vertical es aún más delicada. El
punto de interés tendrá a veces una altitud bien
diferente de la de los puntos de malla circundan-
tes. La variabilidad vertical de los parámetros
meteorológicos es mucho mayor que la hori-
zontal (sec. 6.3 en la página 77), de modo que
una interpolación con resultados realistas debe
hacer una corrección de los parámetros en la
vertical, sobre todo de la temperatura, que es de
los más sensibles. En el ejemplo dado, el punto
de malla más cercano a Trevélez está 8 km al
ESE. Al ser zona de montaña, con relieves muy
acusados, la interpolación puede dar a menudo
resultados poco realistas.
La orografía del modelo o del SPC puede diferir sig-

Figura 27.33: Punto de malla más cercano a un pun- nificativamente de la altitud física de la localización.
to geográfico de interés de localización arbitraria. El impacto de esta diferencia se corrige para la tem-
ECMWF. peratura, ajustando 6.5 ºC cada 1000 m, gradiente
estándar de la Organización de Aviación Civil Inter-
nacional (OACI). En los productos se especifican las
27.8 Productos en localizaciones altitudes, tanto física como del modelo. En el caso de
situaciones de inversión térmica, típicas en patrones
Prácticamente todos los productos vistos hasta ahora anticiclónicos, las predicciones locales de temperatura
son mapas geográficos en los que se dibujan cam- deben tomarse con extrema precaución.
pos, normalmente probabilistas, derivados de algún
ensemble o SPC. Para dibujarlos se utiliza algún soft- En esta línea, el aumento de resolución es beneficioso.
ware que toma los datos originales del SPC en sus El ECENS de 2017 ofrece sus salidas a una resolu-
puntos de malla y se realiza alguna computación en ción horizontal de unos 18 km en nuestras latitudes,
cada punto de malla. Esa computación toma los N mientras que la versión anterior lo hacía a 32 km. Por
valores correspondientes a N miembros en ese punto su lado, ECHRES ha aumentado de 16 km a 9 km. En
de malla. Ahora vamos algo más allá. Cuando nos versiones aún anteriores, en la isla de Tenerife el Pico
interesa descender a la meteorología del punto geo- del Teide (3 718 m) quedaba circundado por cuatro
gráfico, e. g. la famosa predicción de AEMET por puntos de malla marinos relativamente cercanos, por
localidades, aparece una problemática previa, dado lo que era imposible obtener interpolaciones realistas.
que el punto de interés no tiene por qué coincidir con En los algoritmos actuales (2017), para la generación
algún punto de malla del SPC, sino que suele estar de cada producto local se consideran, en principio, los
en el espacio intermedio entre cuatro puntos de malla cuatro puntos de malla más cercanos a la localización
(Figura 27.33). específica. Para variables atmosféricas y, si estamos
en tierra, de los cuatro puntos de malla circundantes
¿Cómo obtenemos, en esos casos, los N valores previs- se selecciona únicamente el punto de malla terrestre
tos correspondientes al SPC en ese punto geográfico, más cercano o, si sólo hay puntos marinos disponibles,
habiendo una distancia hasta los puntos de malla? La entonces se toma el más cercano y se avisa de la con-
técnica se llama interpolación. Esta técnica consiste tingencia en el título del producto. Por otro lado, para
en asumir que la variación espacial es, bien lineal, o el oleaje tendríamos algo similar pero con puntos ma-
bien una función conocida y calcular el valor o valo- rinos aunque, si no hay puntos marinos circundantes,
res en el punto intermedio de interés. La interpolación entonces el oleaje no se dibuja.
tiene su propias dificultades:
Figura 27.34: Box-plots de temperatura cada 6 horas para Huelva. ECMWF 2017.
27.8.1 EPSgramas la temperatura, con predicción probabilista para 10

días vista. Los ingredientes esenciales del EPSgrama
Los EPSgramas o meteogramas de SPC (mantendre- son:
mos el término EPSgramas a lo largo del libro, por
consistencia con la bibliografía más extendida) mues- Título: variable meteorológica, en este caso tempera-
tran información probabilista de la predicción para un tura a 2 m reducida a la altitud de la localización
cierto tiempo de una o varias variables meteorológi- (extraída de una topografía global denominada
cas en una localización específica. Son una extensión GTOPO30 con 30 segundos de arco de resolu-
natural de los meteogramas tradicionales, pero cons- ción https://lta.cr.usgs.gov/GTOPO30)
truidos con información de los SPC. Los meteogramas desde la altitud del modelo.
tradicionales son gráficos en los que en el eje X se Eje X: 10 días divididos en intervalos de 6 h, por lo
representan los días, con sus horas y en el eje X se que hay cuatro muescas por día, correspondien-
representa una variable meteorológica, que puede ser tes a las 00, 06, 12 y 18 UTC. Además de los
el viento, la temperatura, la humedad, etc. Los me- días, se muestra debajo el mes y el año.
teogramas tradicionales pueden mostrar la evolución Eje Y: variable meteorológica, temperatura en este
en el tiempo de una variable meteorológica observa- caso, por lo que en este caso en el eje está gra-
da, o bien la previsión en el alcance de la predicción duado en grados centígrados.
(tiempo futuro) de una variable meteorológica previs- Curva azul: modelo determinista ECHRES
ta. En el sitio web del ECMWF pueden encontrarse (sec. 19.2 en la página 291). Al ser un solo
EPSgramas de varios tipos: de 10 días, de 10 días con modelo, la predicción es un solo valor y su evo-
oleaje, de 15 días, de 15 días con climatología, así lución en el tiempo es una curva, que toma un
como EPSgramas de EFI o de CDF (sec. 13.6.12 en valor distinto cada 6 h. La resolución horizontal
la página 188 y sec. 27.7 en la página 419). Quizá se indica entre paréntesis, 9 km u 8 km, según
los EPSgramas sean más populares para los usuarios los casos.
finales que para la predicción operativa, aunque deben Curva roja: miembro de control del ECENS
utilizarse con precaución. (sec. 19.3 en la página 293). Al ser un solo
modelo, el de control, la predicción es un solo
Ingredientes generales. Los EPSgramas, al tener que valor y su evolución en el tiempo es una curva,
incluir información de una SPC y no de un sólo mode- que toma un valor distinto cada 6 h. La resolu-
lo, son más complejos que los meteogramas tradicio- ción horizontal se indica entre paréntesis, 18 km
nales. Es decir, los EPSgramas representan informa- o 16 km, según los casos.
ción probabilista. La Figura 27.34 muestra un primer Box-plots: miembros perturbados (50) del ECENS
ejemplo sencillo de un EPSgrama de una sola variable, (sec. 19.3 en la página 293). Al ser 50 modelos,
la predicción es probabilista y su evolución en 10 días para Huelva. La localización de Huelva es,

el tiempo se representa mediante box-plots, uno aproximadamente, 37.26 °N 6.95 °W. El punto de
cada 6 h. Cada box-plot muestra de manera sin- malla más cercano del ECENS está localizado en
tética la distribución de los 50 valores previstos: 37.18°N 7.11°W, 16 km al suroeste de Huelva, en
mediana, rango intercuartílico o IQR, 10-90 y pleno océano.
min-max [682].
Nubosidad. El valor mostrado es el valor instantáneo
previsto para esa hora, medido en octas, fraccio-
nes múltiplo de 1/8 de cielo cubierto de nubes.
Es la variable que con más dificultad resuel-
ven los modelos y SPC y la que más dispersión
presenta, con diferencia. A menudo puede ob-
servarse un box-plot de nubosidad que abarca
todo el rango desde cielo despejado hasta cielo
cubierto. Todo un reto para un predictor.
Precipitación. Se muestra la precipitación acumula-
da, en mm, en las 6 h precedentes a la hora mar-
cada. Cuando hay valores muy altos en algún
día, estos valores se indican con números pe-
Figura 27.35: Cuatro box-plots consecutivos en el queños, pues los box-plot se salen mucho de la
tiempo, uno cada seis horas. Cada box-plot mues- escala. Matemáticamente hablando, la precipita-
tra el IQR (caja central), la mediana (línea ho- ción es definida positiva: sólo presenta valores
rizontal en su interior), el rango p10-p90 (cajas positivos y por tanto en el EPSgrama su eje Y
menores), el mínimo (línea vertical inferior) y el
siempre va desde cero hasta algún otro valor.
máximo (línea vertical superior). ECMWF 2017.
Para cada marca horaria (00, 06, 12, 18 UTC)
la distribución de valores previstos de preci-
pitación del SPC tiene casi siempre un valor
Box-plots o diagramas de caja. Los box-plots
[682] ofrecen una representación sencilla, sintética mínimo de cero, su percentil 25 también puede
y visual de una distribución de números, en términos ser cero, o, más allá, los percentiles 50 (media-
matemáticos una PDF discreta. Hay diversos tipos na), 75 o, incluso, el máximo de la distribución
de box-plots y, aunque nos centraremos en los que pueden ser cero. Por tanto, el box-plot suele to-
se muestran en el ECMWF, el lector interesado no car fondo, está apoyado en el eje X y, a menudo,
tendrá problema en extrapolar las ideas para la gran colapsa en el eje X. Aunque ésto no siempre es
variedad de EPSgramas en los diversos portales me-
así.
teorológicos en Internet. El box-plot consta de una
caja rectangular principal cuyo borde inferior es el Viento. Se presenta el valor instantáneo previsto pa-
percentil 25 de la distribución, el borde superior es el ra la hora marcada medido en m/s (1 m/s son
percentil 75 y una línea horizontal interior marca la 3.6 km/h). Presenta un ciclo diurno no tan mar-
mediana o percentil 50. Las líneas verticales inferior cado como el de la temperatura, pero sí clara-
y superior tienen unos extremos que marcan el míni- mente influido por factores climatológicos: en
mo y el máximo respectivamente. Además, pueden lugares con reǵimen de brisas y, en ausencia de
incluirse dos pequeñas subcajitas, inferior y superior, perturbaciones sinópticas tales como borrascas,
que marcarían los percentiles 10 y 90 respectivamente.
la brisa de mar, o virazón, suele ser tener más
En la Figura 27.35 podemos ver los cuatro box-plots
correspondientes a un día. intensidad que la de tierra o terral y marca sus
intensidades máximas en horas centrales del
día.
Temperatura. Se presenta el valor instantáneo pre-
Epsgrama de 10 días. Las cuatro variables de tiem- visto para la hora marcada medido en ºC. Pre-
po sensible presentes en los EPSgramas usuales se senta, como se ha explicado previamente, un
distinguen con claridad. Como ejemplo de EPSgra- ciclo diurno y un ciclo estacional bastante cla-
ma completo para ilustrar las diferencias y aspectos, ros, así como mayor dispersión durante el día
la Figura 27.36 muestra un EPSgrama completo de que durante la noche.
Figura 27.36: Epsgrama de 10 días para Huelva (ver texto). ECMWF 2017.
Figura 27.37: Epsgrama de 15 días con clima para Huelva (ver texto). ECMWF 2017.
Figura 27.38: Epsgramas para Huelva, 10 días y 15 días con clima. ECMWF 2017.
Epsgramas de de 15 días y de 15 días con clima. La ción 27.7.1 en la página 419), proveen así de informa-
Figura 27.37 muestra un EPSgramas de 15 días con ción de normalidad climatológica, que permite esti-
clima para Huelva, para contrastar con el de 10 días. mar si los valores previstos son normales, superiores
Los EPSgramas de 15 días presentan diferencias con o inferiores a lo normal, además de poder inferir cuán
respecto a los de 10 días: significativa sería la diferencia. La línea gruesa central
es la mediana, mientras que las líneas finas inferior y
Amplían el alcance de predicción hasta el D+15. superior son los percentiles 1 y 99 respectivamente (es
Muestran las cuatro variables antes mencionadas más útil que pintar los valores mínimo y máximo que
de tiempo sensible y añaden la dirección del viento. a veces son muy extremos). La sombra más oscura
La nubosidad que se muestra es la media diaria es el IQR y la sombra más clara es el intervalo entre
(media de los valores en 00, 06, 12 y 18 UTC). percentiles 10 y 90.
La precipitación es acumulada en 24 h.
La dirección del viento es la distribución diaria re-
partida en octantes (N, NE, E, SE, S, SO, O, NO). Aspectos importantes. En todo EPSgrama deben re-
El área relativa de cada octante es proporcional a la saltarse los siguientes aspectos, potencialmente útiles
probabilidad de esa dirección de viento. Cada día para el proceso de predicción:
se reescala de acuerdo al octante más poblado, por
tanto cada día tiene una escala diferente. Interpolaciones. Todos los valores previstos repre-
La velocidad del viento son valores medios diarios. sentados, ECHRES, control y box-plot, son in-
La temperatura se descompone en dos partes en terpolaciones espaciales desde los puntos de
la misma gráfica: temperatura máxima en rojo y malla hasta la localización en cuestión, por lo
temperatura mínima en azul, en ºC. que deben tenerse en cuenta las limitaciones
descritas en 27.8. Nótese que, en el título del
Los EPSgramas con clima, además, añaden para ca- EPSgrama se indica la altitud de la localización,
da gráfica unas áreas sombreadas que representan la la altitud del ECHRES y la altitud del ECENS
climatología del ECENS de los últimos 20 años (sec- para tener en cuenta este aspecto.
Dispersión creciente con el alcance de predicción. tiva, más inestabilidad, temperaturas más altas,
La dispersión de las variables atmosféricas etc. Por otro lado, también pueden observarse
crece de forma natural con el alcance de la pautas estacionales en la dispersión, aunque
predicción (sec. 13.6.5 en la página 181 y más complejas pues tienen también que ver con
sec. 27.5.1 en la página 412). Esto se refleja, el paso de perturbaciones.
como no podía ser de otra manera, en el EPS- Ciclos diurno y anual. Variables como la temperatu-
grama. La dispersión está relacionada con el ra a 2 m muestran en el EPSgrama un ciclo
tamaño del box-plot, de su IQR, de su 10-90 diurno muy claro en el que las temperaturas, en
y de su min-max. Podemos comprobar en el general, son más bajas durante las horas noc-
ejemplo que el tamaño de los box-plot crece turnas, en los entornos de 00 y 06 UTC. La
gradualmente con el alcance de la predicción. temperatura mínima suele alcanzarse circa las
No siempre la dispersión crece: en ocasiones 06 UTC y la máxima entre las 12 UTC y las
un día con atmósfera estable sucede a otro día 18 UTC. Así mismo muestran el ciclo anual,
más complejo y, en esos casos, la dispersión con temperaturas más altas en verano y prima-
puede decrecer. Se trata de una pauta general vera.
que tiene que ver con la predecibilidad: a más Factores del clima. los condicionamientos climatoló-
dispersión, menos predecibilidad y, aunque en gicos ambientales correspondientes a la locali-
general la dispersión crece con el alcance de la zación en cuestión son decisivos a la hora de
predicción, cuando no es así tenemos muchas entender el EPSgrama: altitud, continentalidad,
pistas sobre el aumento de predecibilidad de un orientación de las laderas, etc. Por ejemplo, en
día para otro. un lugar costero (e. g. A Coruña) la oscilación
Dependencia estacional y horaria de la dispersión. térmica es suave en comparación con un empla-
En el EPSgrama de la Figura 27.34 podemos zamiento continental (e. g. Granada); también
ver cómo la dispersión correspondiente a las puede haber diferencias entre un ambiente ma-
00 y 06 UTC es, en general, inferior a la de rino atlántico y uno mediterráneo (e. g. Tarra-
las 12 y las 18 UTC. Se trata de otra pauta gona). La Figura 27.39 ilustra este ejemplo.
general que revela aspectos meteorológicos Naturaleza de la variable. Cada variable meteoroló-
en el EPSgrama: la temperatura a 2 m es más gica tiene su naturaleza propia: variabilidad,
predecible durante la noche en condiciones de ciclos, dispersión, etc., que se analizan en otro
atmósfera relativamente estable. Durante el día, apartado.
el calentamiento solar induce actividad convec-
Figura 27.39: Epsgramas para A Coruña, Granada y Tarragona. ECMWF 2017.

Figura 27.40: Epsgramas para Huelva: 10 días y oleaje. ECMWF 2017.
Epsgramas de 10 días de oleaje. También llamados Dirección media de ola. Promedio pesado de la di-
ola-gramas (wave-grams) muestran variables de olea- rección de propagación en el espectro de oleaje,
je basadas en los WAM ENS y WAM HRES del con notación oceanográfica, es decir, hacia dón-
ECMWF, con resoluciones de unos 28 km y unos de van las olas y no de dónde vienen, como es
14 km respectivamente (2017), así como dirección el caso del viento. La rosa se construye similar-
y velocidad del viento basadas en el ECENS, a unos mente a la de viento, pero los colores denotan
18 km de resolución. Las variable específicas de oleaje altura significativa de ola.
son: Periodo medio de ola. Derivado del momento de or-
den -1 del espectro de frecuencia del oleaje,
Altura significativa de ola. Se muestra el valor pre- medido en segundos. Se denomina a veces pe-
visto para la hora marcada, estimado a partir del riodo de energía pues da más peso al mar de
momento de orden cero del espectro de frecuen- fondo de baja frecuencia, rico en energía, que
cia del oleaje, representando la altura media del al oleaje de más alta frecuencia.
tercil superior del oleaje.
27.8.2 Penachos (en extinción) Los penachos ofrecen información sobre la incerti-
dumbre en términos de tendencias generales proyec-
Los penachos son la representación gráfica de algu- tadas en la localización de interés. Las N curvas for-
nas variables meteorológicas, normalmente de tiempo man una nube de posibles valores que, a menudo, no
sensible, en función del rango de predicción para un necesitamos con detalle, sino más bien los rasgos ge-
punto geográfico determinado. En cierto sentido, son nerales. Normalmente esa nube de valores, para cada
una evolución natural de los clásicos meteogramas, variable, se ensanchará con el aumento del alcance de
incluyendo toda la avalancha de información que pro- predicción, correspondiendo a un aumento natural de
porciona un SPC. la dispersión, indicando una disminución de la prede-
cibilidad de la atmósfera para ese punto y rango de
En una localización geográfica determinada dispon- predicción.
dremos normalmente de N predicciones de una va-
riable meteorológica como la temperatura, la preci- Si bien esa es la tendencia usual, nada impide que la
pitación, el viento, etc. Estos N valores, como ya se nube de puntos se estreche de un alcance de predicción
ha descrito (sec. 27.8 en la página 425) suelen cal- al siguiente; es decir, la dispersión puede disminuir si
cularse a partir de los puntos de malla más cercanos, el ambiente meteorológico favorece una disminución
mediante interpolación horizontal y, en el mejor de de incertidumbre y por ende un aumento de predecibi-
los casos, teniendo en cuenta la variabilidad con la lidad.
altitud. Esas N predicciones, correspondientes a N
miembros de un SPC, evolucionarán con el alcance de El ECMWF no tiene entre sus planes seguir adelante
la predicción, de modo que si dibujamos una curva de con este producto.
evolución para cada predicción, tendremos N curvas
superpuestas en el gráfico. El miembro de control, si
lo hay, suele dibujarse en otro color y, si existe un
modelo determinista de mayor resolución, puede aña-
dirse su curva usualmente en otro color distinto al de
los miembros y al del control. Igual que en los sellos,
para interpretar los penachos hay que considerar gran
cantidad de información, y ahí está la dificultad para
el predictor. Para localidades específicas y variables
meteorológicas de especial interés, pueden servir para
profundizar algunos aspectos de la predicción.
El ECMWF muestra productos de penachos para ciu-

dades seleccionadas, con la evolución para 10 días de
3 variables meteorológicas: temperatura en 850 hPa,
precipitación acumulada en las 6 horas previas a la
marcada y altitud geopotencial en 500 hPa. Las curvas
muestran la evolución de ECHRES y del miembro de
control del ECENS, mientras que los penachos repre-
sentan el conjunto de 50 miembros perturbados del
ECENS. Las áreas sombreadas, para temperatura y
altitud geopotencial solamente indican la probabili-
dad de que el valor caiga dentro de un cierto rango de
valores. Por ejemplo, para la temperatura en 850 hPa
la sombra verde claro informa de que la probabilidad Figura 27.41: Penachos de temperatura, precipitación y
de tener una temperatura entre +0.5 ºC y -0.5 ºC del geopotencial para un rango de 10 días vista. ECMWF
valor indicado está entre 0.5 y 10 %. 2017
27.9 Productos experimentales denominados genéricamente productos orientados a

carcaterísticas (feature oriented products). Dentro de
Los productos existentes disponibles para la predic- esa familia de productos, un ejemplo específico son
ción operativa surgen de un complejo proceso, en el los mapas de frentes, que dibujan en un mapa fren-
que se combinan la necesidad, la imaginación y el tes (fríos, cálidos, oclusiones, etc.) y otras zonas con
propio proceso evolutivo de la predicción operativa a alto gradiente térmico. Cuando se aplica esta técnica
medida que va asimilando en su concepción y en sus con SPC, tendremos «espaguetis de frentes», como
procedimientos la naturaleza probabilista. Los produc- podemos observar en la Figura 27.42. A medida que
tos suelen pasar por una fase experimental en la que se avanza el alcance de predicción, los frentes se van
va viendo su utilidad, interpretación, consistencia, etc. desdibujando y puede parecer una auténtica explosión
Un ejemplo de productos en fase experimental son en una fábrica de espaguetis. Podemos observar un
aquellos que buscan de forma objetiva características frente pasando por el noroeste de la península ibérica
atmosféricas y las plasman en mapas meteorológicos, en los mapas de la cuarta fila de la figura.
Figura 27.42: Espaguetis de frentes, producto experimental en 2017 (ver texto). ECMWF 2017.
27.10 Predicción de la predecibilidad: predecibilidad dependiente del flujo 435
Figura 27.43: Predecibilidad dependiente del flujo (ver texto), ECMWF.
27.10 Predicción de la predecibi- medir, en términos relativos, el valor del uso de un

sistema predictivo particular con respecto a otro de
lidad: predecibilidad depen-
referencia que puede ser, por ejemplo, la climatología
diente del flujo (sec. 15.10 en la página 234). Mediante esta medi-
da se ha podido comprobar, sistemáticamente, que la
Tanto en el capítulo de predecibilidad (cap. 12 en la predicción probabilista resulta enormemente rentable.
página 155) como en el de sistemas de predicción por A la hora de tomar decisiones, ofrecer un rendimien-
conjuntos (cap. 13 en la página 165) o en este mismo to favorable a la larga, asesorar convenientemente al
capítulo se intenta enfatizar la idea de que la predecibi- usuario, etc., la predicción probabilista es un serio
lidad depende de la situación atmosférica: predecibili- candidato como sistema de predicción, no en vano el
dad dependiente del flujo. Los SPC intentan muestrear ECMWF lo pone en lugar preferente en su estrategia
convenientemente las diversas incertidumbres asocia- 2016-2025 (sec. 19.4 en la página 297). Una buena
das a la atmośfera y, de este modo, la dispersión que parte de la sociedad ofrece una resistencia natural a
presente la PDF del SPC correspondiente ofrecerá la información dada en términos de probabilidades.
una información cuantitativa, detallada y explícita de Poco a poco estas resistencias irán bajando.
incertidumbre atmosférica y, por ende, de predecibi-
lidad. Los sistemas de predicción modernos tienden
a incorporar la información sobre predecibilidad de 27.11.1 ¿Pueden usarse los SPC sin proba-
modo natural en las predicciones. En los boletines me- bilidades?
teorológicos que AEMET proporciona a los medios de
comunicación e Internet, en los portales web de infor-
Los SPC son intrínsecamente probabilistas y el mejor
mación meteorológica, etc., se implanta poco a poco
modo de sacar un rendimiento óptimo de los mismos
la información sobre predecibilidad complementaria a
es como tales sistemas probabilistas. Cualquier inten-
la propia predicción, de tal modo que podemos hablar,
to de utilización determinista sería, en el mejor de los
a día de hoy, de predecir la predecibilidad. Indirecta-
casos, una simplificación que haría perder valor a la
mente, predecir la predecibilidad es predecir el riesgo
información, cuando no una degradación de la misma
potencial de fenómenos adversos. El ECMWF, en el
o algo peor. Por ejemplo, el promedio del SPC no es
apartado de clustering (agrupamiento) en su sitio web,
necesariamente una atmósfera plausible (sec. 13.6.3
ya incorpora agrupaciones de situaciones atmosféricas
en la página 178), aunque estadísticamente obtenga
y su atribución a uno de cuatro regímenes atlánticos
buenas medidas de calidad (sec. 15.7 en la página 221).
predefinidos.
En los albores de los SPC, un sector profesional de
la meteorología, ante la gran cantidad inabordable de
información de los mismos, proponía «hacer la media
27.11 Valor de los SPC y ya está».
En el capítulo de verificación (cap. 15 en la pági- Los box-plot, las barras de error o incertidumbre en
na 207) se presenta con detalle una medida llamada las gráficas, los penachos, etc. son una manera sencilla
valor relativo de un sistema predictivo que permite de acercarse a la probabilidad. Las barras de error se
definen usualmente por estimaciones de probabilidad La dispersión (spread) de un SPC representa la in-
dadas (e. g. intervalos del 70 %). certidumbre de la predicción o la predecibilidad.
Este tipo de información no puede extraerse fácil-
Las probabilidades, en principio, pueden ser un puente mente de un modelo determinista. Los SPC brindan
entre predictor y usuario de la predicción. Diferentes una representación detallada, explícita y cuantitati-
aplicaciones tendrán diferente sensibilidad a las falsas va de la incertidumbre y, por ende, de la predecibi-
alarmas o a la tasa de aciertos. Los SPC facilitan al lidad.
predictor una modulación que él puede añadir subje- Los SPC proporcionan una PDF de la predicción
tivamente en la predicción, transformando las proba- de la situación meteorológica, con la que pueden
bilidades brutas en terminología común. Por ejemplo: construirse numerosos productos de utilidades es-
posibles nieblas (probabilidad entre 10 y 40 %), pro- pecíficas para cada usuario o contingencia.
bables nieblas (40-70 %), muy probables (70-90 %), Especialmente en situaciones de fenómenos adver-
nieblas (90-100 %). sos potenciales, los SPC son una herramienta mu-
cho más útil. Al brindar numerosos escenarios, es
27.11.2 ¿Qué es realmente nuevo? mucho más fácil que alguno de esos escenarios
pueda capturar una situación atmosférica crítica.
Antes de la llegada delos SPC los profesionales de la
predicción elaboraban de alguna forma un contraste
de predecibilidad. Sobre todo en situaciones delicadas,
se miraba más de un modelo, se evaluaba la consis- 27.12 Conclusiones
tencia entre pasadas sucesivas del modelo principal,
etc. Por tanto, no toda la información que brindan los
SPC es realmente una novedad, al menos en parte. Como herramienta para la predicción o productos para
Los aspectos que no son realmente novedosos son: el usuario final, los SPC aportan numerosas ventajas
Los predictores, tradicionalmente, evaluaban la pre- con respecto a los modelos deterministas. Los produc-
decibilidad de acuerdo con su experiencia de la tos de los SPC representan de forma natural el carácter
calidad del modelo numérico determinista, errores probabilista de la atmósfera, que es precisamente lo
dependientes del flujo y de las escalas temporales y que no aportan los modelos deterministas. Los SPC
espaciales de la predicción. proporcionan una representación cuantitativa, detalla-
La inconsistencia de diferentes modelos determinis- da y explícita de la incertidumbre y, por ende, de la
tas se ha usado tradicionalmente como una muestra predecibilidad atmosférica. A su vez, ofrecen herra-
de la incertidumbre de la predicción. mientas para evaluar la plausibilidad de potenciales
fenómenos adversos y, por tanto, son herramientas
Por otro lado, son realmente novedosos los siguientes importantísimas para ayudar a la toma de decisiones
aspectos: en la emisión de avisos meteorológicos.
27.13 Anexo: predecibilidad de la precipitación 437
Figura 27.44: Ejercicio teórico con un SPC de tres miembros. a) Precipitación de cada uno de los miembros. Cada
color representa un miembro del SPC. El área sombreada en colores claros indica las zonas donde el miembro
muestra PCP > 1 mm. El área sombreada en colores intensos indica las zonas donde el miembro muestra PCP > 10
mm. b) Probabilidad de PCP > 1 mm derivada de a). c) Probabilidad de PCP > 10 mm derivada de a) (ver texto).
27.13 Anexo: Hacia un cambio de muestran el mismo patrón pero con una separación
evidente en el eje este-oeste.
paradigma en la interpreta-
ción de la precipitación de los Entre los productos más usados para condensar la in-
formación del conjunto de miembros de un SPC están
SPC los mapas de probabilidad de que se supere un cierto
umbral. Para ello se calcula para cada punto de malla
S ERGI G ONZÁLEZ H ERRERO
el porcentaje de miembros del SPC que superan dicho
DT en Cataluña, AEMET umbral (sec. 27.6.1 en la página 416). Si lo aplicamos
En el caso de la precipitación, los SPC de resolución a nuestro ejercicio con un umbral de 1 mm obtenemos
kilométrica plantean una problemática específica en un patrón como el que se muestra en la Figura 27.44,
predicción probabilista. A medida que aumenten la parte (b). Ahí se muestra una zona central que indica
resolución y vayan entrando en la cadena de predic- una gran probabilidad (100 %) de que lloverá más de
ción los SPC de resolución kilométrica y convection- 1 mm, allá donde los 3 miembros del SPC se solapan.
permitting (cap. 21 en la página 313), va a ser ne- Hacia el este y el oeste esa probabilidad disminuye,
cesario aplicar un cambio de paradigma en la inter- dando un 67 % allá donde dos miembros se solapan
pretación clásica punto a punto de malla (grid) de y un 33 % allá donde ningún miembro se solapa con
la precipitación (PCP). Esto será necesario especial- otro.
mente en los casos donde esté envuelta la convección, Construyamos ahora un mapa de probabilidad pero
casos que generalmente dejan grandes acumulaciones con un umbral de 10 mm. Como ninguna de las zonas
de precipitación en franjas espaciales y temporales de precipitación mayor a 10 mm se solapa con otras,
estrechas. la probabilidad máxima que obtendremos será de 1/3
(33 % aproximadamente). Esta situación se muestra
Hagamos un pequeño ejercicio teórico para visuali- en la Figura 27.44, parte (c) donde se observa que hay
zarlo (Figura 27.44). Tenemos que elaborar una pre- 3 áreas sombreadas con una probabilidad del 33 %.
dicción y como herramienta para realizarla tenemos
un SPC de mesoescala con sólo 3 miembros. Estos 3 Normalmente, cuando se usa un SPC no se analizan
miembros muestran un patrón de precipitación muy los datos de cada uno de los miembros por separado ya
semejante, con una amplia zona que indica acumu- que en conjunto contienen demasiada información co-
laciones superiores a 1 mm, y dentro una zona más mo para ser usados en la rutina operativa (sec. 27.2.1
estrecha que indica una precipitación mayor a 10 mm. en la página 402). Por lo tanto, si este ejercicio fuera
Todos los miembros muestran un patrón parecido, pe- real, no veríamos nunca la Figura 27.44, parte (a) sino
ro con una diferencia: este patrón no lo sitúan en el que pasaríamos directamente a analizar las partes (b)
mismo lugar. En la Figura 27.44, parte (a) se muestra y (c). Con esta información tratada de forma clási-
el ejercicio con este esquema, donde los tres miembros ca y suponiendo que el SPC está bien calibrado, un
predictor posiblemente escribiría un pronóstico del innececesaria y menos fiable de escala muy fina, sinte-
estilo «En una amplia zona, hay una probabilidad tizando la información en una escala algo más gruesa
baja (33 %) de que se alcancen los 10 mm». Pero, ¿es y aportando así información útil al predictor.
ésta la forma más acertada de decirlo?, viendo la Figu-
ra 27.44 en la página anterior, parte (a) pensaríamos Situaciones análogas a ésta se producen a diario en
que es más adecuado pronosticar que «En alguna zo- los SPC clásicos, pero a menudo pasan desapercibidas
na estrecha dentro del área de predicción se esperan ya que como las áreas de precipitación son a menudo
(con un 100 % de probabilidad) más de 10 mm». grandes, sus solapes son mayores y por lo tanto los
errores de interpretación por desplazamiento de las
Nótese que este comportamiento refleja de algún mo- zonas de precipitación entre los distintos miembros
do un aspecto que se describe en detalle en el capítulo del SPC son menores. Pero a medida que la resolu-
dedicado a verificación (sec. 15.5 en la página 219): ción de los SPC aumente y se vayan incorporando
los modelos y SPC tienen diferentes rendimientos se- al proceso de predicción los SPC con modelos de
gún las diferentes escalas espaciales en que los pode- resolución kilométrica convection-permitting, como
mos usar y, en general, cuanto más fina la escala, más el AEMET-γSREPS (cap. 21 en la página 313), és-
exigencia requiere y peor resultado dan los modelos, te problema se hará más y más evidente, en especial
como puede verse en el caso de la Doble Penalización en situaciones de convección profunda. Estas diferen-
(sec. 15.5.2 en la página 220). A veces, cambiar de es- cias entre miembros no se producen únicamente en el
cala un modelo, por ejemplo, haciendo su resolución patrón espacial, sino que también pueden producirse
un poco más gruesa, puede simplificar información diferencias temporales.
Figura 27.45: Probabilidad de PCP > 10 mm entre las 00 UTC del día 7 y las 12 UTC del día 8 de agosto de 2017 (en
escala de grises) según el SPC convection-permitting AEMET-γSREPS. Contorneadas, se muestran las áreas donde
cada uno de los miembros por separado (en distintos colores) muestra una PCP > 10 mm. Como hay 20 miembros
cada uno de los miembros representa un 5 % de contribución a la probabilidad de precipitación (ver texto).
27.13 Anexo: predecibilidad de la precipitación 439
Figura 27.46: Precipitación acumulada durante el día 7 de agosto de 2017 derivado a partir de los datos de radar,
considerado como una buena estimación de la realidad (ver texto).
Así pues, los predictores del tiempo debemos replan- precipitaciones por encima de 10 mm. Si nos centra-
tearnos nuevas formas de analizar los sistemas de mos solamente en la provincia de Valencia podemos
predicción por conjuntos, para que el uso inadecuado observar que, aunque la probabilidad de precipitación
y no renovado de la tecnología no degrade nuestra superior a 10 mm no llega al 10 % (no hay ningu-
capacidad interpretativa (sec. 4.4 en la página 43). na zona sombreada), hasta 15 miembros individuales
muestran la superación de ese umbral en distintas par-
La Figura 27.45 en la página anterior muestra un ejem- tes de la provincia, casi ninguna solapándose. Ello
plo real de lo expuesto anteriormente en el ejercicio nos indicaba que la probabilidad de que se produjera
teórico, para comprobar cómo ocurre este problema una tormenta era alta, pero que sería en todo caso
en la realidad. Esta imagen corresponde a la primera muy aislada. Además, basados en el patrón de preci-
predicción en que se usó operativamente, aunque no pitación elongado que mostraban varios miembros se
todavía de forma oficial, el AEMET-γSREPS y mues- podía deducir que tendría un desplazamiento de oeste
tra la probabilidad de precipitación mayor a 10 mm a este. Efectivamente, así se produjo durante la tarde
(sombreado en grises) entre las 00 UTC del día 7 y las del día 7, tal y como se observa en la Figura 27.46
12 UTC del 8 de agosto de 2017 . Sobre ella se han (ver también sec. 22.8.1 en la página 355).
contorneado, en distintos colores para cada miembro,
las zonas donde los distintos miembros mostraban Este ejemplo muestra cómo debemos ir hacia un cam-
bio de paradigma a la hora de interpretar los SPC de uno a uno. Sin embargo, en el futuro serán necesa-
resolución kilométrica en situaciones de convección. rios productos más elaborados, probablemente con
Este cambio de paradigma ha de conducir a crear nue- visualizaciones interactivas que permitan, por ejem-
vos productos que nos permitan entender mejor la plo, seleccionar un área y decir cuántos miembros dan
probabilidad de que se produzca convección y cómo en algún punto de éste área una precipitación superior
esta se distribuye espacial y temporalmente. Una pri- a un umbral. En cualquier caso, la predicción proba-
mera aplicación puede ser la que hemos mostrado para bilista a partir de los SPC de resolución kilométrica
el caso de Valencia, que supondría buscar un umbral está imponiendo una modificación en nuestra forma
suficientemente alto como para separar los miembros de interpretar los SPC a la que nos deberemos adaptar
de mayor precipitación visualmente y poderlos contar en un futuro próximo.
27.14 Anexo: nuevo agrupamiento de ECENS en AEMET 441
27.14 Anexo: adaptación de la téc- se puede extraer el mismo tipo de información que la
que se extrae para el total del ensemble. En particular
nica de ECMWF de agrupa-
una vez obtenidos los grupos se pueden obtener, por
miento de SPC en AEMET ejemplo, probabilidades de superación de umbrales
para la precipitación.
Á LVARO S UBÍAS D ÍAZ -B LANCO Y A LEJANDRO
ROA A LONSO Se elige el representante de cada grupo como el miem-
ATAP, AEMET bro más cercano a la media, la cual se desecha por
carecer de coherencia meteorológica, dado el carácter
Este anexo se presentó en la Asociación Meteorológi- no lineal de las ecuaciones que gobiernan el estado de
ca Española en 2018. la atmósfera (ver sec. 12.1.1 en la página 156).
Desde Marzo de 2018 se ha establecido en AEMET un

nuevo procedimiento de agrupamiento de los miem- 27.14.1 Método
bros del ensemble del ECMWF, el ECENS. Dicho
procedimiento ha sido desarrollado en ECMWF por
L. F ERRANTI y S. C ORTI (2011 [195]) y adaptado en Un agrupamiento de miembros de un ensemble que
AEMET por los autores, a partir de un estudio previo, se realice de forma automática requiere la elección
para campos de superficie en AEMET, por parte de A. de al menos un campo de salida del modelo sobre el
RODRÍGUEZ (2014 [545]). que realizar una comparación. Típicamente se elige la
altura geopotencial en 500 hPa (z500) al tratarse de
Para la realización del agrupamiento se trabaja en un campo suave (ver Figura 27.47) a la vez que sinóp-
el espacio de componentes principales de la altura ticamente representativo del estado de la atmósfera.
geopotencial en 500 hPa. Se propone una varianza
explicada del 80 % para establecer un truncamiento El anterior método de agrupamiento utilizado en
de la dimensión de dicho espacio. Es en ese espacio, AEMET, desarrollado B ENITO E LVIRA y AURORA
típicamente de dimensión de 2 a 3, en el que se realiza M ARTÍN (1999 [183]) realiza un agrupamiento en el
un agrupamiento basado en la técnica de K-medias. Fi- campo de z500. El algoritmo trata de minimizar la
jado un número de grupos la mejor elección se realiza pérdida de varianza al fusionar dos grupos utilizando
para aquel grupo que maximice el cociente rn entre la la distancia de WARD entre ellos que consiste en la
varianza entre centroides y el promedio de la varianza distancia L2 entre sus centroides, pesada por un fac-
interna de cada grupo. Se obtiene la mejor agrupación tor que tiene en cuenta las poblaciones de ambos, de
para cada número de grupos, desde 1 hasta 6. Este modo que se favorece la fusión con pocos miembros.
procedimiento permite obtener la elección óptima del
número de grupos basada en un criterio de significa-
ción estadística. Fijado el número de grupos, dicha
significación está dada por el porcentaje de grupos
calculados a partir de una perturbación gaussiana de
la agrupación óptima asociada a dicho número, con
coeficiente r menor que rn . La elección del número de
grupos es aquella que maximiza dicha significación
junto con algunos criterios dependientes del corto,
medio o largo plazo (hiperheurística).
En la actualidad este es el procedimiento usado en AE-

MET para el agrupamiento de los distintos miembros
del ECENS, efectuado en dos dominios: (1) península
ibérica y Baleares (2) islas Canarias. Figura 27.47: Varianza explicada de cada una de las
componentes principales presentadas en orden decre-
La técnica de agrupamiento permite la separación del ciente. Los dos primeros modos explican más del 80 %
conjunto de 51 miembros en subgrupos, de los cuales de variabilidad .
Desde 2014, en el ECMWF se utiliza una nueva técni- el 80 %, basta escoger simplemente muy pocos modos
ca de agrupamiento desarrollada por L. F ERRANTI y (típicamente 2 ó 3). Los campos en los que se realiza
S. C ORTI (2011 [195]). En ella se comparan campos la presente técnica han de ser suaves, es decir, que pre-
de z500 en el espacio de componentes principales en senten un decaimiento rápido o, dicho de otra forma,
vez del espacio de puntos de malla. Fijado un alcance que pocos modos expliquen mucha variabilidad.
en el que se desee realizar un agrupamiento se calcu-
lan las funciones empíricas ortogonales (EOF [390]) Una vez que se tienen los modos se proyectan los 51
a partir de la variabilidad de los 50 miembros pertur- campos en las funciones empíricas ortogonales y se
bados del ECENS junto con el miembro de control obtienen las componentes principales de cada uno de
(sin perturbar); estas funciones constituyen los modos ellos. En una situación en la que nos quedamos con
que diagonalizan la matriz de covarianza del campo 2 modos, basta considerar dos parámetros para iden-
analizado. La varianza explicada de los distintos mo- tificar cada uno de los campos. Por tanto, es posible
dos decrece muy rápidamente cuando se ordenan de hacer una representación en un plano en la que tene-
forma decreciente (Figura 27.47 en la página anterior) mos 50+1 puntos. Desde un punto de vista geométrico,
de modo que, para explicar una varianza de al menos el objetivo consiste en la identificación de grupos o
particiones en dicho plano (Figura 27.48).
Figura 27.48: Agrupaciones Q2, Q3, Q4, Q5 de los 51 miembros en el espacio de componentes principales (figuras a,
b, c, d, respectivamente). En las imágenes se muestra la pertenencia de un determinado miembro a un grupo según
su color recuadrando el representante. La letra x representa la media de cada grupo (ensemble mean).
iniciales y se elige la partición Qn que maximiza el

cociente rQn . Una vez hecho esto se compara la signi-
ficación de las particiones Q2 , . . . , Q6 y se elige como
número de grupos óptimo aquel que maximiza dicha
significación (Figura 27.50). Se tiene en cuenta una
hiperheurística si el alcance se sitúa en el corto plazo,
de modo que se inhibe el número de grupos o, si se
sitúa en el largo plazo, de modo que éste se favorece.
Figura 27.49: Grupo formado por tres miembros (15,
27, 38) en el que se muestra el representante (izquierda)
y la media del ensemble (derecha). Pese a representar
el mismo grupo pueden apreciarse las diferencias en las 27.14.2 Resultados
isolíneas del campo de geopotencial.
Una vez identificados los miembros que pertenecen a
El objetivo es conseguir particiones en las que los un determinado grupo, se procede a su representación
centroides estén lo más separados entre sí y, dentro de gráfica. Debido a que un grupo constituye un subcon-
cada grupo, los miembros muy próximos al centroide. junto de un sistema(s) de predicción por conjuntos
Para ello se define el valor rQ como el cociente entre (SPC), se puede obtener el mismo tipo de informa-
la varianza entre centroides y la media de las varian- ción. Además de mostrar el miembro representante,
zas internas de cada grupo. Lo deseable es que este podemos obtener probabilidades, como por ejemplo
coeficiente sea lo mayor posible. la superación de umbrales de precipitación o la proba-
bilidad de que esté el cielo cubierto.
A partir de una partición Q se realiza un procedimiento
de reasignación en el que dos grupos se intercambian Esta técnica de agrupamiento se realiza en pasadas
un miembro. El procedimiento de reasignación de ele- de 00 y 12 UTC del ECENS del ECMWF para los
mentos a grupos más próximos devuelve una nueva alcances cuya validez sea las 12 UTC, desde el día D
partición en la que el procedimiento se estabiliza, es hasta el día D+14. El cálculo de probabilidades tiene
decir, no hace crecer el coeficiente r. De la partición en cuenta las 24 horas del día en el que está centrado
obtenida consideramos el miembro representante, que el alcance antes mencionado.
es el más cercano a la media (ensemble mean). El
representante escogido de esta manera es un miem-
bro del ECENS coherente en todos sus campos, eso
no ocurre necesariamente para el ensemble mean, en
el que la media de determinados campos puede no
representar un campo físico real (Figura 27.49).
Una vez obtenida una partición Q, se compara la fuer-
za del agrupamiento con una función de distribución
de referencia. Para ello, se generan particiones Qm con
el mismo número de miembros que Q. Estas mues-
tras se generan a partir de cadenas de M ARKOV cuya
media, varianza y autocorrelación a primer orden se
obtienen a partir de Q [195]. Para cada conjunto inicial
de datos Qm se realiza un agrupamiento, obteniéndose
el coeficiente rQm . La significación estadística estará Figura 27.50: Significación estadística según el número
dada por el porcentaje de muestras sintéticas Qm tales de grupos, permite establecer el número de grupos óp-
que rQm < rQ . timo. En este caso el número óptimo es de dos grupos
en el que se sitúa en primer máximo local de significa-
Inicialmente, se parte de un número n de grupos pre- ción (hiperheurística de corto plazo). El eje horizontal
fijado, se toma al azar un conjunto de particiones representa el número de grupos (menos 1).
Figura 27.51: Visualización principal del agrupamiento. En este caso se muestran 2 grupos; pueden observarse las
diferencias de probabilidad de precipitación entre ambos (ver texto).
Como visualización principal se muestran varias co- sí, es decir, con covarianza nula entre ellos. Lo que
lumnas, siendo la primera de ellas el ECENS conjunto intenta el presente agrupamiento es desglosar, en el
con los 51 miembros y como campo de referencia el mapa de desviación estándar del SPC conjunto, dis-
miembro de control. Las siguientes columnas están tintos polos de variabilidad en distintos grupos. Esto
dadas por los distintos grupos; para cada grupo, ade- puede contemplarse en el mapa de desviación estándar
más, se indican tanto el número de miembros que lo de z500 para el ECENS y para cada uno de los grupos
forman, como el representante que se utiliza para la (Figura 27.52 en la página siguiente, parte superior).
visualización (Figura 27.51). Así mismo, en la Figura 27.52 en la página siguiente,
parte inferior se muestran, para el ECENS conjunto y
La técnica de Análisis de Componentes Principales para los dos grupos, probabilidades de superación de
(Principal Component Analysis, PCA [305, 330]) se- diferentes umbrales .
para modos de máxima variabilidad ortogonales entre
Figura 27.52: Arriba (dos primeras filas): desviación estándar (sec. 13.6.5 en la página 181 y sec. 27.5.1 en la
página 412) de z500 y mapa con spaguetti (sec. 27.4.1 en la página 406) en la isohipsa cuyo miembro de control
pasa por Madrid. Los grupos representan la misma situación que en la Figura 27.51 en la página anterior. Abajo
(cuatro últimas filas): probabilidad de superación de umbrales de precipitación de 1, 2, 5 y 10 mm para el ECENS
conjunto y para los distintos grupos.
27.14.3 Conclusiones A su vez, la nueva representación gráfica de campos

permite la intercomparación entre los distintos grupos
La presente técnica de agrupamiento establece una y el ECENS conjunto, dado que los grupos constitu-
comparación en el espacio de componentes princi- yen un subconjunto del ensemble y por tanto se puede
pales, en vez de hacerlo en el espacio de puntos de extraer información análoga.
malla, lo que permite que cada campo sea etiquetable
con un reducido número de valores. Este conjunto es
de dos o tres valores, según la situación meteoroló- Una posible mejora de esta técnica consistiría en esta-
gica, mientras que para el cálculo en el espacio de blecer un peso en la zona de mayor interés a la hora
puntos de malla se necesitan todos los puntos para su de calcular covarianzas. De modo que, por ejemplo, si
completa descripción (en nuestro ejemplo 176 × 126). nos interesa la variabilidad sobre la península ibérica,
Este hecho permite el desarrollo de algoritmos que entonces una gran variabilidad en una región como el
sólo son posibles debido a la baja dimensionalidad sur de las islas británicas no debería de ser causante
del problema. de consideración de nuevos grupos.
Predicciones mensual, estacional y anual
28
DOI: 10.31978/014-18-009-X.28
A SUNCIÓN PASTOR S AAVEDRA

Área de Evaluación y Modelización del Clima (AEMC), Agencia Estatal de Meteorología (AEMET)
E ROTEIDA S ÁNCHEZ G ARCÍA Y J OSÉ VOCES A BOY
Delegación territorial (DT) Cantabria, AEMET
B EATRIZ NAVASCUÉS F ERNÁNDEZ -V ICTORIO
Consejero técnico, AEMET
F RANCISCO D OBLAS -R EYES
Institució Catalana de Recerca i Estudis Avanats (ICREA), Barcelona Supercomputing Center-Centro Nacional
de Supercomputación (BSC)
We are entering a new era in technological innovation and in use and integration of different sources of
information for the wellbeing of society. New predictive tools that will detail weather conditions down to
neighborhood and street level, and provide early warnings a month ahead, and forecasts from rainfall to energy
consumption will be some of the main outcome of the research activities in weather science over the next decade,
and a better understanding of small-scale processes and their inherent predictability should go together with a
better comprehension of how weather related information influence decisional processes.
M ICHEL JARRAUD , 2015, Secretario general de la World Meteorological Organization (WMO) 2004-2015
Las predicciones a largo plazo proporcionan un abanico de posibles cambios en las condiciones atmosféricas de
un cierto mes, estación o año venidero, con respecto a los denominados valores normales. Debido a la naturaleza
caótica de la atmósfera, es imposible predecir las variaciones diarias del tiempo en una localidad específica
con meses de antelación. Incluso es imposible predecir con exactitud el tiempo promedio en zonas de cierta
amplitud. En este capítulo se examinan estos conceptos punto por punto y se describe qué pueden aportar estas
predicciones a largo plazo a la sociedad.
Palabras clave: sistemas de predicción por conjuntos aplicados a la predicción de largo plazo, predicción vs proyección,
predicción mensual, ensembles de conveniencia, predicción estacional, S-ClimWare, EUROSIP, IRI, predicción anual,
predicción interanual.
Imagen parte superior: nubes orográficas. Chamonix (Francia), hacia el sureste, 20 de julio de 2009 a las 09:38. Fotografía de J OSÉ
448 Física del caos en la predicción meteorológica Capítulo 28. Predicciones mensual, estacional y anual
Figura 28.1: Esquema de los sistema(s) de predicción por conjuntos (SPC) con escalas de tiempo desde la estacional
hasta decadal, mostrando: a) el impacto de los sesgos del modelo y b) un clima cambiante. La incertidumbre en las
predicciones del modelo surge tanto de la incertidumbre de la condición inicial como la incertidumbre del modelo.
Adaptada de la Figura 8 de S LINGO y PALMER [588].
28.1 Predicciones de largo plazo 28.1.1 Fundamentos
Siguiendo las directrices de la Organización Meteo-

Este capítulo está dedicado a las predicciones de largo
rológica Mundial (OMM), se ha venido utilizando
plazo, predicciones mensuales, predicciones estacio-
la definición de plazos de predicción de 3 a 10 días
nales, predicciones anuales y predicciones decadales.
para definir el medio plazo. La OMM se refiere a la
En primer lugar, se ha insistido en las incertidum-
gama de 10 a 30 días como rango o alcance extendido
bres propias del largo plazo y en la diferencia exis-
(aunque en el ECMWF se utiliza a menudo el término
tente entre predicciones y proyecciones climáticas.
predicción mensual) y de 30 días a 2 años como a
En segundo lugar, se ha prestado especial atención
largo plazo. La OMM ha designado al ECMWF como
a la descripción del sistema del European Centre for
un Centro de Producción Global de las previsiones a
Medium-range Weather Forecasts -Centro Europeo
largo plazo - uno de los quince existentes en el mundo.
de Predicción a Plazo Medio- (ECMWF), para la pre-
dicción extendida más allá del medio plazo hasta la Las predicciones de largo plazo proporcionan infor-
escala mensual y la predicción de más largo alcance mación acerca de las condiciones atmosféricas y oceá-
estacional y anual, y a los productos correspondientes nicas promediadas para los próximos meses (pocos).
a cada escala. Conceptos importantes son la predic- A pesar de la naturaleza caótica de la atmósfera (ver
ción por conjuntos y los denominados sistemas de cap. 5 en la página 49), las predicciones de largo
predicción por conjuntos de conveniencia. Igualmen- plazo se apoyan en un número de componentes que
te, se discute que la información sobre la fiabilidad de muestran variaciones en escalas de tiempo largas (es-
las predicciones climáticas es crucial para cualquier taciones y años) y, hasta cierto punto, son predecibles.
usuario de información climática de cara a saber la La más importante de estas componentes es el ciclo
utilidad de esas predicciones para apoyar el proceso del ENSO (El Niño-Oscilación del Sur, sec. 29.2.1 en
de toma de decisiones. la página 484), fenómeno acoplado atmósfera-océano
centrado en el Pacífico tropical pero siendo la esca-
Un punto especial estriba en subrayar las ventajas de la de las fluctuaciones bastante amplia, ya que los
considerar las predicciones en las distintas escalas de cambios en las temperaturas de la superficie del mar
tiempo en el contexto de la denominada predicción sin (sea surface temperature -temperatura de la superfi-
costuras (seamless, en inglés), que podría describirse cie marina- (SST)) con frecuencia afectan no solo a
como la apuesta para hacer compatibles las prediccio- la anchura completa del Pacífico, sino también a las
nes de los distintos plazos, atendiendo a su concepción otras cuencas oceánicas y los cambios en la lluvia y
de base, su contenido y su formato. Y como siempre, vientos tropicales cubren una distancia superior a la
sobrevolando el reto de la debida comunicación de la mitad de la circunferencia de la Tierra. Los episodios
predicción probabilista a los usuarios de la informa- El Niño (también denominados episodios cálidos del
ción procedente de tales ensembles. Pacífico) y los episodios La Niña (conocidos también
28.1 Predicciones de largo plazo 449
como episodios fríos del Pacífico) representan extre- comentará posteriormente. Dentro del periodo de pre-
mos opuestos del ciclo ENSO. El ciclo ENSO es la dicción, este tipo de predicciones no pronostican de
mayor fuente conocida de la variabilidad climática forma determinista eventos de tiempo individuales,
interanual. Los cambios en la temperatura de la super- sino un conjunto de posibles realizaciones del tiem-
ficie del mar del Pacífico no son la única causa de los po atmosférico cuya estadística se puede comparar
cambios predecibles en los patrones de tiempo. Exis- con las condiciones climáticas características de cada
ten otras causas de variabilidad climática estacional: lugar. Así, las predicciones en estos alcances son de
así, temperaturas inusualmente cálidas o frías de la su- naturaleza probabilista, y de esta forma se comunica
perficie del mar en el Atlántico tropical o en el océano su incertidumbre.
Índico pueden ocasionar impactos importantes en el
clima de las estaciones en los continentes vecinos. Por En el ECMWF, análogamente a los rangos medio y
ejemplo, la temperatura de la superficie del mar en la extendido, las predicciones a largo plazo se obtienen
parte occidental del océano Índico tiene un efecto in- con el modelo IFS (Integrated Forecast System) aco-
tenso en la precipitación en el África oriental tropical plado atmósfera-océano. El modelo se integra para
y las condiciones oceánicas en el Atlántico tropical un rango de varios meses; el proceso se repite mu-
afectan a la lluvia en el noreste de Brasil. Además de chas veces, con ligeras variaciones para representar
los océanos tropicales, existen otros factores que pue- las incertidumbres en el proceso de predicción, pro-
den afectar al clima estacional como son la cubierta duciendo así un ensemble o SPC (ver cap. 13 en la
de nieve y la humedad del suelo. Cuando la cubierta página 165).
de nieve está sobre el promedio para una estación y
región dada, tiene una mayor influencia refrigerante
en el aire que la habitual. La humedad del suelo, cuyo 28.1.2 Incertidumbres propias del largo pla-
efecto es más intenso durante las estaciones cálidas, zo
ejerce también una influencia refrigerante. Todos esos
factores que afectan a la circulación atmosférica cons- L ORENZ mostró claramente que la incertidumbre en
tituyen la base de las predicciones a largo plazo. La las condiciones iniciales, pese a ser pequeña, condu-
modelización climática y la predicción estacional han cirá a la incertidumbre en la predicción tras un cierto
puesto de manifiesto hace ya bastante tiempo cómo periodo de unos cuantos días, variable; dependiendo
las interacciones entre la atmósfera y otros elementos del estado inicial de la atmósfera. Como consecuen-
del sistema Tierra introducen nuevas retroalimentacio- cia, la comunidad de predicción numérica empezó
nes en escalas temporales largas, que proporcionan a considerar el uso de métodos probabilistas para la
el potencial para la predecibilidad (ver cap. 12 en la predicción, especialmente más allá del límite deter-
página 155) en escalas estacionales y más largas. minista de una semana o así, sugerido por L ORENZ
A causa de la lentitud del desarrollo y del decaimiento [588]. La implementación temprana de los métodos
de las anomalías de las SST, los efectos en la atmós- probabilistas en la predicción numérica del tiempo
fera, en lugares y durante épocas del año en que son se basó en la aplicación de perturbaciones aleatorias
notables, son con frecuencia coherentes para un pe- pequeñas a las variables de estado atmosféricas (tem-
riodo temporal de varios meses. Serían importantes peratura, humedad, vientos y presión) en la condición
incluso para un tiempo incluso más largo, si no fue- analizada inicial. Ya que el comportamiento de la at-
ra por el hecho de que dependen de forma bastante mósfera es no lineal, estas perturbaciones pequeñas
intensa de la estación del año. Dicho de otra forma, son amplificadas por procesos caóticos y cada pre-
una anomalía de SST dada puede tener un efecto bien dicción difiere de las otras. La teoría de L ORENZ de
definido en el clima en alguna localidad en una cierta la atmósfera (y océano) como un sistema no lineal,
época del año, pero a medida que la estación progre- caótico impregna todo lo concerniente a la predicción
sa, la misma anomalía de SST puede tener un efecto del tiempo y del clima y, como tal, ha influido en
diferente, o incluso puede que ya no cause ningún el desarrollo de los SPC, probabilistas, en todos los
efecto. plazos de predicción. Ha mostrado también que las
fuentes de incertidumbre no se encuentran limitadas a
La falta de predecibilidad de la atmósfera en las es- las condiciones iniciales -las bases del modelo de L O -
calas extendida y de largo alcance, conlleva una in- RENZ - sino que la incertidumbre del modelo (cap. 17
certidumbre intrínseca a las predicciones estaciona- en la página 257) desempeña un papel crítico en todas
les y de mayor horizonte temporal, cuyo origen se las escalas temporales.
Figura 28.2: La cascada de incertidumbre presentada por W ILBY y D ESSAI [680], ilustrando el crecimiento
de la envolvente de incertidumbre a partir de varias fuentes que van desde la sociedad futura a la res-
puesta a la adaptación: https: // www. climate-lab-book. ac. uk/ 2014/ cascade-of-uncertainty/ ,
https: // www. researchgate. net/ publication/ 271711914_ Climate_ change_ impacts_ and_
adaptation_ in_ forest_ management_ a_ review/ figures? lo= 1
Es importante, sin embargo, distinguir entre la incerti- de las condiciones iniciales oceánicas es pequeña o
dumbre del modelo que surge del conocimiento imper- aproximadamente pequeña al ir más allá de la década
fecto del sistema real, tal como la representación del e, ignorando las incertidumbres en los escenarios de
ciclo de carbono que es determinante en las escalas emisión y en otros factores externos al sistema climá-
temporales más largas, y la incertidumbre procedente tico como los forzamientos procedentes de emisiones
de los fenómenos a escala submalla (ver sec. 10.5 en volcánicas, la principal fuente de incertidumbre pro-
la página 137) que se comprenden bastante bien pero cede de la formulación de los modelos, relacionada
que se representan de forma limitada debido a la reso- particularmente con la sensibilidad del sistema climá-
lución del modelo, y que son relevantes en todas las tico al forzamiento de gases de efecto invernadero. De
escalas. otra forma, existen varias fuentes de incertidumbre
en el proceso de modelización climática, bien sea en
En resumen, tanto la descripción de las condiciones relación con las imperfecciones de los modelos de cir-
iniciales como los procesos que se representan en los culación general, escenarios de emisión de aerosoles
modelos de predicción del tiempo o del clima son cau- y de gases de efecto invernadero o con la variabilidad
sa de la incertidumbre de sus pronósticos (Figura 28.1 natural climática. Estas incertidumbres fueron descri-
en la página 448). No obstante, dependiendo de la estas en forma de cascada por M ITCHELL y H ULME en
cala temporal que se predice, unos son más relevantes 1999 ([445], ilustrado en Figura 28.2).
que otros. Más allá del medio plazo, los errores en las
condiciones iniciales atmosféricas son progresivamen-
te menos determinantes y la correcta descripción de K JELLSTROM et al. [348] subrayan que las diferentes
las oceánicas deviene esencial, al igual que los errores fuentes de incertidumbre limitan nuestra habilidad pa-
producidos por la formulación del modelo de circula- ra proporcionar respuestas precisas acerca de lo que
ción general contribuyen más significativamente a la sucederá con el clima en el futuro. Esto es cierto tan-
incertidumbre. Las proyecciones de cambio climático to a nivel global como, incluso más, en un contexto
presentan algunos retos diferentes de la predicción regional o local, lo que no impide dar respuestas con
del tiempo o la predicción estacional. La influencia un abanico de incertidumbre estimado.
Figura 28.3: Forzamiento radiativo total (FR), tendencia del FR y concentración de CO2 para las nuevas Sendas
Representativas de Concentración (RCP, de sus siglas en inglés) ([52] https: // www. miteco. gob. es/ es/ ceneam/
recursos/ mini-portales-tematicos/ guia-resumida-grupo-trabajoi_ tcm30-376939. pdf ).
28.1.3 Predicción vs proyección solar cuya periodicidad es del orden de once años;
(3) de la actividad volcánica; (4) de la respuesta del
sistema a los forzamientos antrópicos como en las
El cambio climático es el resultado de desequilibrios
proyecciones. Por eso, la predicción decadal es tan
en el balance energético de la Tierra, causados por
difícil de realizar al integrar todas estas influencias.
procesos y agentes naturales y antropogénicos. El
forzamiento radiativo (FR) cuantifica el cambio en Acudiendo al glosario del IPCC, encontramos que
los flujos de energía originados por variaciones en se define una predicción climática como el resul-
la acción de estos agentes. En el Quinto Informe de tado de una tentativa de estimación de la evolu-
Evaluación (AR5, sec. 29.6.2 en la página 514) del ción real del clima en el futuro (por ejemplo, a es-
IPCC (sec. 29.6.1 en la página 513) se han definido calas de tiempo estacionales, interanuales o a lar-
cuatro nuevos escenarios de emisión, las denominadas go plazo). Como es posible que la evolución fu-
Sendas Representativas de Concentración (RCP, de tura del sistema climático esté muy influida por
sus siglas en inglés). Éstas se identifican por su FR las condiciones iniciales oceánicas, tales prediccio-
total para el año 2100 que varía desde 2,6 a 8,5 W/m2 nes son, en general, de naturaleza probabilista (véa-
(Figura 28.3). Algunos de los nuevos RCP contem- se https://www.ipcc.ch/publications_and_data/
plan los efectos de las políticas orientadas a limitar el ar4/syr/fr/annexessannexes-2-3.html).
cambio climático del siglo XXI.
Los modelos climáticos ofrecen la posibilidad de anti-
C HRISTOPHE C ASSOU [114] puntualiza que en cli- cipar la forma en que el sistema climático podrá ser
matología, el término proyección designa el cambio modificado por la actividad humana en el transcurso
climático estimado en el transcurso del siglo en fun- del siglo XXI. Los estudios se apoyan en simulacio-
ción de los diferentes escenarios socioeconómicos del nes numéricas que exploran la evolución del clima
IPCC. Esta proyección se elabora exclusivamente a medio y de su variabilidad en función de diferentes
partir de los únicos efectos de las perturbaciones del escenarios socioeconómicos [64]. Este aspecto explo-
equilibrio radiativo (cambio del balance de radiación ratorio queda recogido en la expresión proyección
entrante en el sistema menos la radiación saliente), climática. El término proyección traduce, en conse-
que se generan por el aumento de la concentración cuencia, que los resultados dependen de las hipótesis
de los gases de efecto invernadero, debidos principal- formuladas en las perturbaciones aplicadas al clima.
mente a las actividades humanas, en la composición Las proyecciones climáticas ofrecen, por tanto, una
de la atmósfera. Por construcción, las proyecciones gama de posibilidades para el clima futuro. Este de-
no buscan predecir la cronología exacta de la variabili- penderá de cómo evolucione la sociedad mundial, de
dad climática futura, se limitan a evaluar la respuesta las tecnologías presentes y futuras, de las fuentes de
del sistema climático a las perturbaciones de origen energía utilizadas, del crecimiento de la población y
humano. La predicción, ya sea meteorológica, estacio- de las acciones y políticas que se lleven a cabo en
nal o climática a una escala decadal, busca en cambio temas de cambio climático, entre otros factores. Es
cuál es la trayectoria exacta del sistema. En las escalas importante enfatizar que la proyección climática no
decadales, esta trayectoria corresponde a la superpo- es una predicción climática; ésta última trata de dar
sición; (1) de variaciones y oscilaciones lentas del información sobre todas las situaciones posibles en
sistema climático; (2) de variaciones de la radiación un futuro relativamente cercano (no superior a un par
de décadas) mientras que la primera proporciona in- perturbaciones aleatorias añadidas a las condiciones
formación sobre el estado del clima a más largo plazo, iniciales, utilizando estados atmosféricos desplazados
condicionado por distintos escenarios socioeconómi- en el tiempo, haciendo uso de pasadas de asimilación
cos. paralelas [160, 167] y condiciones iniciales de océano
perturbado [447, 697].
Las predicciones climáticas no intentan predecir la
progresión día tras día del sistema sino la evolución El enfoque multimodelo (sec. 13.5 en la página 174),
de algún estadístico climático como los promedios es- utilizado ampliamente, consiste en generar ensem-
tacionales, anuales o decenales o extremos, bien para bles de predicciones de una colección de modelos
una localidad en particular o un promedio global o incrementando, en consecuencia, el muestreo de las
regional. Las predicciones climáticas se generan con condiciones iniciales y propiedades de los mode-
frecuencia con modelos que son los mismos o simi- los. Los enfoques multimodelo se han empleado
lares a los que producen simulaciones climáticas y en distintas escalas temporales, desde la estacional-
proyecciones (evaluadas en el capítulo 9 del Informe interanual (p. ej., DEMETER [492]), estacional-
del Grupo de Trabajo I del Quinto Informe de Eva- decadal (p. ej. [476, 672]), en la simulación de
luación del IPCC, 2013). Una predicción climática cambio climático (p. ej., [327] capítulo 10; [431])
se consigue, generalmente, integrando las ecuaciones y en las predicciones decadales del proyecto EN-
que rigen los procesos hacia delante en el tiempo a SEMBLES [287, 638, 673] y las basadas en el
partir de condiciones iniciales basadas en observacio- CMIP5 evaluadas en la Sección 11.2.3 del AR5
nes. También se pueden obtener predicciones climá- ([607] https://www.ipcc.ch/pdf/assessment-report/
ticas utilizando métodos estadísticos que relacionan ar5/wg1/WG1AR5_Chapter11_FINAL.pdf). Un problema
las condiciones actuales con las futuras, utilizando en el enfoque multimodelo es la interdependencia de
relaciones estadísticas deducidas del comportamiento los modelos climáticos utilizados en los sistemas de
pasado del sistema. Por otra parte, la práctica habitual predicción actuales [352, 522].
es que las proyecciones no se inicializan a partir del
estado actual del sistema climático. A este respecto, En clima, se habla de SPC de conveniencia porque no
no se ajustan a la visión tradicional de la predecibili- son verdaderamente ensembles diseñados con técni-
dad expuesta por L ORENZ ([392], cap. 12.2.3 en la cas específicas, sino que se toman todos los modelos
página 158), aunque la variabilidad natural, variabili- generados, por ejemplo, para el Cuarto y Quinto In-
dad interna y los procesos estocásticos de múltiples formes de Evaluación del IPCC (AR4 y AR5), pro-
escalas son también componentes importantes de la cedentes de los proyectos de Intercomparación de
incertidumbre. Modelos Acoplados 3 y 5, CMIP3 y CMIP5 (de sus
siglas en inglés), y se construye un «ensemble», dan-
do el mismo peso a todos esos modelos [327, 607]. La
implicación de cómo estos ensembles multimodelo
28.1.4 SPC de conveniencia
se crean es que el muestreo ni es sistemático ni es
aleatorio. La distribución de los modelos es, por tanto,
La técnica de SPC o ensembles permite elaborar no completamente arbitraria y puede ser diferente en un
una previsión única sino un conjunto de predicciones, ensemble posterior; cambiando, en consecuencia, el
ligeramente diferentes las unas de las otras y reflejar resultado a pesar de no haberse producido cambios en
las diferentes fuentes de incertidumbre, con el fin de el conocimiento del cambio climático. Incluso, para
caracterizar la probabilidad con la que un suceso da- resolver el problema de pesado de los miembros in-
do se puede producir. Se encuentra en la base de los dividuales, el paso posterior continuará dependiendo
progresos conseguidos en las predicciones mensuales de la distribución anterior que viene determinada por
y estacionales, así como en las evoluciones del clima decisiones humanas y no puede interpretarse en un
futuro (informes del IPCC). sentido científico. Otra cara del problema es que los
modelos no están diseñados para cubrir el rango com-
Un ensemble puede generarse de muchas maneras pleto del comportamiento o incertidumbre que se sabe
diferentes y se ha explorado un rango amplio de mé- que existe. No es algo sorprendente, ya que todos los
todos en predicción estacional [595, 605] pero no se modelos se ajustan (tunean) y mejoran para coincidir
han investigado, por ejemplo, de una forma completa con las observaciones, tanto como sea posible.
y exhaustiva para la predicción decadal [141]. Los
métodos que están siendo investigados incluyen las La fuerza del enfoque de los conjuntos de convenien-
cia radica en que cada modelo difiere substancialmen- suplementos, como un conjunto de retropredicciones
te en sus hipótesis estructurales y que cada uno de (hindcasts, en la terminología inglesa), que son pre-
ellos se ha examinado de forma extensiva. La credi- dicciones que se han corrido a toro pasado para los
bilidad de su predicción o proyección procede de la últimos 18 años con el modelo de predicción actual.
evaluación de su simulación del clima actual frente Las retropredicciones se usan, ya sea para calcular
a un rango amplio de observaciones. Sin embargo, las climatologías de los modelos (sec. 27.7.1 en la
existen limitaciones importantes en este enfoque. El página 419), o bien para calibrar la predicción antes
ensemble no ha sido diseñado para examinar el rande su uso en las aplicaciones derivadas.
go de posibles resultados. Su tamaño es demasiado
pequeño (por regla general, del orden de 10-20 miem- El ECMWF, como se ha citado, realiza dos veces por
bros) para proporcionar estimaciones robustas de los semana una predicción numérica hasta un mes. Las
escenarios más probables y de las incertidumbres aso- predicciones mensuales (predicciones de 32 días) se
ciadas y por tanto, es difícil de utilizar en evaluaciones producen de forma operacional desde octubre de 2004,
de riesgos. aunque se habían iniciado ya en marzo de 2002. En
la configuración actual, las predicciones mensuales se
generan extendiendo las integraciones de conjunto de
15 días a 32 días dos veces por semana (a 00 UTC).
28.1.5 Predicción estacional: enfoques es-
Las predicciones se basan en el SPC de medio plazo
tadístico y dinámico
(ECENS, 19.3 en la página 293) que forma parte del
Sistema de Predicción Integrado del ECMWF (IFS).
Para la predicción a escala estacional coexisten dos En la actualidad (2018), el ENS incluye una integra-
grandes corrientes metodológicas: la estadística y la ción de 51 miembros con una resolución espectral
dinámica. En el caso de los enfoques dinámicos nos O640 (aproximadamente una resolución horizontal de
centraremos en el sistema del ECMWF, mientras que 18 km) hasta el día de predicción 15, y O320 (unos
los estadísticos establecen las relaciones, observadas 36 km) posteriormente (días 16-46). Las perturbacio-
en el pasado, entre la circulación general prevista nes iniciales se generan utilizando una combinación
y las escalas locales, para prever los estados futu- de vectores singulares y perturbaciones generadas uti-
ros, y como ejemplo nos centraremos en el modelo lizando asimilación de datos por conjuntos (EDA, [82,
S-ClimWaRe desarrollado por Agencia Estatal de Me- 315], sec. 16.2.5 en la página 248); por otro lado,
teorología (AEMET) para la predicción de la precipi- las incertidumbres de los modelos se simulan recu-
tación invernal en España. rriendo a dos esquemas estocásticos ([46, 488, 577],
sec. 17.4.4 en la página 269). La climatología utili-
Como ejemplo de enfoque dinámico, el Sistema inte- zada para calibrar las predicciones en tiempo real se
grado del ECMWF (IFS [317], sec. 19.2 en la pági- calcula utilizando la serie de retropredicciones que
na 291) lidera la mejor predicción numérica del tiem- incluye solo 5 miembros de las integraciones de 32
po por conjuntos en el medio plazo [255, 258]. Tiene días con la misma configuración que las predicciones
también un rango de diferentes productos de predicen tiempo real, empezando en el mismo día y mes que
ción con vencimientos de hasta varios meses (véase la predicción en tiempo real sobre los últimos 20 años
Tabla para una lista completa de productos disponi- (sec. 27.7.1 en la página 419). Las retropredicciones
bles). La predicción de alta resolución del ECMWF son creadas un par de semanas antes de la correspon-
tiene un horizonte de 10 días y una resolución hori- diente predicción en tiempo real. Esta estrategia para
zontal de unos 9 km con orografía de unos 16 km las retropredicciones es diferente de la utilizada en la
(sec. 19.2 en la página 291). Las predicciones del predicción estacional donde la versión del modelo se
tiempo se basan frecuentemente en las técnicas de congela durante unos pocos años y las retroprediccio-
ensembles para representar de forma adecuada las nes se crean tan solo una vez. V ITART [650] documen-
incertidumbres [376] y el ensemble del ECMWF con- tó que, en promedio, la habilidad (skill, sec. 15.2.4 en
siste en 51 predicciones emitidas dos veces al día con la página 212) de las predicciones mensuales para las
un alcance de 15 días. La predicción mensual se in- semanas 2 a 4, ha mejorado significativamente en la
tegra en esta predicción de 15 días extendiendo el década pasada.
rango de predicción a 32 días dos veces por semana.
El sistema de predicción estacional se corre una vez El sistema de predicción estacional del ECMWF con-
al mes con un tiempo de validez para varios meses siste en un análisis oceánico para estimar el estado
(S4, [448]). A estos sistemas se les incorporan unos inicial del océano, un modelo de circulación general
global acoplado océano-atmósfera para calcular la predictions in support of Water Reservoirs manage-
evolución del océano y atmósfera, y una serie de ment).
posprocesos para crear productos de predicción a
partir de la salida numérica bruta (véase para más S-ClimWaRe está siendo puesto en funcionamiento
detalle https://www.ecmwf.int/en/forecasts/ por un equipo multidisciplinar cuyos integrantes per-
documentation-and-support/long-range). tenecen a la Dirección General del Agua, las Con-
federaciones Hidrográficas del Ebro, Duero, Tajo y
Además de la predicción estacional que se hace cada Miño-Sil, AEMET, CETaqua (institución española
mes, se elabora una predicción anual cuatro veces al que trabaja en el ciclo integral del agua) y la Universi-
año, siendo las fechas de comienzo el 1 de febrero, 1 dad Politécnica de Valencia.
de mayo, 1 de agosto y 1 de noviembre. El rango de
la predicción es 13 meses. Las predicciones de rango El «caso de estudio» S-ClimWaRe se apoya en el
anual se corren como una extensión de la predicción conocimiento y predecibilidad de patrones atmosfé-
estacional y se hacen utilizando el mismo modelo ricos (y también en algunos casos oceánicos), que
pero con un tamaño del ensemble (número de miem- son impulsores o drivers de la variabilidad climática
bros, 13.4.1 en la página 173) más pequeño. Tanto observada en ciertos lugares y estaciones del año. La
las retropredicciones como las predicciones en tiempo metodología que se ha empleado es una adaptación
real tienen un tamaño de 15 miembros. Las predic- de la ya utilizada en sistemas probados con éxito en
ciones de rango anual se diseñan principalmente para otros países, fundamentalmente de Asia y Norteaméri-
proporcionar una predicción del fenómeno El Niño. ca, y que están basados en la predecibilidad del clima
En el momento actual, tienen un estatus experimental a escala estacional que proporciona el fenómeno El
más que operacional. Niño-La Oscilación del Sur ([78], 29.2.1 en la pági-
na 484). En el caso de S-ClimWaRe, se explota la
conocida influencia de la Oscilación del Atlántico
28.1.6 Ejemplo de sistema de predicción Norte (NAO [662], 29.2.2 en la página 485 y párrafo
estacional: S-ClimWaRe siguiente) en la variabilidad hidrológica en amplias
zonas de España [547].
Como ejemplo de un modelo empírico sencillo de
predicción estacional tenemos el modelo S-ClimWaRe
desarrollado por AEMET [652].
Se denomina servicio climático al suministro de in-

formación climática que ayude a la toma de decisio-
nes, tanto de las personas como de las organizaciones.
Las predicciones climáticas estacionales son un com-
ponente fundamental de los servicios climáticos. El
proyecto europeo FP7 EUPORIAS (noviembre 2012 –
enero 2017 [90, 286]), ha trabajado en el desarrollo de
sistemas de previsión de impactos a escala estacional
y decadal para el apoyo a la toma de decisiones depen-
dientes del clima, siguiendo las directrices del Marco
Mundial para los Servicios Climáticos, y fomentando
el desarrollo de servicios climáticos en sectores clave,
incluyendo agua, energía, salud, transporte, agricultu-
ra y turismo. Un proyecto demostrativo del valor de
las predicciones estacionales, surgido en EUPORIAS
como «caso de estudio», es el servicio climático pi- Figura 28.4: S-ClimWaRe: Un servicio climático desa-
loto destinado a apoyar la gestión de los embalses en rrollado en AEMET basado en predicción estacional
España denominado S-ClimWaRe (Seasonal Climate para apoyar la gestión de los embalses en España .
Figura 28.5: Patrón espacial de la Oscilación del Atlántico Norte, NAO (izquierda) y su influencia en la precipitación
acumulada en el periodo invernal -noviembre a marzo- en un punto de Andalucía representada por diagramas de
cajas (boxplot) correspondientes a los inviernos con NAO positiva, neutra y negativa (derecha).
Oscilación del Atlántico Norte (North Atlantic Os- demasiado baja para poder ser de utilidad en la toma
cillation, NAO) y variabilidad de la precipitación in- de decisiones.
vernal en España. La estructura espacial de la NAO
en su fase positiva/negativa corresponde a anomalías A pesar de ello, en invierno, una parte de la variabi-
de presión negativas/positivas en la zona de Islan- lidad de la NAO puede ser forzada externamente en
dia y a anomalías positivas/negativas en las latitudes escalas temporales largas, por ejemplo, por la exten-
medias del Atlántico Norte, como se muestra en la sión de la capa de nieve en Eurasia. C OHEN y J ONES
Figura 28.5, parte izquierda. [136] han demostrado que, en invierno, este impor-
tante patrón de variabilidad climática está asociado
La NAO tiene una marcada influencia en la precipi-
de forma estadísticamente significativa con el avan-
tación invernal en gran parte de la España peninsu-
ce de la cobertura de nieve en otoño en esta zona
lar. En la Figura 28.5, parte derecha, se presenta un
del hemisferio norte. Científicos de la Universidad
ejemplo del impacto de este patrón atmosférico en
de Cantabria, en colaboración con estos autores, han
la variabilidad observada en la precipitación invernal
puesto de manifiesto que existe una capacidad predic-
(de noviembre a marzo) desde 1951 hasta la actuali-
tiva de la precipitación invernal en España basada en
dad, en un punto de Andalucía oriental. Se representa,
este avance de la nieve [71]. Utilizando estos resul-
mediante el uso de boxplots (ver sec. 13.6.8 en la pági-
tados, en S-ClimWaRe se ha optado por utilizar una
na 183), la distribución estadística (mediana, cuartiles
formulación estadística para la predicción climática
y valores máximo y mínimo) de la precipitación inver-
estacional del próximo invierno, y se ha desarrollado
nal en ese lugar, dependiendo de la fase de la NAO.
un modelo empírico de predicciones probabilistas de
Se puede observar que los inviernos con NAO positi-
aportaciones a los embalses y de precipitación utili-
va/negativa se corresponden, en general, con periodos
zando el avance de la nieve en Eurasia en otoño como
secos/húmedos.
fuente de predecibilidad de la NAO invernal, que a su
Gran parte de la variabilidad de la NAO es debida vez lo será de las aportaciones o de la precipitación
a procesos internos de la dinámica atmosférica y a [652].
sus retroalimentaciones, lo que hace que sea difícil
predecir correctamente este patrón atmosférico en ho- La incertidumbre de las predicciones estacionales ge-
rizontes de escala estacional por parte de la mayoría de neradas por este sistema estadístico se estima generan-
los modelos de circulación general océano-atmósfera do un ensemble de predicciones, en el que los miem-
existentes [93]. Como consecuencia de ello, la habili- bros corresponden a distintas situaciones históricas, si
dad de sus predicciones de precipitación en las zonas bien aparecen con una mayor, igual, o menor frecuen-
fuertemente influenciadas por la fase de la NAO es cia que la ocurrida en el pasado.
Figura 28.6: Esquema del sistema estadístico de predicción estacional desarrollado en S-ClimWaRe.
Descripción del sistema empírico de predicción es- 2. La segunda etapa de la predicción es local y se
tacional. En el desarrollo del sistema de predicción realiza de forma independiente en cada uno de
estacional de aportaciones a los embalses se ha se- los embalses. A partir del valor del índice de
guido la metodología propuesta por el International la NAO previsto por cada uno de los miembros
Research Institute for Climate and Society [78]. Una del ensemble anterior se buscan, en la serie his-
descripción completa del mismo puede encontrarse tórica, las aportaciones al embalse ocurridas en
en Voces et al. [652]. Se ilustra en la Figura 28.6 el pasado correspondientes a los K años con el
índice NAO invernal más parecido al previsto
El módulo de predicción puesto en funcionamiento en por el miembro en cuestión. La utilización de
S-ClimWaRe consiste en un sistema estadístico para este algoritmo Knn (K-nearest neighbors [356]),
pronosticar, a partir del avance de la nieve en Eurasia evita hacer hipótesis sobre la forma de la dis-
(que se calcula a comienzos de noviembre utilizando tribución estadística de la incertidumbre de las
productos de observación satelitales), un ensemble de predicciones de aportaciones en este segundo
valores de la aportación para el periodo invernal (de paso de la predicción.
noviembre a marzo) en cada uno de los embalses.
De esta forma, el ensemble de aportaciones generado
La predicción probabilista de aportaciones se realiza
localmente en cada embalse está compuesto por 1500
en dos etapas:
valores de aportaciones tomados de su serie histórica.
Cada suceso tendrá una frecuencia asociada, el núme-
1. La primera consiste en predecir la magnitud y ro de veces que aparece en el ensemble de predicción.
fase de la NAO en los próximos meses. Con Esta frecuencia está directamente relacionada con la
el valor del avance de la nieve se pronostica probabilidad de esa aportación.
el índice de este patrón invernal utilizando una
regresión lineal. La incertidumbre de este valor
previsto de la NAO se estima mediante el mues- El modelo desarrollado se aplica de forma similar a la
treo de una distribución normal centrada en el predicción estacional de la precipitación sin más que
valor del índice previsto de forma determinista, sustituir la serie de valores observados de aportaciones
generando así un ensemble de valores previstos al embalse por la precipitación.
de la NAO invernal.
Salidas del sistema. Las salidas del modelo empírico el modelo de previsión de riesgos de los embalses
de predicción estacional se posprocesan para generar SIMRISK [273], desarrollado por la Universidad Po-
productos probabilistas y se verifican de forma similar litécnica de Valencia, y que ha sido adaptado para
a las salidas de los modelos dinámicos de predicción utilizar como entrada las predicciones probabilistas
estacional. En S-ClimWaRe, el producto que se sumi- de aportaciones a los embalses.
nistra a los usuarios es la probabilidad de un invierno
húmedo, normal o seco, calculando la probabilidad El sistema SIMRISK, alimentado por predicciones es-
que la función de distribución, que forman los miem- tacionales de aportaciones producidas para un periodo
bros del ensemble, otorga a cada una de las categorías histórico retrospectivo, está produciendo previsiones
definidas por los terciles de la serie de predicciones de riesgos de llenado de distintos niveles del embalse
invernales realizadas sobre un periodo histórico re- y de satisfacción de la demanda para las distintas
trospectivo con las que se compara la predicción para condiciones que se dieron cada año del periodo. Estas
el próximo invierno. Para evaluar la precisión y habi- previsiones del estado del sistema permiten analizar
lidad de estas predicciones probabilistas, se ha desa- posibles oportunidades de actuación preventiva, tanto
rrollado un paquete completo de verificación objetiva en años de sequía como en aquellos muy húmedos en
con métricas estándar. los que se produjeron inundaciones. Los resultados
alcanzados en el servicio S-ClimWaRe completo en
El servicio climático S-ClimWaRe, además del siste- 2016 están disponibles en el informe online publicado
ma estadístico de predicción estacional probabilista por el MAPAMA [658] (enlace actualizado 16-10-
acompañado de su posproceso y verificación objetiva, 2018 a página del Ministerio para la Transición Eco-
también incorpora herramientas de análisis de la va- lógica (MITECO)): https://www.miteco.gob.es/en/
riabilidad hidrológica y climática ligadas a la NAO. A agua/temas/evaluacion-de-los-recursos-hidricos/
estas herramientas y productos de predicción estacio- Prediccion-estacional-gestion-embalses.aspx.
nal se accede mediante un portal web de información,
basado en tecnología GIS (Geographical Information El servicio climático S-ClimWaRe, que se ha desarro-
Systems [388]), que está siendo diseñado conjunta- llado con una arquitectura modular, se basa en un ciclo
mente con los usuarios finales que integran el equipo continuo de evaluación y desarrollo para satisfacer los
de trabajo. Para todo ello, S-ClimWaRe combina datos requisitos de los usuarios finales, a través de la mejora
de observación in situ hidrológicos y meteorológicos de sus distintos componentes. Entre ellos, la evolución
con series de precipitación en malla, con productos sa- hacia la utilización de salidas de los modelos climáti-
telitales de cobertura de nieve y con la serie histórica cos de circulación general océano-atmósfera, una vez
de índices de la NAO obtenidos a partir de reanálisis se consiga predecir el estado de la NAO del invierno
atmosféricos. El servicio climático se completa con venidero con una mayor habilidad.
Figura 28.7: Área ROC ([270], sec. 15.9.6 en la página 231) para las categorías invierno húmedo/seco (columnas
izquierda/derecha) de las predicciones de aportaciones a cada uno de los embalses (barras de colores) y de la
precipitación (puntos negros).
Evaluación de las predicciones probabilistas del sis- 28.1.7 Fiabilidad

tema empírico de predicción estacional. Los usua-
rios finales integrantes del equipo S-ClimWaRe, han
Un sistema de predicción se considera fiable si las
seleccionado una serie de embalses de las cuencas del
probabilidades de predicción para un suceso concuer-
Duero, Tajo, Ebro, Miño-Sil y Guadalquivir, en los
dan con las frecuencias condicionales de la ocurrencia
que se ha probado la utilización de estas predicciones
real de ese suceso (sec. 15.9.4 en la página 226).
climáticas estacionales probabilistas generadas con el
sistema empírico que se ha desarrollado. Las predicciones climáticas de largo plazo, exactas y
precisas, son imposibles de obtener debido a la natu-
La habilidad del sistema empírico empleado para pre-
raleza caótica del sistema climático. Las predicciones
decir la precipitación y las aportaciones a los embalses
estacionales son probabilistas, lo que significa que
en el próximo invierno, se ha evaluado mediante la rea-
proporcionan la probabilidad de ocurrencia de ciertos
lización de predicciones estacionales sobre un periodo
resultados más que una predicción de tipo numérico o
histórico retrospectivo, o hindcast, en el que no se han
de tipo si-no. Por esta razón, la información sobre la
incluido los datos del año a predecir (procedimiento
fiabilidad de las predicciones climáticas es crucial pa-
de validación cruzada [682]).
ra cualquier usuario de información climática de cara
Los índices de verificación utilizados para evaluar las a saber la utilidad de esas predicciones para apoyar el
predicciones probabilistas miden, entre otros, la capa- proceso de toma de decisiones.
cidad de discriminación (mediante el área ROC [270],
Cuando se predice el clima futuro, deseamos utili-
sec. 15.9.6 en la página 231), y la habilidad respecto a
zar el número mayor de modelos fiables y tener una
la utilización de la climatología muestral (Brier Skill
idea acerca de cuán fiables son esas predicciones. El
Score [73, 332, 413], sec. 15.9.8 en la página 232), o
denominado diagrama de fiabilidad (sec. 15.9.4 en
el coeficiente de correlación de la media del ensemble
la página 226) es una herramienta gráfica utilizada
de predicciones con la observación [652].
para evaluar la fiabilidad de las predicciones proba-
La Figura 28.7 muestra el valor del área ROC bilistas, climáticas por ejemplo. Describe la relación
([270], 15.9.6 en la página 231) para las categorías estadística entre la probabilidad de una predicción pre-
invierno húmedo/seco (columnas izquierda/derecha) dicha y la frecuencia estadística condicionada con la
de las predicciones de aportaciones a cada uno de que se observa realmente la predicción. De un modo
los embalses (barras de colores) y de la precipitación muy general, las predicciones con una gran fiabilidad
(puntos negros). Para los casos en los que se haya obtienen habilidad (skill) y son exactas desde el punto
servado a posteriori un evento (por ejemplo, invierno de vista probabilista, lo que significa que tienen una
húmedo), el sistema de predicción es capaz de discri- incertidumbre baja y, en consecuencia, un error de
minar positivamente la ocurrencia de la no ocurrencia predicción relativamente bajo (para profundizar es-
del evento si el valor del área ROC es superior a 0.5. tos aspectos puede consultarse el capítulo dedicado a
En el caso de una discriminación perfecta, el valor verificación 15 en la página 207).
del área ROC es igual a 1. Un valor del área ROC
igual a 0.5 se obtiene si el sistema de predicción no es
capaz de discriminar la ocurrencia de la no ocurrencia 28.1.8 Tendencias actuales hacia el esque-
del evento observado. Valores inferiores a 0.5 indican ma seamless
una discriminación negativa del sistema de predicción,
y sugieren que con un invierno húmedo observado, La multiplicación de los sistemas de predicción (corto
el sistema de predicción habría otorgado una mayor plazo, medio plazo, predicción mensual, predicción es-
probabilidad a que no fuera un invierno húmedo que tacional), cada uno con sus propias cadencias de actua-
a lo contrario. lización suscita la cuestión de la claridad / visibilidad
y de la compatibilidad de los diferentes productos para
Los resultados obtenidos son muy satisfactorios en los los usuarios. Ello lleva a los servicios meteorológicos
embalses del Guadalquivir, Duero, Tajo, Miño-Sil y el a subrayar el concepto de predicciones sin disconti-
embalse de Mansilla en la cuenca del Ebro, e indican nuidad o sin costuras (seamless forecasts, en inglés).
que se discrimina razonablemente bien en esas zonas Este concepto puede describirse como la apuesta para
a comienzos de noviembre el carácter húmedo/seco hacer compatibles predicciones de diferentes plazos,
del siguiente trimestre invernal. atendiendo a su concepción de base, su contenido y
su formato. Se habla de predicción sin costura para el desarrollo de los programas internacionales de los
la producción de predicciones a 24 h, a 10 días, a un reanálisis de la atmósfera, del océano y de las superfi-
mes, a 6 meses, a 10 años, o incluso de escenarios cies continentales.
climáticos para el fin de siglo. Esta expresión enfatiza
la necesidad de la puesta en común de desarrollos Sin embargo, este esfuerzo no ha concluido, ni es fá-
científicos y técnicos. cil de continuar. El espectro de escalas, de procesos
y de usos a cubrir es cada vez más amplio, con el
Desde hace aproximadamente una decena de años, desarrollo de la predicción a escala de los fenómenos
se observa una notable convergencia de métodos y convectivos individuales (sec. 22.1.2 en la página 334
cuestionamientos científicos en la predicción del tiem- y sec. 22.1 en la página 334) y el acoplamiento con la
po y del clima. La toma en consideración, cada vez composición de la atmósfera. El uso creciente de mó-
más completa, de las interacciones entre los diferentes dulos desarrollados inicialmente en marcos diferentes
compartimentos del ambiente se ha vuelto necesaria y exige esfuerzos importantes para garantizar la compa-
conduce, más allá de las diferencias de escalas tempo- tibilidad y la versatilidad de las diferentes opciones.
rales y espaciales, a una semejanza técnica creciente Se precisarán nuevos esfuerzos de racionalización de
entre las herramientas de modelización del tiempo los códigos para proseguir la elaboración de un ensem-
y del clima, lo que permite contemplar economías ble durable y unificado al servicio de la predicción
de desarrollo y de mantenimiento de los códigos. El del tiempo y del clima. En esta línea, el enfoque de
empuje creciente en el uso de las observaciones in unificación de los códigos se extenderá al dominio
situ y satelitales para inicializar y validar los mode- de la química de la atmósfera. Una nueva bibliote-
los numéricos es otra fuente de convergencia entre ca (library) común de códigos para la predicción de
los dominios de la meteorología y del clima. Estas la calidad del aire y el estudio de las interacciones
tendencias generales conducen a los servicios meteo- química-clima se desarrollará y será progresivamente
rológicos a avanzar el concepto de las predicciones implantada en las herramientas actuales. Integrará los
«sin costuras» o «sin discontinuidad». avances procedentes del conjunto de la comunidad
científica francesa en química de la atmósfera.
Uno de los grandes desafíos lanzados por el desa-
rrollo de los servicios climáticos es progresar en la Ya C HRISTOPHE C ASSOU en 2008 mencionaba que
predicción de las fluctuaciones climáticas en esca- salvar el salto entre las escalas espacio-temporales
las espaciales relativamente finas y para horizontes de tiempo y clima constituía un reto significativo al
temporales que van de la semana a la década. Estas que se enfrentaba la comunidad atmosférica. En con-
fluctuaciones se superponen a la tendencia de fondo creto, el progreso tanto en el rango de medio plazo
del cambio climático antrópico (por ejemplo, a pesar y en la predicción climática, desde la estacional a la
de la tendencia hacia un clima más cálido y seco en interanual, reside en nuestra comprensión de los pa-
España debido al calentamiento global, debido a estas trones de tiempo recurrentes y en la identificación de
fluctuaciones naturales superpuestas los meses de fe- causas específicas responsables del favorecimiento de
brero y marzo de 2018 fueron especialmente lluviosos su ocurrencia, persistencia o transición. Dentro de este
en España). Su predicción requiere progresos impor- marco de referencia, se presentan pruebas de que la
tantes en la comprensión de la variabilidad natural del principal oscilación climática intraestacional en los
clima, que se traduce en oscilaciones climáticas. Hay trópicos es la oscilación de M ADDEN -J ULIAN (MJO
que comprender los mecanismos que hacen que estos [399], de sus siglas en inglés) que controla parte de la
fenómenos se desarrollen, sus interacciones, evaluar distribución y secuencias de los cuatro tipos de tiem-
su predecibilidad y mejorar los aspectos del estado po definidos en la región Atlántico Norte-Europa en
inicial o de la física de los modelos que son esenciales invierno. Los regímenes de la oscilación del Atlántico
para su predicción. Resultados recientes subrayan, por Norte (NAO) son los más afectados, permiten la pre-
ejemplo, el papel probable de la convección nubosa decibilidad de su fase para el medio plazo, excediendo
y de la estratosfera para favorecer la emergencia de el límite de una semana que se le asocia a menudo.
ciertas oscilaciones. Estos estudios deben tener tam- La relación tropical-extratropical -con retardo-, es asi-
bién en cuenta el océano, la humedad de los suelos, métrica. Los eventos NAO (+) responden fundamen-
la composición de la atmósfera, la criosfera y la va- talmente a un tren de ondas de baja frecuencia en las
riabilidad solar, estudios que deben apoyarse en una latitudes medias iniciada por la MJO en el centro y
base larga de observaciones homogéneas del sistema oeste del Pacífico tropical oeste y que se propaga ha-
Tierra que se encuentran condicionadas en parte por cia el este. Los precursores para los eventos NAO (-)
se encuentran en el este del Pacífico tropical-Atlántico una influencia significativa en la atmósfera. Por tanto,
occidental, conduciendo a cambios a lo largo de las hay que tenerla en cuenta en los modelos que simulan
trayectorias de tormentas (storm tracks, en inglés) del su evolución. Al utilizar modelos acoplados océano-
Atlántico Norte. Los diagnósticos de roturas de onda atmósfera, es posible también prever las condiciones
tienden a apoyar el precondicionamiento de la MJO medias de temperatura y de precipitaciones más allá
y el papel de los torbellinos transitorios al establecer de 10 días.
la fase de la NAO. Esta prometedora habilidad (skill)
podría ser de importancia considerando la estrecha re- El rango temporal de 10 a 30 días es probablemente
lación entre los regímenes de tiempo y las condiciones suficientemente corto para que la atmósfera conserve
medias y las probabilidades de sucesos extremos en la memoria de su condición inicial y lo suficientemen-
Europa. Estos descubrimientos son útiles para acen- te largo para que la variabilidad oceánica pueda tener
tuar todavía más la necesidad de simular y predecir un impacto en la circulación atmosférica. En conse-
mejor la dinámica del acoplamiento océano-atmósfera cuencia, las predicciones mensuales del ECMWF se
en la región tropical, que es una fuente de la predeci- producen a partir de integraciones acopladas océano-
bilidad de medio a largo plazo (talón de Aquiles de la atmósfera.
predicción sin costuras).
Una importante fuente de predecibilidad sobre Europa
Si el mismo SPC (ensemble multimodelo) se utiliza en el rango 10-30 días se cree que podría atribuirse
tanto para predicción estacional como para predicción a la MJO [196]. La MJO es una oscilación tropical
de cambio climático, entonces la validación de las de periodo comprendido entre 40-50 días. Varios ar-
predicciones probabilistas en la escala de tiempo más tículos (p. ej. [208]) sugieren que el acoplamiento
corta puede utilizarse para mejorar la veracidad de océano-atmósfera tiene un impacto significativo en
las predicciones probabilistas en la escala de tiempo la velocidad de propagación de un evento MJO en
más larga. Esta mejora vendría de los procesos de eva- el Índico ecuatorial y en el Pacífico occidental. En
luación en común entre la predicción estacional y las consecuencia, el uso de un sistema acoplado océano-
escalas temporales de la proyección climática, tales atmósfera facilitaría la captación de algunos aspectos
como la respuesta atmosférica a las temperaturas de de la variabilidad de la MJO.
la superficie del mar. Conviene insistir que procesos
tales como el acoplamiento atmósfera-océano, que
28.2.1 Particularidades de las predicciones
son relevantes para el problema de la predicción esta-
cional, también desempeñan un papel en determinar mensuales del ECMWF
el impacto de algún forzamiento climático dado, en
Se ha comprobado que la habilidad de las prediccio-
el mismo sistema climático. La técnica de calibración
nes mensuales del ECMWF ha mejorado desde su
proporciona una manera de cuantificar la debilidad
inicio. Las mejoras en las puntuaciones (scores en
en aquellos enlaces a la cadena común, tanto en la
inglés, ver sec. 15.2.3 en la página 211) relaciona-
predicción estacional como en las escalas de tiempo
das con la habilidad son, en particular, grandes para
del cambio climático.
la predicción de la MJO, una fuente importante de
predecibilidad en la escala de tiempo subestacional.
Respecto a las regiones extratropicales del hemisferio
28.2 Predicción mensual norte, la habilidad de la predicción de la NAO y de
las anomalías de temperatura a 2 metros también ha
La principal motivación para la predicción mensual aumentado. V ITART [650] muestra que una propor-
es investigar la predecibilidad en el rango temporal ción grande de las mejoras en las puntuaciones de la
de 10 a 30 días. Se trata de una escala temporal a habilidad de la NAO podrían atribuirse a las mejoras
caballo entre la predicción de tiempo a plazo medio y en la predicción de la MJO. Esas mejoras son debidas
la predicción estacional, representando dos problemas a una combinación de mejoramientos en el modelo,
diferentes. La predicción de tiempo a plazo medio condiciones iniciales (asociadas con mejores esque-
es esencialmente un problema de valores iniciales at- mas de asimilación de datos, mejoras de modelo y uso
mosféricos, ya que esta escala temporal es demasiado de nuevos sistemas de observación) y diseño de SPC
corta para que las variaciones en el océano tengan un más fidedignos al perfeccionar la simulación de las
impacto significativo en la circulación atmosférica. A incertidumbres. Indirectamente, los cambios recientes
partir de diez días, la variación de los océanos tiene en el ECENS de medio plazo ayudarán a aumentar la
28.2 Predicción mensual 461
habilidad de la predicción subestacional. Los cambios semanales) así como la incertidumbre asociada (más
futuros incluirán la implementación de un modelo de información en [659] y [259]). Los siguientes subcon-
hielo marino en lugar de un hielo marino persistente y juntos están disponibles en las pasadas de los lunes
una mayor resolución del modelo oceánico (de 1° a y jueves: (VI-i) Medias semanales de las medias de
¼°). ensemble (incluyendo productos de retropredicción);
(VI-ii) Anomalías medias semanales de las medias
del ensemble; (VI-iii) Medias semanales de los miem-
28.2.2 Productos bros individuales del ensemble (incluyendo productos
de retropredicción); (VI-iv) Anomalías medias sema-
Dos veces por semana, el ECENS (días 1-15) se ex- nales de los miembros individuales del ensemble ;
tiende hasta 46 días (días 16-46). Los productos del (VI-v) Pasadas de predicción individuales (incluyen-
así llamado ENS extendido o mensuales comprenden do productos de retropredicción); (VI-vi) Probabili-
ensembles de predicciones individuales y posproce- dades (productos semanales). La Figura 28.8 muestra
sos de condiciones promedio (por ejemplo, promedios algunos ejemplos.
Figura 28.8: Anomalías medias semanales respecto al clima de los últimos 20 años. El mapa superior izquierdo
corresponde a las anomalías calculadas utilizando el análisis operacional del ECMWF y reanálisis para una
semana dada. Los otros paneles corresponden a las ocho predicciones mensuales empezando una semana aparte y
verificando en esa semana. Las anomalías del ensemble son relativas al clima del ensemble, calculando a partir
de las estadísticas. Aquellas áreas en las que la predicción del ensemble no es significativamente diferente de su
climatología, de acuerdo con el test de W ILCOXON -M ANN -W HITNEY (WMW [682]), aparecen en blanco. El rango
temporal de las predicciones es día 1-7, 5-11, 8-14, 12-18, 15-21, 19-25, 22-28 y 26-32. Esta figura da una idea
de hasta qué punto las anomalías predichas verifican con el análisis del ECMWF e igualmente informan sobre la
consistencia entre las predicciones mensuales de una semana a la siguiente (fuente: ECMWF)
Figura 28.9: Penachos de anomalías medias mensuales (en rojo) de SST y anomalía de la temperatura observada
para los seis meses precedentes (negro). Ver texto. Fuente: MetOffice.
Posteriormente los predictores de los grandes cen- lía de la temperatura observada para los seis meses
tros, analizan estos resultados a escala del país para que preceden a la predicción se representa por una
elaborar el boletín de predicciones mensuales. Contra- línea continua negra (fuente: MetOffice)
riamente, a las predicciones de escala de varios días,
no se trata de informaciones detalladas y cifradas,
sino de predicciones cualitativas que informan sobre 28.3 Predicción estacional y anual
la situación general esperada (perturbada, estable) y
las grandes tendencias para la temperatura (superior
o inferior a las normales) y las precipitaciones. Se A pesar de la naturaleza caótica de la atmósfera, la
presentan dos plazos: predicción estacional ha mostrado que es posible pre-
ver el estado medio de la atmósfera en los próximos
para la primera semana: el escenario más probable tres a seis meses [490]. La predicción estacional se
en términos de temperatura y precipitaciones en presenta bajo forma de predicciones cualitativas que
cada país informan sobre las grandes tendencias; es decir, si la
para las dos semanas siguientes: la tendencia más próxima estación será más cálida o más fría, más seca
probable únicamente para las temperaturas y sola- o más húmeda que la normal, o próxima a la normal.
mente cuando un escenario dominante emerge de
las simulaciones numéricas. La fiabilidad de las Como contraste con una simulación climática, una
predicciones para las precipitaciones es insuficiente predicción estacional depende de manera crítica de
en este vencimiento. una inicialización basada en la observación del sis-
tema acoplado. Las predicciones resultantes inten-
La Figura 28.9 muestra otro ejemplo de producto, pro- tan proporcionar información acerca de la evolución
cedente en este caso de MetOffice. Para cada una de probable del sistema climático observado en las es-
las distintas regiones del Pacífico tropical ecuatorial, taciones venideras. Sin embargo, conforme el rango
en este caso la región Niño3.4, los gráficos de predic- de predicción aumenta, la importancia de las condi-
ción (denominados penachos) muestran el promedio ciones iniciales declina y los efectos del forzamiento
de las anomalías medias mensuales de las SST para externo empiezan a ser cada vez más importantes (Fi-
cada miembro del ensemble (líneas rojas). La anoma- gura 28.10 en la página siguiente).
28.3 Predicción estacional y anual 463
Figura 28.10: Importancia relativa de las condiciones iniciales y de contorno para las predicciones según las
diferencias escalas temporales. (Fig. 1.2 de K IRTMAN et al. 2013 [347]).
La predecibilidad atmosférica estacional es mayor tos, estas predicciones permitirán entonces anticipar
en ciertas regiones del globo y en ciertos periodos y adoptar decisiones en plazos del orden de algunos
del año. En las regiones tropicales, la temperatura de meses.
superficie del océano pilota de forma intensa la circu-
lación atmosférica mientras que la variabilidad natural Un aspecto interesante suscitado en relación con la
del clima no es muy grande allí. La predecibilidad se fiabilidad fue la noción de ventanas de oportunidad
acrecienta, por tanto, en esas regiones. En nuestras en Europa. Este concepto relaciona el hecho, de que
latitudes y en invierno, las teleconexiones con los tró- en determinadas épocas, ciertas influencias/ factores
picos son más fuertes que en verano, lo que aumenta que confieren predecibilidad serán más intensos y/
la predecibilidad en el hemisferio norte y en Europa o actuarán de manera conjunta. En tales situaciones,
[490, 679]. las señales en la predicción probablemente serán más
intensas y la confianza en las predicciones climáti-
La predicción estacional reposa en la modelización cas puede ser mayor que lo que indicaría la habilidad
numérica del clima y en el acoplamiento entre sus promedio. Esas ventanas de oportunidad pueden fa-
diferentes actores. Es importante subrayar, que nos es- vorecer el uso - de las predicciones climáticas para
tamos refiriendo a una predicción de un estado medio algunos usuarios dependiendo del fenómeno, umbra-
(clima) y no de una cronología de estados instantáneos les y decisiones implicadas [592].
(tiempos). Se trata de una predicción de naturaleza
probabilista, que puede ser útil en un contexto de ges- La dificultad de evaluar una predicción estacional ha
tión del riesgo climático, de toma de decisiones y retardado mucho tiempo el consenso sobre la validez
de actividades sensibles a la meteorología (principal- de su enfoque científico. En la predicción a corto pla-
mente económicas). Tiene un valor añadido que es zo, se puede evaluar al cabo de algunos meses la tasa
variable, en función de la zona, de la estación, del año de acierto y de fracaso de un sistema de predicción.
y del parámetro. La predicción estacional representa En predicción estacional, habrá que esperar décadas
pues la primera etapa de la adaptación a la variabilidad para elaborar un juicio fiable. Por tanto, nos volvemos
climática actual. hacia el pasado, produciendo lo que se llama retro-
predicciones. Una retropredicción es una predicción
A pesar de su fiabilidad limitada en nuestras latitu- producida retrospectivamente, años más tarde, pero
des, este tipo de predicciones presentan un interés sin hacer trampas, es decir, no utilizando ninguna in-
incuestionable para los responsables de las tomas de formación posterior al instante inicial de la predicción.
decisiones cuya actividad, muestre alguna dependen- Estas retropredicciones deben cubrir un periodo a la
cia de la meteorología (por ejemplo, energía, seguros, vez largo (por razones estadísticas) y reciente (por ra-
agricultura, hidrología). Siempre que se atisbe una zones de homogeneidad del sistema de observación).
tendencia, constituyen una información suplementaria Las aplicaciones operacionales hacen empezar este
con respecto a la climatología (el clima medio en un periodo en 1993 (comienzo de la observación altimé-
lugar y en un periodo dado). Asociados a otros da- trica satelital), mientras que las evaluaciones en modo
investigación comienzan en 1979 (inicio de la obser- de la predicción multimodelo se ha explorado en par-

vación global de la temperatura del océano por los ticular en los proyectos DEMETER (Development of
satélites). a European Multi-model Ensemble System for Seaso-
nal to Interannual Prediction [492]) y ENSEMBLES
El empleo de predicciones medias anuales todavía (Ensemble-based Predictions of Climate Changes and
no está muy extendido, en parte debido a su relativa their Impacts [287, 638, 673]).
novedad, la falta de evaluaciones del nivel asociado
de predecibilidad y la calidad de la predicción, y, por El ECMWF ha liderado las predicciones estacionales
último, la escasez de aplicaciones. Sin embargo, las desde hace muchos años. La investigación en la pre-
predicciones medias anuales se han utilizado hasta decibilidad de las escalas estacionales al comienzo de
ahora para entender y predecir la causa de la variabili- la década de 1990, condujo a la implementación del
dad interanual dentro de la señal del cambio climático primer sistema de predicción estacional del ECMWF
subyacente, permitiendo la monitorización a corto basado en un modelo acoplado océano-atmósfera en
plazo del progreso de cambio climático. Así, si por 1997. En noviembre de 2011, el último sistema de
ejemplo, se espera un año frío, debido por ejemplo a predicción estacional Sistema 4 entró en operación.
la influencia de un evento La Niña, consideraciones Este Sistema de predicción estacional del ECMWF
acerca de la variabilidad natural impuesta al calen- [604] será sustituido en breve por un sistema mejora-
tamiento tendrían más peso en la predicción de la do denominado SEAS5. Se espera que proporcione
variabilidad media anual. incluso predicciones estacionales de mayor calidad
en los trópicos y predicciones estacionales de hielo
Aunque la calidad de la predicción media anual se
marino. Otro avance importante es que se corresponde
reduce con respecto a las predicciones estacionales
bien con el sistema de rango extendido del ECMWF.
con alcances más cortos, existe un número sustancial
Esto marca un paso significativo en el camino hacia la
de casos con habilidad positiva, lo que puede conducir
predicción sin costuras a través de un rango completo
al desarrollo de aplicaciones específicas de este tipo
de escalas temporales, desde el rango medio hacia las
de predicción. Como en el caso de predicciones de la
predicciones estacionales.
escala de tiempo estacional, el multimodelo muestra
frecuentemente un mejor calidad de predicción que los
otros experimentos mencionados en D OBLAS -R EYES El 11 de julio de 2017 [87] entró en vigor una actuali-
ET AL . 2009 [159], aunque sea principalmente debido
zación sustancial. El nuevo ciclo incluye cambios en
al mayor tamaño del ensemble. el modelo; en el número y uso de las observaciones; en
la infraestructura del software; y en el procedimiento
de asimilación utilizado para generar las condiciones
28.3.1 Particularidades del sistema de pre- iniciales de las predicciones. La actualización ha teni-
dicción estacional del ECMWF do un impacto positivo en la habilidad de la predicción
en las predicciones de plazo medio y mensuales.
El papel constituido por el océano y sus intercambios
con la atmósfera son cruciales en esa escala temporal La estrategia de diez años adoptada por el ECMWF
[375]. Las predicciones del sistema así constituido, en 2016 incluyó dos objetivos científicos clave cara a
contienen incertidumbres, principalmente asociadas conseguir la mejora de la habilidad de la predicción a
al desconocimiento de las condiciones iniciales y de plazo medio: una estimación más precisa del estado
la física simplificada del modelo. inicial, una representación coherente de la incertidum-
bre asociada con las observaciones y el modelo; y una
Para paliar el problema de incertidumbre de las con- mejor representación de los procesos físicos y quí-
diciones iniciales, el modelo global se integra varias micos junto con las interacciones entre las diferentes
veces a partir de inicializaciones realistas, un poco componentes del sistema Tierra. Esto permite el uso
diferentes unas de las otras. Se obtiene así un ensem- de más observaciones y mejora su asimilación, inclu-
ble de predicciones que describe los futuros estados yendo además cambios en los esquemas de radiación y
posibles, teniendo en cuenta una cierta incertidumbre convección junto con una nueva climatología de aero-
de las condiciones iniciales. Para tener en cuenta la soles, proporcionando, por tanto, una representación
incertidumbre debida a la modelización, una solución mejorada de los procesos del sistema Tierra. Ambos
consiste en recurrir a varios modelos globales, desem- desarrollos han conducido a mejoras significativas en
bocando así en una predicción multimodelo. El valor la habilidad de la predicción.
Resulta importante tener en mente que los sistemas de potenciales bajo forma de mapas o boletines a través
predicción operacionales necesitan considerar cues- de la web (ECMWF). Las consecuencias de un suceso
tiones prácticas a la vez que la base científica de las cálido en el Pacífico ecuatorial (El Niño) están sufi-
predicciones y productos. La experiencia ha venido cientemente documentadas para que una predicción
a demostrar que el control de calidad es una parte de la ocurrencia de este fenómeno sea interpretado en
importante del Sistema multimodelo, ya que pueden términos de sequías, riesgo de inundaciones, etc.
presentarse una amplia variedad de problemas y erro-
res. Existen, igualmente, aplicaciones de las predicciones
estacionales desarrolladas para un uso preciso. Hay
Por otra parte, está el EUROSIP, un Sistema de pre- que destacar que, sobre todo en las regiones tropi-
dicción estacional multimodelo, consistente en un nú- cales donde las puntuaciones son más elevadas, es
mero de sistemas de predicción estacional acoplados donde existe una colaboración más estrecha entre los
independientemente, integrados en un marco de refe- predictores y los usuarios, en general, mediante una
rencia común. Surgió a consecuencia de los resultados adaptación estadística. Este tipo de enfoque requiere
tan alentadores del Proyecto DEMETER y de otros retropredicciones sobre plazos largos y cambios de
proyectos, quienes establecieron los beneficios cien- versión poco frecuentes. Por eso, la gestión de una
tíficos conseguidos al combinar las predicciones de presa en el río Senegal incluye una componente de
cinco modelos (francés, inglés, americano, japonés y predicción estacional [30]. En América del Sur, se han
el modelo del ECMWF). En 2015 se puso operativa la realizado un cierto número de adaptaciones estadísti-
versión 5 del sistema de Météo-France que es bastante cas por el consorcio Eurobrisa.
próxima a la versión del modelo del sistema Tierra
que se utilizará para el próximo informe del IPCC Los productos numéricos generados por el Sistema
(AR6). Cada dos o tres años se llevarán a cabo ciclos de predicción estacional del ECMWF [604] contienen
de mejora. Su establecimiento intensificará los esfuer- información acerca de lo que cabría esperar en esca-
zos sobre la evaluación de la predecibilidad decadal las de tiempo estacionales, pero no hay que olvidar
del clima, en colaboración con el Cerfacs (Centre que también contienen errores. No se recomienda un
Européen de Recherche et de formation avancée en uso irreflexivo de los productos de predicción numéri-
calcul scientifique). cos en bruto. Las predicciones tienen que prepararse
cuidadosamente para los usuarios, tal vez combinan-
En un desarrollo separado, el Servicio de Cambio Cli- do datos de varias fuentes empíricas y/o numéricas.
mático de Copernicus (C3S) está probando un prototi- La creación y la emisión de declaraciones de predic-
po de servicio de predicción estacional que ofrecerá ción preparadas de forma debida no es una misión del
predicciones multimodelo de El Niño y que se espe- ECMWF, sino que es responsabilidad de los Servi-
ra que sustituya al sistema multimodelo EUROSIP cios Meteorológicos Nacionales o las organizaciones
en una fecha oportuna. Los suministradores princi- internacionales responsables. Los mapas de proba-
pales son el ECMWF, la MetOffice y Météo-France. bilidad que aparecen en las páginas web están «sin
Además, el Centro Euro-Mediterráneo sobre Cambio calibrar», esto es, representan directamente las salidas
Climático Italiano (CMCC) y el Servicio Meteorológi- del modelo, y no se ha aplicado ningún ajuste a las
co Nacional Alemán (DWD) empezarán a enviar datos probabilidades para que tengan en cuenta los errores
para su incorporación en el paquete de productos del del modelo.
servicio durante 2017. Se juntarán con el NCEP y
el JMA. Para más información, véase B ROOKSHAW El ECMWF genera además un número de productos
[77]. Los datos de todos los modelos participantes se multimodelo que son creados a partir de la salida in-
archivan en el ECMWF, pudiéndose acceder a ellos tegrada de los modelos componentes del sistema EU-
mediante el acatamiento de los términos de la política ROSIP. Su referencia oficial es productos EUROSIP.
de datos de EUROSIP. La mayoría de estos productos se proporcionan tan
solo en formato gráfico, aunque también se encuen-
tran disponibles algunos datos en formato numérico.
El acceso a estos productos multimodelo es análogo
28.3.2 Productos (estacional)
al acceso de cualquier producto del ECMWF.
Las predicciones estacionales se elaboran esencial- Los datos procedentes de los modelos individuales se
mente para ser difundidas hacia todos los usuarios archivan también en el ECMWF, pero en este caso,
el acceso está sujeto a los términos especificados en

la política de datos de EUROSIP (información más
detallada en [660]).
En el Sistema multimodelo EUROSIP, las incertidum-

bres debidas a los errores de los modelos se encuen-
tran mejor representadas, en consecuencia, la predic-
ción EUROSIP es más fiable. Pueden encontrarse
mejoras del sistema de predicción estacional y sus
productos en las referencias [15, 451, 649].
La variedad de los productos gráficos se diseña para

mostrar perspectivas diferentes acerca del futuro pre-
dicho para el modelo. No existe ningún gráfico que
pueda representar la cantidad ingente de información
contenida en el ensemble de predicción. Figura 28.12: Penachos de las anomalías medias men-
suales de SST para la región NINO3. Fuente: ECMWF.
Los productos de datos proporcionan acceso a valores

de predicción cuantitativos y permiten la creación de
Las predicciones empiezan el 1 de cada mes, y la
un rango casi ilimitado de productos de predicción
anomalía media mensual para ese mes es el primer
específicos de cada usuario. Mostraremos aquí unos
valor ploteado. Esto se junta con la anomalía media
pocos ejemplos.
mensual procedente (observada) con una línea a tra-
zos que representa la continuidad de la predicción con
el análisis. Es importante notar que las líneas no re-
Penachos. La Figura 28.11 muestra las regiones de El
presentan la evolución continua de las SST sino que
Niño donde se calculan los gráficos conocidos como
sencillamente conectan los valores mensuales.
penachos.
Las predicciones de las anomalías de la temperatu- Gráficas de verificación. Junto con los gráficos de
ra de la superficie del mar en el Pacífico Ecuatorial penachos de El Niño, se muestran estadísticas de ve-
promediadas sobre las áreas arriba mencionadas se rificación basadas en las predicciones pasadas o re-
muestran en gráficas tanto anuales como estacionales tropredicciones [451]. EL sistema 4 tiene un balance
(Figura 28.12). dispersión-error mucho mejor que sistemas de predic-
ción anteriores, particularmente en el Pacífico oriental
Las anomalías medias mensuales predichas para cada (no mostrado). En el Niño4, sin embargo, los errores
miembro individual del ensemble se muestran como siguen siendo con frecuencia mucho mayores de lo
manchas rojas unidas por curvas rojas finas, y el aná- que la anchura del penacho podría sugerir.
lisis verificante, cuando se encuentra disponible se
representa por una curva azul a trazos gruesos. Mapas espaciales. Los mapas espaciales se producen
mostrando las anomalías predichas por los modelos
en cantidades promediadas estacionalmente. En la ma-
yoría de los casos, se producen gráficos globales y
regionales, aunque los globales y los de latitudes me-
dias no se encuentran disponibles al público. Cada
gráfico se etiqueta con el periodo de su validez, por
ejemplo OND 2017 es el periodo trimestral octubre
2017-diciembre 2017. Se da la fecha de arranque de la
predicción (p. ej. 01-09-2017 en la Figura 28.13 en la
Figura 28.11: Regiones de El Niño en el Pacífico: Niño- página siguiente) así como el número de integraciones
3, (5N-5S, 90-150W) Niño-3.4 (5N-5S, 120-170W) y del modelo en el ensemble de predicción y el número
Niño-4 (5N-5S, 160E- 150W) utilizado para definir el clima.
Figura 28.13: Los productos de datos proporcionan acceso a valores de predicción cuantitativos, y permiten la
creación de un casi ilimitado rango de productos de predicción específicos de cada usuario. Los estados miembros
del ECMWF tienen acceso a todos los datos directamente a través del sistema de archivo, y/o obtener datos de
predicción atmosférica en tiempo real a través de la diseminación. Fuente: ECMWF.
Mapas de terciles. Cada mes, los especialistas en cli- consorcios que combinan las predicciones de varios
ma de los países que elaboran la predicción estacional modelos. Estas predicciones son accesibles gratuita-
examinan el sistema climático global (observaciones mente bajo forma de mapas o boletines.
de los océanos, de la atmósfera y de los hielos mari-
nos) y analizan los resultados de los diferentes mo-
delos de predicción estacional (sistema EUROSIP y La predecibilidad estacional en la región mediterrá-
otros modelos). Establecen, en colaboración con in- nea es muy pequeña excepto en las llamadas ventanas
vestigadores especialistas en modelización y oceanó- de oportunidad. Para solventar este problema, se re-
grafos, una síntesis de estas predicciones estacionales comienda el uso de todas las piezas de información
para el próximo trimestre. Esta síntesis es de gran posibles (modelos acoplados y algoritmos empíricos).
ayuda en la elaboración del boletín disponible en la Al manejar muchas fuentes de información, se impone
página web. la necesidad de integrarlas en un marco probabilista
que combine de una manera óptima todas las fuentes
Puede suceder que las predicciones de dos modelos es- de información; y, por último, las predicciones y ve-
tén en desacuerdo. Así, existen en Europa (EUROSIP), rificaciones, ambas en una forma probabilista, tienen
en América del Norte (NMME) y en Asia (APCC) que asociarse a la toma de decisiones.
Figura 28.14: Predicción para el verano (JJA 2017) en el área de MedCOF de la temperatura (izquierda) y la
precipitación (derecha).
En el seno de MedCOF, el foro regional del clima pa- dicciones una señal a gran escala de precipitación
ra la región mediterránea (http://medcof.aemet.es, (Figura 28.14 en la página anterior derecha). La pre-
véase sec. 28.4 en la página siguiente para más deta- dicción climatológica (33, 33, 33) sobre la parte sur
lle), se emiten al año dos predicciones estacionales del dominio implica igualmente el hecho de que no
(para invierno y verano) para la precipitación y la se puede proporcionar una precipitación significativa
temperatura, elaboradas por consenso. Se trata de una para esas áreas en esta estación.
predicción basada en la salida de modelos dinámicos,
modelos estadísticos y teleconexiones conocidas de En AEMET existen actualmente varios sistemas de
las características climáticas a gran escala. predicción estacional basados en modelos acoplados
atmósfera-océano y en algoritmos empíricos. La pre-
dicción estacional operativa se realiza entre los días
La Figura 28.14 en la página anterior muestra la pre-
25 y 30 de cada mes. Se realiza para los tres meses
dicción probabilista (por consenso) para las catego- siguientes. Se trata de una predicción probabilista en
rías en terciles de las anomalías para la temperatura forma de terciles. En particular, es una predicción por
media estacional (precipitación media estacional) y, consenso obtenida analizando la información suminis-
similarmente, la precipitación, respecto al periodo trada por todos los modelos disponibles. Se encuentra
1981-2010. Debido a la tendencia de calentamiento disponible en la web externa http://www.aemet.es/
del clima, las anomalías se encuentran afectadas por es/serviciosclimaticos/prediccion_estacional
el periodo de referencia seleccionado.
EUROSIP. Se observa (Figura 28.15) que la predic-
Las temperaturas serán probablemente más cálidas de ción estacional multimodelo EUROSIP del 1 de sep-
lo normal sobre la mayor parte del dominio de Med- tiembre de 2016 (disponible a partir del 15 de septiem-
COF (Figura 28.14 en la página anterior izquierda), bre) muestra alguna indicación de alta probabilidad
siendo el tercil cálido más probable sobre la mayor de sequía en el oeste de Kenia y el sur de Etiopía
parte de la región suroriental del dominio. La señal pero no en Somalia, a pesar de existir una buena pre-
generalizada -relativamente cálida- es probable que dicción de La Niña (https://wwa.climatecentral.
lo sea parcialmente debido a la tendencia de calenta- org/analyses/somalia-drought-2016-2017).
miento climático de fondo. Aunque las incertidumbres
de la precipitación son mayores que para la tempera-
tura, sobre la parte oriental del dominio se encuentra IRI. Otro ejemplo de predicción estacional emitido
favorecido un fuerte y persistente verano, más seco de por el Instituto de Investigación Internacional para la
lo normal (principalmente procedente del modelo del Predicción Climática (IRI) de EE. UU. en agosto de
ECMWF). 2017, referida a la predicción de probabilidad multi-
modelo para la precipitación para el otoño (SON 2017)
Para el resto de la región, no se aprecia en las pre- se muestra en la Figura 28.16 en la página siguiente.
Figura 28.15: Predicción multimodelo EUROSIP para la probabilidad de la precipitación octubre-diciembre en el

20 % más bajo de la distribución climatológica con el tiempo de referencia del análisis el 1 de septiembre de 2016
(disponible el 15 de septiembre de 2016).
28.4 Centros especiales de predicción estacional 469
Figura 28.16: Probabilidades intensificadas de precipitación por debajo de lo normal para México y el sureste de
EE. UU. desde octubre-diciembre hasta enero-marzo, y en parte del sureste de Sudamérica desde octubre-diciembre
hasta diciembre-febrero. Se intensifican las probabilidades de predecir precipitación sobre lo normal en el norte de
Sudamérica y la mayor parte de Indonesia y partes de Australia oriental desde octubre-diciembre hasta enero-marzo.
28.3.3 Descripción del sistema ECMWF de predicción alrededor del mundo [562, 604] y esto
(predicción anual) ha sido así en algunos casos desde el comienzo de la
década de 1990.
Además de la predicción estacional que se hace ca-
La mayor parte de los grandes centros de predicción
da mes, se elabora una predicción de rango anual o,
numérica realizan este tipo de predicción estacional: el
simplemente, predicción anual cuatro veces al año,
ECMWF, servicios meteorológicos nacionales como
siendo las fechas de comienzo el 1 de febrero, 1 de
Météo-France, UK MetOffice, los servicios japonés,
mayo, 1 de agosto y 1 de noviembre. El rango de la
coreano, chino, indio, canadiense, australiano, marro-
predicción es 13 meses. Las predicciones de rango
quí, y el NCEP americano. Igualmente, organismos
anual se corren como una extensión de la predicción
de investigación producen también este tipo de pre-
estacional y se hacen utilizando el mismo modelo pe-
dicciones como el Instituto Max-Planck en Alemania,
ro con un tamaño del ensemble más pequeño. Tanto
el IRI en los Estados Unidos, o el CPTEC (centro de
las retropredicciones como las predicciones en tiempo
investigación de Brasil) e igualmente el centro austra-
real tienen un tamaño del ensemble de 15. Las pre-
liano.
dicciones de rango anual se diseñan principalmente
para proporcionar una predicción para El Niño. En el
En el 16º Congreso Meteorológico Mundial celebrado
momento actual, tienen un estatus experimental más
en 2011, la OMM adoptó una nueva iniciativa, con-
que operacional.
sistente en desarrollar una Actualización Mundial del
Clima Estacional (GSCU, de las siglas en inglés de
Global Seasonal Climate Update, véase RODRÍGUEZ,
28.4 Centros especiales de predic- 2016 [546]). El objetivo del GSCU es el de asistir a los
ción estacional Servicios Meteorológicos e Hidrológicos Nacionales
(SMHN), así como a los Centros Climáticos Regio-
Los sistemas de predicción estacional están operati- nales y a los Foros Regionales sobre Perspectivas del
vos o casi operativos en un gran número de centros Clima.
Figura 28.17: La OMM ha designado oficialmente los Centros globales de predicción y los siguientes centros líderes:
WMO Lead Center for Long-Range Forecast Multi-Model Ensemble (LC-LRFMME) coordinados conjuntamente por
KMA y CPC/NOAA. WMO Lead Center for Standard Verification System of Long-Range Forecasts (LC-SVSLRF)
coordinados conjuntamente por BOM y MSC. (kolli-CSIS-2014_español)
Esta asistencia se realiza proporcionándoles evalua- pensados y diseñados para fortalecer las capacida-
ciones del clima actual (vigilancia) y su predicción des de los miembros de la OMM en una determinada
para la siguiente(s) estación(es) generadas por exper- región y para ofrecer mejores servicios climáticos a
tos desde una perspectiva global. Además, el GSCU los usuarios nacionales. Los servicios que prestan los
proporciona información sobre la robustez y fiabili- RCC abarcan toda una serie de funciones obligatorias
dad de las señales disponibles en las que se basa la y adicionales altamente recomendadas, definidas y
predicción a escala estacional. especificadas por la OMM. Los RCC pueden estructu-
rarse de dos maneras: asumiendo en un centro único
La iniciativa GSCU complementa la infraestructura (multifuncional) todas las funciones de los RCC para
básica de la OMM relacionada con la producción ope- la región correspondiente o distribuyéndose entre va-
rativa de predicciones climáticas a escala estacional. rios centros o nodos en una red de RCC. Este último
Además de designar los 15 Centros Globales de Pre- es el caso de Europa en el que en una red de centros
dicción (GPC, de las siglas en inglés de Global Pro- se distribuye responsabilidades temáticamente (ver
duction Centers), la OMM está creando Centros Re- Figura 28.18 en la página siguiente).
gionales del Clima (RCC, de las siglas en inglés de
Regional Climate Centres) para generar y suministrar Los Foros Regionales de Perspectivas Climáticas
datos y productos a mayor resolución y con un enfo- (RCOF, de las siglas en inglés de Regional Clima-
que regional, así como para contribuir a la formación te Outlook Forum) comenzaron a funcionar en 1997
en la generación y uso de estos productos. en Sudáfrica coincidiendo con un episodio récord de
La OMM designó oficialmente 15 Centros Globales El Niño que atrajo la atención sobre los impactos de
de Producción de predicciones a largo plazo como la variabilidad del clima y de las posibilidades del
queda recogido en la Figura 28.17. desarrollo de sistemas de predicción en escalas esta-
cionales que ayudasen a la gestión de estos impactos.
Los Centros Climáticos Regionales (RCC, de sus si- Existen tres componentes esenciales de los RCOF:
glas en inglés) son centros de excelencia que crean producción operativa de las predicciones estaciona-
productos climáticos regionales, entre ellos prediccio- les, fortalecimiento de las capacidades de los SNMH
nes a escala estacional, en apoyo de las actividades cli- y la interacción con los usuarios. Ver Figura 28.19 en
máticas a escalas regional y nacional. Los RCC están la página siguiente.
28.4 Centros especiales de predicción estacional 471
Figura 28.18: Véase http: // www. wmo. int/ pages/ prog/ wcp/ wcasp/ rcc/ rcc. php .
Figura 28.19: Foros regionales del clima alrededor del mundo (Regional Climate Outlook Forum RCOF, de sus
siglas en inglés).
ma de la Unión Europea cuyo fin es el desarrollo de

Los RCOF reúnen a expertos en clima y prediccio- servicios de información europea basados en los sa-
nes climáticas para discutir y generar, mediante un
télites de Observación de la Tierra y datos in-situ (no
procedimiento de consenso, predicciones climáticas
con un alcance principalmente estacional. Al reunir espaciales). El programa está coordinado y dirigido
a expertos de países que tienen características clima- por la Comisión Europea. Se implementó en asocia-
tológicas comunes, los foros ayudan a garantizar la ción con los Estados Miembros, la Agencia Espacial
coherencia en el acceso e interpretación de la infor- Europea (ESA), la Organización Europea para la Ex-
mación climática. Un aspecto importante de los foros plotación de los Satélites Meteorológicos (European
es la posibilidad de reunir a expertos en diversos cam- Organisation for the Exploitation of Meteorological
pos, meteorólogos locales y usuarios finales de las
Satellites (EUMETSAT)), el ECMWF, Agencias de
previsiones en un entorno que fomenta la interacción
y la formación. La Figura 28.19 en la página anterior la Unión Europea y el Mercator Ocean.
muestra los foros actualmente funcionando bajo el
paraguas de la OMM (información sobre RCOF dis-
ponible en la web de la OMM). En la RA VI de la 28.5 Predicción decadal
OMM (Europa), el proceso de creación de los RCOF
se lanzó en 2008 e inicialmente se crearon dos RCOF
para la región europea: El South East European Cli- La predicción decadal se clasifica entre la predicción
mate Outlook (SEECOF) y el North-EurAsian COF estacional/interanual (unos cuantos meses-2 años),
(NEACOF). La sexagésima quinta sesión del Consejo y las proyecciones de cambio climático que son más
Ejecutivo de la OMM apoyó el lanzamiento de un largas (50 o más años). En consecuencia, las prediccio-
RCOF para la región mediterránea como una iniciati-
nes decadales contribuyen a cerrar la brecha temporal
va conjunta de las regiones de Europa y África (RA VI
y RA I, respectivamente). AEMET junto con la OMM entre las predicciones estacionales y las proyecciones
-y tras conversaciones con muchas Partes- acordó la de cambio climático, constituyendo un nuevo desafío
celebración de un «Scope meeting» en la sede cen- en la comunidad dedicada al estudio del clima y del
tral de AEMET, durante los días 12 a 14 de junio de cambio climático. Doblas-Reyes (2009 [159]) señala
2013, para definir las características y objetivos de un que la predicción decadal intenta proporcionar infor-
futuro foro de predicción climática regional (RCOF), mación climática interanual útil maximizando la in-
que recibió el nombre de MedCOF. La página web formación de las observaciones, siendo un requisito
de MedCOF es (http://medcof.aemet.es). Med-
COF abarca 34 países desde la región mediterránea,
primordial para ello la inicialización de los modelos
incluyendo los países balcánicos y caucásicos. La pri- acoplados océano-atmósfera.
mera reunión se celebró en noviembre de 2013 y ha
habido nueve ejercicios para producir las previsiones Como describen de forma plástica y efectiva G ODARD
estacionales por consenso. et al. (2012 [238]), la predicción decadal es la niña fas-
cinante de la que todo el mundo habla. La predicción
decadal puede avanzar, más rápido que su hermana
El IRI (International Research Institute for Climate mayor, la predicción estacional, porque cuenta con la
and Society) de la Columbia University Se estableció ventaja de su experiencia. Tienen necesidades simila-
merced a un acuerdo de cooperación entre el Pro- res y participan en actividades similares y, por tanto,
grama climático de la NOAA y la Universidad de basándose en lo que pueden aprender una de la otra su
Columbia. Forma parte del Instituto de la Tierra (The maduración es, en cierta forma, un proceso de refor-
Earth Institute) de la Universidad de Columbia y está zamiento mutuo. Cualquier esfuerzo en inversión, ya
ubicado en el Campus Lamont. El IRI alojó la prime- sea en observaciones, modelización o investigación
ra Conferencia Internacional de Servicios Climáticos centradas en cualquiera de ambas escalas temporales
que se celebró en el Campus Morningside de la Uni- beneficiará a ambas.
versidad de Columbia en 2011. Esta conferencia lanzó
la Alianza de Servicios Climáticos (Climate Services Por otra parte, las decisiones a las que afectan son de
Partnership), cuya secretaria estuvo en el IRI hasta un tipo diferente. Las predicciones estacionales son
que se transfirió al Centro de Servicio Climático Ale- más relevantes para las decisiones de gestión, mien-
mán (German Climate Service Center) en Hamburgo tras que las predicciones decadales pueden ser más
en 2016. útiles para las decisiones de planificación. Por tanto,
¿cómo es que dos escalas temporales tan diferentes
Copernicus (http://copernicus.eu, mencionado podrían trabajar muy bien juntas en una perspectiva
también en la sec. 19.1 en la página 290) es un Progra- de investigación y de servicios climáticos? A pesar
28.5 Predicción decadal 473
de sus diferencias obvias, existen elementos comunes, efectos estratosféricos en las anomalías climáticas de
incluso complementarios. Donde la sinergia es mayor la superficie y troposféricas [32, 313]. Las mejoras de
entre las predicciones estacionales y la investigación los modelos y de los sistemas de asimilación no pue-
floreciente en las predicciones decadales es a través den desarrollarse sin una adecuada red de observación.
de su dependencia de los sistemas de predicción. Am- El ENSO tiene una escala temporal de 3–7 años pero
bos sistemas de predicción utilizan el mismo tipo de es únicamente predecible con una anticipación entre
modelos de circulación general, y hacen uso de los 6-12 meses, tal vez, como mucho, 18 meses para los
mismos sistemas de observación global. Más allá de sucesos muy intensos [126]. Este aspecto importante
estos elementos comunes de prioridad, sin embargo, de las predicciones tiene que comunicarse a los usua-
existen un número de aspectos para los cuales, inver- rios considerando el uso de las predicciones decadales.
siones en el pasado, presente y futuro centrados en Sin embargo, mientras que la variabilidad climática
una única escala temporal podrían beneficiar a la otra natural podría ser el motor dominante de las anoma-
escala. lías que varían con el tiempo más allá de una década
para algunas regiones, la variabilidad natural del cli-
La primera vez que se evaluó el potencial de las pre- ma puede no ser predecible vía la inicialización; en
dicciones decadales fue en el AR5 del IPCC. Los retos contraste, la respuesta, que se desarrolla lentamente al
de hacer predicciones fidedignas de las variaciones cambio climático forzado, aunque de magnitud más
decadales requieren que los modelos sean capaces de pequeña en esa escala de tiempo, puede ser predeci-
distinguir entre las variaciones decadales no forzadas ble, al menos en signo [312, 373]. Más allá de una
debidas a la dinámica interna del sistema climático década, la incertidumbre en la respuesta al forzamien-
acoplado y la componente externa forzada antropogé- to externo pasa a ser extraordinariamente importante
nicamente, debida a cambios en los gases de efecto como una fuente del error de predicción, mientras que
invernadero y condiciones de la superficie terrestre. la variabilidad decadal continúa como incertidumbre
Las variaciones decadales pueden ser causadas por adicional significativa, especialmente en las escalas
cambios en la amplitud y frecuencia de los sucesos regionales [279].
de El Niño, causados por cambios en las variaciones
intraestacionales (MJO, etc., variaciones que pueden,
a su vez, ser causadas por cambios en la convección 28.5.1 Descripción del sistema ECMWF
tropical organizada. Por tanto, es importante que los (predicción decadal)
modelos climáticos puedan resolver y simular los sis-
temas nubosos a meso-escala que organizan la con-
vección profunda, las variaciones intra-estacionales, Los conjuntos de predicciones decadales se llevan a
ENSO, así como el giro oceánico meridional decadal cabo con el modelo acoplado del ECMWF. Las incer-
(MOC, de sus siglas en inglés). tidumbres clave que dan origen al error de predicción
en las predicciones de clima a corto plazo, son las
Las predicciones decadales tienen un gran interés cien- incertidumbres en las condiciones iniciales, en la for-
tífico, interés que se traduce potencialmente en un mulación del modelo y en el forzamiento radiativo
beneficio para la sociedad. Muchas inversiones en in- futuro y pasado. Para representar la incertidumbre de-
fraestructura a gran escala se acometen en periodos bida al modelo, se usan cuatro versiones diferentes
que cubren varias décadas. Conociendo cómo el clima del modelo acoplado del ECMWF [488]. Finalmen-
podría cambiar regionalmente durante este periodo, te, la incertidumbre que surge de nuestro limitado
podría ayudar a mejorar los análisis costes-beneficios conocimiento del forzamiento radiativo se tiene en
de las nuevas inversiones. El carácter probabilista de cuenta incluyendo (o no) aerosoles troposféricos y/o
las predicciones resulta también potencialmente sobre estratosféricos asociados con los efectos de contami-
el papel, útil en los análisis de riesgos. La predicción nación antropogénica y erupciones volcánicas. Cada
decadal es un nuevo campo que persigue proporcionar experimento incluye como mínimo 3 y como máximo
información climática interanual útil maximizando 7 miembros del conjunto generados por condiciones
para ello, la información de las observaciones. iniciales ligeramente diferentes. Las simulaciones tie-
nen una duración de 10 años y se empezaron el 1 de
Finalmente, el desarrollo de modelos climáticos con noviembre, una vez cada cinco años en el periodo
mejor resolución horizontal y vertical debería consti- 1960 a 2005 [616]. El total de miembros del ensemble
tuir una prioridad para mejorar la representación de fueron 54, a partir de 10 experimentos de retropredic-
la variabilidad acoplada océano-atmósfera [248] y los ción y proporcionaron los valores para el «Ensemble
MultiModelo» del ECMWF. que sobrepase la de los modelos empíricos en un cli-

ma cambiante. La comparación directa proporcionará
La habilidad en estas retropredicciones decadales pro- información acerca del progreso encaminado a la ob-
cede fundamentalmente de dos fuentes: el forzamiento tención de esa meta, que no se encuentra disponible
radiativo y la componente predictiva de la variabilidad en las intercomparaciones modelo-modelo.
climática natural. La componente principal del forza-
miento radiativo consiste en la tendencia creciente de
los gases de efecto invernadero bien mezclados [327].
Una comparación entre retropredicciones inicializa- Los modelos de simulación dinámica del Sistema cli-
das y no inicializadas es el mejor camino para evaluar mático de la Tierra de última generación se usan, con
la importancia relativa de las condiciones iniciales frecuencia, para hacer predicciones probabilistas so-
con respecto al forzamiento. Sin embargo, cuando los bre el clima futuro y fenómenos relacionados con la
experimentos compañeros no inicializados no se en- finalidad de proporcionar información útil para el apo-
cuentran disponibles, la sustracción de la tendencia yo a la toma de decisiones. La evaluación del compor-
lineal de las anomalías constituye una buena aproxi- tamiento, la prestación de tales predicciones a partir
mación para filtrar el efecto del calentamiento de los de un modelo o conjunto de modelos es crucial no
gases de efecto invernadero [247, 476]. solo en términos del avance en el progreso científico,
sino también en determinar cuánta información po-
El sistema es semejante al usado en predicción esta- drá hacerse disponible a los tomadores de decisiones
cional, aunque con un mejor tratamiento de la con- a través de los servicios climáticos. Sería deseable
centración de gases de efecto invernadero y de los establecer un enfoque transparente y robusto para la
aerosoles de azufre (de sulfato de azufre). Las predic- evaluación de la predicción, con el propósito de exami-
ciones interanuales formuladas a partir del conjunto nar hasta qué punto los mejores modelos disponibles
de simulaciones demuestran que el sistema tiene caen la actualidad son adecuados para las escalas tem-
pacidad predictiva para la temperatura a escala global porales y espaciales de interés para llevar a cabo esta
y regional con una antelación de varios años. Esto tarea. Una confirmación útil con la realidad vendría
ocurre especialmente sobre los trópicos, donde la in- proporcionada comparando las simulaciones de los
fluencia de una buena predicción del contenido de modelos no solo con otros modelos sino también con
calor influye directamente en la atmósfera. modelos empíricos que no incluyan una simulación
La interpretación de las estimaciones del impacto po- física directa.
sitivo de las observaciones oceánicas sobre las predic-
ciones tropicales y de ciertos aspectos del océano se
ven limitadas por el pequeño tamaño de la muestra La evaluación y comparación de las previsiones dece-
(que es típico de los experimentos previstos para el nales siempre se verán obstaculizadas por las muestras
CMIP5, proyecto de intercomparación de modelos relativamente pequeñas que se presentan cuando se
acoplados); la falta de observaciones fiables y el error contrastan con el caso de las previsiones meteoroló-
sistemático. gicas; El archivo de pronósticos-resultados decenales
El ECMWF también evalúa el sistema de pre- actualmente considerado es de sólo medio siglo de
dicción estacional acoplado atmósfera-océano uti- duración. Los avances tanto en la modelización como
lizando las integraciones decadales. Varios cien la observación, así como los cambios en el clima de
clos IFS se han utilizado para evaluar el benefi- la Tierra, probablemente significarán que el archivo
cio de las mejoras en la componente atmosféri- de pronóstico-resultado relevante seguirá siendo pe-
ca. Conjuntos de ensembles de tres miembros de queño. Una mejora que podría hacerse para aclarar la
simulaciones de 10 años se han llevado a cabo
utilizando el modelo acoplado IFS/HOPE [15]). habilidad de los modelos de simulación es mejorar el
Véase https://www.ecmwf.int/en/elibrary/ diseño experimental de las retropredicciones en parti-
14581-newsletter-no-138-winter-2013-14. cular, para aumentar el tamaño del conjunto utilizado.
Para los modelos ENSEMBLES, cada conjunto de
simulación consistió en sólo tres miembros lanzados
28.5.2 Productos (decadal) a intervalos de 5 años. Los conjuntos más grandes
y las fechas de lanzamiento más frecuentes pueden
En última instancia, la habilidad de los modelos de facilitar la evaluación de la habilidad sin esperar a que
simulación basados en principios físicos se espera el archivo de pronósticos-resultados crezca.
28.6 Conclusiones para inicializar y evaluar las predicciones decenales

presenta un reto mayor. Por último, hacer notar que
los sistemas de predicción decadal se diseñan para
Uno de los grandes desafíos lanzados por el desarrollo
explotar tanto las fuentes de predecibilidad, generadas
de los servicios climáticos es progresar en la predic-
internamente, como las forzadas externamente. Los
ción de las fluctuaciones climáticas en escalas espacia-
científicos del clima distinguen entre predicciones de-
les relativamente finas y para horizontes temporales
cadales y proyecciones decadales. Las proyecciones
que van de la semana a la década. Estas fluctuacio-
explotan tan solo la capacidad predictiva procedente
nes que se superponen a la tendencia de fondo del
del forzamiento externo. Mientras los informes pre-
cambio climático antrópico, pueden destruir esta ten-
vios de evaluación del IPCC estuvieron centrados ex-
dencia o por el contrario exacerbarla durante varios
clusivamente en proyecciones, el AR5 también evaluó
años. Su predicción requiere progresos importantes
la investigación de la predicción decadal y sus bases
en la comprensión de la variabilidad natural del clima.
científicas.
Los beneficios de la predicción estacional se estable- La predicción decadal añade varios retos al diseño
cen más fácilmente en las predicciones para algunas de los experimentos de ensemble y a su evaluación
áreas de los trópicos. Esto es así porque en muchas [160, 161, 205, 431, 476]; el análisis de los sistemas
áreas tropicales hay una cantidad moderada de señal de predicción decadal han constituido un foco signi-
predecible mientras que en las latitudes medias, las ficativo del Quinto informe de evaluación del IPCC).
fluctuaciones aleatorias del tiempo son generalmente Las predicciones decadales son de particular interés
mayores que la componente predecible del tiempo. tanto para la información en los próximos 10 años
Hasta qué punto las predicciones estacionales se con- como desde el punto de vista de la perspectiva de la
vierten en lo suficientemente buenas para ser útiles evaluación de modelos climáticos. Sin embargo, no
para un usuario particular, dependerá de los requeri- conviene olvidar que la predicción decadal, contraria-
mientos del usuario. En algunos casos, los sistemas de mente a la predicción del tiempo y a la estacional a
hoy son ya útiles, aunque hay que ser extremadamente interanual, todavía está en su infancia.
cuidadoso con interpretar apropiadamente las salidas
de los modelos. La determinación del papel respectivo de las condi-
ciones iniciales y de contorno para un plazo dado es
Conforme la fiabilidad continúe mejorando, un rango esencial si se quiere concebir un sistema operacional
más amplio de aplicaciones será posible, y, por tanto, de predicción climática. Por ejemplo, para un sistema
el valor de las predicciones estacionales se incrementa- de predicción a escala decadal, si la predecibilidad
rá. Se necesita más trabajo, más investigación, para rees un problema de primera especie (condiciones ini-
lacionar las probabilidades de los patrones de tiempo ciales), resulta entonces crucial la puesta en marcha
a gran escala con impactos detallados y aplicaciones. de un sistema continuo de observaciones rutinarias
Hay que recordar, sin embargo, que existen límites del océano que permitan generar un análisis detalla-
rígidos acerca de lo que es físicamente posible con- do del estado oceánico que sirva para inicializar la
seguir con un sistema de predicción estacional: sólo predicción. Si, por el contrario, la presencia de erro-
será posible predecir un rango de resultados posibles. res mínimos en las condiciones iniciales oceánicas
En muchos casos este rango podrá ser relativamente conducen a una saturación del error para escalas de
grande, y habrá un riesgo de que suceda algo ines- tiempo «rápidas», es decir, inferiores a 10 años, se
perado. En muchas partes del mundo, mucha de la hace necesario entonces comprender mejor la respues-
variabilidad en el tiempo permanecerá impredecible. ta del sistema climático a los cambios (relativamente
predecibles) del forzamiento radiativo en las escalas
La investigación actual pretende la mejora de los siste- multianuales (plurianuales) a decadales.
mas de predicción decadal, e incrementar la compren-
sión de las razones para cualquier aparente habilidad. No resulta para nada superfluo subrayar el parentesco
Mientras que los sistemas de predicción se espera que de las herramientas numéricas que se utilizan en los di-
mejoren en las próximas décadas, la naturaleza caóti- ferentes tipos de predicción: meteorológica, estacional
ca del sistema climático y el llamado efecto mariposa y climática a largo plazo. Según el plazo contemplado,
(sec. 5.5 en la página 64) impondrá límites inevita- resulta necesario representar un mayor número de me-
bles en la habilidad predictiva. Adicionalmente, la dios y considerar una gama más amplia de fenómenos
brevedad del periodo con suficientes datos oceánicos físicos: la meteorología operativa con un vencimiento
de unos cuantos días no tiene necesidad de una con- densidad de los sistemas de observación y de medida
sideración detallada del océano, mientras que en su (en particular, los satélites), la optimización de los al-
caso, la predicción climática estacional puede consi- goritmos y las prestaciones de los superordenadores y,
derar la composición química de la atmósfera como por último, la mejora de los modelos y la comprensión
constante. No queda más que todos estos modelos de de los fenómenos, en particular, la comprensión de las
predicción deban incluir una descripción numérica interacciones entre la atmósfera, el océano, los hielos
potente (efectiva) para la atmósfera si quieren repre- y la biosfera.
sentar el clima, a cualquier escala de tiempo. El hecho
de que un número de modelos de predicción utilicen Es importante subrayar igualmente que todavía que-
variantes de una misma modelización numérica de la da mucho trabajo por hacer para mejorar el flujo de
atmósfera representa desde este punto de vista, una información desde la salida de los modelos numéri-
característica muy beneficiosa: la confrontación diaria cos hasta el usuario final, comunicando efectivamente,
del modelo atmosférico con la realidad meteorológica identificando claramente quiénes son los usuarios y
permite entonces mejorar las actuaciones y, quizás, qué es lo que quieren exactamente. La comunicación
más todavía, acrecentar la confianza que se puede de la ciencia del clima no es una tarea fácil, hay que
poner en su calidad. cuidar los canales de difusión y acudir quizás a los
científicos sociales para que el mensaje llegue claro
Para acabar, recordar que los ejes de mejora de la y los usuarios puedan incorporarlo a sus procesos de
predicción del tiempo y del clima son: la calidad y la toma de decisión.
Proyecciones climáticas
29
DOI: 10.31978/014-18-009-X.29
E RNESTO RODRÍGUEZ C AMINO

J OSÉ A NTONIO PARODI P ERDOMO
Delegación territorial (DT) Murcia, AEMET
F IDEL G ONZÁLEZ ROUCO Y M ARISA M ONTOYA R EDONDO
Departamento de Astrofísica y Ciencias de la Atmósfera; Instituto de Geociencias UCM-CSIC (DACA+IG),
Facultad de Ciencias Físicas, Universidad Complutense de Madrid (UCM)
The urgency of the situation crystallized only in the past few years. We now have clear evidence of the
crisis, provided by increasingly detailed information about how Earth responded to perturbing forces
during its history and by observations of changes that are beginning to occur around the globe in
response to ongoing climate change.
JAMES H ANSEN, 2010
Este capítulo introduce las simulaciones a escala climática y las principales incertidumbres que afectan a éstas, provenientes
del conocimiento actual de los forzamientos externos, la variabilidad natural y la resolución numérica de las ecuaciones de
evolución del sistema climático en distintos intervalos temporales del pasado, presente y del clima futuro. Por medio de
ensembles éstas exploran principalmente las incertidumbres asociadas a los diferentes forzamientos externos descritos por
escenarios de emisión alternativos, a las diferentes formas de representar el sistema climático por parte de una colección de
modelos climáticos y a diferentes condiciones iniciales, que exploran la variabilidad interna. Las simulaciones del clima
pasado se basan en sistema(s) de predicción por conjuntos (SPC) o ensembles que exploran todas estas incertidumbres
centrándose, en el caso de los forzamientos externos, en las causas naturales que influyen en la variabilidad y el cambio
climático. El Anexo I en la página 1033 actualiza los resultados mostrados en este capítulo.
Palabras clave: sistemas de predicción por conjuntos aplicados a las proyecciones del clima, escalas de variabilidad
climática, ENSO, NAO, forzamientos climáticos, modelos climáticos, clima pasado, proyecciones del clima, IPCC, cambio
climático.
Imagen parte superior: fuentes de incertidumbre en la simulación climática (fuente: Cubasch et al. 2013 [146]), composición artística
con imagen de satélite (ESA).
478 Física del caos en la predicción meteorológica Capítulo 29. Proyecciones climáticas
Figura 29.1: Fuentes de incertidumbre en la simulación climática (fuente: Cubasch et al. 2013 [146]).
29.1 Introducción y el cambio climático son el resultado de las interac-

ciones de procesos internos y externos que afectan a
En los capítulos previos, el término caos (sec. 5.4 en la energía del sistema. En este contexto se usan tam-
la página 63) se refiere fundamentalmente al resultado bién ensembles por medio de conjuntos de modelos
de interacciones dentro de la atmósfera en un sentido que permiten explorar diferentes representaciones del
meteorológico y, a lo sumo, de las interacciones de sistema climático (modelos de circulación general o
la atmósfera con las primeras capas del océano. La modelos del sistema Tierra; Global Circulation Model
evolución de estos sistemas es muy dependiente de (GCM) o ESM de sus siglas en inglés) en experimen-
las condiciones iniciales. Por esta razón, de cara a tos con diferentes condiciones iniciales y diferentes
simular el estado futuro, el muestreo del espacio de condiciones de contorno. Estas últimas modulan la
estados se desarrolla realizando conjuntos (ensembles, energía que entra en el sistema a través de diferentes
ver cap. 13 en la página 165) de simulaciones a partir factores de forzamiento naturales (p.ej., la variabilidad
de diferentes condiciones iniciales o conjuntos de si- solar o volcánica) o antropogénicos (p.ej., variaciones
mulaciones en las que se usan diferentes modelos y/o en la concentración de los gases de efecto invernadero
parametrizaciones (sec. 10.5 en la página 137) en un y/o aerosoles). En estas simulaciones el rango de la
intento de establecer diferentes hipótesis acerca de la predicción se extiende a escalas temporales en las que
física de los procesos involucrados. el sistema va perdiendo la memoria de las condicio-
nes iniciales y en las que domina la influencia de los
Cuando se amplía el rango de escalas temporales y cambios en la energía del sistema impuestos por las
espaciales a considerar entramos en el dominio del condiciones de contorno. En este rango, cuando se
clima. En este contexto, el comportamiento caótico es hacen estimaciones de las posibles evoluciones del
el resultado no solamente de los procesos que se desa- clima en el futuro, se deja de hablar de predicción
rrollan en el subsistema atmosférico, sino también en para hablar de proyección climática.
todos los otros subsistemas del sistema Tierra y de las
interacciones entre ellos. Ésto amplía el espectro de La Figura 29.1 ilustra las diferentes fuentes de incer-
mecanismos que contribuyen a la variabilidad climá- tidumbre asociadas a la simulación climática. Aún
tica en relación a la meteorológica. La variabilidad en ausencia de forzamientos externos el clima varía
29.2 Escalas de variabilidad climática 479
por causas internas en torno a un estado de equilibrio. diferentes estados del clima pasado o la realización
Esta incertidumbre se explora en las simulaciones cli- de proyecciones de la evolución del clima futuro. La
máticas, al igual que en las meteorológicas, utilizando Sección 29.6 en la página 513 describe de una forma
conjuntos de simulaciones con diferentes condiciones muy resumida qué es el IPCC y cuál es el consenso
iniciales. La Sección 29.2 discute las escalas de va- actual respecto al cambio climático desde el punto de
riabilidad climática y su relación con los mecanismos vista de las bases físicas. Finalmente, la Sección 29.7
de variabilidad interna. Las causas externas de varia- en la página 515 resume las conclusiones principales
bilidad, de origen natural o antropogénico, generan de este capítulo.
cambios en el balance energético y en el estado de
equilibrio del clima. La simulación de la respuesta
climática a estos cambios depende de la magnitud de 29.2 Escalas de variabilidad climá-
los mismos y de la sensibilidad climática del sistema,
i. e. de la tasa de cambio de temperatura por unidad de tica
cambio en la energía (potencia radiativa por unidad de
superficie) recibida. La incertidumbre asociada a las Uno de los aspectos más destacados del tiempo me-
causas externas se explora utilizando diferentes esce- teorológico y del clima es su variabilidad. El tiempo
narios posibles de cambios en el forzamiento externo. meteorológico es la descripción de las condiciones
En las simulaciones de clima futuro esto se refiere fun- atmosféricas, como temperatura, viento, lluvia, etc.
damentalmente a cambios asociados a las actividades en una determinada localidad y en un momento dado.
humanas (producción eléctrica, industria, transporte, Varía según la época del año y con cambios más o
ganadería, etc.). En los estudios de climas pasados los menos marcados según la latitud, la proximidad al
escenarios consideran la incertidumbre en las recons- mar o la altitud.
trucciones de forzamientos naturales (solar, volcánico
u orbital) y también los relacionados, si procede, con El clima de un lugar o región se define como el esta-
las actividades humanas (p.ej., cambios en los usos y do promedio del tiempo y, más formalmente, como
cobertura del terreno). Aunque en los estudios de los una descripción estadística del tiempo atmosférico en
climas pasados recientes (época instrumental) además términos de los valores medios y de la variabilidad de
de las observaciones, también se utilizan diferentes las magnitudes correspondientes durante períodos que
reanálisis y métodos de reanálisis basados en ensem- pueden abarcar desde meses hasta millares o millones
bles para estimar la incertidumbre observacional, aun- de años. El período de promedio habitual es de 30
que esta fuente adicional de incertidumbre no será años, según las recomendaciones de la Organización
analizada en este capítulo. La Sección 29.3 en la pági- Meteorológica Mundial, World Meteorological Orga-
na 487 introduce los diferentes factores de forzamien- nization (WMO). Las magnitudes empleadas son casi
to que se consideran para experimentos en diferentes siempre variables de superficie como la temperatura,
períodos y escalas temporales. La incertidumbre aso- la precipitación o el viento. En un sentido más am-
ciada al desconocimiento de la sensibilidad climática plio, el clima es la descripción estadística del estado
del sistema se explora utilizando diferentes modelos. del sistema climático, de sus componentes, la atmós-
En cada uno de ellos se resuelven las mismas ecua- fera, hidrosfera, criosfera, litosfera y biosfera, y de
ciones de la atmósfera y el océano, aunque siguiendo las interacciones entre ellas. El clima varía en todas
diferentes métodos, utilizando diferentes discretiza- las escalas de tiempo: intra-anual, interanual, decadal,
ciones espaciales y temporales y representando los secular, etc.
procesos de escalas inferiores a la resolución del mo-
delo por medio de parametrizaciones físicas (sec. 10.5 El concepto de clima hace referencia a escalas tem-
en la página 137) diferentes. porales superiores a las asociadas a la meteorología y
el clima medio de una localidad o región y se refiere
Mientras que la Sección 29.4 en la página 493 se cen- al promedio de toda la sucesión de estados meteoro-
tra en una descripción del estado actual de los modelos lógicos. El concepto de variabilidad climática hace
climáticos, la Sección 29.5 en la página 499 describe referencia a las desviaciones respecto a ese estado me-
su uso mediante ensembles para entender la evolu- dio, que tienen su máxima expresión en la ocurrencia
ción de las temperaturas en el período histórico, en de extremos.
Figura 29.2: Espectro idealizado de frecuencias de la variabilidad climática. En la parte superior aparecen
nombradas las escalas temporales y en la inferior (en rojo) los eventos y mecanismos (Fuente: modificada de G HIL
2002 [230]).
Desde un punto de vista probabilista, la variabilidad se Entre las líneas de 1 día y 1 año, asociadas con el
representa por la anchura de la distribución de probabi- ciclo diurno y anual, respectivamente, se encuentra
lidad de una determinada variable (p.ej., la desviación la variabilidad sinóptica de los sistemas meteorológi-
típica) y los extremos se caracterizan por la forma cos de latitudes medias, concentrada entre 3-7 días,
de las colas de la distribución. En la Figura 29.2 se así como la variabilidad intraestacional, en la escala
muestra esquemáticamente el análisis espectral de la temporal de 1 a 3 meses. La variabilidad intraesta-
variabilidad climática de los últimos 10 millones de cional comprende fenómenos como la Oscilación de
años [230]; en abscisas se representa el periodo en M ADDEN -J ULIAN (MJO de sus siglas en inglés) de
años y en ordenadas la varianza. Se pueden distinguir los vientos y la nubosidad en los trópicos, así como
tres tipos de variabilidad: i) líneas muy definidas que la alternancia de los episodios de circulación zonal
se corresponden con variaciones forzadas periódica- y de bloqueo en las latitudes medias. A la izquierda
mente para los valores de 1 día y 1 año; ii) picos más del ciclo estacional se encuentra la variabilidad inter-
anchos asociados con modos internos de variabilidad; anual, asociada por ejemplo al hecho de que unos años
y iii) una parte continua del espectro que refleja las va- sean más cálidos o lluviosos que otros. Esta variabili-
riaciones forzadas estocásticamente así como el caos dad está dominada por distintos fenómenos, algunos
determinista (sec. 5.4 en la página 63). Este último muy conocidos, tales como El Niño (sec. 29.2.1 en
representa las variaciones irregulares que resultan de la página 484) o la Oscilación del Atlántico Norte
la interacción determinista de las retroalimentaciones (sec. 29.2.2 en la página 485).
no lineales.
Figura 29.3: Conceptos de variabilidad y cambio climáticos.
La variabilidad climática puede deberse a procesos librio energético del planeta, bien debida a cambios
internos naturales del sistema climático o a variacio- en el forzamiento externo (véase la Sección 29.3 en
nes de forzamiento externo natural o antropogénico. la página 487) que redundan en cambios en la energía
La variabilidad natural puede ser interna (ruido natu- extraterrestre que entra en el sistema, bien debida a
ral) o externa. La interna está asociada a la naturaleza cambios internos o externos que modifican el albedo
caótica del sistema climático, debida a la presencia superficial o la composición química de la atmósfe-
de procesos no lineales en cada subsistema, a la exis- ra, alterando así la energía saliente. A lo largo de la
tencia de constantes de tiempo físicas diferentes y al historia de la Tierra ha habido múltiples cambios cli-
modo en que los diferentes subsistemas se acoplan. La máticos (véase la Sección 29.5.3 en la página 502). La
variabilidad externa es el resultado de forzamientos Figura 29.3 ilustra esquemáticamente los conceptos
externos de origen natural (señal natural), como son de variabilidad climática y cambio climático. La va-
los cambios en los parámetros orbitales de la Tierra, riabilidad se representa como fluctuaciones alrededor
cambios en el forzamiento solar o las erupciones vol- de la evolución media, calculada promediando en un
cánicas. El forzamiento externo natural se superpone periodo de referencia. Si la evolución media presenta
al ruido natural e interacciona con él. variaciones persistentes en periodos largos tenemos
adicionalmente cambio climático.
La variabilidad climática también puede responder
a causas externas no naturales, antropogénicas. Esta Es muy importante dilucidar cuándo determinados
variabilidad es debida a la respuesta a las actividades eventos son atribuibles al cambio climático o, por el
de origen humano, como la perturbación del efecto contrario, son un reflejo de la variabilidad climática.
invernadero por la emisión de gases de efecto inver- Las tendencias del calentamiento global son gene-
nadero o la alteración de las propiedades físicas de ralmente más evidentes cuando se hacen promedios
la superficie por cambios en los usos y cobertura del globales de temperatura que cuando se consideran
terreno. series de temperatura local. Esto se debe principal-
mente a que la variabilidad interna del clima local
Es importante distinguir entre variabilidad climática se elimina en gran parte cuando se promedia para
y cambio climático. El cambio climático se identifica obtener la temperatura global. A escala regional la
con un cambio en el estado medio del sistema y/o variabilidad interna cobra importancia de modo que
en la variabilidad de sus propiedades, y que persis- la diferenciación entre la respuesta al forzamiento ex-
te durante largos períodos de tiempo, generalmente terno y la variabilidad interna puede ser más evidente
decenios o períodos más largos. El cambio climático en unas regiones que en otras y, por tanto, el cambio
siempre está relacionado con una alteración del equi- de temperatura local necesario para poder detectarlo,
menor (Figura 29.4). Así, en los trópicos el rango de Eurasia), facilitándose la diferenciación más temprana
variabilidad interna es menor que otras regiones (p.ej., de la respuesta forzada con respecto a la interna.
Figura 29.4: Series temporales del cambio de la temperatura simulada en el período histórico (S XX) y proyectada
para el S. XXI en cuatro localidades representativas para verano (curvas rojas) e invierno (curvas azules). Cada serie
temporal aparece rodeada por una envolvente de los cambios proyectados (a partir de simulaciones con 24 modelos
diferentes) que emergen de la variabilidad natural (bandas grises, simulada con los mismos modelos utilizando las
condiciones de forzamiento de principios del siglo XX). Todas las simulaciones proceden de simulaciones climáticas
del Proyecto de Intercomparación de Modelos Climáticos en su fase 5 (CMIP5, de sus siglas en inglés [616]) con un
forzamiento RCP 8.5. Las envolventes de los cambios proyectados y de la variabilidad natural se definen como ±2
desviaciones estándar (fuente: Figura 1 de B INDOFF ET AL. 2013 [51])
Con respecto a las estaciones del año, la variabili- presentan circulaciones atmosféricas y/o oceánicas tí-
dad de la temperatura tiende a ser menor en verano picas [115]. Estos modos se caracterizan por presentar
que en invierno, por lo que la respuesta forzada es una estructura espacial cuasi-fija de gran escala y una
más evidente en verano. La atribución del aumento de serie temporal asociada que caracteriza la evolución
temperatura a causas naturales o de origen humano de esta estructura, su amplitud y su fase [663]. Las
requiere involucrar en el razonamiento los cambios anomalías climáticas asociadas a cada fase de deter-
en el forzamiento externo como origen de las altera- minada oscilación se transmiten sobre amplias zonas
ciones en la energía del sistema (Sección 29.3 en la del mundo a través de los mecanismos mencionados
página 487). anteriormente.
Cuando se analiza la variabilidad climática, el primer La manera más sencilla de identificar estos patrones
hecho que llama la atención es la existencia de es- con datos observacionales es elegir determinados pun-
tructuras de gran escala espacial aproximadamente tos del globo y correlacionar la evolución temporal en
fijas que tienen un comportamiento fluctuante con el estos puntos con la de todos los demás. Una técnica
tiempo. Estas estructuras reflejan modos y regímenes estadística más sofisticada es el uso del Análisis en
de variabilidad interna que con frecuencia ponen de Componentes Principales, técnica basada en combi-
manifiesto la existencia de teleconexiones, es decir, naciones lineales de variables climáticas en diferentes
respuestas atmosféricas a perturbaciones que se pro- localidades que presentan una varianza máxima con
ducen en lugares remotos, a miles de kilómetros. Un sujeción a determinadas limitaciones de normaliza-
ejemplo de teleconexión puede ser la aparición de un ción. Esta técnica permite obtener mapas de distri-
determinado patrón de presión. Generalmente se apli- bución espacial que explican la mayor parte de la
ca a perturbaciones en la circulación atmosférica u variabilidad espacial mediante un número reducido de
oceánica que son persistentes, recurrentes y de amplia patrones básicos, quedando la variabilidad temporal
escala espacial (continental o mayor). explicada por las series temporales asociadas a estos
patrones espaciales. Generalmente se considera que
Como en todo fluido, en la atmósfera y en los océanos
un modo de variabilidad es el producto de un patrón
las perturbaciones se propagan a través de desplaza-
climático y su serie temporal asociada. Cada patrón de
mientos y movimientos ondulatorios en todo su volu-
variabilidad tiene asociado unos impactos canónicos
men. Las teleconexiones pueden ocurrir de dos ma-
en términos de variables climáticas, principalmente
neras. En primer lugar, la atmósfera y los océanos se
temperatura y precipitación (véanse las sec. 29.2.1 en
autoorganizan en una variedad de circulaciones cohe-
la página siguiente y 29.2.2 en la página 485 sobre
rentes con distintas escalas espaciales y temporales
ejemplos de Patrones Globales de Variabilidad).
tales como la célula de H ADLEY, el chorro subtro-
pical, los monzones, las brisas de mar y de montaña
o la circulación general de los océanos. Un cambio El origen de los modos que caracterizan la variabilidad
en la intensidad o posición de la circulación general climática es muy diverso. Asimismo, su ocurrencia no
será apreciable en una amplia zona. Además, las per- es uniforme durante el año. Las estructuras espaciales
turbaciones asociadas a estas circulaciones generan de los modos, la intensidad de sus centros de acción y
ondas de distinta naturaleza que pueden ser bastante su comportamiento en el tiempo varían en función de
persistentes. Estas ondas no siguen necesariamente la la estación astronómica considerada. En Christensen
trayectoria de las circulaciones antes mencionadas y et al. (2013 [130]) puede verse un resumen de todos
pueden generar anomalías climáticas regionales lejos estos conceptos y los principales modos de variabi-
de la fuente de la perturbación original. lidad, así como sus principales impactos climáticos
regionales.
Las teleconexiones reflejan aspectos importantes de la
variabilidad interna del sistema climático y también Los modelos climáticos son generalmente capaces
de la interacción entre sus componentes. Las fluctua- de simular las principales características de muchos
ciones asociadas a la variabilidad climática pueden modos de variabilidad climática y permiten además
describirse y cuantificarse mediante un número res- comprender como dichos modos han cambiado en
tringido de modos o patrones de variabilidad que re- climas pasados y pueden cambiar en el futuro [209].
29.2.1 Ejemplos de Patrones Globales de con el contenido calorífico del océano superficial y el
Variabilidad: El Niño y la Oscilación acoplamiento entre el océano y la atmósfera.
del Sur
El ENSO se caracteriza por un calentamiento (enfria-
El principal modo de variabilidad tropical a escala miento) en su fase positiva (negativa, también deno-
interanual está asociado al fenómeno de El Niño y la minada La Niña) del océano Pacifico tropical desde la
Oscilación del Sur (ENSO, de sus siglas en inglés). Su costa de Perú hasta el Pacífico central, acompañado
importancia se debe a la magnitud de los intercambios por un descenso (aumento) en el gradiente de pre-
de calor entre el océano y la atmósfera, que afectan siones entre el este y el oeste del Pacífico ecuatorial,
a la temperatura media de la Tierra y que tienen un un cambio en el régimen de vientos alisios sobre el
impacto global, afectando al ciclo hidrológico y cau- Pacífico y en la pendiente de la termoclina, con com-
sando, por ejemplo, lluvias torrenciales y sequías en portamientos anómalos en el sistema de afloramiento
diferentes partes del mundo. Ocurre en escalas tem- del Perú. La Figura 29.5 partes a,b muestra la tempera-
porales de entre 3 y 7 años alcanzando su amplitud tura superficial del mar (SST, de sus siglas en inglés)
máxima en el verano austral. La alta predecibilidad para dos casos típicos de ENSO positivo (El Niño) y
de ENSO está en gran medida determinada por el ci- negativo (La Niña), respectivamente. La Figura 29.5
clo de vida de los procesos que lo constituyen, con parte c muestra la serie temporal asociada al patrón
una duración de aproximadamente un año, que vie- ENSO que caracteriza la evolución de esta estructura,
ne determinada por la memoria o inercia asociada su amplitud y su fase.
Figura 29.5: Estructura espacial de la SST en un año con: a) ENSO positivo (diciembre 1997) y b) ENSO negativo
(diciembre 1999) [datos de reanálisis NCEP/NCAR (1949-2012) utilizando herramientas del NOAA/ESRL, https:
// www. esrl. noaa. gov/ psd/ ]. c) Serie temporal asociada al índice ENSO 3.4 [Trenberth, Kevin & National
Center for Atmospheric Research Staff (Eds). Última modificación 02 feb 2016. "The Climate Data Guide: Nino
SST Indices (Nino 1+2, 3, 3.4, 4; ONI and TNI).", https: // climatedataguide. ucar. edu/ climate-data/
nino-sst-indices-nino-12-3-34-4-oni-and-tni ]
Figura 29.6: Correlación entre el índice Niño3.4 (promedio de SST 5ºN–5ºS, 170º–120ºW) y precipitación (GPCC v7)
en el periodo 1901-2013, (a) marzo-mayo, (b) junio-agosto, (c) septiembre-noviembre, y (d) diciembre-febrero
(fuente: Climate Explorer http: // climexp. knmi. nl/ ).
El fenómeno ENSO no solamente introduce variabi- 29.2.2 Ejemplos de Patrones Globales de

lidad en la atmósfera a escala local sino también a Variabilidad: Oscilación del Atlánti-
escala global a través de teleconexiones. co Norte
En cuanto a la atmósfera, el principal modo de va-

La alta predecibilidad de ENSO es la razón de que la
riabilidad en el hemisferio norte extratropical es la
principal señal de predicción a escala estacional en
Oscilación Ártica (AO, de sus siglas en inglés), con
diferentes regiones esté ligada a las teleconexiones de
un centro de acción sobre el Ártico y un antinodo en la-
ENSO.
titudes medias. Debido a su simetría zonal también se
lo conoce como Modo Anular del Norte (NAM, de sus
El impacto de ENSO a escala global se muestra en siglas en inglés). La AO fluctúa caóticamente en esca-
la Figura 29.6 partes a-d, en las que se representa a las temporales que van desde la diaria hasta la anual.
modo de ejemplo la correlación por estaciones entre Se caracteriza porque su extensión vertical alcanza
el índice Niño3.4 (calculado como la anomalía pro- niveles estratosféricos, afectando a la variabilidad del
medio de SST en el dominio 5ºN–5ºS, 170º–120ºW) vórtice polar estratosférico. La parte de la AO del sec-
y la precipitación en el periodo 1901-2013. tor atlántico es el patrón conocido como Oscilación
del Atlántico Norte (NAO, de sus siglas en inglés).
La NAO es el único patrón que puede observarse a lo
De la figura se deduce la alta asociación lineal entre el largo de todo el año y la mayor fuente de variabilidad
índice ENSO y la precipitación local en muchas regio- tanto estacional como interdecadal de la circulación
nes, incluidas las extratropicales, si bien la relación atmosférica sobre el continente europeo, especialmen-
muestra una fuerte estacionalidad. te en invierno, cuando es más pronunciada. La NAO,
identificada por primera vez a principios del siglo XX de presiones sean más intensos y aumente, por tan-
por S IR G ILBERT WALKER (1924 [662]), consiste en to, el gradiente de presión entre el norte y el sur, y
una fluctuación de un dipolo norte-sur de anomalías en consecuencia los vientos del oeste sobre las regio-
de presión, con un centro de bajas presiones situado nes centrales del Atlántico Norte. En la fase negativa
en las proximidades de Islandia y otro centro de signo ocurre lo contrario, y los sistemas de presiones son
opuesto que se sitúa sobre las latitudes centrales del más débiles, así como los vientos del oeste sobre el
Atlántico Norte entre 35ºN y 40ºN (anticiclón subtro- Atlántico Norte. Ambas fases están relacionadas con
pical de las Azores). Hay varias formas de definir un cambios en la intensidad y posición de la corriente
índice de la NAO; por ejemplo, utilizando la diferen- en chorro del Atlántico Norte y con modulaciones
cia de presión en superficie entre estaciones situadas de gran escala de los patrones normales del transpor-
en altas latitudes (Reikiavik o Stykkisholmur), que re- te zonal y meridional de calor y humedad, que a su
presentan las bajas presiones de Islandia, y estaciones vez provoca cambios en los patrones de temperatura
subtropicales (Lisboa o Gibraltar), que representan las y de precipitación que se extienden desde el este de
altas presiones en Azores. Otra manera de definir un América del norte a Europa occidental y central. La
índice de la NAO sería mediante una aproximación Figura 29.7 parte a muestra la estructura espacial del
estadística en la que se analizan las series tempora- modo de variabilidad NAO definido a partir de un
les y los patrones espaciales mediante un análisis de análisis de componentes principales como la función
componentes principales [305, 330]. La fase positiva ortogonal empírica (EOF, de sus siglas en inglés [362,
de la NAO se caracteriza por alturas geopotenciales 390, 475]) de las anomalías de la presión reducida
y presiones por debajo de los valores medios en la al nivel del mar en el sector Atlántico definido por
región de Islandia y por encima de la media en la 20°-80°N, 90°W-40°E.
región de Azores. Esto provoca que ambos sistemas
Figura 29.7: a) Estructura espacial del modo de variabilidad NAO (EOF1) en invierno
y b) su serie temporal asociada (Fuente: Hurrell North Atlantic Oscillation (NAO) In-
dex (PC-based) – véase más en: https: // climatedataguide. ucar. edu/ climate-data/
hurrell-north-atlantic-oscillation-nao-index-pc-based# sthash. sPKVZBnW. dpuf )
29.3 Forzamientos climáticos 487
Figura 29.8: Correlación estacional de la precipitación (GPCC v7) con el índice NAO (CPC) en el mismo periodo
invernal 1950-2012 (fuente: Climate Explorer http: // climexp. knmi. nl/ ).
La Figura 29.7 en la página anterior parte b muestra 29.3 Forzamientos climáticos

su serie temporal asociada. Las fases positivas muy
intensas, asociadas con profundización de las bajas Entendemos como forzamiento climático cualquier
presiones de Islandia y reforzamiento de las altas pre- mecanismo o factor que genera cambios en la energía
siones en Azores, están relacionadas con temperaturas neta que entra en el sistema climático. Todos los for-
invernales más cálidas en el este de Estados Unidos y zamientos climáticos se pueden expresar, por tanto, en
el norte de Europa y más frías en Groenlandia, sur de términos de un forzamiento radiativo, entendido como
Europa y el Medio Oriente, ya que la intensificación un cambio instantáneo en el flujo radiativo (suma de
de los vientos del oeste provoca una fuerte advección la radiación de onda corta entrante y la larga salien-
de masas de aire polar sobre Groenlandia y de masas te en la cima de la atmósfera, en Wm−2 ). Cualquier
de aire tropical sobre el noroeste de Europa. Esta fase cambio en el balance radiativo redunda en cambios
está asociada también a lluvias más abundantes en el en la temperatura de equilibrio del planeta y contribu-
norte de Europa y Escandinavia y precipitaciones por ye a la variabilidad y al cambio climático. La razón
debajo de la media en el sur y el centro de Europa en entre el cambio de temperatura global resultante y el
el periodo invernal. Por el contrario, patrones opues- forzamiento radiativo se conoce como sensibilidad
tos de anomalías de temperatura y precipitación se climática.
observan durante fases negativas intensas de la NAO.
La Figura 29.8 muestra la correlación estacional de la La cantidad de energía solar entrante puede verse
precipitación con el índice NAO en el periodo inver- modificada fundamentalmente por variaciones tem-
nal sobre el continente europeo. Nótese la correlación porales en la irradiancia solar o por variaciones en
negativa de la precipitación con la NAO en el sur de el albedo terrestre. Las variaciones de energía debi-
Europa, singularmente en la península ibérica y norte das a cambios en la radiación saliente en onda larga
de Marruecos, y positiva en la fachada más occidental se deben a cambios en la composición química de la
de Europa septentrional. atmósfera, que alteran la intensidad del efecto inver-
nadero.
Figura 29.9: Ilustración de factores de forzamiento externo en diferentes escalas temporales. a) Forzamiento
asociado a la actividad volcánica, solar y de gases de efecto invernadero considerado en los experimentos del
CMIP5/PMIP3 para el último milenio. Los diferentes colores indican estimaciones de diferentes bases de datos
disponibles, dos para el forzamiento volcánico y cuatro para el solar. La curva a trazos para variabilidad solar
indica una reconstrucción en la que solamente se tiene en cuenta el ciclo de actividad solar de 11 años (modificado
de Box TS5, Fig. 1, Stocker et al. 2013 [608]). b) Variaciones en la concentración de los gases de efecto invernadero
más importantes: dióxido de carbono (CO2 , verde); metano (CH4 , naranja) y óxido nitroso (N2 O, rojo) obtenidas a
partir de información en los testigos de hielo (puntos) y a partir de medidas directas atmosféricas (líneas; figura
modificada de Synthesis Report Fig. 1, Intergovernmental Panel on Climate Change (Grupo Intergubernamental de
expertos sobre el Cambio Climático) (IPCC) 2014 [481]). c) variaciones de las concentraciones de CO2 (testigos de
hielo Antártico), temperatura tropical (sedimentos marinos), antártica (testigos de hielo) y variaciones en la fracción
isotópica δ18O en los últimos 800 ka (foraminifera bentónicos) y reconstrucciones del nivel del mar (modificado de
Fig. 5.3, Masson-Delmotte et al. 2013 [415]). d) Variaciones en la fracción δ 18 O en los últimos 400 ka e insolación
a 65º N (modificado de Fig. 2 de Petit et al. 1999 [511])
Los cambios en la irradiancia solar pueden deberse a global. El aumento del albedo estratosférico asociado
cambios en el flujo total de irradiancia o bien en su a la presencia de aerosoles volcánicos contribuye a
distribución espectral. Los cambios en el área total o la reducción de la radiación entrante de onda corta
en la forma del espectro solar son importantes por mo- solar y por tanto a un enfriamiento. La intensidad de
dular la cantidad total de energía entrante al sistema la misma depende de la distribución y tamaño de ae-
climático así como la disponible en diferentes rangos rosoles, la localización de la erupción y otros factores.
de frecuencia. Por tanto, los cambios en la irradiancia La reconstrucción del forzamiento volcánico pasado
total o en la espectral regulan la energía que interaccio- (Figura 29.9 en la página anterior parte a) se hace a
na con los diferentes componentes atmosféricos (p.ej., partir de la evaluación de la deposición de sulfatos
la radiación ultravioleta y el ozono) y la recibida en la en testigos de hielo en Groenlandia y en la Antártida
superficie terrestre. La irradiancia solar total (TSI, de y la comparación con modelización de la distribu-
sus siglas en inglés) varía del orden del 0.1 % (Figu- ción de aerosoles y la profundidad óptica. El impacto
ra 29.9 en la página anterior) con un ciclo aproximado de las erupciones es de relativamente corta duración
de 11 años mientras que las variaciones espectrales en (interanual, de 3 a 10 años), aunque la acumulación
el ultravioleta pueden ser de varias unidades. temporal de erupciones contribuye a la variabilidad
multidecadal en el sistema.
Las primeras son relevantes para la superficie mien-
tras que los cambios en el ultravioleta son relevantes Además de los aerosoles de origen volcánico en la
en la estratosfera. Las variaciones en la TSI se asocian atmósfera existen aerosoles de origen natural prove-
fundamentalmente a variaciones en las estructuras nientes de fuentes orgánicas (p.ej., combustión de ma-
magnéticas en la superficie del Sol como las manchas dera), minerales (p.ej., polvo del desierto) o marinas
solares y las fáculas. El número de manchas solares y (p.ej., sales). Estos aerosoles actúan como núcleos de
su posición evoluciona a lo largo de cada ciclo de acti- condensación en la formación de nubes y en el trans-
vidad solar durante aproximadamente 11 años, siendo porte de humedad, así como en el balance radiativo.
éste máximo en el momento de mayor TSI. Adicionalmente existe una gran cantidad de aeroso-
les de origen humano asociados a las emisiones por
Los modelos actuales reproducen la variabilidad de la actividad industrial, agrícola o el transporte (p.ej.,
la TSI desde la era satelital. Para fechas anteriores a hollín [64]). Los aerosoles troposféricos pueden ab-
1978 esta información se reconstruye a partir de datos sorber y dispersar, en función de su tamaño, radiación
indirectos (proxy) como el número de manchas sola- solar y terrestre; este efecto se conoce como el efecto
res o la producción de isótopos cosmogénicos (10 Be y radiativo directo. Además, la composición, tamaño
14 C). En el último milenio las variaciones de la TSI
y densidad de los aerosoles influye en la formación
se caracterizan por pasar por mínimos importantes de las nubes, de tal forma que existe un efecto radia-
de 50 a 100 años de duración (p.ej., el Mínimo de tivo indirecto resultante de la modificación del color,
Maunder, 1645-1715) que se superponen a las varia- distribución espacial y altura y duración de las nubes.
ciones decadales asociadas al ciclo de actividad solar, El balance neto global es el de una disminución en la
generando tendencias a largo plazo (Figura 29.9 en la radiación entrante y, por tanto, de un enfriamiento.
página anterior parte a). En escalas temporales más
largas, habría que considerar los parámetros orbitales Las variaciones de las concentraciones de gases de
asociados a los cambios periódicos de la excentricidad efecto invernadero (GHG, de sus siglas en inglés) mo-
de la órbita elíptica de rotación de la Tierra alrededor difican la cantidad de radiación infrarroja absorbida
del Sol (con periodos de 96 000 y 413 000 años), la por la atmósfera y reemitida a la superficie y pueden
inclinación del eje de rotación de la Tierra (periodo entenderse como el factor de forzamiento radiativo
de 41 000 años) y la precesión de la órbita de la Tie- mas importante (> 2 Wm−2 , Figura 29.9 en la pági-
rra (periodo de 21 000 años). Los cambios en estos na anterior parte a) desde la era preindustrial. Las
parámetros orbitales (ciclos de M ILANKOVITCH) son concentraciones de los GHG más importantes han pa-
la causa de la ocurrencia de ciclos glaciales durante sado de ca. 280 a 400 ppm (CO2 ), 800 a 1800 ppb
los dos últimos millones de años aproximadamente. (CH4 ), y 270 a 330 ppb (N2 O) en los últimos dos si-
glos (Figura 29.9 en la página anterior parte b). Las
El forzamiento volcánico influye en el albedo a tra- concentraciones actuales de CO2 son probablemente
vés de los impactos de los aerosoles emitidos por las superiores a las existentes en el último millón de años
erupciones. Los aerosoles emitidos alcanzan la es- (Figura 29.9 en la página anterior parte c). Nótese
tratosfera, donde la dispersión zonal y latitudinal es que en este período tan amplio las concentraciones de
CO2 y las temperaturas del planeta varían de forma amplifica, dando lugar a una glaciación. El proceso
síncrona. De este modo, aumentos (disminuciones) en contrario se da en la transición de una glaciación a un
la temperatura del planeta disminuyen (aumentan) la periodo interglacial que, además, ocurre de modo más
capacidad de captura de CO2 atmosférico por parte abrupto. La Figura 29.9 en la página 488 parte d ilus-
del océano generando el consiguiente aumento (dis- tra los cambios en la fracción del isótopo atmosférico
minución) de la concentración de CO2 que, a su vez, δ 18 O, indicativo de la temperatura, a partir de testigos
actúa como forzamiento radiativo positivo (negativo) de hielo y las variaciones de insolación a 65ºN. Las
que contribuye a un mayor calentamiento (enfriamien- variaciones de temperatura global producen fusión del
to). Desde este punto de vista, cuando un cambio de hielo de los glaciares y mantos de hielo (Fig. 29.9 en
temperatura precede a las variaciones de los GHG, la página 488 c) y dilatación térmica de la columna
se pueden entender estos últimos como parte de un de agua oceánica, con las consiguientes variaciones
mecanismo de retroalimentación más que como un síncronas del nivel del mar (Fig. 29.9 en la página 488
forzamiento. Este comportamiento es característico c), la temperatura y el CO2 .
de los ciclos glaciales, en los que los cambios en los
parámetros orbitales generan variaciones importantes Los cambios en los usos y cobertura del suelo cons-
en la irradiancia normal recibida en superficie (Figu- tituyen un factor de forzamiento climático asociado
ra 29.9 en la página 488 parte d). Cuando la energía al aumento de la población, la urbanización, la defo-
recibida a una determinada latitud es durante un largo restación y la evolución en las prácticas agrícolas. El
período insuficiente para fundir todo la nieve caída en primer impacto de los mismos es físico, a través del
invierno, se acumula la nieve en superficie, aumenta cambio del albedo superficial y la reflexión de onda
el albedo y consecuentemente disminuye la tempera- corta solar y en la emisión de aerosoles asociada a
tura por disminución de la radiación solar entrante. la desertización en algunas regiones. Adicionalmen-
Esta disminución activa procesos de retroalimenta- te existen consecuencias que podrían caracterizarse
ción positiva que involucran cambios en la circulación como químicas asociadas a los efectos en el ciclo del
oceánica y en último extremo de los GHG, como los carbono de los cambios en la cobertura vegetal y que
descritos anteriormente, en los que el enfriamiento se contribuyen al efecto invernadero.
Figura 29.10: Forzamiento radiativo total para las últimas décadas del período histórico, 1950-2005 (línea negra) y
RCPs (líneas de color) en el siglo XXI con respecto a los niveles preindustriales adoptados en CMIP5 en el AR5 del
IPCC. En líneas de trazos y símbolos se muestran las trayectorias de diferentes familias de escenarios de forzamiento
radiativo en el AR3 y AR4 IPCC(SRES e IS92a). Fuente: Figura 1.15 (Cubasch et al. 2013 [146]).
La sección «Influencia del forzamiento radiativo en el ciclos sintéticos de variaciones en la actividad solar
clima» (sec. 29.3.1 en la página siguiente) ilustra la de 11 años. Aunque el ciclo es muy regular, no se
influencia de los factores de forzamiento en los cam- espera que la fase e intensidad del mismo en el futu-
bios de temperatura global en el período industrial ro coincida con el impuesto en los escenarios. No se
(1850-2005). En el contexto del CMIP5 este intervalo considera actividad volcánica en el futuro al no ser
temporal se conoce como período histórico. posible anticipar la ocurrencia e intensidad de estos
eventos.
Para las simulaciones de cambio climático futuro se
adoptan escenarios de forzamiento radiativo asociado Para el análisis del clima anterior a la era instrumen-
solamente a las actividades humanas. Estos escena- tal se determinan varios períodos de referencia en el
rios incluyen diferentes trayectorias posibles en las contexto del CMIP5. Dentro del CMIP5 el proyecto
emisiones de gases de efecto invernadero asociados de Intercomparación de Modelos en Paleoclima en
a posibles evoluciones de la sociedad en el futuro, su fase 3 (PMIP3, de sus siglas en inglés) seleccionó
dependiendo del crecimiento de la población y la de- tres períodos de interés en los cuales de establecie-
manda energética, de los desarrollos tecnológicos, etc. ron escenarios de forzamiento radiativo de consenso
(Figura 29.10 en la página anterior; ver también Sec- (ver Sección 29.3 en la página 487): el último má-
ción 29.5.6 en la página 508). El CMIP5 establece ximo glacial (LGM, de sus siglas en inglés), hace
escenarios conocidos como trayectorias de concentra- ca. 21 ka; el Holoceno medio (MH, de sus siglas en
ción representativa (RCP, de sus siglas en inglés) que inglés), hace ca. 6 ka; y el último milenio (LM, de
se definen por el aumento total de forzamiento radiati- sus siglas en inglés), identificado como el intervalo
vo a finales del siglo XXI asociado a las emisiones de 850 a 1850 preindustrial, inmediatamente anterior al
GHG y aerosoles. conocido como período histórico. En los dos primeros
Este diseño fue adoptado para que fuese de utilidad en se simulan condiciones medias de ese período climáti-
la toma de decisiones por parte de los gobiernos a la co, mientras que en el último se realizan simulaciones
hora de evaluar específicamente la influencia de deter- transitorias con cambios anuales en el forzamiento
minadas trayectorias de emisión. Se consideran cuatro radiativo (Figura 29.9 en la página 488 parte a). En
escenarios en los que el aumento de forzamiento ra- todos los experimentos descritos en esta sección, los
diativo es de 2.6, 4.5, 6.0 y 8.5 Wm−2 al final del siglo cambios en el forzamiento se especifican como condi-
XXI. La Figura 29.10 en la página anterior muestra ciones de contorno para la realización de simulaciones.
estos cuatro escenarios, utilizados en el quinto infor- En los experimentos de cambio climático futuro, la
me del IPCC (ver Sección 29.6.1 en la página 513), realización de ensembles permite explorar las incerti-
así como también para su comparación, los usados en dumbres asociadas a la evolución futura del sistema
informes anteriores del IPCC. en diferentes niveles de emisión. En los escenarios
del pasado se explora la incertidumbre asociada a la
Históricamente estos escenarios incorporan solamen- reconstrucción de los forzamientos naturales en el
te cambios en el forzamiento radiativo asociados a pasado. La Figura 29.9 en la página 488 parte a mues-
las actividades humanas. Los escenarios RCP, tal co- tra diferentes reconstrucciones de forzamiento solar y
mo se puede apreciar en la figura, incluyen también volcánico que han tenido en cuenta.
29.3.1 Influencia del forzamiento radia-

tivo en el clima
Los forzamientos climáticos naturales y antropogé-

nicos permiten explicar las variaciones de tendencia
a largo plazo en la temperatura global observada en
superficie.
La Figura 29.11 muestra el efecto en la temperatura de

las variaciones de la TSI, la actividad volcánica y los
gases de efecto invernadero y aerosoles desde 1850.
Para ello se ha considerado una regresión múltiple
de la temperatura con cada una de estas variables y
la variabilidad interna, representada en este caso por
el índice del ENSO. La suma de todas estas compo-
nentes es consistente con los cambios en variabilidad
multidecadal de las temperaturas a lo largo del período
industrial.
El efecto del forzamiento volcánico fue notable a fina-

les de los siglos XIX y XX. La variabilidad de la TSI
contribuyó, junto con la componente antropogénica al
aumento de temperatura de los años 1920 a 1950. La
variabilidad solar se mantiene estable o decrece desde
1980, período durante el cual la aportación al aumen-
to de temperatura la realiza el forzamiento radiativo
antropogénico. Por tanto, a partir de consideraciones
radiativas es posible argumentar que la mayor parte
del aumento de temperatura desde la mitad del siglo
XX se debe a las actividades humanas.
La variabilidad interna no presenta tendencias a largo

plazo. La gráfica muestra que la variabilidad inter-
anual de las estimaciones a lo largo de todo el período
es inferior a la de las observaciones. Esto es una indica-
ción de que el índice ENSO utilizado para representar
la variabilidad interna del sistema explica solamente
una parte de la misma y existen otras contribuciones
que no se han tenido en cuenta en esta aproximación
Figura 29.11: Variación de la temperatura en función sencilla.
de los factores de forzamiento natural (solar, volcáni-
co) y antropogénicos (gases de efecto invernadero y Por otro lado, la mayor parte de las tendencias a lar-
aerosoles) (modificada de FAQ 5.1, Figura 1 en Masson- go plazo quedan bien descritas por los forzamientos
Delmotte et al. 2013 [415]). a) Anomalías de tempera- incluidos.
tura global en superficie de 1870 a 2010 con respecto
al período 1961-1990 (negro) frente a estimaciones de
temperatura (rojo) usando un modelo que incluye la res-
puesta de la temperatura a los cambios en la irradiancia
solar (b), la actividad volcánica (c), la variabilidad in-
terna global del sistema representada por el índice del
ENSO (d) y la contribución antropogénica de los GHG y
aerosoles (e). Nótese los diferentes rangos de variación
en la respuesta de la temperatura. La zona sombrea-
da representa el intervalo de mayor crecimiento de la
respuesta a la componente antropogénica.
29.4 Modelos climáticos 493
Figura 29.12: Ilustración esquemática de la malla, procesos representados y usos de un AGCM tridimensional (ver
texto).
29.4 Modelos climáticos como oceánicos (OGCM, de sus siglas en inglés). El

desarrollo de los AGCM tiene su origen en los mode-
La herramienta fundamental para el estudio cuanti- los de predicción numérica del tiempo adaptados para
tativo del clima son los modelos climáticos y, como los objetivos climáticos (sec. 29.4.2 en la página 497).
se describirá más adelante, su extensión a los ESM Los GCM simulan la dinámica de la atmósfera y el
(véase la Figura 29.12). La utilización de modelos, por océano en tres dimensiones a partir de las ecuacio-
una parte, nos permite tratar y analizar sistemas que nes fundamentales que gobiernan estos sistemas, es
por su complejidad son inabordables. Por otra, la rea- decir, de principios físicos fundamentales. Éstos son
lización de experimentos controlados es consustancial la conservación del momento, la energía y la masa,
al método científico pero, en general, muy difícil en el y la ecuación de estado (sec. 10.4 en la página 135).
ámbito de las ciencias de la Tierra. La sustitución del Cada uno de ellos se expresa mediante una ecuación.
sistema real por modelos del mismo permite la reali- Además, se necesitan ecuaciones adicionales para la
zación de experimentos por medio de simulaciones evolución de la concentración de sustancias caracterís-
numéricas. Ejemplos concretos son la imposición de ticas de cada sistema como la humedad en el caso de
cambios en las condiciones iniciales o de contorno, la atmósfera o la salinidad en el del océano, así como
incluyendo los forzamientos climáticos, la topografía cualquier otra sustancia presente en estos sistemas.
o la distribución de los continentes. Esto nos proporciona un sistema de ecuaciones cerra-
do, con igual número de ecuaciones que de incógnitas
En el ámbito de la atmósfera y el océano los modelos que, en principio, puede resolverse para cualquier ins-
que constituyen el estado del arte del conocimiento tante y punto del espacio. Sin embargo, por contener
son los GCM (ver Sección 29.1 en la página 478), términos no lineales estas ecuaciones no pueden re-
tanto atmosféricos (AGCM, de sus siglas en inglés) solverse analíticamente (sec. 5.1.5 en la página 54).
Por esta razón su resolución se lleva a cabo numéri- (sec. 10.4 en la página 136). Sin embargo, hay otros
camente reemplazando las ecuaciones continuas, en procesos que incluso a muy alta resolución siempre
derivadas parciales, por ecuaciones discretizadas espa- será necesario parametrizar, como los procesos radia-
cial y temporalmente con una resolución determinada tivos, que tienen lugar a escalas espaciales atómicas y
y eligiendo un sistema de coordenadas adecuado tanto moleculares, o la microfísica de nubes, que ocurre a
en la horizontal como en la vertical y esquemas ade- escalas de milímetros a micras.
cuados para resolver numéricamente las ecuaciones
(Figura 29.12 en la página anterior). Un aspecto im- Los AGCM se desarrollaron a partir de los modelos
portante es que al resolver las ecuaciones se hacen atmosféricos de predicción numérica del tiempo, adap-
ciertas aproximaciones en éstas que simplifican su so- tados a los objetivos de las simulaciones climáticas.
lución sin que se pierda información relevante desde Los AGCM requieren la prescripción de condiciones
un punto de vista climático. de contorno así como la inclusión de un modelo de
suelo para caracterizar el tipo de suelo, la vegetación,
La discretización de las ecuaciones fundamentales a el almacenamiento de agua en forma de humedad,
una resolución espacio-temporal dada está limitada nieve o acuíferos. Esta caracterización es necesaria
por la capacidad computacional. La resolución típica para poder determinar propiedades como el albedo
de los modelos climáticos ha aumentado en paralelo superficial, la evapotranspiración o la rugosidad, que
con el aumento de los recursos computacionales a lo se utilizan en el cálculo de los flujos de momento,
largo del tiempo (cap. 11 en la página 145). Un as- calor y agua intercambiados con la superficie, así co-
pecto muy importante es que a cualquier resolución mo la escorrentía. Mientras que en las simulaciones a
espacial siempre habrá procesos que el modelo re- corto plazo pueden despreciarse las variaciones en las
solverá explícitamente y otros que no, por ocurrir a condiciones oceánicas, que por tanto pueden prescri-
escalas inferiores a la resolución del modelo. Estos úl- birse como condiciones de contorno para los modelos
timos se denominan procesos de submalla o subrejilla, atmosféricos, las simulaciones a más largo plazo re-
e incluyen multitud de procesos físicos importantes quieren la incorporación de las interacciones entre la
(parametrizaciones, sec. 10.5 en la página 137); en atmósfera y el océano. Esto motivó el desarrollo de
el caso de la atmósfera, los procesos radiativos, la los modelos oceánicos (véase sec. 29.4.2 en la pági-
turbulencia, la convección, la cubierta de nubes, la na 497). Una componente esencial del océano es el
microfísica de nubes o el arrastre orográfico. Estos hielo marino, que se forma cuando el agua superficial
procesos no pueden ignorarse por ser fundamentales del océano se congela.
desde el punto de vista físico y afectar a los campos re-
sueltos explícitamente por el modelo. Con frecuencia,
de hecho, están relacionados con procesos de retorno
al equilibrio dinámico o termodinámico, e ignorarlos
conduciría a errores en la simulación. Por esta razón es
necesario incluirlos, bien en las ecuaciones, bien me-
diante ajustes adicionales al margen de éstas. Esto se
lleva a cabo mediante representaciones paramétricas a
partir de los campos resueltos o parametrizaciones. La
exactitud de las parametrizaciones depende de nuestra
comprensión de los procesos físicos subyacentes y de-
termina la calidad de las simulaciones. Por esta razón
las parametrizaciones han sido y son objeto de intensa
investigación. Nótese que a medida que la resolución
espacial de un modelo aumenta existen procesos que,
por sus escalas espaciales características podrán re-
solverse, con lo que su parametrización deja de ser Figura 29.13: Evolución temporal del desarrollo de los
necesaria. Un ejemplo de ello es la convección, que modelos climáticos. Se muestra la incorporación de nue-
se parametriza en los modelos de resolución relativa- vas componentes así como el incremento con el tiempo
mente grosera que utilizan la aproximación de balance de la complejidad y el rango de los procesos representa-
hidrostático, pero que se resuelve –al menos en parte- dos, ilustrados por el crecimiento los cilindros (Fig. 13
en los modelos de alta resolución no hidrostáticos de Cubasch et al. 2013 [146]).
La atmósfera, el océano y el hielo marino son esencial- aerosoles en los procesos radiativos, la química atmos-
mente componentes físicas, descritas por los princi- férica o el ciclo de carbono. El efecto de los aerosoles
pios físicos fundamentales mencionados anteriormen- es una de las principales fuentes de incertidumbre en
te. Junto con los modelos de suelo, éstas constituyen los forzamientos radiativos como consecuencia de su
las componentes básicas de los AOGCM, los modelos muy diferente origen, características y propiedades,
que representaban el estado del arte hasta finales de así como de la dificultad de caracterizar su interacción
los años 90 (Figura 29.13 en la página anterior). Un con la radiación. Las interacciones entre la química
aspecto importante es que el desarrollo de los modelos y el clima son esenciales para el estudio de efecto de
es modular, en el sentido de que sus componentes se la creación y recuperación del agujero de la capa de
desarrollan por separado para ser finalmente acopla- ozono. La química y el cálculo del ozono estratos-
das. férico se han incorporado recientemente en algunos
modelos. La dinámica estratosférica puede afectar a
Al igual que ocurrió al pasar de los modelos meramen- la circulación troposférica. Por esta razón muchos
te atmosféricos en estudios a corto plazo a los modelos modelos son capaces en la actualidad de resolver la
acoplados de atmósfera y océano para estudios climá- estratosfera. Incluir el ciclo de carbono involucra re-
ticos, a medida que ha aumentado la complejidad de presentar las fuentes y sumideros de carbono en el
las preguntas científicas, ha surgido la necesidad de sistema terrestre y, por tanto, la biogeoquímica terres-
aumentar el número de componentes de los mode- tre y oceánica. En estos modelos, en su versión más
los climáticos. En general, existe una relación directa completa y realista, la concentración de CO2 no viene
entre la escala temporal de interés y el número de impuesta externamente sino que se calcula conside-
componentes del sistema terrestre que deben considerando las fuentes y sumideros del sistema, al igual que
rarse (Figura 29.14). En la actualidad se acepta que para cualquier otro gas atmosférico que forme parte
la comprensión completa del clima involucra a todas de un ciclo cerrado del sistema terrestre, incluyendo
las componentes del sistema terrestre: la atmósfera las biológicas como la biosfera terrestre y la biogeo-
no sólo desde el punto de vista físico sino también química marina (Figura 29.15 en la página siguiente).
químico, la litosfera, la biosfera, tanto marina como La vegetación terrestre además puede prescribirse, co-
terrestre y la criosfera. Los modelos correspondientes mo en los modelos de suelo relativamente sencillos o
son los ESM y constituyen las herramientas del estado representarse de modo interactivo mediante modelos
del arte actual de la simulación climática. Así, cada dinámicos globales que permiten calcular la evolución
vez más modelos tratan de incorporar nuevos procesos dinámica de la cubierta de vegetación, que afecta no
y componentes (Figura 29.13 en la página anterior). sólo al ciclo de carbono sino al cálculo de flujos de
Mientras los AOGCM de los años 70-90 consideraban calor y humedad. Por último, una componente fun-
esencialmente las componentes físicas del sistema te- damental del sistema terrestre y que hasta ahora se
rrestre (atmósfera, océano, hielo marino y suelo), los ha incluido en muy pocos modelos es la componente
ESM incorporan procesos adicionales no estrictamen- terrestre de criosfera, que comprende los mantos de
te relacionados con estas componentes físicas. Así, hielo de la Antártida y Groenlandia, cuyas variaciones
estos modelos tratan de representar el papel de los pueden afectar considerablemente al nivel del mar.
Figura 29.14: Esquema que ilustra las escalas espacio-temporales típicas de los diferentes modos de variabilidad
climáticos y la relevancia de diferentes componentes del sistema terrestre a las distintas escalas (ver texto).
¿Cómo es posible simular el clima a cien años vista si

ni siquiera somos capaces de predecir el tiempo con
un horizonte de predicción de dos semanas? La res-
puesta a esta pregunta es que estos dos problemas son
de naturaleza diferente: mientras que la predicción
del tiempo a corto plazo es un problema de valores
iniciales, donde capturar bien las condiciones inicia-
les es esencial y, por tanto, cualquier desviación con
respecto a las condiciones iniciales exactas se traduce
en errores que crecen ilimitadamente, las proyeccio-
nes climáticas a largo plazo constituyen un problema
de condiciones de contorno, impuestas por los forza-
mientos (son problemas de predecibilidad distintos,
véase sec. 12.2 en la página 157). Mientras que las
Figura 29.15: Esquema que ilustra las diferencias en- predicciones del tiempo intentan capturar con la ma-
tre un modelo climático, que incluye las componen- yor fidelidad posible la trayectoria exacta del sistema,
tes físicas del sistema climático (atmósfera, océano, las proyecciones simplemente ofrecen una trayectoria
hielo marino y suelo) y un modelo del sistema te- plausible de este, compatible con las condiciones de
rrestre que en este caso incluye el ciclo de carbono contorno. Entre ambas se encuentran las así llamadas
y las fuentes y sumideros de éste asociados a la predicciones climáticas, donde tanto las condiciones
biosfera terrestre y la biogeoquímica marina (Fig. iniciales como las condiciones de contorno son rele-
de https: // soccom. princeton. edu/ content/ vantes (Figura 29.16). Un aspecto importante es que
what-earth-system-model-esm ). aunque los modelos climáticos (véase Sección 29.4
en la página 493) se desarrollaron a partir de los mo-
delos de predicción numérica del tiempo adaptados
para las objetivos y escalas espacio-temporales típi-
29.4.1 Predicciones y proyecciones cli- cas del clima, en la actualidad se apunta a lo que así
máticas se denomina una simulación sin costuras (en inglés,
seamless), es decir, la utilización de los mismos mode-
Una pregunta que surge con frecuencia en el contexto los para simulación futura a todas las escalas espacio
de la simulación numérica del clima, en particular con temporales.
la realización de proyecciones futuras es:
Figura 29.16: Esquema que ilustra la progresión desde las predicciones a escalas temporales cortas, que
constituyen un problema de valores iniciales, a las proyecciones climáticas, que son problemas de condiciones
de contorno forzadas. La predicción decadal ocupa el término medio entre ambos (Fig. 1.2 de Kirtman et al.
2013 [347]).
Figura 29.17: Árbol genealógico de algunos de los más importantes modelos de circulación general de la atmósfera
(http: // pne. people. si. umich. edu/ sloan/ mainpage. html ).
Enseguida surgieron iniciativas similares en otras ins-

tituciones de los EE. UU. como la Universidad de Ca-
29.4.2 Historia del desarrollo de los mo- lifornia en Los Ángeles (UCLA), liderada por A KIO
delos A RAKAWA y YALE M INTZ [444] o el National Cen-
tre for Atmospheric Research (NCAR), institución
Los modelos climáticos tienen su origen en los mo- liderada por WARREN WASHINGTON y A KIRA K A -
delos de predicción del tiempo [176]. Como se ha SAHARA .
descrito (Sección 3.5), tras el éxito de la primera pre-
dicción numérica del tiempo por C HARNEY ET AL . Los AGCM evolucionaron, por tanto, a partir de los
en 1950 [125], se llevó a cabo una simulación a más modelos atmosféricos de predicción numérica del
largo plazo, un mes, mediante un modelo sencillo (cua- tiempo. Al contrario que las simulaciones a corto pla-
sigeostrófico) con sólo dos niveles verticales en un zo, en las que pueden despreciarse las variaciones
único hemisferio. Los resultados reflejaban las carac- en las condiciones oceánicas, que por tanto pueden
terísticas de la circulación general atmosférica. J OHN prescribirse como condiciones de contorno para los
VON N EUMANN , miembro del equipo del ENIAC, modelos atmosféricos, las simulaciones a más largo
reconoció de inmediato su importancia: no sólo la plazo requerían la inclusión de las interacciones entre
escala sinóptica, responsable de las variaciones en el la atmósfera y el océano. Esto motivó el desarrollo de
tiempo a escala diaria podía simularse a partir de las modelos oceánicos a partir de los años 60, primero
ecuaciones fundamentales, sino también la circulación en el GFDL. Inicialmente se utilizaron modelos muy
general atmosférica. simples de pocos niveles verticales con intercambio
de humedad y/o calor, seguidos de modelos de la capa
El gobierno de los EE. UU. enseguida proporcionó de mezcla oceánica sin transporte de calor oceánico
los fondos para el desarrollo de un modelo global, y, finalmente, modelos de ecuaciones primitivas tri-
tridimensional, de ecuaciones primitivas de la circu- dimensionales oceánicos (OGCM, de sus siglas en
lación general de la atmósfera (AGCM, de sus siglas inglés). El acoplamiento entre los AGCM y OGCM
en inglés), proyecto llevado a cabo por J OSEPH S MA - dio lugar al nacimiento de los modelos acoplados de
GORINSKY , S YUKURO M ANABE y otros en el que la circulación general de la atmósfera y el océano
ahora se conoce como Geophysical Fluid Dynamics (AOGCM, de sus siglas en inglés).
Laboratory (GFDL).
En los años 70 y 80 surgieron iniciativas similares Los resultados reproducían fielmente la tendencia cre-
en muchas instituciones, entre ellas instituciones eu- ciente de la temperatura global observada entre los
ropeas como el ECMWF o el Instituto Max Planck años 60 y finales de los 80, y para el futuro mostraban
de Meteorología en Hamburgo en Alemania (MPI, de una tendencia creciente sostenida. En 1988 H ANSEN
sus siglas en inglés). Muchos de los nuevos modelos testificó en el Senado de los EEUU para afirmar que
se desarrollaron a partir de los existentes previamen- la Tierra había alcanzado valores de la temperatura
te. Por ejemplo, el modelo atmosférico del MPI se mayores que en cualquier periodo histórico anterior
construyó adaptando el modelo del ECMWF a los y que la probabilidad de que esto fuera consecuencia
objetivos de las simulaciones climáticas (Figura 29.17 del azar era muy baja. Desde ese momento, las proyec-
en la página anterior). ciones de los modelos se convertirían en un problema
político [176]. Ese mismo año, la conferencia inter-
Un aspecto crucial que contribuyó a fomentar el in- nacional de Toronto concluyó que los cambios en la
terés en el desarrollo de los modelos climáticos fue- atmósfera debido a la contaminación representaban
ron los problemas medioambientales, entre ellos el una amenaza fundamental para la seguridad global y
cambio climático. La constatación en los años 60 del se hacía una llamada a los gobiernos de todo el mundo
aumento en las concentraciones atmosféricas de CO2 para una acción conjunta encaminada a restringir las
llevó a considerar la posibilidad de un calentamiento concentraciones de gases de efecto invernadero. Esto
por aumento del efecto invernadero. El calentamiento llevó a las negociaciones de un acuerdo internacional
global se convirtió en un problema político y cientí- como paso previo a las legislaciones nacionales. En
fico, y se empezó a tratar de obtener una estimación el mismo año también dos organizaciones de las Na-
de la respuesta de la temperatura a un aumento en ciones Unidas, el Programa de las Naciones Unidas
la concentración atmosférica de CO2 . La Academia para el Medio Ambiente y la WMO, crearon el IPCC
Nacional de Ciencias de los EE. UU. creó un comité (Sección 29.6.1 en la página 513). Durante los últi-
presidido por J ULE C HARNEY que comparó los resul- mos veinte años, con el incremento gradual en nuestra
tados de dos AOGCM independientes, los de GFDL confianza sobre los impactos de los cambios en las
y NCAR, encontrando en ambos un aumento de las concentraciones de gases de efecto invernadero, aero-
temperaturas en respuesta a una duplicación de CO2 soles, etc. se ha producido una demanda creciente de
entre 1.5 y 4.5 K, y concluyó la imposibilidad de con- resultados de los modelos por parte de los responsa-
cebir un efecto físico ignorado que pudiera reducir bles políticos. En la actualidad está establecido que
este calentamiento. La respuesta transitoria del siste- los modelos constituyen la herramienta fundamental
ma climático no sólo al aumento en la concentración para la detección, atribución y proyección de la evolu-
de CO2 sino al registro histórico de aerosoles de erup- ción futura del clima. Una descripción más detallada
ciones volcánicas fue obtenida casi una década más de la historia del desarrollo de los modelos climáticos
tarde por J IM H ANSEN utilizando el modelo del God- puede encontrarse en E DWARDS [176].
dard Institute for Space Studies (GISS) de la NASA
[271].
29.5 Incertidumbres y uso de ensembles en clima 499
Figura 29.18: Ensemble de oportunidad de proyecciones multimodelo a corto plazo climático (hasta 2050) de
la temperatura media global del aire en superficie con modelos del CMIP5 que incluye 4 escenarios de emisión
(RCP2.6, RCP4.5, RCP6.0, RCP8.5) con un número variable de modelos para cada escenario de emisión. De cada
modelo se ha seleccionado una sola simulación. Para el periodo histórico se ha utilizado un ensemble de 42 modelos.
Las observaciones proceden de estimaciones realizadas con 4 conjuntos de datos en rejilla (fuente: IPCC [481]).
29.5 Incertidumbres y uso de en- queña escala (subrejilla o submalla, sec. 10.5 en la
página 137) que afectan a las escalas resueltas por el
sembles en clima
modelo se describen empíricamente y con frecuencia
En la Sección 29.1 en la página 478 se han descrito no están bien constreñidas por las observaciones. El
las principales fuentes de incertidumbres que afectan muestreo de esta incertidumbre permite estimar tam-
a las simulaciones climáticas. Éstas son las asociadas bién la sensibilidad climática del sistema puesto que
a las condiciones iniciales, las condiciones de con- las diferentes respuestas en la simulación de proce-
torno y a los modelos que simulan la evolución del sos por parte de distintos modelos se traducen en una
sistema climático. Al igual que en las predicciones respuesta diferente de la temperatura a cambios en el
a corto y medio plazo, se exploran con la ayuda de forzamiento externo.
ensembles (cap. 13 en la página 165). Los ensem-
bles que exploran diferentes condiciones iniciales en Para cuantificar suficientemente bien las incertidum-
simulaciones que abarcan escalas temporales climáti- bres asociadas a los modelos habría que explorar ideal-
cas permiten caracterizar el rango de la variabilidad mente los diferentes modelos en términos de resolu-
climática interna. Los ensembles que exploran dife- ción, componentes y procesos, parametrizaciones, etc.
rentes condiciones de contorno cuantifican el efecto Sin embargo, en la práctica hay familias de modelos
de modular la energía que entra en el sistema a tra- del mismo tipo que incorporan el mismo conjunto
vés de diferentes factores de forzamiento naturales o de procesos a resoluciones similares. Las diferentes
antropogénicos. Los ensembles que exploran diferen- familias de modelos se utilizan para explorar las incer-
tes modelos permiten cuantificar las incertidumbres tidumbres que provienen de los modelos perturbados
asociadas a las suposiciones y aproximaciones que (en inglés perturbed physics ensemble, PPE, sec. 13.5
los modelos introducen en las ecuaciones del sistema en la página 174) o bien ensembles multimodelo (en
climático. Estas incertidumbres también pueden pro- inglés multimodel ensembles, MME, sec. 13.5 en la
venir de una comprensión teórica limitada (p.ej., cómo página 174) constituidos por diferentes modelos que
afectan los aerosoles a la formación de las nubes), de comparten una estructura y grado de complejidad si-
incertidumbre en los parámetros del modelo o de in- milar. En las ciencias del clima, la utilización de MME
certidumbre estructural (es decir, la imposibilidad de ha sido la forma tradicional de representar, estimar y
simular un proceso conocido de forma realista o sim- promediar las incertidumbres y errores de los modelos.
plemente la ausencia de representación o simulación La utilización de ensembles de simulaciones ha avan-
de un proceso). La incertidumbre en los parámetros zado en paralelo con las series de proyectos sucesivos
procede del hecho de que muchos procesos de pe- de intercomparación de modelos climáticos (CMIP).
En toda la historia de las diferentes fases de los pro- La evaluación es un concepto que ha surgido con los
yectos CMIP siempre se ha supuesto implícitamente modelos climáticos y que se asocia fundamentalmente
que los modelos considerados son lo suficientemen- con el grado de realismo de las simulaciones y con la
te diferentes como para explorar las incertidumbres comparación de éstas en periodos históricos o paleo-
mediante lo que se ha venido en llamar un ensemble climáticos con las observaciones o reconstrucciones
generacional de oportunidad [353]. Dicho ensemble disponibles del clima. El grado de confianza en un
carece de una estrategia objetiva definida para explo- determinado modelo climático es mayor cuando éste
rar las diferentes incertidumbres procedentes de los es capaz de simular con cierto realismo periodos cli-
modelos y simplemente incorpora los modelos dispo- máticos pasados (Sección 29.5.3 en la página 502). La
nibles o incluso versiones sucesivas de un mismo mo- evaluación de un modelo climático puede realizarse
delo. Mientras que el CMIP3 proporcionó 22 modelos de muy diferentes formas. Por ejemplo, mediante la
diferentes para el ensemble multimodelo utilizado en evaluación de procesos y/o componentes individuales
el 4º informe de evaluación (AR4) del IPCC, CMIP5 (así, la atmósfera, el océano, etc. se evalúan típica-
proporcionó 59 modelos para el 5º informe (AR5) mente de forma aislada como parte del proceso de
simplemente por el hecho de que había más modelos desarrollo de cada componente) o mediante la evalua-
disponibles. Los modelos utilizados no tenían unos ción de la totalidad del modelo climático con todos
mínimos requerimientos de calidad para participar en sus componentes ensamblados. Las evaluaciones se
el ensemble salvo estar documentados y referenciados realizan también en diferentes escalas temporales. Es-
en la literatura científica con revisión por pares. La to permite conocer las capacidades de los modelos
Figura 29.18 en la página anterior muestra un ensem- para simular la variabilidad climática en rangos tem-
ble de oportunidad de proyecciones climáticas que porales que abarcan desde la escala sinóptica hasta
incluye básicamente todas las simulaciones para cada la decadal y secular. Es muy importante conocer la
escenario de emisión disponibles en el CMIP5. capacidad de los modelos climáticos para simular con
precisión los modos de variabilidad de baja frecuen-
cia que condicionan fuertemente el clima en muchas
29.5.1 Verificación vs evaluación regiones (véase sec. 29.2 en la página 479) . Éste es el
caso, por ejemplo, de Europa occidental, y de la penín-
sula ibérica en particular, cuyas precipitaciones están
Verificación y evaluación son dos conceptos diferen-
correlacionadas con la fase e intensidad del patrón de
tes asociados a la corrección de las simulaciones y,
la NAO (sec. 29.2.2 en la página 485).
en definitiva, a la credibilidad que asignamos a los
modelos atmosféricos o climáticos (ver cap. 15 en la Al igual que en la verificación, la evaluación puede
página 207). realizarse cuantitativamente mediante el uso de mé-
tricas que evalúan el grado de calidad de los modelos
La verificación surgió con los modelos de predicción individuales. Normalmente los diferentes modelos si-
numérica del tiempo (corto y medio plazo) como una mulan mejor uno u otro proceso de forma específica
forma objetiva de medir la calidad de las predicciones y tiene poco sentido hacer evaluaciones de carácter
realizadas con los mismos [332, 682]. En el contexto general. Por ello, no es una cuestión obvia discriminar
de las simulaciones numéricas realizadas con ordena- los modelos «buenos» de los «malos» para asignar
dores, la verificación es un proceso que incluye tareas una credibilidad a las proyecciones climáticas en las
como la correcta implementación de un modelo con- escalas seculares. De hecho, en el caso de los modelos
ceptual (ausencia de errores) así como la cuantifica- climáticos es mucho más difícil que en la predicción
ción objetiva, mediante una métrica (score, sec. 15.2.3 numérica del tiempo definir un único índice o mé-
en la página 211) acordada, de la distancia de las trica para las proyecciones a escala secular, ya que
predicciones a lo que habitualmente denominamos cada modelo tiende a simular mejor unos aspectos del
realidad, representada por las observaciones. Aunque sistema climático mientras que otros los simula más
hay diferentes puntos de vista acerca de lo que es una defectuosamente.
buena predicción [463], existe una amplia variedad
de procedimientos de verificación (cap. 15.2.3 en la La confianza en las proyecciones de un modelo cli-
página 211). Todos ellos incluyen una medida de la mático se basa en la comprensión física del sistema
relación entre una predicción o un conjunto de predic- climático y en su representación en los modelos, así
ciones y la(s) correspondiente(s) observación(es) del como en la demostración de hasta qué punto los mo-
predictando. delos son capaces de simular un amplio rango de pro-
cesos y características climáticas en diferentes escalas 29.5.2 El Periodo histórico

espaciales y temporales. La credibilidad de un modelo
climático aumenta si el modelo es capaz de simu-
Utilizando un ensemble de oportunidad como el des-
lar las variaciones pasadas del clima tales como las
crito más arriba se puede explorar en el periodo histó-
tendencias a lo largo del siglo XX y los cambios pa-
rico (p.e., 1860-2010) tanto las incertidumbres proce-
leoclimáticos. Al contrario de lo que sucede con las
dentes de los modelos como de los forzamientos exter-
predicciones a corto plazo, las proyecciones climáti-
nos. La Figura 29.19 muestra la dispersión asociada
cas seculares están sometidas a forzamientos externos
a dos ensembles multimodelo (CMIP3 y CMIP5) de
que empujan a los modelos hacia condiciones que se
la simulación de dicho periodo, superpuesta a la ob-
encuentran fuera del rango y situaciones observadas
servación de la anomalía de la temperatura global
en un periodo histórico utilizado para su evaluación.
en superficie. La figura en la parte superior incluye
Para tener una idea de las diferentes formas de evaluar
solamente los forzamientos naturales (erupciones vol-
los modelos climáticos puede consultarse el capítulo
cánicas, radiación solar), mientras que en la parte
9 del Grupo de Trabajo I del 5º Informe de Evaluación
inferior incluye, además de los forzamientos natura-
del IPCC dedicado exhaustivamente al tema [209].
les, los forzamientos antropogénicos (emisiones de
gases de efecto invernadero, partículas procedentes de
contaminación atmosférica, etc.).
Figura 29.19: Serie temporal de temperatura media global en superficie promediada anualmente entre 1850 y 2010.
El panel superior muestra las simulaciones de dos ensembles multimodelo (CMIP3 y CMIP5) forzados solamente con
forzamientos naturales. El panel inferior muestras los dos mismos ensembles forzados con forzamientos naturales
y antropogénicos. Las líneas continuas azul y naranja muestran el promedio de los ensembles CMIP3 y CMIP5,
respectivamente. Tres estimaciones de la observación aparecen representadas mediante las líneas negras (fuente:
Figura 10.1 de Bindoff et al., 2013 [51]).
Ambos MME (CMIP3 y CMIP5) son razonablemente indirectos o proxy (corales, sedimentos marinos o
capaces de simular la tendencia de la evolución de la lacustres, espeleotemas, testigos de hielo, dendrocli-
temperatura global media, mostrando la anchura de máticos, etc.) proporcionan información acerca de la
la banda que superpone todas las simulaciones la in- variabilidad climática natural en el pasado así como
certidumbre asociada a la formulación de los diferen- los forzamientos climáticos que contribuyeron a ésta
tes modelos climáticos. Los dos MME nos permiten (Sección 29.3 en la página 487). Las reconstrucciones
estimar la incertidumbre asociada con los modelos y las simulaciones paleoclimáticas tienen propósitos
climáticos; más aún, con las diferentes generaciones diferentes. Mientras que las reconstrucciones inten-
de modelos climáticos, ya que CMIP3 se correspon- tan conocer lo más exactamente posible la evolución
de con una generación anterior de modelos a CMIP5. climática pasada, las simulaciones generan, de acuer-
Además, utilizando ambos ensembles con diferentes do con las ecuaciones de la dinámica y física de los
forzamientos externos se puede atribuir la tendencia distintos componentes del sistema climático, estados
creciente de la temperatura global media a causas an- físicamente consistentes con el forzamiento externo.
tropogénicas, ya que los forzamientos naturales por Por tanto, para compararlas se necesitan ensembles de
sí solos no son capaces de reproducir la evolución de reconstrucciones que permitan evaluar las incertidum-
la temperatura observada. Simulaciones similares con bres en los datos y metodologías de reconstrucción
diferentes forzamientos antropogénicos atribuyen a utilizadas, así como ensembles de simulaciones con di-
las emisiones de gases de efecto invernadero, princi- ferentes modelos, condiciones iniciales, forzamientos
palmente por el uso extensivo de combustibles fósiles, externos (condiciones de contorno), específicamente
la mayor parte del aumento de la temperatura global. diseñados para poder ofrecer explicaciones cuantitati-
vas de las reconstrucciones y explorar los mecanismos
Las medias de los dos ensembles muestran varias de variabilidad climática que han podido influir en los
reducciones bruscas en la temperatura que están aso- cambios observados.
ciadas a grandes erupciones volcánicas. Este descenso
de la temperatura, que dura un pocos años, se identifi- Las comparaciones entre las simulaciones y las re-
ca también aunque menos marcadamente en la curva construcciones paleoclimáticas son útiles en relación
negra correspondiente a las observaciones. La curva con las proyecciones de cambio climático futuro en
observacional muestra también una mayor variabili- varios aspectos. En primer lugar, permiten evaluar los
dad interanual asociada a la variabilidad interna del modelos bajo condiciones de contorno independien-
sistema climático, singularmente condicionada por la tes de las utilizadas en el desarrollo y ajuste de éstos,
variabilidad oceánica de gran escala principalmente correspondientes al clima actual. La habilidad de los
debida a las fluctuaciones de ENSO en el océano Pa- modelos a la hora de reproducir climas pasados bajo
cífico ecuatorial (véase sec. 29.3.1 en la página 492 los forzamientos considerados relevantes incrementa
Influencia del forzamiento radiativo en el clima). Esta nuestra confianza en su capacidad para simular correc-
variabilidad interna aparece simulada por cada miem- tamente el clima en las proyecciones de futuro. Las
bro individual del ensemble pero desaparece al pro- reconstrucciones permiten además corroborar la exis-
mediar los diferentes miembros. tencia de relaciones robustas entre variables físicas
sugeridas por los modelos en las simulaciones para un
rango de climas diferentes.
29.5.3 Paleoclima La comparación de las simulaciones y reconstruccio-
nes permite potencialmente reducir las incertidumbres
El estudio del clima en épocas pasadas o paleocli- en las proyecciones de escenarios de cambio climático
ma permite comprender mejor los mecanismos que futuro al evaluar la incertidumbre estructural, asociada
contribuyen a la variabilidad climática en escalas tem- a una deficiente representación de los procesos físi-
porales mayores que el período instrumental. Esto cos en diferentes modelos. En principio, la bondad de
permite entender mejor el contexto climático actual y un modelo para simular el clima actual podría consi-
las posibles respuestas a un cambio climático futuro derarse una métrica adecuada para atribuir un cierto
[327, 415]. grado de confianza en las proyecciones. Sin embargo,
las observaciones presentan limitaciones importantes,
Las herramientas fundamentales de la investigación ya que la franja del espectro de variaciones climáti-
paleoclimática son dos: las reconstrucciones y las cas muestreado en el periodo instrumental es estrecha
simulaciones. Las reconstrucciones, mediante datos (véase la Figura 29.2 en la página 480) y el rango
de las mismas pequeño comparado con el proyecta- actuales y los antropogénicos representan el estado de
do para el futuro. En consecuencia, con frecuencia la referencia antes de la inyección masiva de gases de
dispersión en las proyecciones es independiente de efecto invernadero resultantes de la quema de combus-
la bondad de la simulación del clima en el período tibles fósiles a lo largo de la era industrial, post 1850
instrumental. Al ser la magnitud de los cambios pa- CE. Esto permite continuar sin solución de continui-
leoclimáticos relativos al presente mayor que en el dad el análisis de la variabilidad y el cambio climático
pasado reciente y comparable con la proyectada bajo actual en el contexto de los dos últimos milenios. Por
cambio climático futuro (Sección 29.5.6 en la pági- otro lado, en este período existe un elevado número
na 508), las reconstrucciones más robustas pueden de registros proxy con alta resolución temporal, lo
proporcionar pruebas cruciales de la bondad de los que hace posible la comparación con simulaciones
modelos en un rango más amplio que el proporciona- transitorias.
do por las observaciones en el registro instrumental.
La comparación de simulaciones y reconstrucciones
La evaluación sistemática de los modelos requiere la a escala global es, en general, satisfactoria en los di-
realización de ensembles de simulaciones paleoclimá- ferentes períodos estudiados (ver sec. 29.5.4 en la
ticas PMIP [275], que tiene como objetivo comparar página siguiente y sec. 29.5.5 en la página 506). No
el comportamiento de diferentes modelos en simula- obstante, a escala regional existen diferencias que pue-
ciones con un diseño experimental idéntico. Tal co- den resultar de una representación todavía inadecuada
mo se ha mencionado para el CMIP, en el PMIP se de procesos físicos o condiciones de contorno (p.ej.,
desarrollan ensembles de oportunidad. La fase más la vegetación). Estas diferencias plantean retos impor-
reciente, PMIP3, incluyó por primera vez la realiza- tantes para la evolución de las próximas generaciones
ción de simulaciones paleoclimáticas de forma coor- de modelos. Los ensembles de simulaciones que se
dinada utilizando los mismos modelos que para la realizarán en el futuro incorporarán un mayor grado
realización de simulaciones futuras empleados en de realismo en los procesos a escala regional y lo-
el CMIP5 [607]. Las simulaciones paleoclimáticas cal. Se incluirán mejores representaciones de ciclos
CMIP5/PMIP3 abarcan tres periodos anteriores al pe- biogeoquímicos incluyendo aerosoles minerales y or-
ríodo histórico: el último máximo glacial (LGM), el gánicos con impactos esperables en la simulación del
Holoceno medio (MH) y el último milenio (LM) de clima regional y en las interacciones con la biogeo-
la era común (véase Sección 29.3 en la página 487 y química oceánica. Se mejorará la estimación de la
Taylor et al. 2012 [616]). incertidumbre en las reconstrucciones de la elevación
de los mantos de hielo, de la evolución histórica de la
La consideración de estos diferentes períodos ofrece vegetación o de la actividad volcánica y solar pasadas.
perspectivas y oportunidades de estudio diferentes. El La realización de ensembles de simulaciones se ex-
LGM y el MH representan estados climáticos muy tenderá a la consideración del efecto de forzamientos
diferentes al actual y con forzamientos naturales bien radiativos individuales y su retroalimentación sobre
conocidos y comparables o mayores que los del siglo el clima. La comparación de simulaciones y recons-
XX (Sección 29.3 en la página 487) y para ambos se trucciones climáticas se extenderá a la generación de
dispone de un gran número de reconstrucciones. En productos híbridos similares a los reanálisis del siglo
ambos casos el enfoque principal de los análisis de los XX, en los cuales se asimila la información de datos
experimentos es sobre el impacto de un gran cambio proxy en simulaciones climáticas. Adicionalmente, la
en el forzamiento en la respuesta climática media en si- inclusión de modelos biogeoquímicos más sofistica-
mulaciones de equilibrio con forzamientos constantes. dos permitirá obtener la representación no sólo de la
Por el contrario, las simulaciones del LM son transi- climatología del pasado sino también de la evolución
torias, i. e. el forzamiento externo se va cambiando de concentraciones isotópicas en los diferentes subsis-
con resolución anual siguiendo las reconstrucciones temas o la simulación de ecosistemas (p.ej., bosques),
de forzamientos naturales y antropogénicos. En este facilitando así la comparación directa de simulaciones
caso, los forzamientos naturales son similares a los con información proxy.
29.5.4 Los climas glacial e interglacial: el laciones paleoclimáticas ha mostrado cómo la respues-
LGM y el MH ta a gran escala de la temperatura y la precipitación a
los cambios pasados en el forzamiento para el LGM y
En el Último Máximo Glacial (LGM), los paráme- el MH están correctamente representadas en los mode-
tros orbitales eran similares a los actuales, por lo que los. Éstos reproducen los cambios climáticos pasados
las diferencias en la insolación eran pequeñas. Las globales o hemisféricos de primer orden reconstrui-
principales diferencias en el forzamiento son la pre- dos en respuesta a los cambios en el forzamiento para
sencia de grandes mantos de hielo en el hemisferio el LGM y el MH, lo que sugiere que éstas son ca-
norte y la menor concentración atmosférica de gases racterísticas robustas de la respuesta real del sistema
de efecto invernadero. La expansión de la cubierta de climático a los cambios en el forzamiento. Ello incre-
hielo resultó en un descenso del nivel del mar de unos menta nuestra confianza en que las proyecciones en el
130 m y un incremento importante en el albedo su- contraste de temperatura tierra-mar, la amplificación
perficial. La mayor parte de los experimentos no han a latitudes altas, la estacionalidad de la temperatura
considerado el forzamiento que resulta de cambios y la respuesta de la precipitación a los cambios en la
en la distribución de la vegetación debido a que las temperatura sean fiables. En general, los resultados
observaciones de la vegetación en la época glacial son para el LGM son más fiables que para el MH por ser el
escasas. Por lo tanto, ésta se calcula mediante mode- forzamiento y, por tanto, la respuesta al mismo, mayor
los que incluyen vegetación dinámica, o se prescribe en magnitud y escala espacial.
igual que en las simulaciones de control preindustrial.
Tampoco se considera el impacto de los cambios en Sin embargo, los modelos son menos fiables en lo
la concentración de polvo atmosférico. La magnitud que respecta a la simulación regional. Para el LGM,
del cambio total en el forzamiento del LGM fue com- tal como se recoge en el 5º informe del IPCC [209],
parable o algo mayor al proyectado para el próximo la mayoría de los modelos muestra un reducción de
siglo, motivo por el que resulta de especial interés. la temperatura con respecto al presente dentro del
rango de las reconstrucciones (Figura 29.20 en la pá-
El MH, por su parte, permite analizar la respuesta a gina siguiente parte a), pero con cierto sesgo sobre el
cambios en la estacionalidad de la insolación, cuan- océano. Las simulaciones tienden a sobrestimar el en-
do la extensión de la capa de hielo y la geografía friamiento tropical y a subestimar el enfriamiento de
terrestre-marítima eran comparables a la actual. La latitudes medias, y, por tanto, la amplificación polar,
distribución estacional y latitudinal de la insolación como muestra la Figura 29.20 en la página siguiente
del MH difería de la actual como consecuencia de parte b. Lo mismo ocurre en el MH. Se han identifica-
la diferencia en la configuración orbital. El contraste do diversos aspectos como posibles fuentes de error.
estacional en el hemisferio norte se incrementó alrede- Estos incluyen problemas en la representación de la
dor de 60 Wm−2 como consecuencia del aumento en convección en el monzón, de los intercambios de agua
la insolación de verano y su disminución en invierno. y energía entre la tierra y la atmósfera, la variabilidad
Las concentraciones de gases de efecto invernadero a corto plazo en la circulación atmosférica y el hielo
fueron similares a los niveles en la era preindustrial. marino. Por último, existen procesos relevantes a esca-
Aunque los cambios en la distribución de la vegeta- la regional que todavía no se han tenido en cuenta en
ción fueron relevantes, estos tampoco se han tenido las simulaciones paleoclimáticas PMIP. Esto incluye
en cuenta en los experimentos del PMIP. los cambios en la vegetación y sus retroalimentacio-
nes con el clima, y la influencia de aerosoles naturales,
La comparación entre las reconstrucciones y las simu- orgánicos y minerales (i. e., polvo).
Figura 29.20: Condiciones reconstruidas y simuladas para el Último Máximo Glacial (LGM, hace 21 000 años
(a) Cambio en la temperatura superficial anual media (°C) terrestre a partir de reconstrucciones climáticas
paleoambientales de polen, macrofósiles y testigos de hielo, y en temperatura media anual de la superficie del mar
(°C) sobre el océano a partir de diferentes tipos de registros marinos; el tamaño de los puntos es proporcional a las
incertidumbres en los diferentes sitios según lo previsto en las reconstrucciones (b) Cambios anuales de temperatura
promedio sobre la tierra frente a cambios en el océano, en los trópicos (triángulos descendentes) y sobre el Atlántico
Norte y Europa (triángulos ascendentes). La media y el rango de las reconstrucciones se muestran en negro, las
simulaciones PMIP2 como triángulos grises y las simulaciones CMIP5 / PMIP3 como triángulos de colores. Los
rangos del modelo del 5 al 95 % están en rojo para los trópicos y en azul para el Atlántico Norte / Europa. La figura
es una modificación de la Figura 9.11 de Masson-Delmotte et al., 2013 [415].
29.5.5 La Era Común a las de la primera mitad del siglo XX y un período

frío posterior, la pequeña era glacial (1450-1850, LIA
La era común (CE, de las siglas en inglés), i. e. los últi- de sus siglas en inglés), con temperaturas más frías
mos dos milenios, constituye un intervalo rico en fuen- que se interrumpen coincidiendo con el desarrollo
tes proxy, muchas de las cuales ofrecen alta resolución de la era industrial. Los primeros siglos del primer
temporal, anual o incluso superior (Figura 29.21 en la milenio fueron más fríos que la MCA, aunque la can-
página siguiente parte a). La mayoría de los proxies tidad de reconstrucciones disponibles es menor en
se distribuyen sobre zonas continentales. La extensión esta época. Muchos de los eventos más fríos de la CE
temporal de los mismos es variable y la cobertura es coinciden con eventos singulares o agrupaciones de
relativamente alta en los últimos 500 años, disminu- eventos volcánicos importantes. La incertidumbre en
yendo hacia el pasado. las reconstrucciones nos remite a la idea de probabili-
dad en la determinación de las temperaturas pasadas
Esta disponibilidad de proxies permite desarrollar re- y suele representarse por una distribución que indica
construcciones de temperatura y variables hidroclimá- el solapamiento entre las diferentes reconstrucciones
ticas (precipitación, sequía, cobertura de nieve, etc.) considerando las incertidumbres asociadas a cada es-
para el pasado a diferentes escalas espaciales según la timación (Figura 29.21 en la página siguiente parte
disponibilidad de información (local, regional, conti- c).
nental, hemisférica). Las técnicas de reconstrucción
climática utilizan normalmente intervalos temporales El ensemble de reconstrucciones puede compararse
de calibración y validación de modelos estadísticos en con el de simulaciones disponibles para el último mile-
los que se entrena el modelo para que reproduzca del nio producidas en el contexto del CMIP5/PMIP3 para
modo más realista posible la variabilidad observada el período 850 a 1850 y su continuación en el intervalo
del parámetro de interés en el período instrumental histórico (1851-2005). Mientras que las reconstruc-
utilizando los datos proxy como variables predicto- ciones climáticas intentan obtener una estimación de
ras. El modelo obtenido se somete a verificación con la temperatura que realmente ocurrió en el pasado,
datos independientes y posteriormente se utiliza para las simulaciones climáticas son el resultado de ex-
estimar la variable de interés en todo el periodo de perimentos en los que se modifican las condiciones
disponibilidad de datos proxy. La Figura 29.21 en la de contorno, i.e. el forzamiento externo (Figura 29.9
página siguiente parte b muestra ejemplos de recons- en la página 488, Sección 29.3 en la página 487), a
trucciones de la temperatura en el hemisferio norte a partir de condiciones iniciales diferentes y, por tan-
lo largo de la CE a partir de diferentes conjuntos de to, proporcionan estados físicamente consistentes que
datos proxy. Algunas reconstrucciones como las basa- podrían haber sido compatibles con el forzamiento
das en testigos de temperatura del subsuelo muestran externo. Las simulaciones climáticas están, por tanto,
solamente información de baja frecuencia y se desa- afectadas de las incertidumbres asociadas a la limitada
rrollan por métodos de inversión en vez de calibración representación de los mecanismos físicos que contri-
estadística. buyen a la variabilidad climática, a la estimación de
las variaciones pasadas en el forzamiento radiativo y
El ensemble de reconstrucciones disponibles permi- al hecho de que los modelos no pueden reproducir la
te estimar la incertidumbre en nuestro conocimiento variabilidad interna del sistema en el pasado. Aun así,
de las variaciones de temperatura en estas escalas a en la medida en la que las tendencias multidecadales y
lo largo de la CE. Las diferentes metodologías de seculares del sistema climático se deban a cambios en
reconstrucción, distribución y disponibilidad espacio- el forzamiento externo, cabe esperar consistencia en-
temporal de datos proxy, errores de calibración y otros tre los ensembles de simulaciones y reconstrucciones.
factores contribuyen a estimaciones puntuales sensi- El conjunto de simulaciones disponibles actualmente
blemente diferentes de la temperatura en el pasado. remite a esta consistencia (Figura 29.21 en la página
Sin embargo, el conjunto de reconstrucciones concuer- siguiente parte c), mostrando también la secuencia de
da en identificar un periodo, la anomalía climática períodos cálido en el MCA y frío en la LIA y en los
medieval (950-1250, MCA de sus siglas en inglés), sucesivos eventos volcánicos a lo largo de la CE, así
relativamente cálido con temperaturas comparables como también el aumento de temperatura desde 1850.
Figura 29.21: a) Distribución, tipo y extensión temporal de datos proxy utilizados en algunas de las reconstrucciones
de temperatura del último milenio [406]; los tipos de proxy se indican en la leyenda y los acrónimos indican
proxies usados en dendroclimatología (MXD, densidad máxima de madera tardía; TRW, anchura de los anillos;
TRW-RC, serie regional de TRW; CFR, reconstrucción multiproxy de campos de temperatura). b) Reconstrucciones
de la temperatura del Hemisferio Norte a lo largo de los dos últimos milenios respecto al periodo 1881-1980. Las
series son salidas de filtros paso baja de 50 años. Los colores indican el dominio espacial de la reconstrucción
(rojo: continental; naranja: continental extratropical; cian: continental y oceánico extratropical; azul: continental
y oceánico). c) Comparación de temperaturas simuladas y reconstruidas para el Hemisferio Norte a lo largo del
último milenio (MCA, anomalía climática medieval; LIA, pequeña edad glacial; 20C, siglo XX) respecto al periodo
1500-1850. Las simulaciones se muestran en líneas a color indicando la media de todas las simulaciones (línea
gruesa) y los percentiles 5 y 95 (línea fina). Se indica el ensemble de simulaciones utilizando forzamientos del CMIP3
(rojo) y CMIP5 (azul). La distribución de probabilidad de temperaturas reconstruidas se muestra en gris. Las series
son filtros paso baja de 30 años. Las figuras son modificaciones de las Figs. 5.7, 5.8 y 5.9 en Masson-Delmotte et al.
2013 [415]. La incertidumbre en el forzamiento externo se ilustra en c) mostrando dos ensembles de simulaciones
utilizando estimaciones de actividad solar de mayor variabilidad en baja frecuencia, típicas del proyecto CMIP3
y de menor variabilidad siguiendo las indicaciones del CMIP5. Las simulaciones usando forzamiento de mayor
amplitud de variabilidad solar muestran un MCA ligeramente más cálido pero son, en general, muy consistentes con
las del forzamiento CMIP5.
Figura 29.22: Conjunto de incertidumbres que afectan a las proyecciones de cambio climático en forma jerárquica o
de cascada.
29.5.6 Proyecciones de cambio climático sociedad y los forzamientos antropogénicos asociados

a ella (p.ej., emisiones de gases de efecto invernadero
La obtención de proyecciones o escenarios regiona- y de aerosoles antropogénicos, así como cambios de
les de cambio climático está sujeta a una variedad de uso de suelo). Como la evolución futura de la sociedad
fuentes de incertidumbre que, como se ha descrito no es predecible, al menos según los modelos físico-
más arriba, (véase la introducción de la sec. 29.5 en matemáticos que simulan los procesos del sistema
la página 499) se refieren principalmente a las con- climático, se recurre a utilizar una serie de escenarios
diciones iniciales, las condiciones de contorno y los plausibles de futura evolución de los anteriores facto-
modelos que simulan la evolución del sistema climá- res de tipo socioeconómico (véase Sección 29.3 en la
tico. En el caso de las proyecciones se suelen incluir página 487).
como fuentes adicionales de incertidumbre las técni-
cas de regionalización que permiten hacer un descenso
de escala (downscaling) desde las resoluciones típi- La contribución relativa de las diferentes fuentes de
cas de los modelos globales a escalas más pequeñas. incertidumbre depende del alcance de las predicciones
También se pueden incluir en la colección de incerti- y proyecciones climáticas. Si nos restringimos a tres
dumbres las asociadas con los modelos de impacto y de las principales fuentes de incertidumbre [i) condi-
las diferentes respuestas de la adaptación al cambio ciones iniciales; ii) diferentes formas de representar
climático. Estas incertidumbres se pueden describir el sistema climático por parte de una colección de mo-
en forma jerárquica o de cascada [445], de tal forma delos climáticos; iii) forzamientos externos], mientras
que cada paso conducente a la generación de proyec- que en la escala estacional las incertidumbres asocia-
ciones regionales hereda todas las incertidumbres de das a las condiciones iniciales y las imperfecciones
los pasos anteriores tal y como se representan en la de los modelos son las que tienen mayor contribución
Figura 29.22. relativa, en la escala decadal y secular la mayor con-
tribución corresponde a las imperfecciones de los mo-
En el vértice de todas las incertidumbres se sitúan las delos y a los diferentes forzamientos externos, siendo
asociadas a los cambios en las condiciones de con- el peso de estos últimos, representados por escenarios
torno del sistema climático, que se refieren, en el caso alternativos de emisiones, el dominante a medida que
de proyecciones seculares, a la evolución futura de la se aumenta el alcance temporal.
Figura 29.23: Contribuciones relativas de tres fuentes de incertidumbre: condiciones iniciales (naranja), modelos
climáticos (azul), escenarios de emisión (verde). Los rectángulos en rojo muestran la diferente contribución relativa
de las distintas fuentes de incertidumbre para diferentes escalas temporales (véase explicación en el texto). (Fuente:
Kirtman et al. 2013 [347], modificado).
La Figura 29.23 representa las contribuciones relati- la evolución del cambio de temperatura media global
vas a la incertidumbre en la temperatura media anual en superficie para distintos escenarios de emisión. El
global de estas tres fuentes mencionadas.Una vez iden- aumento en el período 2081–2100 respecto al periodo
tificadas las principales fuentes de incertidumbre que 1986–2005 obtenido a partir del ensemble multimode-
afectan a las predicciones/proyecciones climáticas, el lo generado con las simulaciones CMIP5 varía desde
siguiente paso es diseñar un ensemble de simulaciones 0.3 - 1.7 °C para el escenario RCP2.6 y 2.6 - 4.8 °C
con miembros que exploren las incertidumbres cono- para el escenario RCP8.5. También se concluye en
cidas. Algunas incertidumbres no se exploran en los el AR5 que el cambio de la temperatura superficial
sistemas operativos bien por insuficiencia de conoci- no será regionalmente uniforme, si bien, en el largo
miento (p.ej., incertidumbres estructurales o naturales) plazo, el calentamiento será mayor sobre tierra que
o por limitaciones técnicas (p.ej., de cálculo). sobre los océanos. La región Ártica se calentará más
rápidamente. En un clima más cálido, el contraste en
La Figura 29.24 en la página siguiente muestra un la precipitación estacional media entre las regiones
ejemplo de utilización de ensembles, referidos a la secas y húmedas aumentará en la mayor parte del glo-
temperatura de superficie y el nivel del mar extraí- bo. Las regiones situadas en latitudes altas y en el
dos del quinto informe de evaluación del IPCC donde océano Pacífico ecuatorial verán incrementarse sus
se evalúan las incertidumbres provenientes de los es- precipitaciones. En la mayoría de las regiones habrá
cenarios de emisión (condiciones de contorno) y de más episodios relacionados con extremos de altas tem-
las representaciones del sistema climático (diferentes peraturas y menos relacionados con extremos de bajas
modelos). Más detalles relativos a la utilización de en- temperaturas. Las olas de calor serán más frecuentes
sembles en proyecciones de cambio climático pueden y tendrán mayor duración. Los fríos invernales ex-
verse en Collins et al., 2013 [139]. tremos continuarán ocurriendo ocasionalmente. En
algunas áreas aumentará la frecuencia, intensidad y/o
La Figura 29.24 en la página siguiente parte a muestra cantidad de precipitaciones fuertes [139].
Figura 29.24: Evolución del cambio en a) temperatura media global y b) nivel medio global del mar desde 2006
hasta 2100 obtenida a partir de un ensemble multimodelo. Todos los cambios son relativos al periodo 1986-2005.
Los valores medios y la incertidumbre (sombreada) se representa para dos escenarios de emisión: RCP2.6 (azul) y
RCP8.5 (rojo). Las medias y las incertidumbres asociadas para el periodo 2081-2100 para todos los escenarios se
representan como barras verticales a la derecha. Se indica también el número de modelos utilizados del CMIP5
utilizados en el ensemble. Fuente: (IPCC 2014 [481])
El nivel medio global del mar se incrementará durante sec. 29.2 en la página 479, así como secs. 29.2.1 en
el siglo XXI por el calentamiento de los océanos y la página 484 y 29.2.2 en la página 485), el infor-
las pérdidas de masa de glaciares y mantos de hie- me AR5 concluye que el ENSO continuará siendo el
lo. La Figura 29.24 parte b muestra la elevación del principal modo de variabilidad natural del clima en
nivel medio del mar para distintos escenarios de emi- el siglo XXI, si bien el cambio proyectado de la am-
sión. El aumento en el período 2081–2100 respecto a plitud de ENSO será pequeño en todos los escenarios
1986–2005 se situará probablemente en el rango 0.26 - RCP comparado con las diferencias entre los modelos.
0.55 m para RCP2.6 y 0.45 - 0.82 m para RCP8.5. Otros patrones de variabilidad presentarán distintos
Estos rangos se obtienen del ensemble multimode- cambios en un contexto de cambio climático durante
lo de proyecciones CMIP5 en combinación con las el siglo XXI. Por ejemplo, la NAO es probable que
contribuciones de glaciares y mantos de hielo [139]. en promedio sea ligeramente más positiva que en el
periodo observacional de referencia.
Con respecto a los patrones de variabilidad (véase
Figura 29.25: Anomalías de temperatura superficial global anual (respecto del periodo 1961-1990): i) miembros
pertenecientes a las integraciones EC-Earth (azul) y su promedio (negro); ii) datos según observaciones
HadCRUT4.5, con acotación de incertidumbres (magenta); iii) datos reanálisis ERA40 (rojo). Las líneas
verticales punteadas indican importantes erupciones volcánicas.
Una vez realizada una integración de ajuste (spin-up,

en inglés) de más de 700 años, utilizando forzamientos
29.5.7 Ejemplo de modelización climá- externos constantes consistentes con las condiciones
tica con el modelo EC-Earth de la época preindustrial para alcanzar un equilibrio
(o cuasi-equilibrio) interno que evite una deriva cli-
Aquí se muestra un ejemplo de la utilización de en- mática del modelo con el paso del tiempo, se tomaron
sembles en proyecciones climáticas, mediante la pre- distintos años del final de la integración preindustrial
sentación de algunos resultados (temperatura media y se utilizaron como condiciones iniciales para un
global en superficie) de las integraciones de largo ensemble de integraciones de la simulación histórica
plazo realizadas con el modelo climático EC-Earth. (1850-2005). Partiendo del final de las integraciones
Estas simulaciones están incluidas en CMIP5 [616]. históricas realizadas por cada uno de los miembros, se
EC-Earth es el nombre de un modelo y, a su vez, realizaron las simulaciones de escenarios de cambio
el nombre del proyecto que lo desarrolla, en el que climático con los forzamientos correspondientes a los
participan varios servicios meteorológicos naciona- escenarios de emisiones RCP4.5 y RCP8.5.
les, así como diversas instituciones de investigación y
universidades, todos ellos europeos. El proyecto EC- En la Figura 29.25 se representan las anomalías de
Earth (http://www.ec-earth.org) se inició con la temperatura global anual media del aire en superfi-
intención de desarrollar un ESM a partir del mode- cie, respecto al periodo 1961-1990, para los distintos
lo atmosférico operativo de predicción estacional del miembros del ensemble (y su media) correspondientes
ECMWF que permitiera realizar simulaciones climá- a la simulación histórica; las anomalías de temperatu-
ticas basándose en el concepto de simulaciones sin ra global superficial observadas (según HadCRUT4.5
costuras (véase sec. 29.4.1 en la página 496). Una des- [454]), junto con acotación de incertidumbres asocia-
cripción detallada sobre la estrategia de desarrollo, los das; y los datos correspondientes al reanálisis ERA-40
componentes del modelo, una completa evaluación, [637]. Las líneas verticales punteadas indican erupcio-
así como diversos estudios realizados con EC-Earth, nes volcánicas de importancia (Krakatoa 1883, Agung
se pueden encontrar en [281, 282, 283, 601]. Una 1963, Chichón 1982, Pinatubo 1991). Se puede com-
de las características del modelo es la posibilidad de probar que las anomalías de temperatura simuladas
ejecutarse en diferentes plataformas de supercompu- por el modelo para el siglo XX y principios del siglo
tación y su flexibilidad en la elección de diferentes XXI se ajustan razonablemente bien a las observacio-
configuraciones. nes y al reanálisis.
La dispersión entre los miembros del modelo, co- La Figura 29.26 parte a muestra la evolución de los
rrespondientes a las distintas integraciones realizadas distintos miembros y su valor promedio, correspon-
para la simulación histórica, nos proporciona infor- dientes a las simulaciones del modelo EC-Earth para
mación sobre la incertidumbre asociada a las condi- los escenarios de emisiones RCP4.5 y RCP8.5. Se
ciones climáticas iniciales que nos permite muestrear observa claramente que la evolución de la temperatura
la variabilidad interna del modelo. Implícitamente se superficial en las proyecciones climáticas viene deter-
incluye la dispersión debida a las distintas platafor- minada principalmente por los forzamientos externos
mas de computación utilizadas para las integraciones o condiciones de contorno, la sensibilidad del mode-
(incertidumbres asociadas al hardware y entornos de lo a estos forzamientos y, en menor medida, por los
compilación). Se observa que las condiciones iniciales efectos producto de la variabilidad interna. La Figu-
apenas influyen en la dispersión entre los miembros y ra 29.26 parte b muestra la evolución completa para el
que ésta no aumenta con el paso del tiempo. periodo histórico y su extensión a los dos escenarios
RCP4.5 y RCP8.5. Se observa claramente la poca dis-
persión en las proyecciones debido a que solamente
se ha explorado la variabilidad natural y no se han
incluido en el ensemble miembros que incluyan la
incertidumbre asociada a los diferentes modelos.
Figura 29.26: a) Evolución de la temperatura media global en superficie para los escenarios de emisiones
RCP4.5 y RCP8.5. En líneas finas las integraciones de cada uno de los miembros y en línea gruesa los valores
promedio; b) Evolución temporal completa para el periodo histórico y su extensión a los dos escenarios RCP4.5
y RCP8.5. En sombreado, el intervalo de variabilidad de las integraciones de cada uno de los miembros y en
línea gruesa los valores promedio, en negro para la simulación histórica, y en color para la simulación histórica
y los escenarios RCP.
29.6 Cambio climático 513
29.6 Cambio climático 29.6.1 Grupo Intergubernamental de Ex-

pertos sobre Cambio Climático
Las primeras mediciones del CO2 atmosférico comen- (IPCC)
zaron a realizarse en 1958 en Mauna Loa tras las
investigaciones pioneras de, entre otros, A RRHENIUS , En 1988, la WMO y el UNEP establecieron el Grupo
C ALLENDAR, etc. [99, 342, 343, 544], y tras una Intergubernamental de Expertos sobre Cambio Climá-
serie de eventos climáticos y medioambientales que tico (IPCC, de sus siglas en inglés) con el objetivo
tuvieron consecuencias desastrosas. Estas medidas de evaluar la información científica, técnica y socio-
comenzaron a crear una conciencia generalizada de económica relevante para la comprensión del cambio
la importancia del sistema climático terrestre y la in- climático. El trabajo del IPCC constituye el referente
fluencia en el mismo de las emisiones de gases a la científico para la toma de decisiones en el proceso
atmósfera. de negociación de la Convención Marco de las Na-
ciones Unidas sobre el Cambio Climático (UNFCCC,
Con objeto de establecer los conocimientos que se
de sus siglas en inglés). Actualmente, 195 países son
tenían sobre el clima y considerar los efectos de la
miembros del IPCC, junto con las organizaciones ob-
variabilidad climática y los cambios en la sociedad
servadoras (cuerpos y organizaciones de Naciones
humana, en 1979 se celebró la primera conferencia
Unidas, Organismos Internacionales y ONG). Miles
mundial sobre el clima bajo los auspicios de la WMO.
de científicos de todo el mundo contribuyen al traba-
En ella, se adoptó una declaración que invitaba a los
jo del IPCC de forma voluntaria. El trabajo esencial
gobiernos a prever y evitar los posibles cambios en el
del IPCC es la elaboración de informes sobre cambio
clima provocados por el hombre.
climático, que se desarrolla de una forma objetiva,
A ésta la sucedieron una serie de conferencias e in- transparente, inclusiva y coordinada. Los informes del
formes, en particular, el informe aparecido en 1987 y IPCC representan un equilibrio de los puntos de vista
titulado Nuestro futuro común o Informe Brundtland científicos y, si bien son políticamente relevantes, no
en el que se presenta, a grandes rasgos, un mundo son vinculantes.
en rápido cambio y con una creciente e insostenible
explotación de los recursos naturales. Entre los distintos tipos de informes que elabora el
IPCC, los llamados Informes de Evaluación constitu-
Previamente, en 1972, ya había tenido lugar en Esto- yen los principales, por su carácter exhaustivo y global
colmo la Conferencia de las Naciones Unidas sobre sobre el estado del conocimiento científico, técnico
el Desarrollo Humano, donde se tomó la iniciativa de y socioeconómico del cambio climático, sus causas,
crear el Programa de Naciones Unidas para el Me- sus potenciales impactos y las estrategias de respues-
dio Ambiente (UNEP, de sus siglas en inglés) para ta. El Primer Informe de Evaluación (1990) tuvo un
coordinar las actividades relacionadas con el medio papel decisivo en la creación de la UNFCCC en 1992.
ambiente y asistir a los países en la implementación El Segundo Informe de Evaluación (1995) propor-
de políticas medioambientales adecuadas, así como a cionó información científica clave para la adopción
fomentar el desarrollo sostenible. del Protocolo de Kioto en 1997. El Tercer Informe
de Evaluación (2001) ofreció una valoración de los
A iniciativa del UNEP y de la WMO, se creó en 1988 diferentes aspectos científicos, técnicos y socioeco-
el Grupo Intergubernamental de Expertos sobre el nómicos, políticamente relevantes, sobre el cambio
Cambio Climático (véase sec. 29.6.1) que proporcio- climático. En el año 2007 se aprobó el Cuarto Infor-
na información objetiva, transparente y políticamente me de Evaluación (AR4), proceso que culminó en la
neutra a la Convención Marco de las Naciones Uni- reunión celebrada en noviembre de ese año en Valen-
das sobre el Cambio Climático (UNFCCC, de sus cia (España). El Quinto Informe de Evaluación (AR5),
siglas en inglés), adoptada en 1992, y ha permitido publicado en 2014, proporciona la más actualizada
alcanzar importantes acuerdos internacionales como valoración y síntesis de los conocimientos sobre los
el Protocolo de Kioto (1997), dirigido a la reducción aspectos científicos, técnicos y socioeconómicos del
de emisiones de seis gases de efecto invernadero, y el cambio climático y ha servido de base para el Acuerdo
acuerdo de París (2015), que también se centra tanto de París (2015).
en la reducción de gases de efecto invernadero co-
mo en otras herramientas para combatir el cambio El IPCC no lleva a cabo ninguna investigación propia,
climático. sino que evalúa los avances publicados en revistas
científicas y otros documentos, mediante un amplio datan de mediados del siglo XIX, como si se com-
proceso inclusivo de evaluación y revisión abierto a paran con registros paleoclimáticos referidos a los
toda la comunidad de expertos. Su objetivo es reco- últimos milenios. Este calentamiento se manifiesta
ger los últimos avances científicos, técnicos y socio- en el hecho de que la atmósfera y los océanos han
económicos, ofreciendo una evaluación equilibrada y aumentado su temperatura, la cantidad y extensión
completa de la información y el conocimiento sobre de las masas de hielo y nieve han disminuido, el
el cambio climático. Los Informes de Evaluación del nivel del mar ha subido y las concentraciones de
IPCC, en tanto que persiguen la excelencia, son ela- gases de efecto invernadero han aumentado.
borados a través de un proceso complejo e iterativo La influencia humana en el clima ha sido la causa
tanto en las fases de nominaciones de expertos como dominante (con una probabilidad superior al 95 %)
de redacción y de revisión. de más de la mitad del aumento observado en la
temperatura superficial media global en el periodo
El IPCC recibió en 2007 el Premio Nobel de la Paz 1951-2010. El principal agente responsable del ca-
conjuntamente con A L G ORE por sus esfuerzos para lentamiento a largo plazo son las emisiones totales
construir y difundir un mayor conocimiento sobre el de CO2 . De hecho, ambas magnitudes -incremento
cambio climático causado por el hombre y poner las de temperatura y emisiones acumuladas de CO2 -
bases para tomar las medidas necesarias para contra- están aproximadamente relacionadas de forma li-
rrestar ese cambio. El IPCC constituye una iniciativa neal. En consecuencia, si se establece un objetivo
singular e inclusiva como no existe en ninguna otra de calentamiento (por ejemplo, limitar el ascenso
especialidad. Sus informes constituyen la mejor y más global de temperaturas a 2 ºC) el hecho de que se
actualizada fuente de información sobre las bases fí- produzcan unas emisiones mayores en las décadas
sicas del cambio climático y las medidas para contra- próximas implica la necesidad de contrarrestar con
rrestarlo, siendo su información la referencia obligada emisiones menores después.
en las negociaciones y decisiones políticas relevantes Las emisiones continuadas de gases de efecto in-
en materia de cambio climático (más información en vernadero causan un calentamiento adicional al ac-
http://www.ipcc.ch). tualmente existente. Emisiones a las tasas actuales
o superiores inducirán cambios en todos los com-
ponentes del sistema climático, algunos de ellos sin
29.6.2 Cambio climático: resultados con-
precedentes en cientos o miles de años. Los cam-
cluyentes
bios tendrán lugar en todas las regiones del globo,
incluyendo cambios en la tierra y el océano, en el
En la actualidad existe un consenso científico gene-
ciclo del agua, en la criosfera, en el nivel del mar, en
ralizado en torno a la idea de que nuestro modo de
algunos eventos extremos y en la acidez de los océa-
producción y consumo energético está generando una
nos. Muchos de estos cambios persistirán durante
alteración climática global que provocará, a su vez,
muchos siglos. La limitación del cambio climático
serios impactos tanto sobre la Tierra como sobre los
requerirá reducciones substanciales y sostenidas de
sistemas socioeconómicos. Como los informes de eva-
las emisiones de CO2 .
luación del IPCC constituyen la principal fuente de
Las emisiones antropogénicas de CO2 acumula-
referencia relativa al cambio climático -incluidas tanto
das desde el comienzo de la revolución industrial
las bases físicas como las diferentes estrategias para
deberían limitarse a aproximadamente 1000 PgC
combatirlo-, en este capítulo se ha hecho un uso ex-
(1 PgC=1 Petagramo de carbón=1 GtC=1 Gigato-
tensivo de información procedente del quinto informe
nelada de carbón) si se quiere restringir el calen-
de evaluación (AR5, de sus siglas en inglés) del IPCC,
tamiento a 2 ºC respecto a la época preindustrial.
extrayendo de ellos la información relevante a la utili-
Aproximadamente la mitad (entre 460 y 630 PgC)
zación de ensembles en escalas temporales climáticas.
ya se había emitido en 2011. Si se tienen en cuenta
Las principales conclusiones del grupo de trabajo rela-
los otros forzamientos (resto de gases de efecto in-
tivo a las bases físicas del sistema climático del AR5
vernadero emitidos como resultado de la actividad
son [481, 606] las siguientes:
humana), una posible liberación de gases del per-
El calentamiento del sistema climático es inequí- mafrost o de los hidratos de metano, o si se quiere
voco. Desde 1950 se han observado cambios en el una mayor certeza de que no se superarán los 2 ºC,
mismo que no tienen precedente, tanto si se com- habría que rebajar sustancialmente esa cifra.
paran con registros históricos observacionales, que
29.7 Conclusiones ha descrito el uso de ensembles en diferentes perio-

dos climáticos que abarcan desde el último máximo
En este capítulo se han descrito fuentes adicionales glacial en el pasado hasta proyecciones de cambio
de incertidumbres a las consideradas en anteriores climático hasta el año 2100 en el futuro. Se ha he-
capítulos y que son relevantes en escalas temporales cho también un esfuerzo para poner en contexto las
climáticas. Además de las incertidumbres provenien- fuentes de incertidumbre asociadas a la variabilidad
tes de las condiciones iniciales y de las formulaciones natural y exploradas con ensembles basados en dife-
de los modelos, que son las principales desde el corto rentes condiciones iniciales. También se ha incluido
y medio plazo hasta la escala estacional, es necesa- una sección que explica la variabilidad natural en tér-
rio considerar las incertidumbres provenientes de los minos de patrones o modos de variabilidad.
forzamientos externos, bien sean de tipo natural o
antropogénico, cuando se simulan en las escalas deca- Finalmente y, aunque no directamente relacionado
dales, seculares y más largas. Para explorar estas nue- con el tema central del uso de métodos basados en
vas fuentes de incertidumbres se recurre a ensembles ensembles en escalas climáticas, se ha incluido un
(SPC) basados en diferentes bases de datos de forza- breve resumen de las principales conclusiones del
mientos naturales cuando se simulan climas pasados y quinto informe de evaluación del IPCC. Este infor-
en diferentes escenarios de emisión para simulaciones me constituye la evaluación más reciente de nuestro
de climas futuros. conocimiento actual del sistema climático y de las
perspectivas futuras de evolución antropogénica del
En las escalas climáticas se hace un uso frecuente mismo. La utilización de ensembles de simulaciones
de los denominados ensembles de oportunidad que en el informe del IPCC es prácticamente generalizada
simplemente utilizan las bases de datos y simulacio- para conocer y entender los climas pasados, para es-
nes disponibles sin que exista un diseño experimental timar las evoluciones futuras y para realizar estudios
claro para explorar las incertidumbres existentes. Se de atribución en los cambios del clima.
Aparte de los informes originales del IPCC citados en la bibliografía correspondiente a este capítulo, pueden consultarse
las guías resumidas siguientes correspondientes al 5º Informe de Evaluación. Los enlaces fueron consultados en
octubre de 2018, en el sitio web del Ministerio para la Transición Ecológica (MITECO):
El IPCC y su 5º Informe de Evaluación: https://www.miteco.gob.es/es/ceneam/recursos/

mini-portales-tematicos/Cclimatico/informe_ipcc.aspx
Cambio Climático: Bases Físicas: https://www.miteco.gob.es/es/ceneam/recursos/

mini-portales-tematicos/guia-resumida-grupo-trabajoi_tcm30-376939.pdf
Cambio Climático: Impactos, Adaptación y Vulnerabilidad: https://www.miteco.gob.es/es/ceneam/recursos/

mini-portales-tematicos/quinto-informe-ipcc--grupo-2_tcm30-70704.pdf
Cambio Climático: Mitigación: https://www.miteco.gob.es/es/ceneam/recursos/

mini-portales-tematicos/guia_resumida_gt3-mitigacion_tcm30-70706.pdf
Cambio Climático: Informe de síntesis: https://www.miteco.gob.es/es/ceneam/recursos/

mini-portales-tematicos/guia-sintesis-resumida_tcm30-376937.pdf
Métodos probabilistas para observación radar de la
precipitación 30
DOI: 10.31978/014-18-009-X.30
M ARC B ERENGUER Y DANIEL S EMPERE
Centre de Recerca Aplicada en Hidrometeorologia (CRAHI), Universidad Politécnica de Catalunya (UPC)
Los productos del radar meteorológico son esenciales para la vigilancia meteorológica y predicción a muy corto
plazo. Las estimaciones de precipitación son particularmente importantes, pero también resulta especialmente
difícil su generación, dado que están sujetas a diversas fuentes de incertidumbre. Una aproximación inmediata
para dar cuenta de estas incertidumbres es utilizar técnicas por conjuntos para las estimaciones de precipitación,
introduciendo la probabilidad de forma natural en el citado proceso de estimación. En este capítulo se describen
de forma sencilla esas fuentes de incertidumbre, así como la técnica probabilista concebida y desarrollada en el
CRAHI.
Palabras clave: sistemas de predicción por conjuntos aplicados a observaciones de la atmósfera con radar,
estimaciones de precipitación mediante radar meteorológico, CRAHI.
Imagen parte superior: instalaciones radar de CRAHI en Vinissa. Fotografía: CRAHI.

518 Física del caos en la predicción meteorológica Capítulo 30. Radar probabilista
5
a) Sesgo [dB] d) Desviación estándar [dB]
-6
Altura BB: 2.2-2.6 km -4 o ) o )
4 .5 3.00 .5
-6 (0 (0
jo jo
ba ba
altura [km]
-4
-2 ás ás
3 0 2 Im Im
4 PP PP
2
1
2
3 2.50
3
1 2 2.00
1
50 100 150 200 50 100 150 200
distancia [km] distancia [km]
5
c) Auto-correlación (cerca del radar) d) Auto-correlación (@120 km)
0.9
0.7
0.3
0.9
0.5
0.3
4
0.
3
altura [km]
0.1
0.7
3 0.5
0.1
0.3
0.3
0.5
2 0.3
0.9
0.3
1
0 50 100 150 0 50 100 150
lag [min] lag [min]
Figura 30.1: Caracterización de la estructura de los errores de estimación de la intensidad de lluvia a partir de
las observaciones del radar meteorológico en función de su distancia al radar y altura [43]. (a) Error medio; (b)
Desviación estándar; (c) y (d) Autocorrelación temporal de los errores cuando las observaciones se han tomado,
respectivamente cerca del radar y a 120 km.
30.1 Fuentes de incertidumbre en Efecto individual del error dependiente de la distan-

cia, asociado a la elevación y ensanchamiento del
las observaciones radar
haz con el consiguiente incremento en altitud de las
medidas con la distancia.
En el capítulo 8 en la página 103 se presenta el radar Error asociado a la transformación de reflectividad
meteorológico como herramienta fundamental para la en intensidad de precipitación debido a la variabili-
vigilancia meteorológica y la predicción a muy corto dad de las distribuciones del tamaño de gota.
plazo, mostrando una serie de productos radar apro- La interacción de las dos anteriores, es decir, la
piados para tal fin en la sección 8.7 en la página 106. correlación cruzada entre los efectos de error de-
pendiente de la distancia y aquel relacionado con
Las estimaciones radar de precipitación en superficie la variabilidad de las distribuciones de tamaño de
están sujetas a diversas fuentes físicas de error o in- gota.
certidumbre, que pueden cuantificarse para encontrar
una matriz de covarianza adecuada que las describa, En la Figura 30.1 se muestra la caracterización de la
con el fin de entenderlas mejor [43]. Hablando de estructura de los errores de estimación de la intensi-
precipitación estratiforme, en la caracterización de la dad de lluvia a partir de las observaciones del radar
estructura de estos errores pueden considerarse dife- meteorológico en función de su distancia al radar y
rentes contribuciones: altura.
30.2 Métodos probabilistas para observación radar de la precipitación 519
19/07/2001 09:00 19/07/2001 09:00
100
a) Observación b) Determinista (1h)
50
y [km]
-50
-100
c) SBMcast #1 (1h) d) SBMcast #2 (1h)

100
50
y [km]
-50
-100
-100 -50 0 50 100 -100 -50 0 50 100

x [km] x [km]
1 2 5 10 25 50 100 200
Rain rate [mm/h]
Figura 30.2: Intensidad de lluvia prevista para el 19 de julio de 2001 a las 0900 UTC con la técnica de previsión a
muy corto plazo por conjuntos SBMcast [42]. (a) Estimada a partir de las observaciones del radar de Barcelona.
(b) Previsión determinista hecha a las 0800 UTC (previsión a 1 hora). (c) y (d) Dos miembros de la previsión por
conjuntos de SBMcast generada a las 0800 UTC (previsión a 1 hora).
30.2 Métodos probabilistas para predicciones de lluvia mediante extrapolación lagran-

giana [42].
observación radar de la preci-
pitación El nowcasting determinista basado en extrapolación
lagrangiana de observaciones recientes de radar es
Se ha desarrollado en el CRAHI (http://www. una técnica usada en muchos centros operativos y de
crahi.upc.edu/) una técnica de nowcasting por investigación, que ha demostrado ser útil para exten-
conjuntos que permite contrastar la incertidumbre en der la anticipación con la que las corrientes pueden
520 Física del caos en la predicción meteorológica Capítulo 30. Radar probabilista
ser previstas con un modelo de lluvia-escorrentía. Sin La aspiración del CRAHI es la de ser un centro pun-
embargo, la mejora en previsiones de corrientes no tero en investigación hidrometeorológica, liderar la
se conoce a priori y depende de los casos, dependien- transferencia de tecnología y apoyar la innovación en
do principalmente de la predecibilidad del campo de las empresas del sector.
lluvia.
Todo ello en un marco que potencie al máximo el es-
Con fines hidrológicos, la técnica probabilista desa- píritu creativo e innovador de los investigadores del
rrollada cuantifica automáticamente la incertidumbre centro.
en el nowcast basado en el radar que se ha obteni-
do por extrapolación lagrangiana. La técnica sigue la Desarrollar algoritmos y modelos hidrológicos y me-
aproximación de predicción por conjuntos: genera un teorológicos integrados para la gestión de los recursos
número de realizaciones de predicción de lluvia, tanto hídricos.
compatible con las observaciones como preservando
Los principales objetivos del grupo son:
la estructura espacial y temporal del campo de lluvia,
de acuerdo con el modelo String of Beads.
Desarrollar herramientas hidrometeorológicas de
ayuda a la decisión, adaptadas a los diferentes cam-
Los resultados muestran que la técnica reproduce razo- pos de la gestión del ciclo del agua en zona Medite-
nablemente la evolución del campo de lluvia pero, en rránea.
general, se subestiman los errores, debido en parte a Apoyar analítica, numérica y experimentalmente a
que se desprecia la incertidumbre en las predicciones las empresas del sector con la finalidad de diseñar
de lluvia asociada a errores en el campo de movimien- soluciones innovadoras para los nuevos problemas
to, en esta versión del método. del mundo del agua (cuantificación de los recur-
sos, estimación y anticipación de riesgos, previsión
La Figura 30.2 en la página anterior muestra un y toma de decisiones, cuantificación de impactos,
ejemplo real de intensidad de lluvia prevista para el etc...).
19 de julio de 2001 a las 0900 UTC con la técnica de Formar personal investigador cualificado, capaz de
previsión a muy corto plazo por conjuntos SBMcast. trabajar con los mejores grupos internacionales y
con experiencia en el diseño de soluciones opera-
cionales en el campo de la hidrometeorología.
30.3 El CRAHI Convertirse en motor del desarrollo de la cultura
de la innovación en las empresas del sector de la
hidrología y la meteorología y ser un referente para
CRAHI, Centro de Investigación Aplicada en Hidro- la transferencia de tecnología.
meteorología nace a raíz del Convenio entre la Univer-
sidad Politécnica de Catalunya (UPC), la Conselleria Las líneas específicas de investigación del centro son:
de Medi Ambient i l’Agència Catalana de l’Aigua
para la creación de un grupo de investigación en hi- El desarrollo de algoritmos y modelos de los proce-
drometeorología en Cataluña. El CRAHI se convierte sos que controlan el ciclo del agua superficial.
así en uno de los centros de la Red de Centros de Apo- El desarrollo de modelos de previsión meteoroló-
yo a la Innovación Tecnológica de Catalunya (Xarxa gica e hidrológica capaces de convertir previsiones
IT) en enero de 2002. de lluvia en previsiones de caudal.
El desarrollo de técnicas para medir y cuantificar la
El CRAHI cubre las necesidades científicas y técnicas lluvia, el caudal y otras variables hidrometeorológi-
en el sector de la previsión hidrometeorológica, en par- cas.
ticular el CRAHI desarrolla modelos de los procesos El desarrollo de aplicaciones hidrológicas del radar
que controlan el ciclo del agua superficial. meteorológico.
30.3 El CRAHI 521
Figura 30.3: Instalaciones del radar en Vinissa. CRAHI.
Aplicaciones en predicción aeronáutica
31
DOI: 10.31978/014-18-009-X.31
E RNEST W ERNER H IDALGO
D. T. en Cataluña, Agencia Estatal de Meteorología (AEMET)
Todo despegue es opcional. Todos los aterrizajes son obligatorios.

Frase común en el mundo de la aviación – A NÓNIMO
La información meteorológica es esencial para la planificación y seguridad de las operaciones aéreas,

tanto en los aeropuertos como en las rutas aéreas. Para minimizar los riesgos asociados a las condiciones
atmosféricas se optimiza y reorganiza el tráfico y, a menudo, estas optimizaciones provocan una
disminución de frecuencia de salidas y entradas de aviones, con retrasos y pérdidas económicas
importantes. Para ayudar a la predicción de los parámetros de mayor impacto en la aviación y con la
resolución horizontal cada vez más alta de los sistemas de predicción por conjuntos se han diseñado
herramientas específicas para predicción aeronáutica, que presentamos en este capítulo.
Palabras clave: sistemas de predicción por conjuntos aplicados a la meteorología aeronáutica, EPSgramas ad
hoc para pronósticos de aeródromo, EPSgramas aeronáuticos.
Imagen parte superior: aeropuerto de Jerez de la Frontera, el 17 octubre 2015. La imagen se tomó en dirección suroeste desde la
ubicación del heliógrafo (situado en una intersección de la carretera perimetral interior próxima a la pista). Se observan cumulus y
stratocumulus, con cielo algo caótico posterior al paso de un frente. Fueron las primeras lluvias de ese año hidrológico que comenzó en
septiembre de 2015. Se pueden observar diferentes aeronaves emplazadas en un parking auxiliar del aeropuerto. Fotografía tomada por
P EPE T ORRES, con un Samsung Galaxy SII y posterior aplicación de un filtro de instagram.
524 Física del caos en la predicción meteorológica Capítulo 31. Aplicaciones en predicción aeronáutica
31.1 Introducción 31.3 EPSgramas con el ECENS

La información meteorológica es esencial para la pla-
nificación y seguridad de las operaciones aéreas. Pará-
Los primeros EPSgramas aeronáuticos se realizaron
metros como la visibilidad, la nubosidad, el viento, la
utilizando el sistema(s) de predicción por conjuntos
temperatura y el tiempo presente influyen significati-
(SPC) del European Centre for Medium-range Weat-
vamente en las operaciones diarias y determinan, por
her Forecasts -Centro Europeo de Predicción a Plazo
ejemplo, la configuración de las pistas en servicio, la
Medio- (ECMWF), el ECENS (sec. 19.3 en la pá-
longitud requerida para el despegue o el peso máximo
gina 293). Este SPC tiene actualmente (2018) una
permitido.
resolución espacial de 18 kilómetros y temporal de
Uno de los parámetros que más influyen en las ma- 6 horas. Como punto de grid representativo del aero-
niobras de despegue y aterrizaje de los aviones es el puerto se escogió el punto más cercano con la única
viento. En particular el viento en cola y el viento cru- restricción de que estuviese situado en tierra. Es evi-
zado en pista, suponen un riesgo para estas maniobras. dente que ni la resolución espacial ni la temporal son
Por ejemplo, el viento en cola puede producir una suficientemente buenas para cubrir las necesidades de
pérdida de sostenibilidad del avión o un planeo mayor un usuario aeronáutico, pero nos permiten ver la po-
en el aterrizaje y el viento cruzado puede suponer una tencia de los EPSgramas para suministrar información
desestabilización de las aeronaves, sobre todo cuando probabilista gráficamente de forma compacta.
es racheado.
Para evitar o minimizar estos riegos los encargados de Se realizaron los siguientes tipos de gráficos:
la planificación de las operaciones aéreas cambian las
cabeceras habituales de entrada y salida de los avio-
nes. Este cambio implica una reorganización y una Para los parámetros generales como la Precipita-
disminución de la frecuencia de las salidas y entradas ción acumulada, Temperatura, Punto de rocío, Nu-
de aviones con los consiguientes retrasos. bosidad, Viento medio y Racha (Figura 31.1 en la
Con la finalidad de ayudar a la predicción de los pará- página siguiente) se utilizó el formato boxplot o
metros que más afectan a la aviación se han diseñado EPSgrama de cajas con los percentiles: 10, 25, 50
los EPSgramas aeronáuticos que describimos a conti- (mediana) 75 y 90 y los whiskers para los valores
nuación. extremos.
Para la Dirección de viento (Figura 31.2 en la pá-
gina siguiente) se utilizó una distribución de las
31.2 EPSgramas aeronáuticos probabilidades de cada dirección por sectores de
45 grados con el área del sector proporcional a la
Los EPSgramas aeronáuticos (se describen los EPS- probabilidad.
gramas en general en la sec. 27.8.1 en la página 426) Finalmente, para los EPSgramas aeronáuticos Vien-
son un ejemplo de aplicación práctica de los EPS- to en cola en una cabecera y Viento cruzado en una
gramas. Se trataría de dar información probabilista pista (Figura 31.3 en la página siguiente), se utili-
objetiva a un usuario aeronáutico ya sea un predictor, zaron diagramas de barras con un código de tres
controlador aéreo o piloto. El usuario final dispondría colores que dividen la probabilidad de viento según
de EPSgramas de parámetros generales, como por su intensidad: amarillo superior a tres nudos, naran-
ejemplo la precipitación, la dirección y velocidad del ja superior a 8 nudos y rojo superior a 16 nudos. En
viento o la humedad y también de otros parámetros el caso del viento en cola se suman las proyecciones
estrictamente aeronáuticos, como podrían ser el vien- del viento en la dirección de la cabecera, mientras
to en cola en una cabecera o la probabilidad de viento que en el caso del viento cruzado se representa la
cruzado en una pista. probabilidad del sector perpendicular a la pista.
31.3 EPSgramas con el ECENS 525
Figura 31.1: EPSgrama Racha de viento para LEBL (boxplot).
Figura 31.2: EPSgrama Dirección de viento para LEBL (probabilidad por sectores).
Figura 31.3: Izquierda: EPSgrama Viento en cola Cabecera 20 para LEBL (diagrama de barras). Derecha: EPSgrama
Viento cruzado pista 07-25 para LEBL (diagrama de barras).
31.4 EPSgramas con GLAMEPS cipitación),
En el siguiente paso se utilizó el SPC GLAMEPS Por otro lado, ejemplos de los EPSgramas aeronáuti-
(sec. 20.2 en la página 304) que tiene una resolución cos con GLAMEPS pueden verse en las Figuras 31.7
temporal de 3 horas y espacial de 8 km. Igualmente (viento en cola) y 31.8 en la página siguiente (vien-
se escogió para la elaboración del EPSgrama el punto to cruzado). Para el viento cruzado se introdujo un
más cercano al aeropuerto que no cayese sobre el mar. diagrama de barras doble donde el eje de las abscisas
representa la dirección de la pista y la probabilidad de
Ejemplos de los EPSgramas de parámetros genera- viento cruzado a cada lado viene dada por la altura de
les basados en GLAMEPS se muestran en las Figu- la barra. Los colores dan información de la velocidad
ras 31.4 (nubosidad), 31.5 (temperatura) y 31.6 (pre- del viento con la misma escala que el viento en cola.
Figura 31.4: GLAMEPS: Nubosidad LEMD (boxplot).
Figura 31.5: GLAMEPS: Temperatura LEBL (boxplot).
Figura 31.6: GLAMEPS: Precipitación LEBL (boxplot).
Figura 31.7: GLAMEPS: Viento en cola Cabecera 36 LEMD (diagrama de barras).

31.5 EPSgramas de alta resolución temporal y espacial: gamma-SREPS 527
Figura 31.8: GLAMEPS: Viento cruzado Pista 36-18 LEMD (diagrama de barras).
31.5 EPSgramas de alta resolución Las Figuras 31.9 y 31.10 muestran, respectivamente,
EPSgramas continuos para la velocidad del viento en
temporal y espacial: gamma-
LEMD y para la precipitación en LEBL.
SREPS
Nuestro siguiente paso es utilizar un SPC basado en
modelos no hidrostáticos de alta resolución como el El aumento de resolución temporal, que permite el
AEMET-γSREPS (cap. 22 en la página 333). Las paso de los boxplot a EPSgramas continuos, plantea
salidas proporcionadas por este sistema tienen una reun problema para la representación de la dirección
solución espacial de 2,5 km y temporal de 1 hora. Este del viento. Los diagramas de sectores de viento no
nivel de resolución temporal permite utilizar EPSgra- permiten visualizar correctamente un número grande
mas continuos, donde las líneas se corresponden a de pasos temporales, como puede verse en la Figu-
los percentiles utilizados en el boxplot. Dado que en ra 31.11 en la página siguiente, parte izquierda. Para
el momento de escribir este capítulo no se disponía resolver este problema se optó por diseñar un diagra-
todavía de datos del sistema γSREPS, en los gráficos ma matricial en el que la gama de colores se asocia a
mostrados se han utilizados los datos proporcionados la probabilidad de cada sector de dirección del viento.
por GLAMEPS para ejemplificar cómo resultarían los El resultado sería el de la Figura 31.11 en la página
EPSgramas continuos. siguiente, parte derecha.
Figura 31.9: GLAMEPS: Velocidad Viento LEMD.
Figura 31.10: GLAMEPS: Precipitación LEBL.

Figura 31.11: EPSgramas realiuzados basados en datos del SPC GLAMEPS. Izquierda: Velocidad del Viento LEMD
(Sectores de Probabilidad). Derecha: Dirección del Viento (Diagrama Matricial).
31.6 Anexos 529
Con esta representación matricial para la dirección ta y Melilla, al estar en otra región OACI, comienzan
del viento se puede aumentar la resolución tempo- con GC y GE, respectivamente.
ral sin que afecte a la compresión visual del EPS-
grama. Esta solución permite visualizar hasta 48 ho-
TAF (Terminal Aerodrome Forecast). Es un pronós-
ras la dirección del viento y su probabilidad en un
tico del tiempo meteorológico en un aeródromo que
gráfico muy compacto. Los EPSgramas aeronáuti-
se realiza normalmente cada 6 horas y con validez de
cos de diagrama de barras de Viento en cola en una
24 horas. Ejemplo de TAF para Barcelona-El Prat:
cabecera y Viento cruzado en una pista se manten-
drían sin cambios respecto a los realizados con el
TAF LEBL 181700Z 1818/1918 34008KT 9999
GLAMEPS. Cabe señalar que el aumento de reso-
SCT025 TX13/1914Z TN04/1902Z BECMG
lución espacial permite asociar a un aeropuerto va-
1820/1822 07008KT PROB30 TEMPO 1900/1918
rios puntos de grid, con lo que se podrían elaborar
TSRA=
EPSgramas más complejos. Y, por último, mencio-
nar que el software está realizado con Python [555, Está codificado y contiene un pronóstico de los si-
556] https://www.python.org/ y su librería grá- guientes parámetros: viento (34008KT), visibilidad
fica Matplotlib [311] https://matplotlib.org/. (9999), nubosidad (SCT025), temperatura máxima y
mínima (TX13/1914Z TN04/1902Z), tiempo presente
(TSRA). Aparecen términos de evolución temporal
31.6 Anexos (BECMG, TEMPO) y probabilistas (PROB30).
Nombres OACI. La Organización de Aviación Civil METAR (METeorological Aerodrome Report). Es

Internacional (OACI) es el organismo internacional una información del tiempo meteorológico presente
encargado, entre otras cosas, de la generación de nor- en un aeródromo que se realiza normalmente cada me-
mativas y en materia de coordinación y seguridad en dia hora. Ejemplo de METAR para Madrid-Barajas
aviación civil (ICAO en inglés). Cada aeropuerto reci- Adolfo Suárez:
be un código OACI que se compone, por un lado, de
dos letras iniciales: la primera letra indica la región, METAR LEMD 012200Z 23004KT 8000 -RA
la segunda el país dentro de esa región. Por ejemplo: BKN022 08/07 Q1014 =
L región sur de Europa, E España (excepto Canarias,
Ceuta y Melilla). El código OACI se compone, ade- Está codificado y contiene información actual de los
más, de dos letras que indican el aeropuerto. Los aero- siguientes parámetros: viento (23004KT), visibilidad
puertos que aparecen en el texto de este capítulo son (8000), tiempo presente (-RA), nubosidad (BKN022),
LEBL, Barcelona-El Prat y LEMD, Madrid-Barajas temperatura y punto de rocío (08/07) y, finalmente,
Adolfo Suárez. Los aeropuertos De Canarias o de Ceu- presión reducida al nivel del mar (Q1014).
Sistemas de predicción por conjuntos en el Mediterrá-
neo 32
DOI: 10.31978/014-18-009-X.32
V ÍCTOR H OMAR S ANTANER , AGUSTÍ JANSÀ C LAR Y ROMUALDO ROMERO M ARCH
Grupo de Meteorología, Departamento de Física, Universitat de les Illes Balears
El Mediterráneo occidental es un rincón endiabladamente original,

demasiado autárquico, demasiado particular y demasiado complicado.
Hemos de seguir estudiándolo si queremos adivinar algún día con mayor
éxito que hoy las reacciones de su carácter caprichoso.
J. M. JANSÀ G UARDIOLA , 1964
El peculiar mundo mediterráneo (un mar profundo, relativamente cálido buena parte del año, y rodeado de
montañas) genera una meteorología específica, en algunos aspectos más predecible que la meteorología de los
grandes espacios abiertos, pero de muy difícil predicción en otros aspectos, particularmente los relacionados
con fenómenos adversos, frecuentemente asociados a configuraciones de pequeña escala. Para ese tipo de
fenomenología la predicción por conjuntos puede ser imprescindible, al menos para acotar incertidumbres, y
puede exigir planteamientos particulares.
Palabras clave: sistemas de predicción por conjuntos aplicados en meteorología mediterránea, lluvias mediterráneas
intensas, medicanes, aplicación de SPC para predicción de inundaciones.
Imagen parte superior: rayo sobre Barcelona, fotografía de J OAN C ARLES B ULLÓN.
532 Física del caos en la predicción meteorológica Capítulo 32. SPC en el Mediterráneo
Figura 32.1: Localizaciones preferentes de bajas de sotavento y otras depresiones de pequeña escala en el Medite-
rráneo occidental. No se han incluido las bajas térmicas continentales típicas del verano.
32.1 Perspectiva histórica de la depresiones, descritos por la Escuela Noruega de Me-

teorología hacia los años 1920 [56], modificados por
predecibilidad meteorológica
el conocimiento ulterior de la atmósfera superior. En
mediterránea el Atlántico, los frentes, depresiones y anticiclones
sinópticos eran fáciles de seguir al responder bien
La cita que introduce este capítulo alude directamente a los modelos conceptuales, basados en teorías di-
a una predecibilidad singularmente baja en el Medi- námicas simplificadas. Pero en el Mediterráneo las
terráneo en relación a otros lugares o regiones. On- reglas convencionales fallaban. Las perturbaciones
ce años más tarde, el prestigioso meteorólogo de la que llegaban desde el Atlántico podían desvanecerse
U.S. Navy americana, E LMAR R EITER, escribía al- o regenerarse con facilidad, a veces inesperadamente.
go similar: «la predicción del tiempo en la región La razón de ese comportamiento «autárquico, origi-
mediterránea, una tarea exigente incluso para el me- nal, complicado» era y es la geografía regional. El
teorólogo local, puede a menudo convertirse en una Mediterráneo, en particular su cuenca occidental, es
experiencia muy frustrante para el foráneo, que pue- una cubeta casi cerrada, rodeada de altas montañas
de no darse cuenta de los intrincados y complejos y ocupada por un mar profundo que la mayor parte
efectos modificantes que la topografía local puede del año se comporta como mar cálido (en relación al
tener en la región sobre los sistemas meteorológicos aire en contacto con él), fuente por tanto de humedad
de escala sinóptica». Ya existían en los años 1960 y y calor, de energía, en definitiva, que repercute en la
1970 algunos modelos numéricos de predicción del inestabilización atmosférica. Durante un periodo más
tiempo, pero eran muy simplificados, con importantes corto, entre la primavera y el verano, el Mediterrá-
carencias de procesos físicos, y reducida resolución. neo es, más bien, un mar frío, sumidero de energía y
Esas primeras predicciones numéricas eran poco fia- capaz de estabilizar. La orografía, que prácticamen-
bles, no muy útiles, y desde luego poco accesibles. te cierra el perímetro de la región, genera frecuentes
La predicción operativa se fundamentaba, más bien, perturbaciones atmosféricas de pequeña escala que
en una extrapolación, bastante subjetiva, de la evo- suponen una redistribución de la temperatura y la pre-
lución de los campos de presión en superficie y en sión. A sotavento de las montañas, en relación a la
altura. Esa extrapolación se basaba, a su vez, en los dirección de los vientos de gran escala dominantes
modelos conceptuales de génesis y evolución de las
32.1 Perspectiva histórica 533
en cada ocasión, se forman depresiones orográficas, embargo, incorporar los importantes efectos de la ru-
con aire generalmente más cálido que el que hay a gosidad o variabilidad pico-valle en la circulación de
barlovento. Teniendo en cuenta la preponderancia de niveles cercanos a la superficie. Si bien ha habido una
vientos de componente oeste –entre el SW y el NW, mejora progresiva, la representación de la orografía
incluso hasta el N-, los lugares donde más frecuen- no ha sido suficientemente realista hasta que las reso-
temente se forman depresiones de sotavento son los luciones de los modelos operativos han alcanzado la
que, cualitativamente, se indican en la Figura 32.1. decena de kilómetros.
Los «complejos efectos modificadores» a los que se
refería R EITER son la suma de los de tipo orográfico y La orografía envolvente fue uno de los métodos uti-
los relacionados con el carácter marítimo-cerrado de lizados en los años 80 para mejorar la representación
la región. Es decir, si el Mediterráneo es «demasiado de los efectos orográficos en los modelos numéricos
particular» y tiene un «carácter caprichoso», no es de baja resolución. El método [664] consiste en incre-
porque en esta región rija una física diferente, sino mentar la altura media del terreno (a la resolución del
porque su singular geografía propicia la interacción modelo) en una magnitud proporcional a la desvia-
ción estándar de la orografía descrita por una rejilla
entre los sistemas atmosféricos de gran escala y los
de mayor resolución. La orografía envolvente es la
agentes modificadores locales. orografía media así incrementada. Se constató que su
introducción reducía errores sistemáticos en regiones
El perfeccionamiento progresivo de los modelos nu- muy afectadas por orografía compleja, como el Medi-
méricos de predicción desde los años 1970 y, sobre terráneo occidental. La orografía envolvente dejó de
todo, desde los años 1980 en adelante, ha permitido utilizarse cuando los modelos alcanzaron resoluciones
horizontales suficientes.
tomar en consideración e incluir en los algoritmos
los efectos modificadores ligados a la geografía y, en
particular, a la orografía. En relación al tratamiento de
la orografía en los modelos numéricos, al principio se Aparte de una mayor resolución, los modelos han ido
subestimaban en demasía los efectos de las montañas, introduciendo otros tipos de mejoras, como una mejor
ya que la baja resolución de los modelos disponibles parametrización (sec. 10.5 en la página 137) de los
implicaba una altura media de las cadenas montañosas procesos físicos de escala inferior a la rejilla, inclui-
muy rebajada en relación a la altura real de las cum- dos los intercambios de calor y humedad con el mar.
bres, sobre todo en el caso de cordilleras de escasa Cabe preguntarse si la mejora constante de los mode-
extensión y gran complejidad como las que rodean el los ha aumentado la predecibilidad meteorológica en
Mediterráneo occidental. En consecuencia, la predic- el Mediterráneo a nivel general, acercándonos a unos
ción seguía siendo muy deficiente. Como ejemplo, en resultados semejantes a los de las zonas oceánicas, o
los modelos usados a principios de la década de los 80 si sigue habiendo razones que hacen especialmente
por el Centro Europeo de Predicción a Medio Plazo impredecible el tiempo en el Mediterráneo. De hecho,
(European Centre for Medium-range Weather Fore- hay argumentos que sugieren que la predecibilidad en
casts, ECMWF), los Alpes tenían una altura media el Mediterráneo pudiera ser incluso mayor que, diga-
de sólo 500 metros, de modo que podían afectar es- mos, en el Atlántico. En efecto, en el Mediterráneo
casamente a la circulación atmosférica. Por entonces, muchos procesos están fuertemente condicionados
desprovistos todavía de unos medios computacionales por la orografía y ésta, si puede ser convenientemente
que permitieran mejorar sensiblemente la resolución representada en los modelos, no alimentaría el com-
de los modelos, se introdujeron métodos artificiales portamiento caótico del flujo, sino al contrario: siendo
para aumentar la altura de las montañas modeladas como es un factor conocido y constante, no sometido
e intensificar, así, sus efectos, mejorándose algo la a incertidumbres, incluso contribuye a acotar la incer-
predicción, aunque no suficientemente. La elevación tidumbre en la predicción, al menos en un plazo de
artificial de la orografía del modelo no permitía, sin tiempo no muy largo.
Figura 32.2: Previsiones deterministas de alta resolución H+72 y H+144 (presión al nivel del mar) y dispersión de
las previsiones SPC correspondientes (sec. 27.5.1 en la página 412). La dispersión es relativamente baja a sotavento
de los Alpes, a pesar de ser zona de perturbación: una buena representación de los efectos orográficos rebaja la
incertidumbre. Productos del ECMWF, 29 enero 2016.
La verdad es que si se piensa en magnitudes dinámi- do de la atmósfera, será menor en comparación con
cas principales (presión/geopotencial o temperatura) las zonas continentales. El resultado final indica que,
la dispersión de las predicciones por conjuntos en el aunque la predecibilidad de magnitudes con reducida
Mediterráneo resulta incluso menor que en zonas sin variabilidad espacial y temporal no parece ser ahora
relieve complejo, a igualdad de otras condiciones. Se muy diferente en el Mediterráneo que en otras áreas,
pueden encontrar varios ejemplos de ello. En la Figu- la predicción de fenómenos asociados a procesos físi-
ra 32.2 puede verse como las bajas a sotavento de los cos complejos y que varían fuertemente en espacio y
Alpes, típicas perturbaciones mediterráneas con fuer- tiempo, como lluvia y viento, especialmente cuando
te dependencia orográfica, se prevén por el SPC del son fuertes, sigue siendo particularmente complica-
ECMWF (ECENS, sec. 19.3 en la página 293) con una da, aunque haya mejorado. No hay muchos estudios
incertidumbre claramente menor que la que tendría que cuantifiquen lo anterior, pero se podría citar, por
una ciclogénesis semejante en una zona sin relieve. ejemplo, el realizado por Callado y col. en 2011 [96],
Posiblemente pueda decirse que lo que décadas atrás en el que se comprueba esa peor predecibilidad de
hacía más impredecible el tiempo mediterráneo (los las lluvias mediterráneas, en particular las fuertes,
efectos orográficos), hoy en día se ha convertido en en relación a las atlánticas, incluso cuando se aplica
un factor favorable. Sin embargo, la complejidad geo- una predicción por conjuntos (como AEMET-SREPS
gráfica del Mediterráneo sigue ejerciendo en muchos sec. 21 en la página 313).
casos el efecto contrario: muchos procesos, en par-
ticular los que conducen a fenómenos adversos (ver Tras el indudable éxito de las predicciones globales
fenómeno meteorológico adverso (FMA)), como llu- basadas en conjuntos, iniciadas en los años 90 y alenta-
vias y vientos muy fuertes y localizados o formaciones das por el incesante aumento de recursos computacio-
ciclónicas sorprendentes (véase en este capítulo los nales [491], la comunidad científica meteorológica
pequeños ciclones de tipo tropical, también llamados internacional se encuentra aún inmersa en una carrera
medicanes), ocurren a pequeña escala, a mesoescala, por la conquista de la predicción numérica precisa
con lo que errores mínimos en el flujo atmosférico y fiable de fenómenos de mesoescala a resoluciones
pueden conducir, por su interacción con la orogra- espacio temporales útiles. Pronto se descubrió que ese
fía, a consecuencias meteorológicas muy diferentes. reto no se resolvía con la simple adaptación de los
Piénsese, además, que en una región marítima por métodos de generación de SPC globales a las nuevas
excelencia como la mediterránea, el número de ob- escalas de simulación sino que era necesario analizar
servaciones convencionales rutinarias (en superficie las fuentes más determinantes de error y las maneras
y altura) que contribuyen a la descripción del esta- de tratarlas en los sistemas de predicción de corto
32.2 Meteorología mediterránea 535
alcance. intensa y continuada radiación solar, acumulada, día

a día, a lo largo del extenso verano, se almacena en
Inicialmente, los métodos de generación de sistemas el mar, en un estrato superficial cada vez más cálido
de predicción por conjuntos a escala global se basaron y profundo con el transcurso de las semanas. Cons-
únicamente en la perturbación de las condiciones ini- tituye un depósito de energía disponible, que se irá
ciales. El ECMWF genera las perturbaciones a partir transmitiendo en forma de calor sensible y latente al
de vectores singulares calculados haciendo uso iterati- aire, para posiblemente alimentar episodios de tiempo
vo del modelo tangente lineal y su adjunto [490]. Con
adverso, a lo largo del otoño, del invierno, incluso de
el aumento progresivo de la resolución numérica se
identificó la importancia de incorporar perturbaciones
parte de la primavera. No es descabellado hablar de
en las ecuaciones del modelo, a través de términos la configuración local de una masa de aire autónoma
estocásticos que representan los procesos de submalla y especial, cálida y húmeda en términos relativos en
[83]. Los sistemas de predicción por conjuntos enfo- sus niveles más bajos, la denominada «masa de ai-
cados al Mediterráneo se han basado habitualmente re mediterránea» [533]. Existe, además, una reserva
en la adopción directa de las perturbaciones de escala energética profunda: en el Mediterráneo, por su gran
global [410, 642] aunque se han investigado alternati- aislamiento de los grandes océanos, el agua profun-
vas no lineales para la perturbación de las condiciones
da está siempre a unos 13 grados, incluso cuando la
iniciales y la incorporación de perturbaciones en el
propio modelo [96, 554, 644, 645, 647]. capa superficial se enfría más. Ello supone que ante
las irrupciones polares que tienden a enfriar mucho la
superficie del mar, las capas profundas aportan calor y
mitigan el enfriamiento, transmitiendo energía al aire.
Este capítulo describe las características climáticas de
este «rincón endiabladamente original», con un repa-
so crítico de los fenómenos adversos más relevantes
en el Mediterráneo y algunas reflexiones sobre aspec- 32.2.1 Lluvias mediterráneas intensas
tos que determinan su predecibilidad. Por último, se
discuten técnicas de generación de SPC aplicables al El agua mediterránea, superficial o profunda puede,
Mediterráneo occidental y algunas aplicaciones hidro- como hemos dicho, calentar y humedecer durante gran
meteorológicas relevantes. Todo ello para conseguir parte del año la masa de aire que se asienta sobre ella,
«adivinar» pronto «las reacciones de su carácter ca- incluso hasta el punto de llenar de «aire mediterrá-
prichoso». neo» toda la cubeta occidental del Mare Nostrum. Ese
aire mediterráneo, que ocupa espesores de entre mil
y dos mil metros, con unas adecuadas condiciones
32.2 Fenómenos relevantes de la en niveles medios y altos de la troposfera generará
meteorología mediterránea inestabilidad convectiva. Al mismo tiempo, organiza-
do adecuadamente como chorro de bajo nivel, podrá
Lluvias de gran intensidad y copiosidad, normalmente actuar de alimentación, de elemento de reposición,
otoñales, y temporales de viento repentinos y loca- enormemente eficaz, para activar y sostener núcleos
lizados, son algunas de las manifestaciones más im- de lluvia intensa, a veces estacionarios, lo que supone
pactantes de la específica meteorología mediterránea, gran copiosidad y, eventualmente, inundaciones, in-
consecuencia de una geografía y de una localización cluso catastróficas. Las precipitaciones mediterráneas
especiales. El Mediterráneo occidental, que ya hemos pueden ser de una magnitud no conocida en otras lati-
definido como cubeta orográfica casi cerrada, está tudes extratropicales (100, 200, 400, incluso 800 mm
situado a una latitud media y en el flanco occiden- en 24 horas).
tal de una masa continental, como ocurre en zonas
de California, Chile, Sudáfrica o Australia; en estas La masa de aire mediterránea fue inicialmente refe-
zonas la circulación general atmosférica permite el renciada por FABBRIS en 1935 [192], según menciona
tipo de clima llamado, precisamente, mediterráneo, JANSÀ G UARDIOLA en su artículo de 1959 [321], en
caracterizado por una marcada estacionalidad, con el que se describen en detalle las características físi-
cas de esa masa de aire, nacida de la transformación
coincidencia de la estación seca con el periodo cálido:
parcial de masas de aire invasoras, después de su asen-
el verano es seco, caluroso, con pocas nubes y mucha tamiento en la cubeta occidental del Mediterráneo.
irradiación solar. En el Mediterráneo occidental esa
De hecho, se ha podido establecer [325] que en un

90 %, aproximadamente, de los episodios de lluvia
fuerte en el Mediterráneo occidental existe una depre-
sión cercana, simultánea a la lluvia fuerte y general-
mente situada de un modo compatible con el modelo
conceptual descrito en la Figura 32.3. Es importante
destacar que la presencia de una depresión, intensa
o no, en el Mediterráneo occidental no se relaciona
con lluvia fuerte generalizada o que afecte a cualquier
zona, sino que lluvias fuertes y depresiones tienen
localizaciones emparejadas bien definidas. La Figura
Figura 32.3: Una depresión cercana organiza un flujo 32.4 muestra varios de esos emparejamientos. Cabe
de bajo nivel, cálido y húmedo, inestabilizador y alimen- destacar la necesidad de precisión en la situación y
tador de lluvia intensa localizada. De JANSÀ [323]. forma de la depresión supuestamente involucrada, ya
que ligeros cambios pueden suponer que la lluvia fuer-
te ocurra o no, o que se desplace de una cuenca a otra.
Ello introduce un factor importante de incertidumbre.
Estudios estadísticos [325] han puesto de manifiesto De hecho, en otro estudio estadístico, Romero y col.
la presencia de depresiones mediterráneas, de mayor [551, 552] mostraron que solamente para las comuni-
o menor entidad, en la gran mayoría de los episodios dades mediterráneas españolas pueden definirse hasta
de lluvia fuerte que afectan a las regiones del Me- 8 patrones de reparto espacial de la lluvia intensa, y
diterráneo occidental. Se considera que la presencia que dichos episodios pueden ser producidos (de nuevo
de una depresión, relativamente próxima a la zona con un alto grado de emparejamiento) por hasta una
donde la lluvia intensa está descargando, no es ca- quincena de configuraciones sinópticas distintas.
sualidad, sino que existe una relación física directa:
la depresión actuaría como organizadora del flujo de En otros capítulos de este libro se analizan algunos
aire mediterráneo, relativamente cálido y húmedo y casos de lluvia intensa mediterránea. La presencia de
desestabilizador y/o alimentador de la lluvia fuerte, una depresión convenientemente situada es ahí des-
en la forma que sugiere el modelo conceptual repre- tacada como factor clave en el caso del superrécord
sentado en la Figura 32.3. La presencia próxima de de lluvia de Oliva-Gandía, el 3 de noviembre de 1987
la depresión no sería condición suficiente de la lluvia (cap. 44 en la página 655), o en el temporal medite-
fuerte (otros factores deben converger), pero sería un rráneo de lluvia y viento de 19 a 24 de enero de 2017
elemento muy favorable. (cap. 52 en la página 795).
Figura 32.4: Las elipses indican la localización más frecuente de depresiones simultáneas a lluvia fuerte cuando
ésta cae en las zonas cuyo centro es el punto sin elipse. De JANSÀ Y COL . [325].
Figura 32.5: Situación del 25-03-2017 a las 00 UTC (arriba) con una baja mediterránea, asociada a posible lluvia
fuerte, según integraciones deterministas sucesivas. Las discrepancias indican predecibilidad baja. Con la previsión
a 132 h cabría esperar precipitación todavía importante en Illes Balears el día 25, pero con la previsión a 96 h,
ya no. De hecho, a 120 h la predicción de precipitación para el día 25, dada por el SPC del ECMWF (abajo), es
ambigua en Palma (12 mm ± 8 mm) (Gráficos cedidos por A NTONIO G ARCÍA M ÉNDEZ, ECMWF).
En el episodio mediterráneo de lluvias fuertes de los cibilidad de la lluvia en Illes Balears a lo largo del
días 24 y 25 de marzo de 2017, por poner otro ejemplo, día 25 (no tanto en Cataluña), como se detalla en la
la imprecisión a varios días vista en la localización Figura 32.5. En este caso, la imprecisión en la locali-
prevista de la depresión mediterránea involucrada, im- zación de la depresión en superficie pudo ser en mayor
precisión asociada no a la dispersión del ECENS, sino medida debida a la poca capacidad de predicción de
a la escasa coherencia entre integraciones sucesivas la baja principal en altura, que a factores geográficos
del modelo determinista de dicho centro, ECHRES locales.
(sec. 19.2 en la página 291) rebaja mucho la prede-
Figura 32.6: 28-29 septiembre 1994. La depresión asociada a lluvia fuerte sigue trayectorias muy diferentes (línea
quebrada con círculos llenos, izquierda) según sean las condiciones iniciales, completas (arriba) o suavizando los
aspectos subsinópticos de la circulación en altura (abajo). Como resultado, las sucesivas posiciones del flujo húmedo
organizado por la depresión (sombreado, derecha) son muy distintas y la lluvia, también (sombreado, izquierda).
Figura presentada por Romero, Ramis y Alonso en la Conferencia Plinius 2001 [550].
Si bien en algunos casos el factor orográfico, es decir, 32.2.2 Vientos fuertes

el más predecible, puede ser clave en la formación
de la depresión asociada a lluvia fuerte y, por tanto,
La compleja orografía mediterránea hace que muchos
en la formación y localización de esa lluvia (ver, por
de los vientos intensos que ocurren en la región tengan
ejemplo, el caso de 3-4 de noviembre de 1987, cap. 44
un despliegue territorial y unas características físicas
en la página 655), en otros eventos ocurre precisamen-
frecuentemente repetitivos, lo que explica que, igual
te lo contrario. Romero [550], por ejemplo, puso de
que en otras regiones del mundo con climas caracte-
manifiesto como en el episodio de final de septiem-
rísticos, los vientos en este caso mediterráneos hayan
bre de 1994, son los elementos de la circulación en
adquirido nombres propios, con variantes entre una
altura los que más claramente determinan la forma
lengua y otra (tramontana, mistral-mestral, cierzo,
y situación de una pequeña depresión mediterránea
lebeche-llebeig, etc.). A gran escala, el viento está or-
que, a su vez, está asociada a lluvia fuerte (ver Figu-
ganizado por los grandes sistemas de presión y, según
ra 32.6). La capacidad de predicción de los detalles
el estudio de Nissen y col. [471], cabe decir que los
de la circulación en altura no tiene por qué ser peor en
vientos fuertes mediterráneos están casi siempre aso-
el Mediterráneo que en otros lugares, pero la mayor
ciados a depresiones importantes, intensas, frecuente-
presencia de fenómenos convectivos y su sensibilidad
mente internas a la región pero algunas veces externas
a los cambios de circulación hace que la predicción
(atlánticas o europeas). A pequeña escala, no obstante,
final, de la localización e intensidad de la lluvia en
las alteraciones de presión inducidas por la orografía
particular, sea más incierta que en el área atlántica.
regional modulan la distribución y la intensidad de los
vientos, al generar aumentos y disminuciones locales tiva frecuencia. -Dicho flujo desde el Rosselló a Illes
de los gradientes báricos. Balears pasando por l’Empordà, es la tramontana, que
hacia el golfo de León confluye con el mistral que baja
Para poner un ejemplo paradigmático, con un flujo por el valle del Ródano. El conjunto forma el sistema
general del norte (normalmente asociado a una depre- mistral / tramontana, que es el sistema de vientos fuer-
sión importante, situada hacia el golfo de Génova o en tes más importante del Mediterráneo, por frecuencia
el mar Tirreno), se genera un dipolo orográfico de pre- y por intensidad (ver más detalles, por ejemplo, en
sión a través de los Pirineos, con anomalía positiva de Jansà [322]).
presión al norte de la cadena montañosa (a barlovento)
y anomalía negativa al sur (a sotavento). Ese dipolo El mecanismo de aceleración o modulación local de
supone un fuerte aumento del gradiente de presión en la tramontana propicia el establecimiento de una línea
el extremo nororiental de los Pirineos, sobre tierras definida de separación entre el dominio del viento fuer-
francesas, donde los vientos (del noroeste) aceleran te (al este) y una zona de resguardo, con poco viento,
rápidamente. al oeste. Esa línea, llamada línea de cizalladura de la
tramontana, arranca desde el extremo oriental de los
Ese viento gira luego a norte, perdiendo velocidad Pirineos, apuntando hacia el sur o hacia el suroeste, en
paulatinamente desde su máximo en el golfo de León, una orientación final que depende de la distribución
frente al cabo de Creus, y alcanza las Balears con rela- detallada de las presiones en la zona marítima.
Figura 32.7: Simulaciones con el modelo INM-LAM del geopotencial y viento a 1000 hPa para día 5 de octubre de
1990 a las 12 UTC (PYREX IOP-1), a 0,91º lat/lon de resolución (arriba) y a 0,455º (abajo). A la resolución más
baja, casi no se aprecia influencia de la orografía sobre las presiones (o geopotenciales) y el viento sostenido no
pasa de 25 kts, mientras que a 0,455º ya se aprecia dipolo orográfico a través de los Pirineos y el viento sostenido
alcanza 35 kts; el viento sostenido medido en la zona de máximo fue de 45 kts. De Campins y col. [103].
Sin embargo, los detalles en la posición del límite

del mistral / tramontana hacia el sur, hacia Balears,
pueden mantener un notable grado de incertidumbre,
debido a que esos aspectos dependen de la distribu-
ción de la presión a pequeña escala sobre zonas ya
poco influenciadas por la orografía. Puede decirse que
a veces se hace difícil prever categóricamente si la tra-
montana fuerte afectará a aguas baleares o no. En esos
casos no hay más remedio que acudir a la predicción
probabilista, basada en predicción por conjuntos, para
dilucidar lo que puede ocurrir, no para dar una pre-
dicción determinista, que podría ser completamente
errónea. Véase el ejemplo ilustrado en la Figura 32.8:
la línea fina negra indica el límite occidental de la
Figura 32.8: Predicción a 48 h de la probabilidad de máxima extensión posible del mistral / tramontana
rachas de viento superiores a 70 km/h, para día 7 de fuerte (que es viento del norte en Illes Balears). La
marzo de 2017, según el ECENS (ver texto para deta- línea azul indica el límite oriental de la máxima exten-
lles). Agencia Estatal de Meteorología (AEMET) 2017. sión posible del mestral (viento del noroeste en Illes
Balears). Véase que el límite del mistral / tramontana
está muy definido, sin apenas dispersión, en la zona
En el valle del Ebro, por su parte, la parte negativa más cercana al límite oriental de los Pirineos, mien-
del dipolo orográfico inducido por los Pirineos genera tras que la predicción probabilista se abre en forma de
gradiente de presión adicional a lo largo del valle, ace- abanico hacia el sur. Menorca en este caso tiene casi
lerándose el viento del noroeste (el cierzo), que con tanta probabilidad de quedar fuera como dentro del
frecuencia llega a a expandirse hasta la misma línea dominio de la tramontana fuerte. De usar predicción
costera o más allá, sobre el mar, como mestral o cerç. determinista el riesgo de errar sería muy grande. El
SPC no corrige el problema, pero advierte del mismo
Los efectos orográficos de los Pirineos sobre la tra- claramente.
montana (aceleración, línea de cizalladura, etc.) se
hacen evidentes en experimentos numéricos [103]. En En la extensión geográfica y reforzamiento de otros
ese estudio, ya un poco antiguo, al duplicar la reso- vientos intensos mediterráneos, como el ponent de la
lución del modelo usado (de 0,91º lat a 0,455º lat), zona de València o el llevant de Catalunya, también
se genera (aunque un poco débilmente) el dipolo oro- intervienen perturbaciones de presión a pequeña esca-
gráfico, aumenta la velocidad del viento en la zona la, modulando el viento. Esas perturbaciones pueden
de máximo (de 25 a 35 nudos de viento sostenido) y incluso ser depresiones cerradas, bien conformadas.
queda marcada (insuficientemente, todavía) la línea Las perturbaciones de presión a pequeña escala pue-
de cizalladura, invisible en la simulación a más baja den ser resultado de factores orográficos evidentes,
resolución (ver la Figura 32.7 en la página anterior). siendo entonces bastante previsibles, y por ende la dis-
En esos experimentos es el aumento de la resolución tribución e intensidad de los vientos asociados, o bien
horizontal y, por tanto, de la altura media de las cor- pueden responder a otros mecanismos, con lo que baja
dilleras, el factor responsable de reforzar los efectos la predecibilidad del flujo local. En el segundo caso,
orográficos, haciéndose éstos más realistas. la importancia que tienen las estructuras dinámicas
de pequeña dimensión en el Mediterráneo hace que la
Con los modelos actuales, de alta resolución, no resul- predicción determinista de los vientos fuertes se haga
ta problemática la predicción de las grandes depresio- particularmente difícil. Habrá casos, como es lógico,
nes de Génova y de los efectos orográficos, incluso los en los que factores orográficos y los de otro tipo (p.e.
de pequeña escala y, por tanto, se suele recoger bas- baroclínico, diabático) aparezcan mezclados. Enton-
tante bien la irrupción e intensidad del sistema mistral ces se hace difícil saber hasta dónde puede alcanzar
/ tramontana. En la actualidad ya se sabe, con bastante nuestra capacidad de predicción razonable. En la Figu-
certeza, cuándo va a entrar un mistral / tramontana ra 32.9 en la página siguiente se muestra un ejemplo
fuerte y la violencia que podrá alcanzar aproximada- reciente: se trata de un temporal de componente oeste
mente. en el mar balear.
Figura 32.9: Predicción del Centro Europeo, a 24 h, para día 4 de marzo de 2017, determinista y probabilista
(izquierda) y determinista detallada (derecha). Fguras cedidas por A NTONIO G ARCÍA M ÉNDEZ y por E N BABIA
@Las_Quimbambas.
La predicción del Centro Europeo, tanto determinista este sentido, los mapas de distribución de rayos, men-
como probabilista, por conjuntos, para el día 4 de mar- suales o estacionales [524]. En el interior de la penín-
zo de 2017 a las 00 UTC, no deja lugar a dudas sobre sula ibérica es difícil que haya tormentas durante el
la formación de una depresión pequeña, centrada ha- invierno y parte de otoño; en el Mediterráneo, no tanto.
cia Catalunya, que actúa incrementando el gradiente En la península la convección es más bien primaveral
de presión y, por tanto el viento, en la zona. Hay dis- y estival, mientas que en el Mediterráneo, es prefe-
persión entre los miembros del conjunto, manifestada rentemente otoñal. En determinadas circunstancias la
por la relativa amplitud del «haz de espaguetis» de la convección, no sólo la mediterránea, es capaz de orga-
isobara de 995 hPa, de modo que la baja y el temporal nizarse, dando lugar a la formación de agrupaciones
van a existir, pero los detalles más finos predichos de tormentas incluso de grandes sistema convectivo de
para la distribución de presión y viento no están ga- mesoescala (SCM). En ocasiones éstos pueden ser ca-
rantizados. Eso es lo que se ve en la parte izquierda si estacionarios, siendo responsables de algunas de las
de la Figura 32.9. Puestos en escena resulta imposible lluvias mediterráneas más copiosas; ése es el caso, por
asegurar, por tanto, que se vayan a cumplir los detalles ejemplo, del superrécord de lluvia de Oliva-Gandía,
más pequeños que se ilustran en el panel de la derecha del 3-4 de noviembre de 1987, cap. 44 en la pági-
(que es la predicción determinista representada con na 655, referenciado en otros capítulos de este libro.
resolución máxima), tales como el máximo puntual En cualquier caso, los SCM duran mucho más que
de gradiente bárico y viento próximos a la desembo- una tormenta ordinaria y, por tanto, pueden aportar
cadura del Ebro. De hecho, en la boya de Dragonera, más lluvia durante su ciclo de vida.
al suroeste de Mallorca, se registraron, el día 4 a las
00 UTC, vientos sostenidos de 17 m/s (temporal), con En un SCM hay una compleja interacción entre célu-
oleaje de casi 6 metros de altura significativa, si bien las convectivas viejas y nuevas, con un resultado final
pocos detalles adicionales de observación sobre el mar que, en superficie, muchas veces incluye una zona de
se pueden aportar para este evento. aire relativamente frío y con presión alta, flanquea-
do por un frente de salida caracterizado por fuertes
vientos divergentes.
32.2.3 Convección organizada. Medicanes Que la convección se organice o no en SCM a veces
depende de pequeños detalles del ambiente convecti-
Durante el otoño pero también en cualquier época del vo, de sutilezas, se podría decir. Aparte de que debe
año salvo, quizás, la primavera tardía y parte del ve- haber inestabilidad condicional o convectiva y ciza-
rano, es fácil que la atmósfera mediterránea presente lladura vertical suficiente (cap. 6.2.5 en la página 75,
inestabilidad condicional o convectiva (sec. 6.2.5 en vientos fuertes en altura, en comparación de los que
la página 75). Ello puede dar lugar a la formación hay a bajo nivel), para formar un SCM hace falta un
frecuente de chubascos y tormentas más o menos dis- flujo continuado y suficiente que alimente al sistema
persos, de día y también de noche, tanto sobre áreas con aire inestable, como ya se ha destacado al descri-
terrestres como marítimas. Son muy ilustrativos, en bir las lluvias fuertes mediterráneas en general.
Figura 32.10: Como en la Figura 32.4, las elipses indican la localización mayoritaria de depresiones simultáneas a
la formación de SCM (en este caso) en las zonas cuyo centro es el punto sin elipse. De JANSÀ Y COL. [325].
Y también hace falta un mecanismo eficiente de dis- modelos es cada vez mayor y resulta ya factible simu-
paro, de inicio de la ascendencia, necesaria para des- lar SCM realistas por vía determinista, en particular
encadenar la liberación de la energía convectiva. La desde que los modelos no necesitan parametrizar la
ascendencia inicial puede estar generada por la oro- convección sino que la resuelven explícitamente, a
grafía que rodea la cubeta mediterránea, bien directa- menudo queda un margen de duda en el resultado de
mente, por elevación mecánica sobre las pendientes, o la predicción. Eso hace totalmente aconsejable usar
a través del bloqueo del aire a barlovento, particular- predicción por conjuntos para dilucidar la predecibili-
mente si éste es frío, procedente de las descargas de dad del caso convectivo y la confianza que se puede
tormentas previas. Una depresión o centro de baja pre- asignar a la veracidad futura de un SCM simulado.
sión, incluso de poca entidad, puede proporcionar, por La Figura 32.11 en la página siguiente muestra un
sí misma, todo los ingredientes necesarios, incluida caso reciente de SCM bien previstos, como indica la
alguna zona de convergencia en nivel bajo que fuerce imagen de satélite. Antes de la verificación no había
la ascendencia. En base al catálogo de SCM elabo- manera de asegurar que la predicción se iba a cumplir,
rado en AEMET [540], se pudo constatar que en el y sin SPC el grado de incertidumbre era desconocido.
71 % de los casos de SCM en el Mediterráneo hay una
depresión adecuadamente situada, como en el modelo
conceptual de lluvia fuerte (Figura 32.10). Un modo de organización de la convección completa-
mente distinto al de los SCM es la formación de una
En casos de estudio seleccionados, los experimentos pequeña depresión, intensa, con semejanza estructural
numéricos han demostrado que pequeños cambios en a los ciclones tropicales. A esas pequeñas depresio-
las condiciones iniciales generan (o no) convergen- nes o ciclones mediterráneos de características casi-
cias y ascensos iniciales, o los sitúan en un lugar u tropicales se les ha venido llamando medicanes (de
otro. Aunque el refinamiento y sofisticación de los Mediterranean hurricane).
Figura 32.11: La previsión de rachas máximas de viento dada por el modelo, experimental en ese momento,
HARMONIE (AEMET, sec. 20.4 en la página 310) muestras frentes de salida con rachas de más de 80 km/h en
Catalunya y en el interior peninsular, por ejemplo. La situación es completamente compatible, hora por hora, con el
desarrollo de SCM dada por la imagen de satélite. La predicción de SCM es posible, pero insegura.
Un caldo de cultivo apropiado para la formación de de 2015 y días siguientes es ilustrativo de las ambigüe-
un medicane sería un ambiente termodinámicamente dades que pueden presentarse en condiciones como
inestable (condicional o convectivamente), con con- las que hemos descrito y del más que delicado balance
vergencia suficiente de vientos en superficie, propor- entre ingredientes que parece regir la concatenación
cionada, por ejemplo, por una baja previa. Además, de procesos que hacen posible la formación de un me-
debe haber poca o nula cizalladura vertical del viento. dicane. Los paneles superiores de la Figura 32.12 en
Dichas condiciones se ven favorecidas con una sula página siguiente presentan sucesivas predicciones,
perficie del mar caliente (en relación al aire) y una todas para el día 2 de octubre a las 18 UTC (mode-
baja fría en altura que ya haya alcanzado su estado lo HIRLAM-AEMET, sec. 20.3 en la página 310),
maduro, es decir, sin apenas desarrollo aunque con a 66 horas (izquierda), 42 horas (centro) y 18 horas
reflejo en superficie [184]. En tales ambientes se pue- (derecha). A 66 y 42 horas parecía claro que se iba
den estar formando tormentas sobre la zona ciclónica a formar un medicane hacia el oeste de Córcega ese
de convergencia en torno a la baja previa. El calor de día y hora. A 18 h ya no aparecía la predicción del
condensación puede concentrarse en la zona de esta medicane. En cambio, el día 1 hacia las 12 UTC sí
baja previa, lo que generará caída adicional de pre- parece que hubo medicane, al oeste de Cerdeña, como
sión. Esa caída de presión, o intensificación de la baja, parece evidenciar la imagen de satélite del día 1 a las
aumentará la convergencia, la formación de tormentas 12 UTC (ver Figura 32.12 en la página siguiente) así
en una zona cada vez más cerrada en torno al centro como el dato de presión de 1002 hPa registrado en la
ciclónico y así sucesivamente, como en una reacción costa oeste de Cerdeña. Los mapas previstos a 36 y
en cadena. Además de factores como la cizalladura 12 horas (panel inferior de la Figura 32.12 en la página
vertical del viento (que debe ser poca), la coexisten- siguiente, izquierda y centro), daban depresión, pero
cia de una troposfera bastante húmeda en todos los con una presión no tan baja. Esta vez se pronosticó
niveles, la disponibilidad de masas de agua con gran y observó lo que parece ser un medicane, pero no se
potencial de evaporación y el suministro continuo y observó ni en el lugar ni en el momento en que se ha-
vigoroso de calor latente que se pueda liberar en los bía previsto. Por la experiencia de otros casos, puede
procesos de condensación, son ingredientes críticos afirmarse que las predicciones deterministas para ese
para que un medicane se pueda llegar a formar. Y en tipo de fenómenos (de muy pequeña escala y fuerte-
consecuencia lo son también para que un modelo nu- mente arraigados en las parametrizaciones físicas del
mérico anticipe su formación con suficiente habilidad modelo) son manifiestamente inciertas. Las basadas
(destreza, pericia, skill, sec. 15.2.4 en la página 212) en SPC también lo son, pero al menos pueden aportar
espacial y temporal. alguna información sobre el grado de incertidumbre
de la predicción.
Lo pronosticado y sucedido desde el 30 de septiembre
Figura 32.12: Arriba: predicciones HIRLAM-AEMET sucesivas (a 66, 42 y 18 h) para día 2 de octubre de 2015 a las
18 UTC. Parecía claro, salvo 18 h antes, que se iba a formar un medicane hacia esa hora. Abajo: predicciones a 36
y 12 horas para día 1 de octubre a las 12 UTC: se esperaba una baja, pero no tan pronunciada como un medicane, y
en realidad parece que sí se formó medicane. La imagen de satélite de día 1 a las 12 UTC parece indicarlo y, además,
la presión observada en el oeste de Cerdeña disminuyó hasta 1002 hPa, un valor bastante más bajo que el previsto.
32.3 Retos del uso de SPC para el ria y continua, y el elemento matemático que aglutina
esa información es una distribución de probabilidad
Mediterráneo
(de los posibles valores de la temperatura en el punto
de medida).
Es evidente que el constructo que fundamenta la pre-
dicción por conjuntos en el Mediterráneo occidental Este formalismo probabilista toma especial relevancia
no es diferente de las teorías revisadas en los capí- en un dominio geográfico como el Mediterráneo, don-
tulos 12 en la página 155 y 13 en la página 165. La de la caracterización precisa del estado físico de la at-
llamada dinámica estocástica no lineal hace uso de mósfera está sujeta a los desafíos singulares descritos
ecuaciones diferenciales estocásticas que gobiernan la en las secciones anteriores. En ocasiones dicha carac-
evolución de variables aleatorias continuas que cuan- terización no es más que una quimera ante las actuales
tifican la información sobre el estado de un sistema. tecnologías observacionales, con el consiguiente efec-
E HRENDORFER [182] y P ENLAND [504] describen to sobre la incertidumbre del estado de la atmósfera.
la adaptación de este marco teórico general a la pre- Las estrategias de generación e interpretación que re-
dicción meteorológica y climática. En este paradigma, suelvan el reto de la predicción meteorológica en el
las variables que describen la evolución atmosféri- área mediterránea de España deben definirse en el mar-
ca en el Mediterráneo deben expresarse en términos co general de la teoría de la probabilidad. Así pues,
de funciones de densidad de probabilidad (PDF, del el uso de distribuciones de probabilidad para la repre-
inglés probability density function, sec. 12.3 en la sentación de los campos atmosféricos constituye el
página 159 y 13.6.11 en la página 187), las cuales formalismo natural e ineludible para la incorporación
aglutinan toda la información disponible sobre el va- de las incertidumbres del sistema.
lor de la variable. Por ejemplo, cuando hacemos una
lectura de temperatura sobre un termómetro, esa me- Una vez asumido el uso de variables aleatorias con-
dida incorpora un error, las características del cual tinuas para representar cuantitativamente el estado
dependen del instrumento y de las condiciones de atmosférico, debemos ocuparnos de la necesidad de
observación. El valor determinista real de tempera- modelar su evolución temporal con fines predictivos.
tura sigue siendo estrictamente desconocido, aunque En este sentido, la ecuación de L IOUVILLE (sec. 13.1
poseemos una información valiosa respecto de ese en la página 171) describe la evolución temporal de un
valor: la lectura observacional y las características de sistema descrito por variables aleatorias continuas. Sin
su error. Cualquier uso que hagamos de la temperatura embargo, nuestra capacidad de modelar la evolución
observada debe ser en términos de una variable aleato- atmosférica es limitada, incluso aunque pudiésemos
32.3 Uso de SPC para el Mediterráneo 545
llegar a tener un conocimiento exacto (sin incertidum- 32.3.1 Métodos experimentales de genera-
bres) de su estado instantáneo. ción de SPC en el Mediterráneo oc-
cidental
La opción más directa a la hora de diseñar un SPC

La ecuación general que combina la ecuación de
de área limitada de alta resolución sobre el Medite-
L IOUVILLE (sec. 13.4 en la página 171) con las fuen-
rráneo es la importación de la diversidad generada
tes de error e indeterminación presentes en nuestros
por un sistema global como el del ECMWF (ECENS,
modelos de la atmósfera es la ecuación de F OKKER -
sec. 19.3 en la página 293), dando lugar, de hecho, a
P LANCK (sec. 13.4 en la página 171), que debería
una predicción reescalada de la predicción global. A
particularizarse para la dinámica atmosférica y cons-
pesar de que este diseño puede dar buenos resultados
tituir la base de la predicción numérica del tiempo,
para episodios concretos, elude importantes fuentes
y muy especialmente en el Mediterráneo occidental.
de error de la mesoescala y la escala local, lo cual
Lamentablemente, no se conocen hoy en día las ecua-
obliga a explorar métodos específicos de generación.
ciones estocásticas primitivas atmosféricas ni tampo-
En un intento por diseñar un SPC capaz de adaptarse
co métodos directos de solución de la ecuación de
a la fenómenos adversos previstos, H OMAR Y COL.
F OKKER -P LANCK (sec. 13.4 en la página 171). En
[299] y Romero y col. [554] exploraron la posibilidad
consecuencia, se usan versiones muy simplificadas
de usar métodos tangentes adjuntos lineales para gene-
y discretas de ese formalismo, tomando un número
rar perturbaciones selectivas, diseñadas para producir
de muestras finito tanto de las PDF que describen el
una predicción probabilista optimizada sobre una zo-
estado atmosférico como de los términos estocásticos
na y parámetros de interés. Brevemente, el método
que incluye su modelado. Estos son los Sistemas de
consistía en la identificación por parte de predictores
Predicción por Conjuntos (SPC), introducidos en los
operativos expertos de los sistemas atmosféricos de
capítulos 12 en la página 155 y 13 en la página 165.
mayor interés en la predicción del día, y la posterior
perturbación de las condiciones iniciales del modelo
en aquellas áreas más influyentes para la génesis o evo-
Es la elección concreta del método de muestreo la lución posterior de dichos sistemas. Este ambicioso y
que definirá el diseño de cada SPC. A la postre, un persuasivo método no arrojó resultados satisfactorios.
SPC es una colección de predicciones individuales El hecho de basarse en la hipótesis de linealidad de
realizadas a partir de campos iniciales o de contorno la evolución de las perturbaciones, provocaba seve-
y/o formulaciones del modelo compatibles con nues- ros desajustes entre el impacto esperado de éstas y el
tro conocimiento del estado y evolución atmosféricos. finalmente obtenido a través del modelo estándar de
Esta colección de predicciones (muestra estadística predicción no lineal, lo cual dañaba el objetivo de ge-
de posibles escenarios de predicción) debe generarse neración selectiva de que las perturbaciones incidieran
de acuerdo con las incertidumbres del sistema que sobre el aspecto de interés de la predicción.
más afectan a los fenómenos de interés regional. Por
ejemplo, de acuerdo con las consideraciones discu- La vorticidad potencial es una magnitud escalar que
tidas en las secciones anteriores, no tendría mucho se conserva bajo evoluciones adiabáticas y libres de
sentido priorizar en el Mediterráneo el muestreo de fricción y que mide la vorticidad relativa que adqui-
incertidumbres originadas en la microfísica del hielo riría una porción de aire tras una evolución de este
antes que aquellas asociadas a la convección húmeda, tipo al someterse a una estratificación vertical y latitud
la temperatura de la superficie del mar o a la dirección determinadas. Es una magnitud muy usada en meteo-
rología sinóptica al conservarse para movimientos de
e intensidad de los vientos superficiales.
gran escala y por existir una ecuación de invertibilidad
que permite obtener campos de masa y viento a partir
de una distribución tridimensional de PV [304]. Su
condición de campo escalar y su papel de descriptor
Así pues, un SPC puede describirse como el sistema de campos como la temperatura y el viento la con-
práctico o pragmático que se usa hoy en día para si- vierten en una variable muy atractiva para el estudio y
mular la evolución de la distribución condicional de predicción de la escala sinóptica atmosférica.
probabilidad de un pronóstico meteorológico.
Figura 32.13: Probabilidad de que el sistema SPC destaque zonas que reciben precipitación acumulada en 24 h por
encima del umbral, frente a zonas que no reciben precipitación por encima del umbral (Área bajo la curva ROC,
sec. 15.9.6 en la página 231). Resultados obtenidos para 19 casos de lluvias intensas en el Mediterráneo occidental.
Izquierda: Valores medios. Las curvas demuestran la mayor capacidad de los sistemas SPC frente al sistema
determinista («Control»). Para umbrales bajos de precipitación, el SPC multifísica y el basado en climatología de
error de PV son indistinguibles; para umbrales moderados, el SPC basado en la PV muestra mejores capacidades;
mientras que para umbrales extremos, el SPC multifísica genera mejores predicciones. Derecha: Rango de valores
obtenidos entre los 19 casos. El método de perturbación por medio de PV muestra carencias en los valores extremos
frente al método multifísica de generación de SPC. De V ICH Y COL. [644].
Otra interesante idea surgida de la intención de hallar ción de SPC para la escala regional que dé respuesta a
un método versátil de perturbación de condiciones ini- las necesidades de predicción en un entorno tan densa-
ciales en sistemas de predicción de mesoescala fue la mente poblado y a la vez meteorológicamente singular
de estimar el rango de incertidumbres del día a partir como el Mediterráneo, ha llevado a plantear el reto
de una climatología de errores. V ICH Y COL. [644, de la predicción meteorológica de una forma integral.
645] plantearon la astuta idea de generar perturbacio- Ello significa incorporar al problema de la predicción
nes en las condiciones iniciales a partir de un campo la fase de definición del estado de la atmósfera (aná-
director desde el punto de vista dinámico como es lisis) a través del llamado proceso de asimilación de
la vorticidad potencial (PV), ver cuadro gris previo. datos (secs. 10.3 en la página 133 y 16.1 en la pági-
Aunque aplicable a cualquier región del mundo, el na 244).
método parte de una climatología de errores de in-
tensidad y localización de estructuras de PV sobre la Uno de los ejemplos más claros del hecho diferencial
región Mediterránea. Las perturbaciones se forjan a de la región Mediterránea respecto a otras zonas del
través del muestreo aleatorio de la climatología de mundo es la gran densidad de población en sus zonas
errores de PV, y permite generar un número cualquie- ribereñas. La predicción del tiempo de alto impacto
ra de perturbaciones diferentes e independientes entre sobre islas y zonas costeras que miran a un mar re-
sí. La técnica produce buenos resultados sobre ca- lativamente grande supone un desafío notablemente
sos mediterráneos de precipitación suave y moderada, mayor que la predicción en territorios bien cubiertos
aunque muestra limitaciones frente a otros sistemas por las observaciones. Los sistemas de observación
que incorporan diversidad en las parametrizaciones que presentan grandes regiones vacías de medidas in
físicas a la hora de predecir acumulaciones extremas situ, como son las áreas marítimas, afectan de forma
(Figura 32.13). crítica a la capacidad de determinar con precisión sufi-
ciente el estado de la atmósfera. Estructuras y detalles
La cruzada por encontrar un método óptimo de genera- importantes en los campos de temperatura, viento, hu-
32.3 Uso de SPC para el Mediterráneo 547
medad o nubosidad son omitidas con frecuencia en los combinar predicciones y observaciones de una ma-
análisis meteorológicos, provocando errores crucia- nera óptima para obtener una estimación del estado
les en la predicción de fenómenos extremos costeros. de la atmósfera mejor que la ofrecida por las predic-
En los últimos 40 años, se han desarrollado méto- ciones recientes o incluso las propias observaciones.
dos cada vez más avanzados para incrementar nuestra De hecho, la estimación del estado atmosférico sobre
capacidad de diagnosticar el estado atmosférico a par- la malla numérica generada por un sistema de asi-
tir de una gran cantidad de «nuevas» observaciones milación optimizado está, en términos de una norma
realizadas in situ, en particular las suministradas por matemática concreta, más cerca de la realidad que las
instrumentos de teledetección como los radiómetros a predicciones o las observaciones. Se han propuesto
bordo de satélites o los radares meteorológicos. una gran cantidad de métodos para combinar todas las
fuentes de información de que se dispone en el mo-
Uno de los avances más importantes del último siglo mento de representar cuantitativamente el estado de la
en la definición precisa del estado la atmósfera ha sido atmósfera. Los sistemas de asimilación por conjuntos
la adopción de sistemas de asimilación de datos, y en permiten compatibilizar la asimilación de datos con
particular de métodos de asimilación por conjuntos. la descripción probabilista del estado de la atmósfera,
La asimilación de datos es un método que permite señalada a lo largo de este libro.
Figura 32.14: Paneles a, b y c: Probabilidad de ocurrencia de tiempo severo entre las 06 y las 18 UTC del día 4 de
octubre de 2007 predicha por SPC sin asimilación de datos (paneles a y b) y con asimilación de datos convencionales
adquiridos in-situ. El panel d muestra la actividad eléctrica para el día 4 de octubre, revelada por la red de detección
de rayos de la AEMET. La consecuencia de asimilar datos, fundamentalmente de estaciones terrestres, es la de
posibilitar una mejor descripción de los campos iniciales del modelo y por ende, una mejor predicción del episodio
de línea de turbonada sobre el mar. De C ARRIÓ Y H OMAR [109].
Los sistemas de asimilación, y en particular los de 32.4 Aplicación de SPC para la pre-
asimilación por conjuntos, tienen dos ventajas claras
dicción de inundaciones
cuando se incorporan a los esquemas de predicción
diseñados para la región Mediterránea. Por una par-
El Mediterráneo español es una región especialmente
te, permiten explotar de manera simple las ligaduras
afectada por inundaciones súbitas («flash floods» en
físicas que existen entre variables a distancias remo-
inglés), las cuales ocurren con mayor frecuencia a
tas. Ello permite estimar el estado de la atmósfera
finales del verano y principios del otoño. Se producen
sobre zonas deficientemente cubiertas por los siste-
al persistir durante varias horas grandes cantidades de
mas actuales de observación. Así pues, un sistema de
precipitación sobre una misma cuenca caracterizada
asimilación permite utilizar relaciones estadísticas de
por un perfil orográfico abrupto. Esta persistencia se
covarianza y correlación (sec. 16.2.2 en la página 246)
asocia a menudo a la prominente orografía circundan-
para determinar, a partir de medidas fiables tomadas
te, que ancla los sistemas convectivos de mesoescala
en zonas terrestres, el valor de magnitudes como la
hasta el punto de convertirlos en cuasi-estacionarios.
temperatura, la fuerza y dirección del viento o la hume-
Tal y como se discute al principio de este capítulo,
dad, sobre zonas marítimas no observadas. Ello tiene
el factor orográfico mediterráneo supone en princi-
un impacto directo extraordinario sobre la calidad de
pio un elemento positivo para la predecibilidad que
las predicciones de fenómenos costeros iniciados so-
ofrecen los modelos actuales de predicción del tiem-
bre el mar. La segunda ventaja del uso de sistemas de
po. Sin embargo, las características meteorológicas y
asimilación por conjuntos proviene de su aplicación cí-
geográficas de la región, con un mosaico de cuencas
clica, pasos de asimilación seguidos de pasos de corta
costeras de pequeño a mediano tamaño y densamente
predicción, lo cual produce la transferencia de infor-
urbanizadas, no solamente añaden exigencia a los sis-
mación valiosa a través de las ecuaciones del modelo
temas de predicción meteorológica sino que reducen
desde zonas adecuadamente observadas (típicamente
drásticamente los tiempos de respuesta hidrológica y
terrestres) hacia zonas deficientemente muestreadas
por consiguiente aumentan los riesgos de inundacio-
(típicamente marítimas). C ARRIÓ Y H OMAR [109]
nes severas. Además, la mayoría de cauces se secan
demuestran el efecto de estos dos factores y los bene-
durante el verano, exacerbando las dificultades de la
ficios del uso de estas técnicas de asimilación para el
predicción y magnificando los daños inesperados.
caso de la línea de turbonada originada sobre el mar
de Alborán y que barrió las Pitiüses y la isla de Ma- En consecuencia, la comunidad científica dedica es-
llorca la tarde del 4 de octubre de 2007 (Figura 32.14 fuerzos especiales a investigar la predicción de pre-
en la página anterior). Estudios previos demuestran cipitaciones intensas y la modelización hidrológica
la incapacidad de modelos deterministas de simular de sus efectos. En este sentido, la consideración de
la línea de turbonada debido a la presencia de errores los parámetros atmosféricos como variables aleatorias
en los campos iniciales en la definición de estructu- con una distribución de probabilidad debe igualmente
ras de viento en niveles bajos sobre la zona marítima, transferirse al sistema de predicción hidrológica. La
importantes para la formación del sistema convecti- combinación de un sistema de predicción meteoroló-
vo. El simple reescalado de sistemas SPC globales gica y un sistema de predicción hidrológica resulta en
anteriormente mencionado no resuelve el problema un sistema integral de predicción hidrometeorológica,
de predecibilidad, y no es hasta que se realiza una que tiene en el campo de precipitación (probabilista)
asimilación de datos con frecuencia horaria que las el nexo de unión principal entre cada subcomponen-
condiciones iniciales contemplan una zona de flujos te del sistema global de modelización. Más allá de
convergentes sobre el mar de Alborán y la predicción los factores mencionados que limitan la predecibili-
probabilista arroja probabilidades de ocurrencia de dad atmosférica, la acometida de predecir episodios
tiempo severo a lo largo de la trayectoria de la línea hidrometeorológicos severos impone unos requisitos
de turbonada observada (Figura 32.14 en la página sobre los campos de precipitación previstos que nin-
anterior). gún sistema de modelización actual puede cumplir
con garantías para alcances de predicción útiles.
32.4 Aplicación de SPC para la predicción de inundaciones 549
Figura 32.15: Izquierda: Relación entre dispersión (spread) y error cuadrático medio para la predicción de dos casos
de inundaciones que afectaron a la cuenca hidrológica de Milán (Italia). Derecha: Caudales máximos observados y
simulados en tres puntos diferentes de los ríos Seveso y Lambro de la cuenca de Milán. El rango que abarcan las
predicciones SPC hidrológicas se representan con un diagrama de whiskers (sec. 27.8.1 en la página 426). Los dos
paneles ilustran la mayor habilidad de los SPC multimodelo generados con diversidad física (MPS) sobre aquellos
que se basan en el escalado de predicciones globales (PILB).
Por una parte, la respuesta hidrológica a pequeñas mayor variabilidad espacial y temporal. Ello supone a
desviaciones en la localización de las precipitacio- la postre una mejor estrategia de muestreo del abanico
nes previstas es altamente no lineal, lo cual amplifica de escenarios de precipitación posibles y por tanto
muy rápidamente los errores en la predicción. Por otra una mejor predicción desde múltiples perspectivas
parte, la respuesta en forma de caudal en la desem- (Figura 32.15). R AVAZZANI Y COL . [535] obtienen
bocadura de una cuenca hidrológica es muy sensible una mejor calibración (o consistencia, sec. 15.8 en
a la distribución espacial y temporal de la precipita- la página 222) del sistema, revelada por una mejor
ción en la cuenca. La precisión espacial y temporal relación diversidad-error (spread-skill, sec. 15.8.2 en
que demandan los modelos hidrológicos a los campos la página 223), en el SPC basado en multifísica. Ade-
de precipitación predichos se sitúa claramente más más, el rango de descargas hidrológicas previstas por
allá de las capacidades actuales de los sistemas de este sistema se asemeja a los caudales observados,
predicción atmosférica. Todo ello no hace más que y todavía más importante, el SPC multifísica genera
abundar sobre la necesidad de tratar las predicciones una predicción que incrementa muy claramente las
hidrológicas desde una perspectiva probabilista inte- probabilidades de caudales superiores a los niveles de
gral que incorpore información relativa a los errores alarma y activación de protocolos de protección civil.
en el propio producto de predicción. Ello se evidencia en el panel derecho de la Figura
32.15 con el mayor peso que impone el SPC multifísi-
En un intento por cuantificar la habilidad de SPC hi- ca sobre los valores de caudal previsto superiores al
drometeorológicos en predecir inundaciones súbitas umbral de alarma hidrológica.
en el Mediterráneo occidental, R AVAZZANI Y COL .
[535] contrastan la capacidad de un SPC generado a Hasta la fecha, los intentos por incorporar los erro-
partir del reescalado de predicciones globales y otro res generados por el propio modelo hidrológico -de
basado en muestrear los errores del modelo mesoesca- manera análoga a como se contemplan los errores del
lar a través de una estrategia multifísica. modelo meteorológicos a través de combinaciones
multifísica o términos estocásticos- han sido muy li-
Por la naturaleza no lineal de las diferencias entre las mitados, al constatar que la diversidad de escenarios
simulaciones del SPC multifísica, sus predicciones heredada a través del campo de precipitación es ya
alcanzan valores de precipitación más grandes y con considerable.
32.5 Desafíos y oportunidades de dad subyacente y pasar a conquistar el manejo de las

distribuciones completas que caracterizan el estado
futuro
atmosférico instantáneo y su evolución dinámica. En
un horizonte más próximo, se debe hacer hincapié en
Existen aún retos importantes que la investigación la caracterización de las fuentes de error más determi-
científica debe afrontar para comprender mejor la pre- nantes de las predicciones de alta resolución. Por otra
decibilidad de los fenómenos meteorológicos medi- parte, los recientes desarrollos en materia de perturba-
terráneos y mejorar su predicción. Uno de los más ciones estocásticas en distintos términos del modelo
fundamentales, por su calado teórico y por lo que numérico que simulan procesos físicos de pequeña
implica de cambio de paradigma, es el abandono de escala, podrían significar un avance significativo en la
la estrategia actual de usar los SPC como muestras protección de las comunidades mediterráneas ante los
estadísticas discretas de una distribución de probabili- impactos de fenómenos meteorológicos extremos.
Predicción de medicanes 33
DOI: 10.31978/014-18-009-X.33
M ARIA A NGELES P ICORNELL A LOU Y J OAN C AMPINS P ONS
D. T. en las islas Baleares, Agencia Estatal de Meteorología (AEMET)
Mon cor estima un arbre! Més vell que l’olivera, Oh! sí: que quan a lloure bramulen les ventades
més poderós que el roure, més verd que el taronger, i sembla entre l’escuma que tombi el seu penyal,
conserva de ses fulles l’eterna primavera, ... llavors ell riu i canta més fort que les onades,
i lluita amb les ventades que atupen la ribera, i vencedor espolsa damunt les nuvolades
com un gegant guerrer. sa cabellera reial.
El pi de Formentor – M IQUEL C OSTA I L LOBERA
Los sistemas de previsión meteorológica actuales encuentran su gran caballo de batalla en los fenómenos extre-
mos, aquellos que ocurren con relativa poca frecuencia y los fenómenos adversos, aquellos que producen mayor
impacto social y económico. Los fenómenos extremos no siempre son adversos y, viceversa, no todo fenómeno
adverso es raro, pero tienen algo en común: la complicación e importancia especiales a la hora de predecirlos
con el acierto y la antelación necesarios. Los sistemas de predicción por conjuntos (SPC) pueden ayudar a prever
estos fenómenos enfocando la predicción de forma probabilista, especialmente si se desarrollan herramientas
específicas basadas en ellos. En este capítulo presentamos una metodología desarrollada específicamente en
AEMET para la previsión de un fenómeno adverso típicamente mediterráneo: los mediterranean hurricanes o
medicanes.
Palabras clave: sistemas de predicción por conjuntos aplicados en previsión de medicanes, mediterranean
hurricanes o medicanes, ciclones mediterráneos y tiempo adverso, detección y trayectoria de ciclones, espacio
de fases de ciclones.
Imagen parte superior: imagen True-Color del sensor MODIS del satélite Aqua (NASA) del 7 de noviembre de 2014, aproxi-
madamente a las 12 UTC, con un medicane entre Túnez y Sicilia. Imagen extraída de la aplicación de la NASA Worldview
(https://worldview.earthdata.nasa.gov/), NASA/Goddard Space Flight Center Earth Science Data and Information System (ESDIS)
project.
552 Física del caos en la predicción meteorológica Capítulo 33. Predicción de medicanes
33.1 Los ciclones mediterráneos y cabe resaltar otro tipo de ciclón, en este caso pequeño
pero muy intenso, que comparte algunas similitudes
el tiempo adverso
con los ciclones tropicales y que por este motivo se
denominan ciclones casi-tropicales o medicanes (de
Desde el punto de vista meteorológico, el Mediterrá- medi-terranean hurri-cane [184]). Estos ciclones se
neo es una región peculiar, diferente a otras regiones forman sobre el mar y para su desarrollo adquieren
del mundo. Esto se debe principalmente a factores la energía a partir de los flujos superficiales de calor
morfológicos y geográficos. En primer lugar se trata sensible y latente y de la liberación de calor latente
de un mar casi cerrado y relativamente cálido, rodea- de las nubes convectivas. Por último, es importante
do de una compleja orografía, en la que se alternan señalar que los diversos mecanismos ciclogenéticos
elevadas cordilleras y estrechos valles, y a la presencia (orografía, inestabilidad baroclina, liberación de calor
de golfos, islas y penínsulas de muy diversos tama- latente, etc.) pueden aparecer simultáneamente o en
ños. Todo ello tiene importantes consecuencias sobre diferentes fases del desarrollo de un mismo ciclón
los fenómenos atmosféricos porque propicia una gran mediterráneo [383].
variabilidad espacial y temporal, resaltando sobre to-
do las características mesoescalares (sec. 4.3.2 en la En el Mediterráneo es conocida la relación que existe
página 39). En segundo lugar, su posición geográfi- entre episodios de tiempo adverso y los ciclones y en
ca coloca a la región bajo la influencia de diferentes muchas ocasiones estos episodios tienen un alto im-
circulaciones de gran escala, como las asociadas a pacto social y económico [326]. En muchos casos se
las propias de latitudes medias o las circulaciones tro- trata de ciclones relativamente grandes e intensos co-
picales o subtropicales. Estas circulaciones de gran mo por ejemplo el que afectó a Argelia y a la costa este
escala pueden verse modificadas por la morfología de española, sobre todo a las islas Baleares, entre el 9 y el
la región y a su vez también pueden interactuar con 11 de noviembre de 2001. Este ciclón produjo intensas
las propias de menor escala espacial [383]. precipitaciones y vientos muy fuertes tanto en tierra
como en el mar. En Argelia las inundaciones asocia-
Entre las peculiaridades de la región mediterránea se das provocaron la muerte de centenares de personas y
encuentra su elevada capacidad de generar ciclones o cuantiosas pérdidas materiales. En las Baleares tam-
de rejuvenecer a los ciclones que provienen de otras bién se produjeron importantes precipitaciones, pero
regiones, especialmente del Atlántico Norte, pero tam- los principales efectos fueron el fortísimo viento que
bién del norte de África ([383] y cap. 32 en la pági- causó graves desperfectos en zonas costeras [226] y se
na 531). Aunque el término ciclón en general se suele estima que en Mallorca arrancó un millón de árboles.
asociar a los ciclones tropicales, se utiliza de un modo Otro ejemplo, más próximo en el tiempo, lo encontra-
más amplio como sinónimo de depresión, borrasca mos en el temporal de lluvia, nieve, viento y olas que
(si es grande e intenso), centro ciclónico, centro de afectó principalmente a la Comunidad Valenciana y a
baja presión o simplemente baja. En el Mediterráneo Baleares en enero de 2017 (cap. 52 en la página 795).
existen zonas preferentes de formación de ciclones En otros casos, mucho menos frecuentes, el tiempo ad-
(como el golfo de Génova o Chipre), así como trayec- verso está producido por pequeños e intensos ciclones,
torias preferentes de movimiento de dichos ciclones como por ejemplo los medicanes [534]. Más adelante
[102]. Por lo que respecta al tamaño y la duración, trataremos de forma extensa un ejemplo de este tipo
los ciclones mediterráneos suelen ser menores que de ciclones (subsección 33.4 en la página 556).
los ciclones atlánticos (predominando los de mesoes-
cala o escala subsinóptica frente a la sinóptica) y de Pero no solo los ciclones intensos mediterráneos es-
vida más corta (del orden de un día frente a varios tán relacionados con el tiempo adverso. En ocasiones
días). Muchos de estos ciclones son poco intensos y ciclones pequeños y poco intensos juegan un papel
de poco espesor vertical, como los ciclones a sotaven- clave en episodios de lluvias intensas. Estos ciclones
to de las cordilleras o las bajas térmicas. Otros, menos pueden canalizar o focalizar un flujo de aire cálido y
frecuentes, son intensos y profundos y en muchos ca- húmedo que sirva como alimentación de las precipita-
sos se trata de ciclones extratropicales típicos que se ciones. Este sería el caso, por ejemplo, del récord de
forman en la propia región o provienen de regiones precipitación registrado en Oliva (Valencia) entre el 3
próximas. Estos ciclones son de tipo frontal (aunque y 4 de noviembre de 1987 (cap. 44 en la página 655).
los frentes en el Mediterráneo son, a menudo, difí- Este marco conceptual se ha comprobado válido en
ciles de identificar) y su mecanismo de formación o muchos casos de lluvias fuertes en el Mediterráneo
desarrollo es la inestabilidad baroclina. Finalmente occidental, sobre todo en las regiones mediterráneas
33.2 Predecibilidad de los ciclones mediterráneos 553
españolas [325]. desarrolló en el marco del proyecto TIGGE (cap. 26

en la página 387) en el que se compararon 9 ensem-
bles globales (se puede consultar un resumen de los
33.2 Predecibilidad de los ciclones resultados en F ROUDE, 2010 [216]). En el mismo se
demuestra que el ECENS es el mejor SPC global a
mediterráneos la hora de predecir la posición, la intensidad y la ve-
locidad de propagación de los ciclones, aunque con
La predicción numérica está mejorando continuamen- importantes limitaciones. El ECENS muestra un ma-
te: aumenta la resolución de los modelos, se utiliza yor acierto a la hora de predecir la posición que la
mayor número de observaciones (con lo que se me- intensidad de los ciclones extratropicales. Además, el
joran las condiciones iniciales) y también progresan error en la posición es debido principalmente la velo-
los métodos de asimilación y predicción de los mis- cidad de propagación (los ciclones previstos son más
mos. Aún así, sabemos que en los episodios de baja lentos que los analizados) y no tanto a la dirección.
predecibilidad el error de predicción de los modelos Como ocurre con la mayoría de ensembles, tanto el
deterministas puede ser elevado. Por este motivo el error como la predecibilidad de los ciclones extratro-
uso de modelos probabilistas nos puede ayudar a me- picales aumenta con el tiempo y en general la relación
jorar la predicción y a cuantificar la incertidumbre dispersión-error (sec. 15.8.2 en la página 223) mues-
que esta conlleva. Todo ello puede ser especialmente tra ser buena para la predicción de la trayectoria (el
útil en los casos de tiempo adverso (caps. 12 en la error aumenta al mismo ritmo que la dispersión) pero
página 155 y 13 en la página 165). no para la intensidad, donde el error crece más rápido
que la desviación estándar del SPC (es decir el modelo
Una de las principales fuentes de error de los modelos
es subdispersivo).
numéricos es una insuficiente caracterización del esta-
do inicial de la atmósfera (cap. 16 en la página 243). Estas conclusiones son generales para latitudes me-
Este tipo de error se ve acentuado en el Mediterráneo dias y, por tanto, también son aplicables a los ciclones
debido a que una parte importante de esta región se mediterráneos, aunque conviene señalar que estos es-
sitúa sobre el mar y a que además amplias regiones tudios se centraron en los ciclones grandes (sinópticos
cercanas a la misma también carecen de una buena o subsinópticos), móviles y de duración de varios días,
cobertura de observaciones (por ejemplo el Atlántico es decir, se centraron en una fracción de los ciclo-
Norte o el norte de África). Otro aspecto a tener en nes mediterráneos, aunque probablemente asociados a
cuenta es cómo crecen estos errores. Así por ejemplo, tiempo adverso. Por otro lado hay que tener en cuenta
en latitudes medias, en predicciones a medio plazo (en- que estos estudios se realizaron con predicciones de
tre 3-5 días) y a escala sinóptica el crecimiento de los hace unos años (antes del 2010) por lo que es muy
errores está asociado (entre otras causas, aunque prin- probable que gracias a las mejoras realizadas en el
cipalmente) a la inestabilidad baroclina y estos errores ECENS, actualmente sus predicciones también ha-
crecen sobre todo en los primeros días de predicción. yan mejorado. Desgraciadamente en el ECMWF no
De este modo las incertidumbres en las condiciones existe todavía una verificación de la predicción de los
iniciales pueden situarse lejos de la región de interés, ciclones extratropicales, pero sí la hay para los ciclo-
o en el caso de los modelos de área limitada incluso nes tropicales, tanto para el ECHRES como para el
fuera de su dominio (en este caso las incertidumbres ECENS. Para los ciclones tropicales se comprueba
"entrarían" a través de las condiciones de contorno). una mejora a lo largo del tiempo en la predicción de
Los errores asociados a la inestabilidad baroclina se su trayectoria y de su intensidad (mayor en la trayec-
ven incrementados por procesos en los que interviene toria) y para ambos modelos, sobre todo a partir del
la humedad. Los tipos y ritmos de crecimiento de los 2010 [260].
errores en las predicciones a corto plazo y para esca-
las menores son diferentes a los de escalas mayores, Hasta el momento nos hemos referido a la predicción
aunque de nuevo los procesos dinámicos relaciona- probabilista realizada a partir de ensembles globales
dos con la humedad tienen un papel muy destacado para predicciones a medio plazo de ciclones extratro-
(cap. 17 en la página 257). picales. Nos podemos preguntar ahora cómo predicen
los SPC, tanto globales como de área limitada y de
En los últimos años se han realizado diversos estudios medio o de corto plazo, los ciclones mediterráneos,
sobre el error y la predecibilidad de los ciclones ex- sobre todo los más pequeños e intensos. Por lo que
tratropicales. Quizás el más importante es el que se conocemos, no existe un estudio sistemático sobre los
errores en la predicción de los ciclones mediterráneos un cierto gradiente a su alrededor. Una vez identifica-
o sobre su predecibilidad. Un primer intento de esti- do y, para seguir su trayectoria, se asume la hipótesis
mar la habilidad para predecir ciclones mediterráneos de que se desplaza dirigido por el viento a niveles
a partir de modelos deterministas (primero para el año medios. Se imponen unas condiciones de selección
1999, a partir del HIRLAM-INM de 50 km, y des- poco restrictivas, con el fin de detectar tanto ciclones
pués para el 2006-2007, con ECHRES de 25 km de mesoescalares intensos como pequeñas estructuras o
resolución) se realizó utilizando las herramientas de ciclones poco intensos y poder analizar su influencia
detección y seguimiento que se explican a continua- en el tiempo atmosférico. Esto provoca que un gran
ción [515]. En estos trabajos se obtienen diferentes número de ciclones sean identificados en el Medite-
medidas (scores) de verificación (sec. 15.2.3 en la rráneo, algunos de ellos sin consecuencias relevantes.
página 211) de los ciclones previstos respecto a los Estos criterios pueden modificarse para describir de-
analizados y se evalúa el error para diversos rangos de terminados tipos de ciclones, así como completarse
predicción. Por otro lado sí existen muchos estudios con otros parámetros para describir su estructura tri-
de episodios concretos que exploran los diferentes dimensional. De hecho a lo largo de estos años el
aspectos que provocan mayores errores o aumentan procedimiento ha ido sufriendo una serie de modi-
mucho la incertidumbre de los ciclones mediterráneos. ficaciones para adaptarlo a los diferentes modelos
El capítulo 32 en la página 531, que trata sobre los numéricos utilizados. Se han obtenido climatologías
SPC y el Mediterráneo, contiene algunas reflexiones a partir del reanálisis ERA40 [637], se ha utilizado
sobre la predecibilidad de los ciclones mediterráneos para obtener ciclones previstos a partir de modelos
en general y los medicanes en particular. de predicción, principalmente deterministas, como el
HIRLAM, con diferentes resoluciones, y el ECHRES,
y a partir del modelo probabilista AEMET-SREPS en
33.3 Predicción de ciclones a partir modo experimental.
de modelos numéricos
Criterios para identificar un ciclón
33.3.1 Detección y trayectoria de ciclones
Se define como ciclón un mínimo de presión a ni-
vel del mar, con ∆ p ≥ 0,5 hPa/100 km al menos
Durante las últimas décadas, el aumento de la reso- en seis de las 8 direcciones principales alrededor
lución y la calidad de los modelos numéricos de pre- del mínimo. Para eliminar el ruido excesivo que
dicción meteorológica ha posibilitado la descripción presentan algunos campos derivados, como el de
cada vez más precisa de estructuras atmosféricas de la vorticidad, se suaviza el campo de presión me-
tamaño cada vez menor. Por otra parte, la ya men- diante un filtro de C RESSMAN [145], con un radio
cionada relación de algunos centros ciclónicos con el adecuado a la resolución del modelo utilizado.
Definimos el dominio del ciclón como la región
tiempo atmosférico, y en particular su influencia en
limitada por la línea de vorticidad geostrófica nu-
la localización e intensidad de ciertos fenómenos que la que lo rodea, y calculamos su radio medio y su
pueden ser adversos (ver fenómeno meteorológico ad- circulación geostrófica. Si existe un núcleo cálido
verso (FMA)), ha alimentado el interés en representar en la vertical del ciclón en la troposfera media, se
estas estructuras. Todo ello ha alentado el desarrollo calcula también su radio medio a partir de la línea
de diversos procedimientos para identificar estructuras de laplaciana nula de temperatura.
ciclónicas y seguir su trayectoria, de manera automá- Para determinar la trayectoria de los centros ciclóni-
cos se utiliza un área de búsqueda elíptica orientada
tica y objetiva, a partir de los campos meteorológicos
según el viento en 700 hPa.
proporcionados por los modelos numéricos. En estos
procedimientos, desarrollados para diversas regiones
geográficas, se han utilizado diferentes criterios pa-
ra definir un ciclón y para determinar su trayectoria
33.3.2 El espacio de fases de los ciclones
[469].
En Agencia Estatal de Meteorología (AEMET) se Ante la diversidad de tipos de estructuras ciclónicas

desarrolló un procedimiento de detección y seguimien- observados, cada uno de ellos con sus características
to de ciclones que afectan a la región mediterránea propias, H ART presenta en 2003 [276] una nueva he-
[101, 516]. En este método se identifica como ciclón rramienta que permite clasificar los ciclones a partir
un mínimo del campo de presión a nivel del mar con de su estructura térmica tridimensional, válida para
33.3 Predicción de ciclones a partir de modelos numéricos 555
todo el espectro de ciclones, desde ciclones puramente

tropicales a ciclones extratropicales baroclinos. Parámetros del Espacio de Fases de los Ciclones
(EFC)
Propone el denominado espacio de fases de los ciclo-
nes, EFC, (cyclone phase space, CPS, en inglés), en H ART [276] calcula estos parámetros descritos ante-
riormente en un círculo de 500 km de radio alrededor
el que la posición que ocupa un ciclón, la fase del ci-
del centro ciclónico y recomienda utilizar un círculo
clón, informa de su tipología y su ciclo de vida puede variable que se ajuste al tamaño del ciclón.
ser analizado dentro de este espacio, proporcionan-
do información sustancial sobre la evolución de su Además, para ello examina dos capas troposféricas
estructura. de igual masa: 900-600 hPa y 600-300 hPa. Para los
ciclones mediterráneos, de menores dimensiones que
Este espacio se construye a partir de tres parámetros: los tropicales, utilizamos un círculo menor.
la asimetría térmica a niveles bajos (parámetro B), el
viento térmico de nivel bajo (parámetro −VTL ) y el Si existe núcleo cálido a nivel medio, se utiliza su
viento térmico de la troposfera alta (−VTU ). radio como radio del círculo de exploración. En caso
contrario, utilizamos un círculo de 100 km de radio.
El parámetro B informa de la naturaleza frontal del
Consideramos también que en esta región las capas de
ciclón, propia de ciclones baroclinos, con fuerte gra-
exploración entre 925 y 700 hPa y entre 700 y 400 hPa
diente de temperatura (B > 10 m), o de la ausencia se ajustan mejor al espesor de la tropopausa, menor
de ella, como ocurre en los ciclones tropicales, térmi- en el Mediterráneo que en los trópicos [514].
camente simétricos y con un valor de B próximo a
cero. Parámetro B: para calcularlo se dividide el círculo
por la bisectriz en la dirección de su desplazamien-
Los otros dos parámetros, el viento térmico de ni- to. La magnitud de B se obtiene como la diferencia
vel bajo (parámetro −VTL ) y el viento térmico de la de espesor del estrato inferior entre el semicírculo
troposfera alta (−VTU ), permiten distinguir si la estruc- a la derecha del movimiento y el de la izquierda.
tura vertical corresponde a un núcleo cálido profundo Este parámetro mide el gradiente de la temperatura
media del estrato perpendicular al desplazamiento
(warm-core), es decir a un ciclón de tipo tropical, o si
del ciclón.
existe un núcleo frío (cold-core), propio de un ciclón Viento térmico en la baja troposfera: −VLT . Se
extratropical. Se trata de un esquema simplificado y, calcula a partir del perfil vertical del gradiente de
por tanto, es difícil que pueda abarcar todos los casos altura geopotencial en el estrato inferior.
posibles. Viento térmico en la troposfera medio-alta:
−VU T . Esta medida ayuda a distinguir ciclones de
Para facilitar la visualización, el EFC se presenta me- núcleo cálido profundo (de tipo tropical) de los ci-
diante dos secciones trasversales, los llamados dia- clones con núcleo cálido poco profundo (como las
gramas de fase (DF). En uno de ellos se representa B seclusiones cálidas o ciclones subtropicales).
versus −VTL , y en el otro −VTU versus −VTL . Se defi-
nen cuatro zonas en los DF, en las que se clasifican
los diferentes tipos de ciclones, aunque no hay una Ciclones mediterráneos
separación estanca entre estas regiones.
B = (Z700 − Z925 )|L − (Z700 − Z925 )|R
El ciclo de vida completo del ciclón se define a partir
∂ (∆Z) 700hPa

de su trayectoria en los DF. Estos diagramas pueden
= −|VTL |
incluir además información adicional referente a la ∂ ln p 925hPa
profundidad y al radio del ciclón.
∂ (∆Z) 400hPa

Si bien estos diagramas muestran características esen- = −|VTU |
∂ ln p 700hPa
ciales de los centros ciclónicos, para obtener una des-
cripción completa de los mismos es necesaria infor-
mación complementaria, como la suministrada por los
productos de teledetección.
33.4 Un caso particular: Medica- Si utilizamos las herramientas descritas hasta aho-
ra con modelos numéricos de suficiente resolución,
nes
ya sean deterministas o probabilistas, podemos obte-
ner una predicción objetiva y sistemática (basada en
Actualmente la comunidad científica está trabajando
una descripción cuantificada, que permite una iden-
para conseguir una definición consensuada de lo que
tificación objetiva de la tipología del ciclón) de los
es un medicane y de qué características son esenciales
ciclones mediterráneos, y en particular de los medi-
para identificarlos. Se ha observado que los medicanes
canes. La predicción por conjuntos de los medicanes
son pequeños ciclones que se desarrollan sobre el mar
puede aportar una valiosa información sobre las po-
y afectan principalmente a zonas marítimas, islas y
sibles evoluciones que puede seguir el ciclón y de la
zonas costeras. Pueden provocar vientos muy fuertes,
probabilidad con la que podemos esperar cada una de
temporales marítimos e incluso inundaciones, resulta-
ellas. Cada uno de los miembros del ensemble predice
do de lluvias muy intensas. Se los identifica por una
una evolución de ciclón, con lo cual tendremos tantas
estructura nubosa muy característica, con forma de
trayectorias posibles como miembros (por ejemplo
espiral ciclónica, casi circular, con intensa actividad
como las que se muestran para el ECENS en la Figu-
convectiva y con una zona central sin nubes, el ojo del
ra 33.1 en la página siguiente). Esta información es
medicane, que recuerda a los ciclones tropicales pero
especialmente útil al permitir aumentar la vigilancia
con un tamaño mucho menor. Algunas de estas carac-
en zonas que potencialmente pueden verse afectadas.
terísticas pueden evaluarse mediante las herramientas
Además, la gran cantidad de información suminis-
que acabamos de describir. En este apartado propone-
trada a partir de los modelos probabilistas debe ser
mos una definición objetiva de un posible medicane,
presentada de manera concisa y clara, resaltando las
o mejor de un «candidato» a medicane, a partir de las
características predominantes pero sin dejar de mos-
salidas de un modelo numérico. Así pues, definimos
trar los posibles valores extremos aunque tengan baja
un posible medicane como un ciclón muy intenso, con
probabilidad. El mapa de la trayectoria prevista para
un fuerte gradiente de presión, que presenta una es-
un ciclón se convierte ahora en un mapa de densidad
tructura cálida simétrica y profunda. Este candidato
de trayectorias previstas, que nos informa de las zo-
deberá cumplir además otras condiciones que deberán
nas por las que puede pasar el ciclón con una cierta
evaluarse a partir de otras fuentes, como pueden ser
probabilidad. Las características del ciclón previsto,
los productos de teledetección.
como su radio, el valor de la presión en el centro o
su tiempo de vida, pasan a tener un rango de valores
Definición de medicane a partir de los campos de posibles y el espacio de fases presenta un abanico de
un modelo numérico evoluciones y transiciones previstas. Presentamos a
continuación una serie de productos obtenidos para
Ciclón muy intenso, ∆ p ≥ 3,2 hPa/100 km en al
menos 6 de las 8 direcciones. Este gradiente corres-
la predicción de un medicane que ha sido detectado
ponde aproximadamente a un viento geostrófico y caracterizado a partir de los campos analizados y
medio de unos 32 m/s. previstos del modelo ECHRES y por el ECENS. Se
El ciclón debe tener una estructura térmica simétri- trata de productos similares a los desarrollados por
ca, es decir, B < 10 m. el ECMWF para la predicción probabilista de ciclo-
El ciclón debe presentar una estructura de núcleo nes tropicales ([509], sec. 27.7.4 en la página 423 y
cálido profunda, −VTL > 0 y −VTU > 0. cap. 46 en la página 717).
33.4 Un caso particular: Medicanes 557
Figura 33.1: Sellos de la trayectoria de los ciclones previstos por cada miembro del ECENS. La intensidad del ciclón
en cada posición determina el color del círculo: débiles-moderados (∆ p < 1,5 hPa/100 km) en verde, intensos
(1,5 ≥ ∆ p < 3,2 hPa/100 km) en naranja y muy intensos (∆ p ≥ 3,2 hPa/100 km) en rojo.
ECMWF Forecasts ECMWF Forecasts

Start: 2014110600 End: 2014111006 Start: 2014110600 End: 2014111006
40 40
50
60 40
36 36 40
10
32 ECHRES Analyses 32 ECHRES Analyses

ECHRES Forecasts ECHRES Forecasts
CONTROL CONTROL
ECENS ECENS
12 16 20 24 12 16 20 24
(a) (b)
Figura 33.2: Izquierda: espaguetis correspondientes a las trayectorias previstas por los diferentes miembros del
ECENS (32 km de resolución horizontal). Derecha: mapa de probabilidad de trayectorias. En ambas figuras se
muestran las trayectorias previstas y analizadas por el ECHRES (16 km de resolución horizontal).
Se trata de un medicane, al menos en buena parte de la presencia de un ciclón en la zona (ver Figura 33.2).
su trayectoria, que afectó al Mediterráneo central los Como ya se ha mencionado, cada uno de los miem-
días 7 y 8 de noviembre de 2014, descrito en Carrió bros del ECENS predice una evolución del ciclón,
et al (2017 [110]). Su trayectoria y la evolución de con lo que nos presenta 51 escenarios posibles (ver
la presión en el centro del ciclón se muestran en las Figura 33.1 en la página anterior). Durante las prime-
Figuras 33.2 y 33.4 en la página siguiente. El ciclón ras horas, en las que el ciclón es poco intenso, tanto
se formó durante la madrugada del día 6 frente a la el ECHRES como muchos miembros del ensemble
costa tunecina. Según el análisis del ECHRES, duran- detectan centros ciclónicos en la zona pero no los re-
te las primeras horas se desplazó hacia el norte y a lacionan con el ciclón que detectan por primera vez
partir de las 18 UTC profundizó rápidamente, con un el día 6 a las 18 UTC. Agrupamos en un mismo ma-
caída de presión en su centro de 17.4 hPa en 18 horas. pa las trayectorias de aquellos ciclones previstos por
El ciclón cambió bruscamente de dirección para des- los diferentes miembros que son intensos en algún
plazarse hacia el SE describiendo un pequeño bucle. momento de su evolución (ver Figura 33.2 izquierda)
El valor más bajo de presión se alcanzó día 7 a las y resaltamos la trayectoria prevista por el miembro
12 UTC y en las horas siguientes se registraron fuertes de control del ECENS. Esta figura nos informa de la
vientos y lluvias intensas en las islas que encontró dispersión que existe en las trayectorias previstas. A
a su paso. En Malta se registraron rachas de viento partir del mapa de densidad de trayectorias cuantifi-
que superaron los 42,7 m/s, y una caída de presión de camos la probabilidad de que el ciclón se desplace
20 hPa en 6 horas, con un valor de presión de 985 hPa por una zona determinada que se muestra en la Figu-
a las 16:45 UTC. En su trayectoria rodeó la isla de ra 33.2 derecha. En ambas figuras añadimos también
Sicilia y afectó a su costa oriental. En ese momento la trayectoria del ciclón analizado y la trayectoria
el ciclón empezó a debilitarse y se desplazó hacia el prevista por el ECHRES, con el fin de compararlas.
este. ECHRES y control prevén una trayectoria del ciclón
muy parecida, que es similar a la analizada pero con
Su evolución en los DF (ver Figura 33.6 en la pági- algunas diferencias: está desplazada unos grados ha-
na 561) revela la presencia de un núcleo cálido simé- cia el norte respecto a la analizada y si bien reproduce
trico y profundo desde el día 7 a las 12 UTC hasta los bucles que recorre el ciclón, a partir de día 8 a
el día 8 a las 00 UTC, es decir, durante esas horas las 00 UTC las velocidades de desplazamiento son
el ciclón puede ser clasificado como un medicane de diferentes, el ciclón se desplaza más lentamente en
acuerdo con la definición propuesta. los campos previstos que en el analizado, lo que se
Las previsiones del ECHRES para ese día muestran refleja en un desfase longitudinal.
33.4 Un caso particular: Medicanes 559
Probability (%) of Cyclone Intensity falling in each category

una dificultad añadida a su predicción.
Start: 2014110600 End: 2014111006
WEAK−MODERATE
INTENSE
Clasificamos los ciclones en tres grupos según su in-
100 VERY INTENSE
tensidad y obtenemos un histograma que nos informa
del número de miembros que detectan ciclón en ca-
80 da periodo de predicción (probabilidad) así como de
su intensidad (ver Figura 33.3). Durante las prime-
60 ras y las últimas horas del ciclo de vida del ciclón,
momentos en los que el ciclón es más débil, pocos
40
miembros lo detectan. Más de un 40 % de los miem-
bros del ensemble sí lo detectan entre H+18 y H+84,
y más del 80 % entre H+30 y H+72. Por otra parte,
20
para los momentos de mayor intensidad del ciclón,
entre las 12 UTC del día 7 (H+36) y las 00 UTC del
0 día 8 (H+48), el SPC predice un ciclón que será como
0 12 24 36 48 60 72 84 96
mínimo intenso con una probabilidad de casi el 100 %,
6 Nov 7 Nov 8 Nov 9 Nov y con una probabilidad en torno al 30 % de que sea
incluso muy intenso.
Figura 33.3: Probabilidad ( %) de que la intensidad del
ciclón previsto por el ECENS sea débil o moderada,
fuerte o muy fuerte. Los diferentes miembros del ensemble predicen un
rango de valores posibles para las características del
ciclón, como la presión en el centro, el máximo gra-
Las trayectorias previstas se alejan de la analizada a diente de presión o el viento térmico. En las Figu-
medida que aumenta el rango de predicción. En este ras 33.4 y 33.5 en la página siguiente se muestra la
caso la zona de mayor dispersión coincide con una distribución de estos valores y de nuevo la compara-
zona marítima, lo que plantea algunas dudas sobre si mos con los valores analizados y con los previstos por
el carácter marítimo propio de los medicanes supone el modelo de alta resolución.
Mean Sea Level Pressure (in hPa) Maximum Pressure Gradient (in hPa/100 km)
ECHRES Analyses ECHRES Analyses
ECHRES 8 ECHRES
1015 CONTROL CONTROL
ECENS ECENS
1010
6
1005
1000 4
3.2
995
2
990 1.5
985
00 12 24 36 48 60 72 84 96 00 12 24 36 48 60 72 84 96
(a) (b)
Figura 33.4: EPSgrama de la presión (izquierda) y el gradiente máximo de presión (derecha) para los 50 miembros
perturbados del ECENS. El boxplot muestra una caja rectangular cuyos bordes superior e inferior son el percentil
75 y 25 respectivamente y una linea horizontal en su interior que muestra la mediana. Las líneas verticales superior
e inferior tiene como extremo los valores máximo y mínimo respectivamente. Se muestra también la evolución de
estas variables prevista por el miembro de control y las prevista y analizada por el ECHRES.
−VTL −VTU
150
ECHRES Analyses ECHRES Analyses
50 ECHRES ECHRES
CONTROL CONTROL
ECENS 100 ECENS
50
0
0
−50
−50
−100
−150
−100
−200
00 12 24 36 48 60 72 84 96 00 12 24 36 48 60 72 84 96
(a) (b)
Figura 33.5: Como en la Figura 33.4 en la página anterior, ahora para el −VTL (izquierda) y el −VUL (derecha).
Los EPSgramas de la presión y de la intensidad mues- se observa cierta diferencia entre el ECHRES y el
tran que los previstos son capaces de simular el pe- miembro de control. El ECHRES simula un ciclón
riodo de máxima profundidad del ciclón, si bien la simétrico pero de núcleo frío, excepto en un corto
intensidad es mucho menor que la analizada. Algu- periodo de tiempo en el que aparece un núcleo cálido
nos miembros del ensemble se aproximan más a los somero, con valores muy inferiores a los analizados,
valores observados, incluso algún valor extremo (atí- que en ningún momento aparece en la evolución simu-
pico, en inglés outlier) asigna un gradiente de presión lada por el control.
mayor al analizado.
A la vista de estos resultados, podemos concluir que
En este caso, la Figura 33.4 en la página anterior está
los modelos ECHRES y ECENS detectan la presencia
informando de que se espera un ciclón que probable-
del ciclón, principalmente en los momentos centrales
mente será muy intenso, con una caída de presión en
de su ciclo de vida y son capaces de reproducir su tra-
su centro que puede ser de hasta 10 hPa en 36 horas y
yectoria, aunque con algunos errores. Estos modelos
no descarta la posibilidad (con una probabilidad muy
identifican los momentos en los que el ciclón es más
baja) de que sea aún mayor. Los valores previstos por
intenso, pero ni el ECHRES ni el miembro de con-
el ECHRES son muy similares a los previstos por el
trol simulan la abrupta caída de presión en el centro
miembro de control y aunque coinciden con el análisis
del ciclón, ni los fuertes gradientes de presión que la
en los momentos de máxima intensidad, no son capa-
acompañan. Sólo un pequeño porcentaje de miembros
ces de predecir la severidad de la evolución del ciclón.
del ensemble avisa de la posibilidad de desarrollo de
No predicen correctamente la caída de presión que
un ciclón de intensidad extraordinaria. En cuanto a
muestra el análisis, sino que prevén una variación de
la predicción de la estructura térmica del medicane,
presión central mucho más suave, con más de 11 hPa
solamente algunos miembros del ensemble (no el con-
de diferencia en el momento de menor presión.
trol) y en menor medida el ECHRES son capaces de
En cuanto a la evolución de la estructura térmica del predecir un núcleo cálido en la capa baja, poco mar-
ciclón, según los EPSgramas de la Figura 33.5 y los cado y de corta duración, y en ningún caso en la capa
DF en la Figura 33.6 en la página siguiente se prevé alta. Sin duda este es uno de los aspectos a mejorar.
un ciclón simétrico pero de núcleo frío, excepto en Todo ello muestra que, a pesar de las limitaciones que
un corto periodo de tiempo. Insinúa ligeramente el tienen ambos modelos, solamente la predicción proba-
desarrollo del núcleo cálido de nivel bajo, pero sin bilista alerta, aunque asignándole baja probabilidad,
conseguirlo. Algunos miembros son capaces de prede- de la posible formación de un ciclón extraordinaria-
cir un núcleo cálido a nivel bajo, pero en ningún caso mente intenso con algunas características propias de
con suficiente profundidad. Para estos parámetros sí un medicane.
Start: 2014110600 ● End: 2014110912 Start: 2014110600 ● End: 2014110912
Start: 2014110618 ● End: 2014110912 Start: 2014110618 ● End: 2014110912
14
Asymmetric
100
(Frontal)
●
Deep Warm Core

●
●
●
Asymmetric Warm Core
Warm Core
−VTU [700−400hPa] Thermal wind
● ● ●
●
12
●
● ● ●●
●
●
● ●
σσ
0800 0718
● ●●
● ●
●
● ●
●
σ
●
● ● 0712
10 ●
●
●●
●
●
●
●
50 ●
● ● ●
● ●
● ●
B [925−700hPa]
● ●
● ●● ●
●●
● ●
● ●
●●
● ●
● ● ●
●
8 ●
●
●
●
●
● ●
●
● ●
●
● ● ●
● ●●
●
● ●
● ●
●
●
●
●
●
●
●
● ●
● ●
●
●
●
0
● ●
6
●● ●
●
σ
● ●
(Non frontal)
● ●
●
● ●
● ● ●
● ●
Symmetric
0618 ●
●
●
●
●
● ● ●● ● ●
●
●
●●
●
● ● ●
●
●
● ●
● ● ●
●
● ● ● ● ●
● ● ● ●
0712 ●
σ0718
● ●●●● ● ●
● ●
● ● ●
Cold Core
● ● ●
●
●
●● ● ● ●
●
●
●
● ●
●
● ● ●
● ● ●
●
● ●
● ● ●
4
●
● ● ●
● ● ● ●
●
● ●●
●
● ● ●
● ● ●
● ● ●
● ●●● ● ● ●●● ● ● ● ●
● ●● ●●
●
● ● ●
●
● ●
●
● ●
●
●
●
● ●
● ●
0618
●
●
● ●● ● ●
● ●●●
● ●
●
●●●
●●
●
●
●
●
●
●
●
●
●
● ●
● ●
●
●●
●
●
●
●
●
● −50 ●
●●
● ● ●●
●
●●
●
● ●
●●●● ● ● ● ●●
●●
●
●
●
●
●
σ
● ● ●● ● ●● ● ●
● ●● ● ● ● ●
●
● ● ● ● ● ● ●● ● ● ●
● ● ●
●● ●● ● ● ● ● ● ● ●
● ● ●
●
● ● ● ● ● ● ● ●● ●
2 ●
●
●
0618
●
●●
●
●●
●
● ●
●
●
●
●●●
●●
●
●●
●
● ●
● ● ●● ● ●
● ●
●● ● ●●
●
●
●
●
● ●
●
●●
● ●●
●
● ● ●
●
●
●●●●
● ●
●● ● ●
●
●
●
●
0800 ●
●
●
●
● ● ●●
●
●
● ●● ●●
●●
●●
●
●●
● ●
●
●
●
●
●
●●
● ●
●
● ● ● ●
● ● ● ●
●
Symmetric Cold Core ● ● ●

Symmetric Warm Core ● ● ●
● ● ● ●●● ●
●
● ● ● ● ● ● ●
● ● ● ●●
0618 ●
●
● ● ●●
● ●●● ●● ● ● ● ● ●
● ●● ● ● ● ● ● ●●● ●●● ● ● ●
● ● ● ●
● ●
● ●
● ● ● ● ● ● ●● ● ●
● ●
● ●●● ● ●
●
●
●
●
●● ●
●
Deep Cold Core ●

●
●● ●
● ●●● ●
● ●
● ●
● ●
●
●
Shallow Warm Core
0 ● ● ● ● ● ● ● ● ● ●
●
● ●● ● ● ●● ● ●● ●●
●● ● ●
●
● ● ● ● ●
● ●● ● ● ●
● ●● ● ●
●
●
● ●
● ● ●●
●
● ● ●●● ●
−100 −50 0 50 100 −100 −50 0 50 100

Cold Core Warm Core Cold Core Warm Core
−VTL [925−700hPa] Thermal wind −VTL [925−700hPa] Thermal wind
Figura 33.6: Diagramas de fase I y II. Se muestra la evolución analizada (en negro) y prevista (en azul) por el
ECHRES. Los puntos corresponden a los ciclones previstos por el ECENS en el momento que son intensos (en
naranja) o muy intensos (en rojo). El símbolo σ indica que el ciclón se identifica como medicane.
33.5 Conclusiones a 18 km, por lo que seguramente también ha mejora-

do la predicción de este tipo de ciclones pequeños e
En este capítulo hemos mostrado diferentes procedi- intensos.
mientos para detectar, seguir y caracterizar de una
manera objetiva los ciclones mediterráneos a partir A la vista de este único caso, podemos aventurar que
de modelos numéricos. Estas herramientas se pueden los modelos que hemos utilizado hasta el momento
aplicar tanto a los campos analizados como previstos. son capaces de predecir de manera aceptable (aunque
El análisis puede suponer una buena aproximación a mejorable, dada la diferencia que hay con el análi-
la "realidad" y puede utilizarse tanto para el diagnósti- sis; en cuanto a estructura térmica, no se ha realizado
co como para la verificación de las predicciones, tanto un estudio exhaustivo con ECENS) la intensidad y
deterministas como probabilistas. la trayectoria de ciclones muy intensos de pequeñas
dimensiones, aunque tendremos que esperar a dispo-
La predicción de los ciclones mediterráneos relacio- ner de modelos aún mejores para poder predecirlos de
nados con tiempo adverso puede ser muy útil para los manera adecuada, en especial su estructura térmica y
encargados de realizar las predicciones y de emitir sus posibles transiciones tropicales o extratropicales.
avisos. La ventaja de utilizar las predicciones proba- Por ejemplo, la predicción retrospectica realizada con
bilistas sobre las deterministas está suficientemente el modelo WFR y tomada como control en Carrió et
explicada en este libro y supone un reto a la hora de al., 2017 [110], da una predicción de intensidad más
mostrar de forma clara y concisa la enorme cantidad exacta que ECENS para el caso presentado. La reso-
de información que contiene. lución (32 km ECENS, 2 km WRF) juega un papel
Hoy en día existen muchos productos destinados a la fundamental.
predicción de los ciclones, sobre todo los tropicales.
Aquí se presentan algunos de los posibles productos Aplicar estas herramientas utilizando el nuevo sis-
que se pueden utilizar para la predicción de los ci- tema(s) de predicción por conjuntos (SPC) que se
clones mediterráneos en general, aunque nos hemos está desarrollando en AEMET, el AEMET-γSREPS
centrado en un tipo particular de ciclones como son (cap. 22 en la página 333), puede resultar idóneo para
los medicanes. Para ello hemos utilizado el ensemble simular posibles ciclones mediterráneos y, especial-
global del ECENS y lo hemos hecho para un caso de mente, para la predicción de medicanes, dado que
2014. El ECENS ha mejorado desde entonces, por jugarán a favor tanto el factor resolución horizontal
ejemplo ha aumentado su resolución horizontal de 32 como el factor enfoque probabilista.
Métodos probabilistas para previsión de rayos
34
DOI: 10.31978/014-18-009-X.34
J OSÉ A NTONIO S OSA C ARDO

Delegación territorial (DT) en Andalucía, Ceuta y Melilla, Agencia Estatal de Meteorología (AEMET)
Las tormentas eléctricas son las más extendidas y comunes, son además muy peligrosas y costosas.
Se calcula que en todo momento estan descargando 2000 tormentas eléctricas sobre la superficie
de la Tierra, generando unos 100 rayos por segundo. Cada día hay cerca de 45 000 tormentas o
casi 16 millones en un año. De éstas, 100 000 azotan los EE. UU., con Florida a la cabeza de la
clasificación. Su elevado número las convierte en el principal regulador del balance calorífico de la
tierra. Cada año mueren 100 norteamericanos y casi 250 resultan gravementes heridos.
Las tormentas – J ON E RICKSON
Los rayos son fenómenos meteorológicos adversos presentes en las tormentas. La predicción de este
tipo de fenómenos con impacto en la actividad humana, es tan importante como difícil. Por un lado,
los sistemas de predicción por conjuntos (SPC) aportan, en este contexto, un enfoque muy fructífero
que, entre otras ventajas, permite el desarrollo de herramientas específicas. Por otro lado, la actividad
eléctrica está muy relacionada con el graupel (nieve granulada) y esa relación permite aprovechar
la modelización de la convección profunda y el graupel para estimar la actividad eléctrica asociada.
Presentamos en este capítulo una herramienta para la previsión probabilista de rayos basada por un lado,
en esa relación graupel-rayos y, por otro, en los SPC. Esta herramienta, probada experimentalmente en
AEMET en predicción, con excelentes resultados.
Palabras clave: sistemas de predicción por conjuntos aplicados a la previsión de descargas eléctricas, actividad
eléctrica y graupel, ensemble de hombre muy pobre, modelo HARMONIE-AROME.
Imagen parte superior: rayo en cumulonimbus arcus. Añover de Tajo (Toledo), hacia el norte, 14 de mayo de 2013, a las 20:18. Fotografía
564 Física del caos en la predicción meteorológica Capítulo 34. Previsión de rayos
Figura 34.1: Izquierda: rayos estimados para el día 29-08-2017 (intervalo 00 UTC - 00 UTC) con la pasada de
las 00 UTC del mismo día 29 de HARMONIE-AROME. Derecha: similar a la figura anterior, pero con los rayos
observados en el día 29-08-2017 (intervalo 00 UTC - 00 UTC) superpuestos. El parecido de ambos patrones
espaciales es notable.
34.1 Fenómenos adversos sobre personas y bienes. Además su formación va

ineludiblemente ligada a nubes convectivas del tipo
Las predicciones de fenómenos meteorológicos ad- cumulonimbo, que suelen llevar asociados otros fe-
versos (ver fenómeno meteorológico adverso (FMA)) nómenos que pueden ser también dañinos, como por
son elemento clave en todo sistema de previsiones me- ejemplo granizo, lluvias torrenciales, frentes de racha,
teorológicas. Estos fenómenos son los de más impacto tornados o fuertes corrientes verticales.
social y económico, mientras que también son los más
Los modelos no hidrostáticos de predicción numérica
complicados para dar predicciones acertadas con la
suponen una gran mejora en la modelización de la con-
antelación necesaria. Los sistemas de predicción por
vección profunda respecto a los modelos hidrostáticos,
conjuntos (SPC) se fraguaron por la dificultad de los
ya que en los últimos la convección en la atmósfera
modelos deterministas en dar predicciones acertadas
estaría inhibida (caps 10 en la página 129 y 17 en
en los casos extremos. Los fenómenos extremos no
la página 257). Estos modelos no hidrostáticos sue-
son siempre adversos y viceversa: no todo fenómeno
len incorporar una microfísica más rica y sofisticada,
adverso es extremo, pero hay una relación entre am-
modelizándose distintos estados del agua en la atmós-
bos. Los predictores del tiempo encuentran grandes
fera. Uno de los estados que tiene un interés especial
ventajas usando SPC pues de forma natural pueden
en el pronóstico de tormentas es el llamado granizo
enfocar la predicción desde un punto de vista pro-
blando, nieve granulada o graupel, que juega un papel
babilista. Pero las ventajas no terminan ahí: pueden
fundamental en uno de los principales mecanismos
desarrollarse herramientas especiales, basadas en SPC,
de separación de cargas eléctricas en la atmósfera, el
específicas para la previsión de fenómenos meteoroló-
mecanismo denominado «graupel-ice» [518]. Existen
gicos adversos. Se muestra aquí uno de los ejemplos
varios trabajos que correlacionan la presencia de grau-
emergentes de este tipo de herramientas: previsión
pel con la actividad eléctrica observada, de forma que
probabilista de rayos basada en la relación entre ac-
puede utilizarse el graupel como un pronosticador de
tividad eléctrica y graupel, una herramienta probada
actividad eléctrica. [363, 425, 594, 684].
experimentalmente en las unidades de predicción de
Agencia Estatal de Meteorología (AEMET) con muy
Con el objeto de dar una primera idea cualitativa de
buenos resultados.
cómo se comporta el pronóstico de rayos basado en el
graupel para casos reales relevantes, hemos escogido
un día del pasado verano con episodios tormentosos
34.2 Actividad eléctrica y graupel importantes, es decir, con intensa actividad eléctrica
en la atmósfera: el día 29 de agosto de 2017. Ofre-
La actividad eléctrica en la atmósfera es ya de por cemos en la Figura 34.1 mapas de rayos previstos y
sí un fenómeno que puede causar daños importantes rayos observados para el día en cuestión. Puede ob-
34.3 Un sólo modelo: ensemble de hombre muy pobre 565
servarse que los patrones espaciales previstos, sin ser equiprobables: serían no equiprobables en una cuan-
exactamente iguales a los observados, dan una muy tía desconocida (la equiprobabilidad es un aspecto
buena aproximación. crucial en el diseño de SPC, ver sección 13.7.2 en la
página 191), además del número limitado de miem-
bros disponibles. Salvando este hecho sería razonable
34.3 Un sólo modelo: ensemble de pensar que las pasadas anteriores a la última dispo-
hombre muy pobre nible pueden aportar información de interés para el
pronóstico en caso de que dispongamos de un sólo
Cuando no es posible contar con un ensemble com- modelo para un área espacial determinada.
pleto con un número de miembros suficiente y que
explore las distintas fuentes de error en la modeliza- Para visualizar de qué forma la información genera-
ción atmosférica, generalmente la forma de abordar la da por pasadas anteriores puede aportar información
predicción probabilista es utilizar lo que se denomina adicional podemos tomar como ejemplo la estimación
ensemble del hombre pobre (poor man’s ensemble o, de la densidad espacial de rayos generada a partir del
abreviadamente, PME, [171, 526]). Es un ensemble campo de graupel integrado en la vertical del modelo
construido con las salidas de distintos modelos de pre- no hidrostático HARMONIE-AROME de AEMET
dicción numérica. Esta aproximación explora tanto para las 11 UTC del día 31 de julio de 2015 en el
las posibles desviaciones en el pronóstico debidas a centro peninsular. La pasada más próxima a ese mo-
incertidumbres en las condiciones iniciales como las mento es la de las 06 UTC, y su salida se muestra en la
debidas a distintas implementaciones de la física en Figura 34.2, donde se representa la densidad espacial
cada uno de los modelos. La principal desventaja sue- de rayos. Vemos que se pronostica actividad eléctrica
le ser el número limitado de miembros disponibles y, a sobre la confluencia de las provincias de Zaragoza,
menudo, la heterogeneidad en su dominio, naturaleza Soria y Guadalajara y, algo menos, en las provincias
y parámetros. de Ávila y Cuenca.
En el caso de modelos no hidrostáticos, que suelen En los distintos pronósticos para esa misma hora co-
necesitar una gran cantidad de cálculo, el área a mo- rrespondientes a pasadas anteriores, mostrados en la
delizar se reduce espacialmente para ser capaces de Figura 34.3 en la página siguiente, podemos ver que
ejecutar la pasada a tiempo, siendo bastante probable también se pronostica actividad eléctrica en zonas cer-
que encontremos que el área de interés la cubre sólo canas pero claramente no en las mismas zonas ni con
un modelo, lo que no permite ni siquiera construir un la misma intensidad.
PME, lo que nos obliga a intentar formar un ensemble
desde otra perspectiva.
A corto plazo se pueden utilizar las pasadas ejecutadas

con anterioridad de un mismo modelo, para nuestra
área de interés, lo que nos permite construir un pe-
queño ensemble con las pasadas anteriores de nuestro
modelo que cubren temporalmente la ventana de pro-
nóstico de muy corto plazo, lo que se denomina Time
Lagged Ensemble [395].
Pongamos como ejemplo el modelo HARMONIE-

AROME [41] de AEMET, que se ejecuta cada seis
horas (0, 6, 12 y 18 UTC) con un alcance de +48 horas.
Esto nos daría un total de 8 miembros para las seis
primeras horas de pronóstico, 7 para las siguientes
seis horas, 6 para las siguientes y así sucesivamente.
La principal desventaja para esta aproximación es que Figura 34.2: Pronóstico para las 11 UTC con la pasada
los miembros que lo componen no serían exactamente de las 06 UTC de HARMONIE-AROME.
Figura 34.3: Pronóstico para las 11 UTC con la pasada de las 06 UTC y otras siete pasadas anteriores de
HARMONIE-AROME.
Podemos construir un mapa que en cada punto nos Podemos observar que la rama de rayos superior que
represente el porcentaje de pasadas que han pronosti- apenas era esbozada por la última pasada disponible,
cado algún tipo de actividad eléctrica en dicho punto, sí que ha sido «visualizada» por pasadas anteriores.
con idea de representar el grado de consenso entre las Vemos también que la actividad esbozada por la pasa-
distintas pasadas, porcentaje que, con la interpretación da más reciente en la provincia de Cuenca al final no
adecuada, representa una probabilidad. Superponien- ha tenido reflejo en las observaciones, sin embargo la
do las observaciones detectadas por la red de descarga de la provincia de Ávila, que cuenta con mayor grado
de rayos de AEMET en puntos azules podemos com- de consenso sí que ha sido observada.
parar ambos patrones. (Figura 34.4).
Figura 34.4: Izquierda: Pronóstico de «consenso» para las 11 UTC con las 8 pasadas citadas en la Figura 34.3 de
HARMONIE-AROME. Derecha: Superposición del pronóstico de «consenso» con las correspondientes localizaciones
de rayos observados (puntitos azules).
Figura 34.5: Diagrama temporal de intensidad de rayos (número de rayos por hora) en el TMA de Sevilla, comparando
los estimados en azul con los observados en rojo (ver texto).
Cabría destacar también que ha habido observacio- 34.4 Conclusiones

nes en el interior de la provincia de Madrid, que no
han sido pronosticadas por ninguna de las pasadas
Los modelos numéricos de predicción del tiempo pro-
disponibles.
ducen errores que dependen del tipo de fenómeno a
pronosticar, siendo la convección profunda uno de los
No todo lo que se modeliza llega a observarse, ni todo fenómenos en los que los errores espaciales y tempo-
lo que se observa se ha modelizado adecuadamente, rales pueden ser mayores. Por otro lado, la convección
ni por el ensemble ni por ninguno de los miembros puede llevar asociada actividad eléctrica.
individuales; sin embargo, cualitativa e intuitivamente,
se aprecia un mejor acuerdo con las observaciones por
Hemos visto cómo la variable de pronóstico granizo
parte del ensemble.
blando o graupel puede utilizarse para la estimación
de la actividad eléctrica. Esta actividad, asociada a una
También podríamos representar en un diagrama tem- de las variables pronosticadas por el modelo relacio-
poral la magnitud pronosticada por nuestro modelo nada con la convección profunda, no es pronosticada
integrada en un área espacial determinada, Figura 34.5. con exactitud en el tiempo y en el espacio, o incluso
Se representa en los distintos tonos de azul la cantidad puede pronosticarse y no tener lugar, o lo contrario,
de rayos pronosticada por el modelo HARMONIE- producirse y no haberse pronosticado. Hay que tener
AROME de AEMET para el área de control de la Ter- en cuenta también que los sistemas de observación
minal de Sevilla (Terminal Manoeuvring Area, abre- no son perfectos y pueden darse fenómenos que éstos
viadamente TMA, es un término referido en aviación no hayan sido capaces de captar y viceversa. En estas
al espacio aéreo controlado de gran volumen), en rojo circunstancias, para simular fenómenos convectivos
se representan las observaciones por la red de detec- es natural utilizar una aproximación probabilista, por
ción de descargas de AEMET. En el eje horizontal se ejemplo tipo ensemble, que trate de representar las
representa la línea temporal. incertidumbres en la modelización atmosférica.
Vemos, lógicamente, que no todas las pasadas pronos- Hemos visto también cómo todas las pasadas dispo-
tican de igual forma el fenómeno observado, o mejor nibles de un mismo modelo pueden aportarnos in-
dicho, ninguna de las pasadas del modelo ha sido ca- formación sobre lo que puede ocurrir y, en primera
paz de reproducir con plena exactitud lo que después aproximación, puede utilizarse un ensemble de hom-
se ha observado. bre pobre construido utilizando estas pasadas de un
mismo modelo (técnica denominada time lagged en-
Sin embargo, la envolvente de todas la pasadas parece semble). Los miembros de un ensemble de este ti-
aproximarse más a lo ocurrido. Y es eso lo que, con po no pueden en principio considerarse exactamente
un sentido crítico y realista, se pretende. equiprobables. Dicho problema podría solucionarse
asignando pesos a cada miembro, pesos que obvia- HARMONIE-AROME de AEMET.

mente habría que cuantificar de forma objetiva [395].
Podemos concluir que un sistema de predicción por La experiencia del personal de AEMET responsable
conjuntos de este tipo puede aportar información tre- de la predicción del tiempo a corto y muy corto plazo
mendamente útil a un coste relativamente bajo, pues en el uso de esta herramienta es muy positiva y, en la
es suficiente con usar las pasadas más recientes del actualidad (2017), es una de las informaciones impres-
modelo de que se disponga, en los casos presentados cindibles para la previsión de actividad tormentosa
asociada a la convección.
Una aplicación de los sistemas de predicción por con-
juntos para avisos meteorológicos 35
DOI: 10.31978/014-18-009-X.35

Delegación territorial (DT) en Valencia, Agencia Estatal de Meteorología (AEMET)
Estar alerta, he ahí la vida;

yacer en la tranquilidad, he ahí la muerte.
O SCAR W ILDE
Los sistemas de predicción por conjuntos son herramientas de vital importancia para
la emisión de avisos meteorológicos. Dada su naturaleza, pueden explorar el espacio
de estados atmosféricos posibles ofreciendo un abanico de escenarios meteorológi-
cos, algunos de los cuales pueden dar lugar a fenómenos adversos. Pero la cantidad
de información que brindan los SPC es ingente, por lo que es de vital importancia
condensarla con métodos de síntesis adecuados sin perder información relevante. En
este capítulo presentamos una aplicación informática desarrollada en AEMET que, ba-
sándose en estos principios, ofrece a los predictores del tiempo una serie limitada de
mapas que les permite tomar decisiones en tiempos reducidos.
Palabras clave: sistemas de predicción por conjuntos aplicados a la gestión de emisión de avisos meteorológicos,
avisos meteorológicos, herramienta de predicción probabilista para avisos meteorológicos.
Imagen parte superior: cumulonimbus capillatus incus. Parque Juan Carlos I, Madrid, hacia el este, 7 de septiembre de 2004, a las 19:53.
570 Física del caos en la predicción meteorológica Capítulo 35. Aplicación SPC para avisos meteorológicos
35.1 Introducción analizando brevemente un caso concreto, la borras-

ca A NA, que afectó principalmente a la mitad norte
peninsular durante los días 10 y 11 de diciembre de
Los sistemas de predicción por conjuntos (SPC) pro-
2017.
porcionan gran cantidad de información: para un sólo
lugar y para cada uno de los parámetros meteorológi-
cos de interés el sistema proporciona un conjunto de
predicciones distintas, 51 en el caso del ECENS [449] 35.2 Avisos meteorológicos
(sec. 19.3 en la página 293) del ECMWF (cap. 19 en
la página 289). Es interesante disponer de herramien- Los avisos meteorológicos para el público en gene-
tas que analicen automáticamente las predicciones ral se limitan a un número de supuestos. En el Plan
de cada miembro del SPC y reduzcan el volumen de Nacional de Predicción y Vigilancia de Fenómenos
información adecuadamente, para hacerlo más accesi- Meteorológicos Adversos (Meteoalerta [3], cap. 41
ble al predictor o usuario final. Existen varias formas en la página 627) se contemplan: lluvias, nevadas,
de reducir esta información y los métodos difieren vientos, tormentas, temperaturas extremas, fenómenos
en función del objetivo que se persiga. En el caso costeros (viento y mar), polvo en suspensión, aludes,
de la elaboración de un aviso meteorológico por un galernas cantábricas, risagas en Baleares, nieblas, des-
fenómeno adverso, importa conocer cuán extremos hielos, olas de calor y de frío y tormentas tropicales.
o normales son los valores predichos por el SPC. El
Extreme Forecast Index (EFI, [367], sec. 27.7 en la Los niveles de aviso se asocian a colores, lo que per-
página 419) compara la distribución predicha por el mite una fácil lectura. Los colores corresponden a
ECENS con la distribución de la climatología del pro- distintos niveles de riesgo: el verde indica situaciones
pio ECENS. Este indicador es útil, ya que destaca las en las que no se prevé riesgo y el amarillo, naranja y
situaciones poco probables y, por tanto, potencialmen- rojo significan riesgo bajo, importante o extremo. Con-
te adversas. cretando algo más, el nivel amarillo no indica riesgo
para la población general, pero sí para alguna activi-
En este capítulo se describe una aplicación relativa- dad concreta. El naranja indica riesgo de fenómenos
mente sencilla. A diferencia de indicadores como el meteorológicos no habituales y con cierto grado de
EFI, que hace uso de la climatología del SPC, se hace peligro para actividades usuales. El rojo indica ries-
la suposición de que se dispone de un SPC calibra- go de fenómenos de intensidad excepcional y con un
do, que puede usarse directamente en la predicción riesgo para la población muy alto.
de fenómenos adversos (ver fenómeno meteorológico
adverso (FMA)), en particular viento, temperaturas Los niveles de aviso se determinan mediante um-
extremas, lluvia y nieve. En el caso de estudio que brales que en algunos casos dependen de la zona
incluimos al final del capítulo se usan las predicciones y en otros no. En la actual versión de Meteoaler-
directas del ECENS, pero el mismo esquema puede ta, los avisos con umbrales zonificados son los
aplicarse a cualquier otro tipo de SPC, calibrado me- de temperaturas máximas y mínimas, lluvias, ne-
diante un postproceso o no. Se trata de resumir las vadas y vientos. Estos umbrales están publicados
predicciones de un SPC, orientando el resultado a pro- (por ejemplo en la página web de Agencia Esta-
porcionar una ayuda en la elaboración de un aviso tal de Meteorología (AEMET), http://www.aemet.
meteorológico. Para ello se tendrán en cuenta los um- es/documentos/es/eltiempo/prediccion/avisos/plan_
brales que definen cada uno de los niveles de aviso meteoalerta/umbrales_niveles_aviso.pdf).
(amarillo, naranja y rojo) en cada una de las zonas pre-
viamente definidas y para cada uno de los fenómenos Los niveles de aviso se establecen tratando de armoni-
considerados. zar dos criterios: en primer lugar el nivel de adversi-
dad, en función del peligro que pueda derivarse de una
El capítulo comienza explicando someramente qué determinada situación meteorológica y, en segundo
es un aviso meteorológico. En la siguiente sección se lugar, la climatología, ya que las situaciones de avi-
comenta qué parámetros se calculan en la aplicación so deben ser poco frecuentes desde el punto de vista
a partir de las predicciones del ECENS, relacionados del clima. Es decir, un aviso rojo debe ser, al mismo
con la probabilidad de ocurrencia, la extensión del tiempo, adverso y poco frecuente. Por ejemplo, en el
área afectada, el nivel máximo de aviso esperado y el Prepirineo de Barcelona se dan nevadas frecuentemen-
más plausible. Finalmente, se ilustra la herramienta te, mientras que en Sevilla no. El nivel de peligro, para
35.3 Un problema de probabilidades 571
una misma cantidad de nieve acumulada, es mayor en en algún punto de malla dentro de la provincia de
Sevilla que en el Prepirineo de Barcelona, porque la Sevilla, una temperatura máxima superior al umbral
actividad humana se adapta al clima. Por tanto, los naranja, no llegándose a superar el umbral rojo en
niveles de aviso tienen un grado de arbitrariedad a ningún caso.
tener en cuenta, ya que a veces no es fácil establecer
ese equilibrio entre el peligro del aviso y la frecuen- La aplicación que describimos en este capítulo se li-
cia de ocurrencia. Continuando con el ejemplo, los mita a avisos por lluvias (acumulación en 12 horas),
umbrales de aviso (amarillo, naranja y rojo) de nieve nevadas (acumulación en 24 horas), vientos y tem-
acumulada en 24 horas son 2, 5 y 20 cm para Sevilla peraturas extremas (máximas y mínimas). Como se
y 5, 20 y 40 cm para el Prepirineo de Barcelona. Por explica con más detalle en la siguiente sección, la
tanto, una nevada de 5 cm supone un aviso amarillo aplicación se centra en resumir la enorme cantidad
en el Prepirineo de Barcelona y naranja en Sevilla. de información procedente de un SPC, orientando el
esfuerzo hacia la estimación de la probabilidad de
En los avisos que emite AEMET se señala el grado de ocurrencia, la extensión del área afectada y el nivel
probabilidad de ocurrencia del fenómeno adverso. Se máximo de aviso previsto.
hace mediante tres tramos de probabilidad de ocurren-
cia: por debajo del 10 %, entre 10 % y 40 %, entre 40 %
y 70 %, y más del 70 %, que se pueden calificar co- 35.3 Un problema de probabilida-
mo improbables, posibles, probables y muy probables, des
respectivamente. La probabilidad de ocurrencia de un
fenómeno puede estimarse con un SPC, dividiendo Imaginemos un área problema: el Prepirineo de Bar-
el número de predicciones positivas entre el total de celona; un tipo de aviso: aviso rojo de nieve acumu-
predicciones. Así, si en una predicción de un SPC de lada en 24 h, con un umbral de 40 cm para el área
51 miembros, como el ECENS en su configuración ac- correspondiente; y un período de predicción: el día
tual, hay 15 miembros que predicen la superación de 12-03-2018, suponiendo que fuese mañana o pasa-
un determinado umbral de aviso, se estima que habrá do y nos interese si emitir o no aviso. Supongamos
una probabilidad del 29 % de que efectivamente así su- que disponemos de las predicciones procedentes de 51
ceda. Esto, claro está, en el supuesto de que el ECENS miembros del ECENS, donde cada uno de estos miem-
sea un sistema de predicción bien construido y que bros proporciona la acumulación de nieve prevista en
todos sus miembros sean equiprobables (sec. 13.7.2 una malla de posiciones geográficas uniformemente
en la página 191). distribuidas, en este ejemplo dentro de la provincia de
Barcelona, particularmente en el área del Prepirineo
Además de la probabilidad de ocurrencia, es intere- de Barcelona (PPB). Nos planteamos tres sencillos
sante conocer la extensión del área afectada. El área problemas de probabilidades.
afectada por un determinado fenómeno adverso es uno
de los criterios que se tienen en cuenta a la hora de de- En primer lugar, queremos saber la probabilidad de
cidir emitir un aviso. En general, el aviso no se emite, que, en algún lugar del área PPB se supere el umbral
o se reduce el nivel de adversidad, si el fenómeno va a rojo. Es decir, no estamos interesados en la extensión
afectar un área muy reducida. El área afectada puede del fenómeno, de si va a afectar a un área amplia o re-
estimarse directamente a partir de las predicciones del ducida dentro del PPB. Estamos interesados en saber
SPC, contabilizando el porcentaje de puntos de malla la probabilidad de que se supere el umbral de 40 cm
(ver sec. 10.6 en la página 141) que, dentro de una en algún lugar del PPB. Esta probabilidad se puede es-
zona, superan el umbral de aviso. timar directamente con la proporción de miembros del
SPC que prevén acumulaciones por encima de 40 cm,
Otro parámetro de interés es el nivel máximo aviso como mínimo en un punto de la malla. En este cálculo,
en cada área, es decir, el valor más adverso de to- se supone implícitamente que las predicciones dadas
dos los predichos por los miembros del SPC en una por cada uno de los miembros del SPC son igualmente
determinada zona y para un determinado fenómeno, plausibles, es decir, equiprobables. Llamamos a es-
independientemente de que sea más o menos probable te valor probabilidad de superación del umbral (ver
o más o menos extenso. Para ilustrarlo, imaginemos Figura 35.1 en la página siguiente columna izquierda).
que el SPC predice un nivel máximo naranja para tem-
peraturas máximas en la provincia de Sevilla. En este Para disponer de una idea de la extensión del área
caso sabremos que algún miembro del SPC predice, afectada por el aviso planteamos este segundo proble-
ma: ¿cual es el área afectada esperada, suponiendo están distribuidos uniformemente. En segundo lugar,
que se va a superar el umbral de aviso? La respuesta se calcula el promedio de estas proporciones, seleccio-
se calcula en dos pasos. En primer lugar se calcula la nando los miembros del SPC que superan el umbral
proporción de puntos de malla que superan el umbral en algún punto. Llamamos a este valor proporción
de aviso, 40 cm en este caso, para cada uno de los de área afectada, donde se supone implícitamente
miembros del SPC. La proporción de puntos de malla que sólo se tienen en cuenta aquellas predicciones, o
que superan el umbral es una estimación de la pro- miembros del SPC, que superan el umbral del aviso
porción de área afectada, porque los puntos de malla en algún punto (ver Figura 35.1 columna derecha).
Figura 35.1: Avisos por nieve acumulada en 24 horas: probabilidad de superación del umbral (izquierda) y proporción
de área afectada (derecha) para el día 12-03-2018. Las filas corresponden a los umbrales de amarillo, naranja y rojo.
35.3 Un problema de probabilidades 573
Con estos dos valores, probabilidad de superación del será extensa.

umbral y proporción de área afectada (Figura 35.1
en la página anterior), ya se dispone de una idea de Finalmente, nos podemos preguntar: ¿cual es la pro-
lo que el SPC está prediciendo para un problema con- babilidad de que se supere el umbral de aviso en un
creto, en este ejemplo, la superación del umbral rojo punto cualquiera del área elegida? En nuestro ejemplo
por acumulación de nieve en 24 h en el Prepirineo de la pregunta sería: ¿con qué probabilidad se superará
Barcelona para el día de mañana, supuestamente el mañana el umbral de 40 cm, situándonos en un lugar
12-03-2018. Al mismo tiempo y, esto es interesante cualquiera del Prepirineo de Barcelona? La respuesta
para el uso práctico de un SPC, se reduce el volumen se puede dar en función de los dos parámetros ya ex-
de información. plicados, puesto que es el producto de la probabilidad
de superación del umbral y la proporción de área afec-
¿Cómo interpretar estos dos valores, la probabilidad tada. Por ejemplo: si la probabilidad de superación del
de superación del umbral y la proporción de área afec- umbral es del 50 % y la proporción de área afectada
tada? Ponemos algunos ejemplos. Valores bajos de del 30 %, la probabilidad de que se supere el umbral
probabilidad y altos de área afectada nos indican que de aviso en un punto cualquiera del área considerada
pocos miembros del SPC están superando el umbral, es el producto correspondiente (0.5 x 0.3 = 0.15), es
pero aquellos pocos que lo superan predicen áreas decir, el 15 %.
afectadas extensas (es decir, hay probabilidad baja de
que se produzca un fenómeno adverso extenso). Por el En la aplicación que describimos se proporcionan al
contrario, valores altos de probabilidad y bajos de área predictor cálculos automáticos a partir de la salida
afectada nos indican que muchos miembros del SPC de un SPC cualquiera para distintos alcances de pre-
superan el umbral, pero, en promedio, el área afectada dicción y distintos tipos de aviso. Los resultados de
predicha es pequeña (es decir, la probabilidad de que estos cálculos, en forma de mapas y tablas, incluyen,
ocurra el fenómeno adverso es alta, pero no se espera además de la probabilidad de superación del umbral y
que sea extenso). Hay casos en los que la interpreta- proporción de área afectada, el nivel de aviso máximo
ción es más sencilla: valores simultáneamente bajos y el aviso más plausible (ver Figura 35.2). Este último,
de probabilidad y de área afectada indican que pocos se define como el nivel máximo de aviso que cumple
miembros del SPC predicen superación del umbral y, simultáneamente dos condiciones: tener una probabi-
además, el área afectada en los casos que se supere el lidad de superación del umbral superior al 40 % y una
umbral es pequeña. Por el contrario, la situación más proporción de área afectada de al menos el 20 %. Los
adversa se dará con probabilidades y áreas afectadas resultados se presentan por comunidades autónomas,
altas: en este caso muchos miembros del SPC superan provincias, y zonas de aviso, tal como se definen en
el umbral, y además coinciden en que el área afectada Meteoalerta.
Figura 35.2: Nivel de aviso máximo por zona (izquierda) y niveles de aviso más plausibles, con probabilidad de
superación de umbral de al menos 40 % y una proporción de área afectada de al menos el 20 % (derecha).
Figura 35.3: Imágenes del satélite MSG a las 12 UTC del 10-12-2017. A la izquierda, canal visible; a la derecha,
canal infrarrojo (ambas imágenes están coloreadas).
Como decíamos, realizar un resumen de lo que pro- ta las limitaciones del SPC de partida, para utilizar
porciona un SPC tiene utilidad. Resumir es reducir la adecuadamente las predicciones que proporciona. La
dimensión de la información inicial y un buen resu- gran calidad de las predicciones finales, a pesar de las
men es aquel que refleja los aspectos de la información limitaciones que comentamos, ponen de manifiesto
inicial que nos interesan para una determinada aplica- el importante valor del predictor humano como pieza
ción. En este caso, al tratarse de avisos por fenómenos esencial en los sistemas predictivos en la actualidad.
adversos, interesan los valores extremos, de manera
que la atención la dirigimos, como hemos visto, hacia
los valores más adversos predichos por los miembros 35.4 Caso de estudio: la borrasca
del SPC, dejando de lado, por ejemplo, los valores
medios. Pero hay que tener en cuenta que, indefec-
Ana
tiblemente, al hacer un resumen siempre se pierde
Describimos brevemente la situación de los días 10
información. Sin embargo, la pérdida de información
y 11 de diciembre de 2017, durante los cuales una
no es la principal limitación de una aplicación como
borrasca, bautizada como A NA (las borrascas empeza-
esta. Al usar un SPC para la elaboración de avisos por
ron a bautizarse en España a finales de 2017), afectó
fenómenos meteorológicos adversos, hay que tener
principalmente a zonas del noroeste peninsular.
en cuenta los aspectos que no están bien representa-
dos en las predicciones numéricas. Por ejemplo, la El centro de la borrasca se situaba al sureste de las
orografía que usa un SPC como el ECENS está suavi- islas británicas, con abundante nubosidad asociada
zada respecto de la orografía real, ya que la resolución a un frente muy activo (Figura 35.3). En niveles al-
del SPC, actualmente de unos 18 km (sec. 19.3 en tos, 300 hPa, se formó rápidamente una vaguada con
la página 293 y cap. A en la página 927), no per- chorros asociados a ambos lados (Figura 35.4 en la
mite reflejar gran cantidad de detalles, como valles página siguiente). En niveles medios, 500 hPa, había
profundos y estrechos, o cimas montañosas abruptas. una masa fría aislada en el centro de la vaguada, con
Estos accidentes orográficos, no representados conve- temperaturas mínimas de -36 ºC. A las 00 UTC del
nientemente en el modelo, tienen una influencia nada día 11, el mínimo de presión estaba cercano a 965 hPa,
despreciable en el viento, temperatura o precipitación al norte del mar Cantábrico. Este centro de bajas pre-
previstos. Además, en un modelo se hacen simplifi- siones tenía asociada una amplia zona con un fuerte
caciones y aproximaciones que deterioran la calidad gradiente de presión en superficie con vientos fuertes
de las predicciones. Por tanto, hay que tener en cuen- (ver Figura 35.4 en la página siguiente).
35.4 Caso de estudio: la borrasca Ana 575
Figura 35.4: Evolución de la situación sinóptica, en columnas 10-12-2017 a las 12 UTC, 11-12-2017 a las 00 UTC y
11-12-2017 a las 12 UTC. Arriba, geopotencial y velocidad en 300 hPa; en medio, geopotencial y temperatura en
500 hPa; abajo, presión reducida a nivel del mar.
Se emitió un aviso especial de fenómenos adversos. de AEMET puede ser insuficiente en algunas áreas.
AEMET predijo vientos muy fuertes, muy mal estado
de la mar y lluvias intensas y persistentes en zonas del Según las noticias publicadas, se produjeron diversos
norte peninsular. En el noroeste y zonas montañosas incidentes debido al viento: árboles caídos, problemas
el aviso mencionaba acumulaciones máximas entre 80 con el tendido eléctrico, cancelación de vuelos y de
y 100 mm. El fenómeno adverso más significativo fue tráfico marítimo, así como cierre de algunas instala-
el viento, fuerte y muy fuerte, del oeste y suroeste, en ciones como parques.
amplias zonas de la Península y Baleares, con rachas
que podrían superar los 90 km/h de forma generali-
zada, 110 km/h en amplias zonas de la mitad norte, Consideramos ahora las predicciones del SPC del
e incluso 130 km/h en zonas montañosas de la mitad ECMWF, el ECENS, del día anterior, 9-12-2017, vá-
norte y Galicia. lidas para el día 10-12-2017. En cuanto a la probabi-
lidad de superación del umbral (ver Figura 35.5 en
Según la red de estaciones automáticas de AEMET, la página siguiente, figuras en el lado izquierdo) las
las rachas máximas de viento superaron los 140 km/h, predicciones indicaban que era muy probable (proba-
llegando puntualmente a superar los 180 km/h (Figu- bilidad superior al 70 %) que se superara el umbral
ra 35.6 en la página 577). Los 120 km/h se superaron amarillo en amplias zonas del norte peninsular, e in-
en zonas de Galicia, Castilla y León, Asturias, San- cluso en áreas del este peninsular. El nivel naranja se
tander y Euskadi principalmente. Puntualmente se daba como muy probable en zonas de Galicia única-
superaron los 100 km/h en áreas de la mitad sur Pe- mente y, como probable (probabilidad entre 40 y el
ninsular. Hay que tener en cuenta que el viento puede 70 %), en Galicia y zonas de Asturias, norte de Casti-
variar significativamente entre lugares relativamente lla y León, Cantabria y Euskadi. Finalmente, en nivel
cercanos y que, por tanto, se requiere una red densa de de aviso rojo se preveía como posible en zonas de
estaciones automáticas para reflejar de forma realista Galicia y como improbable en zonas del norte y este
el campo de viento. La red de estaciones automáticas Peninsular.
Figura 35.5: Avisos por rachas de viento: probabilidad de superación del umbral (izquierda) y proporción de área
afectada (derecha) para el día 10-12-2017. Las filas corresponden a los umbrales de amarillo, naranja y rojo.
Se observa que el umbral rojo se superó en bastantes todo el área (proporción superior al 70 %) en zonas
zonas que, en principio, se daban como poco pro- de Galicia, Castilla y León y Euskadi. El nivel naran-
bables o improbables (comparando las Figuras 35.5 ja también se preveía como fenómeno extenso (con
y 35.6 en la página siguiente). La predicción parece proporciones superiores al 40 % de área afectada) en
que se quedó algo corta (no obstante, hay que tener en prácticamente toda Galicia, zonas de Asturias, Canta-
cuenta que no se puede verificar una predicción proba- bria, norte de Castilla y León y Euskadi. Finalmente,
bilista con un solo caso, ver cap. 15 en la página 207). el nivel rojo se preveía menos extenso, con bastan-
te área afectada (entre el 10 y el 40 %) en zonas de
En cuanto a la proporción del área afectada (ver Fi- Galicia, norte de Castilla-León, Asturias, Cantabria
gura 35.5, figuras en el lado derecho), la predicción y Euskadi. Pocas zonas presentaban proporciones de
indicaba la superación del umbral amarillo en casi área afectada superiores al 70 %.
35.4 Caso de estudio: la borrasca Ana 577
Figura 35.6: Rachas máximas de viento observadas durante todo el día 10-12-2017, según la red de estaciones
automáticas de AEMET.
Aplicaciones en el IPMA (Portugal)
36
DOI: 10.31978/014-18-009-X.36
J OAO R IO Y VANDA C OSTA

Divisão de Previsão Meteorológica, Vigilância e Serviços Espaciais, IPMA
Que jaz no abismo sob o mar que se ergue?

Nós, Portugal, o poder ser.
Que inquietação do fundo nos soergue?
O desejar poder querer.
Isto, e o mistério de que a noite é o fausto...
Mas súbito, onde o vento ruge,
O relâmpago, farol de Deus, um hausto
Brilha, e o mar scuro struge.
Segundo: tormenta, 26-02-1934 – F ERNANDO P ESSOA
Presentamos en este capítulo las aplicaciones de los sistemas de predicción por conjuntos en el Instituto
Português do Mar e da Atmosfera, IPMA, anteriormente IP, instituto meteorológico y del mar de nuestro
país vecino con el que intentamos ampliar vínculos y colaboraciones. Como hemos mostrado en otros
capítulos, las predicciones del tiempo llevan asociada una incertidumbre que depende tremendamente
del flujo atmosférico en sí mismo y de las estructuras existentes en un momento inicial dado. Para
evaluar esta incertidumbre se deben usar predicciones por conjuntos. En el IPMA se utiliza el sistema
de predicción por conjuntos del Centro Europeo de Predicción a Medio Plazo ECMWF (cap. 19 en
la página 289), denominado ECENS (sec. 19.3 en la página 293) en este volumen. Se utiliza tanto
para la predicción operativa como para las predicciones automáticas para localidades. Mostramos un
panorama resumido de estas aplicaciones.
Palabras clave: sistemas de predicción por conjuntos aplicados en el IPMA (Portugal), predicción operativa en
Portugal, predicciones automáticas por localidades.
Imagen parte superior: Lisboa al atardecer, fotografía de OmarMedinaFilms https://pixabay.com/es/cielo-heave-sol-nuves-1262107/

580 Física del caos en la predicción meteorológica Capítulo 36. Aplicaciones en el IPMA (Portugal)
Figura 36.1: Ejemplo de un producto usado para la predicción operativa en el IPMA, usando el sistema de predicción
por conjuntos del ECMWF, el ECENS. IPMA.
36.1 Predicción operativa 10 m y la racha de viento. La Figura 36.1 muestra un

ejemplo de un producto usado en predicción operativa,
En el centro de predicción del IPMA se elaboran pre- que combina información de algunas de las variables
dicciones para el público hasta cinco días vista. Para mencionadas anteriormente.
elaborar la información, entre otras muchas herra-
El índice de predicción extrema, extreme forecast in-
mientas, los predictores portugueses utilizan modelos
dex (EFI, sec. 27.7.2 en la página 420) se ha conver-
atmosféricos: el punto de partida son los modelos
tido en una herramienta usada extensivamente en el
deterministas de alta resolución, tanto el ECHRES
IPMA, dado que proporciona una guía muy útil para
del ECMWF (sec. 19.2 en la página 291) como el
evaluar la adversidad de los fenómenos esperados, a
AROME canonical model configuration [619], para
veces incluso con 3-5 días de antelación.
después afinar usando información de los sistemas de
predicción por conjuntos para elaborar las prediccio- Para mejorar las pautas y guías de predicción de aque-
nes oficiales definitivas. llos casos asociados a fenómenos convectivos o cuan-
do la orografía juega un papel significativo se con-
Portugal dispone de una serie de productos del
sultan también predicciones probabilistas del SPC
ECMWF para la predicción, por ejemplo los mapas de
GLAMEPS (sec. 20.2 en la página 304).
probabilidad (sec. 27.6.1 en la página 416), penachos
(sec. 27.8.2 en la página 433) e índice de predicción Más allá del medio plazo, también se utilizan las
extrema, extreme forecast index (EFI, sec. 27.7.2 en versiones de largo plazo del ECENS del ECMWF
la página 420). Los más usados son los mapas que para elaborar las predicciones mensual y estacional,
proporcionan probabilidad de superación de umbra- que se facilitan a algunos clientes y están disponibles
les, los mapas de probabilidad convencionales. Las en el sitio web del IPMA http://www.ipma.pt/
variables más consultadas son la precipitación total, la pt/otempo/prev.longo.prazo/mensal/index.
anomalía (con respecto a la climatología) de la tempe- jsp.
ratura en 850 hPa y en superficie, así como el viento a
36.2 Predicciones automáticas por localidades 581
Figura 36.2: Esquema computacional para el cálculo de la temperatura a 2 m en el sistema automático de predicción
por localidades del IPMA.
36.2 Predicciones automáticas por de día 6 la predicción de temperaturas máxima y míni-

ma viene dada por el promedio insesgado del ECENS
localidades
(ENS-BIAS en Figura 36.2). Para evitar discontinui-
dades, en los días 4-5 las temperaturas se computan
La creciente necesidad de detalle espacial y tempo-
haciendo converger los valores posprocesados hacia
ral en las predicciones requiere una aplicación que
el promedio del ensemble (STA → ENS-BIAS en
compute predicciones meteorológicas para un gran
Figura 36.2).
número de localidades. El IPMA proporciona predic-
ciones para más de 300 localidades hasta 10 días vista La predicción meteorológica automática se define ini-
y las pone disponibles en su sitio web https://www. cialmente usando el ECHRES, datos cada hora hasta
ipma.pt/pt/otempo/prev.localidade.hora/. un alcance de 72 horas y datos cada 3 horas hasta un
alcance de 6 días. Sin embargo, la predicción puede
Los datos de entrada usados para computar las pre- ser ajustada posteriormente usando información pro-
dicciones automáticas provienen del ECHRES y del babilista. por ejemplo, si ECHRES predice chubascos
ECENS, así como de AROME. Este último se compu- pero la probabilidad asociada dada por ECENS es
ta en el IPMA en tres dominios diferentes (Portugal inferior a un umbral prefijado, entonces se quitan los
continental, Madeira y Azores) hasta 48 horas vista, 2 chubascos de la predicción.
ó 4 veces al día, dependiendo del área geográfica.
Del día 7 al día 10 la predicción depende solamente
La temperatura, velocidad del viento y humedad rela- de la probabilidad de precipitación, dado que la alta
tiva procedentes del ECHRES se posprocesan usando incertidumbre en la predicción implica que solo tiene
dos métodos estadísticos: filtro de Kalman y regresión sentido proporcionar un panorama general. Además,
lineal multivariante (ver Figura 36.2). La predicción este método permite una predicción con variabilidad
para una localidad dada es la combinación de todos los espacial limitada, como puede verse en la Figura 36.3
valores posprocesados disponibles (STA en la Figura), en la página siguiente, que muestra una predicción
hasta tres días. para el día de Navidad de 2017 a 9 días vista.
Dado que el error de la predicción crece de forma Los futuros desarrollos en el sistema de predicciones
natural con el alcance de la predicción, utilizar ex- automáticas por localidades incluyen: (1) Evaluar la
clusivamente ECHRES o AROME conduciría oca- utilidad potencial de usar datos de sistemas de muy
sionalmente a grandes diferencias en las diferentes alta resolución para mejorar las predicciones a corto y
temperaturas previstas para un día dado más allá del muy corto plazo (hasta 48 horas); (2) Incrementar el
alcance 5-7 días. Para evitar esta problemática, a partir número de variables tomadas del ECENS.
582 Física del caos en la predicción meteorológica Capítulo 36. Aplicaciones en el IPMA (Portugal)
Figura 36.3: Predicción automática por localidades para el 25 de diciembre de 2017 realizada con la pasada de 00
UTC del 18 de diciembre de 2017. IPMA.
Aplicaciones en Argentina
37
DOI: 10.31978/014-18-009-X.37
2,3,5
, A LDECO L.1 , D IEHL A.6 , G ARCÍA S KABAR Y.1,5 , M ATSUDO C.1 , O SMAN M.2,3,5 , P ELOROSSO
RUIZ , J.
L. , S AULO . C.1,2,3,5 , V ERA C.2,3,5
4
1. Servicio Meteorologico Nacional, Ministerio de Defensa (SMN), Argentina

2. Centro de Investigaciones del Mar y la Atmosfera, UBA-CONICET (CIMA), Argentina
3. Departamento de Ciencias de la Atmosfera y los Oceanos, FCEyN (DCAO-FCEyN), Universidad de Buenos Aires
(UBA), Argentina
4. Departamento de Computacion, FCEyN (DC-FCEyN), UBA, Argentina
5. Instituto Franco-Argentino para el estudio del clima y sus impactos, CNRS-CONICET-UBA, Argentina (UMI-
IFAECI), Argentina
6. Computer Science Department - Data Analysis and Visualization Group (CSD-DAVG), Universidad de Constanz,
Alemania
Since the early days of Lorenz’s momentous discovery, which gave impetus to the new science of chaos, additional
progress has been made, but his findings have not been changed in any fundamental way. In NWP, substantial
progress has been made through the realization that the chaotic behavior of the atmosphere requires the replacement
of single “deterministic” forecasts by “ensembles” of forecasts with differences in the initial conditions and in the
model characteristics that realistically reflect the uncertainties in our knowledge of the atmosphere. This realization
led to the introduction of operational ensemble forecasting at both NCEP and ECMWF in December 1992. It also led
to work on extending the usefulness of NWP forecasts through a systematic exploitation of the chaotic nature of the
atmosphere.
Atmospheric modeling, data assimilation and predictability – E UGENIA K ALNAY
Presentamos en este capítulo un amplio abanico de campos de investigación y desarrollo en Argentina en lo referente a
sistemas de predicción por conjuntos (SPC) y predicción probabilista. Desde pronósticos por ensambles basados en varias
técnicas con el modelo WRF como base, pasando por la aplicación de métodos de análogos, hasta predicción estacional y,
además, técnicas avanzadas de visualización específicas para predicción probabilista. Al igual que en el capítulo dedicado a
México, por el enorme interés cultural de la diversidad lingüística, se ha respetado la terminología original del trabajo, de
uso al otro lado del Atlántico, aclarando algún término por facilitar la consistencia con otros capítulos de este volumen. Por
ejemplo, en este capítulo se usa el término ensambles, mientras que en esta obra en general usamos el acrónimo SPC o el
anglicismo ensembles.
Palabras clave: sistemas de predicción por conjuntos en Argentina, pronósticos por ensambles en alta resolución, pronósticos probabilistas de precipi-
tación utilizando análogos y su calibración, pronósticos por ensambles en escala estacional.
Imagen parte superior: En los Esteros del Iberá, Argentina, diciembre 2014, fotografía de H ADA I RASTORZA, The Conservation Land
Trust - http://www.theconservationlandtrust.org, https://storage.googleapis.com/gustfront_images/rep/1509/
hada_irastorza.png
584 Física del caos en la predicción meteorológica Capítulo 37. Aplicaciones en Argentina
37.1 Introducción fenómenos en la región, sobre todo durante la estación

cálida, aunque con eventos que también se registran
durante el invierno ([118, 418, 570, 699] entre otros).
El sur de Sudamérica abarca unos 7 millones de km²
Estos fenómenos en ocasiones ocurren asociados a
de extensión siendo una de las regiones más produc-
sistemas convectivos de mesoescala de gran tamaño
tivas del continente comprendiendo el sur de Brasil,
que alcanzan extensiones de algunos miles de km2
Uruguay, Paraguay y Argentina. En ella se localiza
[564].
la Cuenca del Plata, la segunda en importancia en el
continente y la quinta en el mundo, y tres subcuencas: Los países en vías de desarrollo, son particularmente
Paraná, Paraguay y Uruguay. La población que habita vulnerables a los desastres naturales, debido a que su
la región es superior a los 100 millones de personas infraestructura y economía es más frágil lo que impli-
y más del 70 % del Producto Bruto Interno (PBI) de ca que la población está más expuesta a las consecuen-
los cuatro países se genera ahí. Entre las actividades cias de dichos desastres. En particular las ciudades
económicas más relevantes se encuentra la produc- Argentinas han crecido rápidamente en las últimas
ción de cereales, siendo una de las más importantes décadas, lo que en muchos casos trae aparejado pro-
del mundo; la producción de energía hidroeléctrica, blemas de infraestructura como la insuficiencia de
de unos 106 000 MW y el transporte fluvial, de unos drenajes lo que incrementa el nivel de vulnerabilidad
17 400 000 Tn sólo en el trayecto Paraná-Paraguay. de la población [272]. Por otra parte, según el censo
de 2010, un porcentaje importante de la población
Esta región es particularmente afectada por fenóme- urbana habita en viviendas precarias que son particu-
nos meteorológicos de alto impacto social y económi- larmente vulnerables a los eventos meteorológicos de
co que abarcan diferentes escalas de tiempo y espacio. alto impacto. Un ejemplo de esta vulnerabilidad es la
Dada la importancia de la producción agrícola, las se- inundación ocurrida en la ciudad de La Plata que se
quías y los excesos de lluvias producen fuertes impac- produjo por un evento de lluvia extrema entre el 2 y
tos económicos en la producción local. Por otra parte, 3 de septiembre de 2013 y que dejó un saldo de 84
los excesos de lluvias producen el desborde de los ríos muertos y más de 600.000 personas afectadas.
en las cuencas antes mencionadas generando inunda-
ciones de zonas urbanas ribereñas que producen un al- Por tal motivo, el desarrollo de un sistema de pronós-
to impacto social. Se estima que entre 1980 y 2010, las tico que pueda detectar con anticipación la ocurrencia
inundaciones fueron el evento natural más significati- de fenómenos de alto impacto en diferentes escalas
vo en Argentina afectando a 13 millones de personas y temporales y espaciales es de suma importancia pa-
generando pérdidas económicas por al menos 9 billo- ra la región. Este sistema debe buscar no solo poder
nes de dólares (http://www.preventionweb.net). anticipar la evolución de la atmósfera con la mayor
Más aún, de acuerdo con el Panel Intergubernamen- precisión posible, sino también brindar una adecuada
tal para el Cambio Climático (IPCC por sus siglas información acerca de la incertidumbre asociada a la
en inglés) la frecuencia de desastres naturales, y en previsión, que para los fenómenos más extremos sue-
particular aquellos vinculados con precipitaciones ex- le ser elevada, y permitir detectar posibles escenarios
tremas se ha incrementado en la región probablemente futuros que involucren la ocurrencia de fenómenos de
debido al cambio climático global [10, 100, 280]. alto impacto social y económico. El desarrollo e imple-
mentación de sistemas de pronóstico por ensambles
Los fenómenos de alto impacto social y económico en diferentes escalas de tiempo y espacio, da respuesta
ocurren también en escalas de tiempo más cortas y a estos requerimientos permitiendo evaluar diversos
asociadas a fenómenos de escala sinóptica y de me- escenarios futuros y derivar la probabilidad de ocu-
soescala. B ROOKS et al. [75, 76], muestran que el rrencia de fenómenos potencialmente peligrosos para
sur de Sudamérica es una región donde el entorno la población.
de escala sinṕtica es frecuentemente favorable para
la ocurrencia de eventos de convección húmeda pro- Este capítulo describe brevemente las actividades que
funda y organizada que puede llevar al desarrollo de se están desarrollando en este sentido como parte de
fenómenos meteorológicos tales como granizo de gran la colaboración entre el Servicio Meteorológico Na-
tamaño, precipitaciones intensas en cortos períodos cional, el Departamento de Ciencias de la Atmósfera
de tiempo, vientos fuertes e incluso tornados. Estas y los Océanos (FCEyN, Universidad de Buenos Aires)
estimaciones son confirmadas por estudios observa- y el Centro de Investigaciones del Mar y la Atmósfe-
cionales que muestran la recurrencia de este tipo de ra (CONICET-Universidad de Buenos Aires) y que
37.2 Pronósticos por ensambles en alta resolución 585
están orientadas a dar respuesta a los requerimientos desarrollo de sistemas de pronóstico que permitan
antes mencionados a través de diversos sistemas de cuantificar la incertidumbre en estas escalas es toda-
pronósticos por ensambles y sus respectivos pospro- vía una asignatura pendiente. Por tal motivo recien-
cesamientos. temente han comenzado a realizarse investigaciones
tendientes al desarrollo de técnicas de pronóstico por
ensambles en modelos con convección explícita (en
37.2 Pronósticos por ensambles en particular utilizando el modelo WRF) y en donde se
alta resolución evalúan diferentes estrategias para representar la in-
certidumbre de los pronósticos. Si bien el objetivo
El modelado de la atmósfera en resoluciones que per- general es poder generar pronósticos para múltiples
mitan resolver parte de los procesos que ocurren en aplicaciones el foco actual está principalmente orienta-
las nubes convectivas, junto con la implementación do al pronóstico de fenómenos de alto impacto social
de estrategias de pronósticos por ensambles en dichas y económico como los mencionados previamente. A
resoluciones constituye una herramienta fundamen- continuación se muestra una evaluación de los siste-
tal para poder avanzar en el pronóstico de eventos de mas por ensambles en alta resolución para el caso
alto impacto social y económico vinculados a la con- de un sistema convectivo de mesoescala ocurrido en-
vección húmeda profunda, aún a pesar de su elevado tre el 22 y el 24 de diciembre de 2015 que ocasionó
costo computacional [133]. No obstante, la aplica- inundaciones en varias de las principales ciudades de
ción de los pronósticos por ensambles en modelos con la región noreste de Argentina provocando miles de
convección resuelta en forma explícita genera nuevos evacuados y grandes pérdidas económicas.
desafíos, como por ejemplo el desarrollo de técnicas
apropiadas para representar la incertidumbre en las
condiciones iniciales y en la formulación del modelo 37.2.1 Estrategias de pronóstico por en-
que tengan en cuenta la naturaleza y características de samble en alta resolución
las inestabilidades presentes en la mesoescala.
Para evaluar los pronósticos por ensambles para el
En particular, en Argentina existe experiencia previa caso seleccionado se utilizaron 2 estrategias de pro-
en la utilización de modelos regionales y en particular nósticos por ensamble diferentes:
recientemente en la implementación del modelo de
mesoescala Weather Research Forecast (WRF, [587]) Perturbaciones en la condición inicial (control): esta
[158, 419, 560, 567]. La implementación del modelo estrategia consiste en un conjunto de 20 miembros con
WRF ha permitido realizar importantes avances en una única configuración física donde cada miembro di-
relación al pronóstico en escala convectiva de fenó- fiere en la especificación de las condiciones iniciales y
menos de alto impacto como precipitaciones intensas, de borde las cuales son tomadas del Global Ensemble
granizo o vientos fuertes utilizando resoluciones cer- Forecast System (GEFS [246]). Las parametrizacio-
canas a los 4 km que permitan resolver la convección nes físicas utilizadas corresponden a la configuración
en forma explícita. No obstante en la actualidad el indicada como «A» en la Tabla 37.1.
Esquema de microfísica
WDM6[381] Thompson [623] NSSL2D [407] Morrison [456]
Esquema YSU [300] A (1,2,3) B (4,5,6) D (10,11,12) C (7,8,9)
de CLP MYJ [318] E (13,14) F (15,16) H (19,20) G 17,18)
Tabla 37.1: Parametrizaciones físicas correspondientes a la representación de capa límite planetaria y microfísica
utilizadas en el ensamble multifísica. Los números dentro de los paréntesis indican los miembros de GEFS utilizados
como condición inicial y de borde.
En todos los casos se utiliza la versión 3.7 del mode-

lo no-hidrostático WRF para la región centro-noreste
de Argentina (Figura 37.1) con una resolución espa-
cial 4 km (419 x 499 puntos de retícula) y 38 niveles
verticales sigma-p con un tope en 50 hPa. Todos los
experimentos se extienden hasta un plazo de 48 horas
y comparten las siguientes parametrizaciones físicas:
esquema de suelo Noah [127], radiación de onda larga
Rapid Radiative Transfer Model (RRTM [446]) y el
esquema de radiación de onda corta Dudhia [169]. No
se utiliza parametrización de la convección húmeda
profunda. Para el caso de estudio, las simulaciones
utilizaron como condición inicial y de borde los aná-
lisis y pronósticos GEFS inicializados a las 12 UTC
Figura 37.1: Dominio computacional y topografía (en del 22 de diciembre de 2015.
metros, sombreado). El rectángulo punteado indica el
subdominio de verificación.
37.2.2 Análisis del caso de estudio
Perturbaciones en las condiciones iniciales y en la En la Figura 37.2, parte izquierda, se puede ver una
física del modelo (multifísica): Al igual que la estrate- imagen de temperatura de los topes nubosos corres-
gia anterior este ensamble consiste en 20 miembros pondiente a las 11:45 UTC del 22 de diciembre de
en donde se perturban las condiciones iniciales y de 2015. Para esa hora la región noreste de Argentina y
borde utilizando el ensamble global del NCEP, pero sur de Brasil se encontraba afectada por el sistema
además se incorporan miembros que utilizan diferen- convectivo de mesoescala. La precipitación acumula-
tes combinaciones de esquemas de microfísica y capa da a las 12 UTC del 24 de diciembre estimada a partir
límite (CLP). Las parametrizaciones utilizadas por los del producto IMERG [309] fue superior a 200 mm
diferentes miembros del ensamble se detallan en la para algunas regiones dentro del área de verificación
Tabla 37.1 en la página anterior. (Figura 37.2, parte derecha).
Figura 37.2: Izquierda: Imagen de temperatura de topes nubosos correspondiente al canal infrarrojo del satélite
GOES 13 de las 11:45 UTC del 22 de Diciembre de 2015. Derecha: Precipitación estimada a partir del producto
IMERG (Final Run, [309]) entre las 18 UTC del 22 y las 12 UTC del 24 de diciembre de 2015 dentro del área de
verificación.
37.2 Pronósticos por ensambles en alta resolución 587
La Figura 37.3, muestra la media del ensamble para pitación observados. También se aprecian diferencias
la precipitación correspondiente al período mostrado importantes entre los conjuntos en cuanto a la cuantifi-
en la Figura 37.2 en la página anterior, parte derecha. cación de la incertidumbre. Por ejemplo, el ensamble
Se puede ver que todos los experimentos subestima- control que sólo cuenta con perturbaciones de las con-
ron la intensidad de la precipitación para este caso, diciones iniciales y de borde es el que tiene los valores
sobre todo en la porción norte del sistema convecti- más pequeños de dispersión. En cambio la estrategia
vo. La comparación de las diferentes estrategias en multifísica que incluyen también diferentes tratamien-
términos de la media del ensamble muestra pequeñas tos de los procesos de capa límite y de los procesos
diferencias en los valores de precipitación. Este com- micro físicos, muestran una mayor dispersión permi-
portamiento resulta esperable dado que la media del tiendo que en un mayor número de puntos de retícula
ensamble suaviza los detalles más impredecibles del la observación quede contenida dentro del rango de
campo de precipitación acumulada. Por el contrario, valores pronosticados por los diferentes miembros del
la desviación estándar de los valores pronosticados ensamble. No obstante, aún la implementación de di-
por el ensamble (paneles inferiores de la Figura 37.3) ferentes parametrizaciones para los procesos de escala
muestran que existen una gran incertidumbre asociada no resuelta, no pudieron capturar las precipitaciones
al pronóstico de este tipo de eventos. En algunas re- ocurridas más al norte, indicando que aún en este caso
giones la dispersión puede superar los 70 mm siendo la incertidumbre está subestimada.
de una magnitud comparable a los montos de preci-
Figura 37.3: Campos pronosticados de precipitación media (panales superiores) y dispersión (paneles inferiores) de
las dos estrategias de pronósticos por ensambles analizadas. Los valores corresponden a la precipitación acumulada
en el periodo de verificación (mm). Ensamble control (paneles izquierdos) y ensamble multifísica (panales derechos).
Este caso de estudio pone de manifiesto la magnitud do la técnica de pronóstico por análogos [9]. Dicha
de las incertidumbre asociada al pronóstico de even- técnica fue introducida por H AMILL et al. [267] y
tos de alto impacto en la región. Por otra parte este se basa en la utilización de un conjunto de pronósti-
grado de incertidumbre incrementa la potencialidad cos globales por ensambles y retrospectivos que se
de los ensambles de alta resolución para poder aportar extiende desde el primero de enero de 1984 hasta
información útil respecto del pronóstico de fenóme- la actualidad (https://www.esrl.noaa.gov/psd/
nos de alto impacto. Este tipo de información, si es forecasts/reforecast2/). Una de las ventajas de
bien utilizada por los pronosticadores y correctamente este conjunto de datos, es que permite contar con una
transmitida e interpretada por los organismos asocia- historia mucho mayor que la que brindan la mayoría
dos a la gestión de riesgo, puede contribuir a disminuir de las versiones operativas de los pronósticos globales.
los daños económicos y sociales ocasionados por fe- Esto posibilita obtener estadísticas más robustas acer-
nómenos meteorológicos de alto impacto. Por otra ca de los errores del modelo, a la par que habilita la
parte este caso de estudio muestra que existen todavía utilización de métodos de calibración más complejos
limitaciones para poder cuantificar adecuadamente como la regresión por análogos.
dicha incertidumbre y que es necesario continuar pro-
fundizando la investigación aplicada al desarrollo de
técnicas de generación de ensambles más apropiadas 37.3.1 Regresión por análogos
para la mesoescala y que tengan también en cuenta la
interacción con otras escalas.
La regresión por análogos también conocido como
el método de los k-vecinos más cercanos [13], es
un método de aprendizaje automático utilizado en
37.3 Calibración de pronósticos problemas de clasificación y regresión, que permite
probabilistas de precipitación encontrar relaciones no lineales entre diferentes va-
utilizando análogos riables de un mismo conjunto de datos. La aplicación
de la regresión por análogos a la calibración de pro-
De acuerdo con lo mencionado en la sección ante- nósticos probabilistas de precipitación y temperatura
rior, los pronósticos por ensambles utilizando mode- utilizando pronósticos retrospectivos fue introducida
los que permiten representar los procesos convectivos, por H AMILL et al. [267]. La Figura 37.4 en la página
son una herramienta importante para el pronóstico de siguiente, ejemplifica la aplicación de la técnica con
eventos meteorológicos de alto impacto. No obstante, pronósticos de precipitación. En dicha técnica, pri-
su alto costo computacional, dificulta la extensión de mero se compara el pronóstico actual (panel superior
los plazos de estos pronósticos más allá de las 36-48 en la Figura 37.4 en la página siguiente) sobre una
horas. Para plazos mayores, se pueden utilizar los sis- región dada que en este caso consta de 3 x 3 puntos
temas de pronósticos por ensamble globales como por de retícula y para un plazo dado de pronóstico, con
ejemplo los generados por el European Center for Me- todos los pronósticos retrospectivos correspondientes
dium Range Weather Forecast (ECMWF, sec. 19.3 en a la misma región y plazo de pronóstico. Aquellos
la página 293) o el National Center for Environmental pronósticos retrospectivos que resulten más similares
Prediction (NCEP). al pronóstico actual serán considerados los análogos
de nuestra situación actual (segunda fila de paneles
No obstante, como es sabido, los pronósticos por en- en la Figura 37.4 en la página siguiente). La similitud
sambles suelen producir una estimación sesgada de puede medirse de diferentes maneras, pero en este
la incertidumbre asociada a los pronósticos. Por tanto caso se utiliza la diferencia medida en el campo de
resulta importante estimar la magnitud y signo de los precipitación pronosticado a través del error cuadrá-
sesgos en la incertidumbre y en el valor de las varia- tico medio. Para mejorar la representatividad de los
bles pronosticadas, como así también avanzar en el pronósticos por análogos, en la presente implementa-
desarrollo de técnicas de posprocesamiento estadístico ción, los análogos son buscados en un período de +/-
que permitan corregir parcialmente dichos sesgos. 30 días alrededor del día del año correspondiente al
pronóstico actual. De esta manera se busca encontrar
En particular en el Servicio Meteorológico Nacional análogos que correspondan a la misma época del año.
de Argentina, se implementó operativamente la co-
rrección o calibración de los pronósticos probabilśiti- Una vez seleccionados los análogos, se toman las
cos de precipitación a corto y mediano plazo utilizan- observaciones de precipitación correspondientes a di-
37.3 Calibración de pronósticos probabilistas de precipitación utilizando análogos 589
chos análogos (tercera línea de paneles en la Figu- un mapa completo de la probabilidad de precipitación
ra 37.4). Dicho conjunto de observaciones son una para diferentes umbrales y para diferentes plazos de
muestra a partir de la cual podemos estimar la distri- pronóstico.
bución de probabilidad de la precipitación en aquellos
días en los que el pronóstico era similar al pronóstico La efectividad de la regresión por análogos puede
actual (última fila de paneles en la Figura 37.4). A depender en gran medida de aspectos tales como el
partir de dicha muestra se pueden evaluar las probabi- tamaño del dominio utilizado para realizar la búsque-
lidades de que la precipitación supere un determinado da de los análogos, las variables involucradas en el
umbral. Este procedimiento se repite para cada re- cálculo de la similitud de los pronósticos, las medi-
gión y para cada plazo de pronóstico hasta obtener das de similitud utilizadas y la cantidad de análogos
considerados.
Figura 37.4: Esquema que representa el proceso de calibración de los pronósticos probabilistas de precipitación
utilizando el método de regresión por análogos (tomada de [502]).
Figura 37.5: Coeficiente de acierto de Brier (BSS, sec. 15.9.8 en la página 232) como función del plazo de pronóstico
(horas) para los pronósticos probabilistas de precipitación calibrados a través de la regresión por análogos (negro)
y pronósticos probabilistas de precipitación no calibrados (rojo). En todos los casos se muestran los pronósticos
probabilistas para los umbrales de 1 mm (línea sólida y círculos), 5 mm (línea sólida) y 10 mm (línea punteada). Los
paneles superiores corresponden a los meses de junio, julio y agosto (invierno), los paneles inferiores a los meses de
diciembre, enero y febrero (verano), los paneles de la izquierda corresponden a la región norte y los de la derecha a
la región sur.
37.3.2 Verificación de los pronósticos por La Figura 37.5 muestra los valores del coeficiente
análogos en Argentina de acierto de Brier (BSS por sus siglas en inglés,
sec. 15.9.8 en la página 232) calculado para los pronós-
ticos retrospectivos calibrados utilizando el método
de regresión por análogos [9] y para los pronósticos
La aplicación de la regresión por análogos, produjo
probabilistas no calibrados (es decir aquellos que se
mejoras importantes en la calidad de los pronósticos
obtienen computando la frecuencia de miembros del
probabilistas de precipitación sobre el sur de Sudamé-
ensamble que indican precipitación por encima del
rica. A continuación se muestran algunos resultados
umbral seleccionado). La verificación de los pronós-
de la verificación de los pronósticos retrospectivos de
ticos se realizó sobre dos regiones diferentes: la re-
precipitación en plazos de 24 h sobre estaciones de Ar-
gión norte de Argentina caracterizada por un clima
gentina, y como dichos pronósticos podrían mejorarse
más húmedo y subtropical y la región sur en donde
mediante la introducción de una calibración basada
predominan características de un clima templado. La
en la regresión por análogos.
verificación también se realizó en forma separada para BSS hasta plazos que van aproximadamente hasta las
los meses de invierno y de verano. Para ambas regio- 300 horas de pronóstico.
nes, tanto en invierno como en verano, la aplicación
de la regresión por análogos tiene como resultado una En 2012, el NCEP generó un segundo conjunto de pro-
notoria mejora del rendimiento del pronóstico para nósticos retrospectivos utilizando la versión del mo-
los diferentes umbrales analizados. En prácticamente delo GFS utilizada en dicho año. Esta versión actuali-
todos los casos, el pronóstico no calibrado muestra zada esta disponible en: https://www.esrl.noaa.
valores negativos de BSS, es decir que su utilidad es gov/psd/forecasts/reforecast2/ . En esta nue-
muy limitada a la hora de su uso en la toma de decisio- va versión la resolución del modelo global se incre-
nes. No obstante, la calibración utilizando la regresión mentó de T62 a T254 para los primeros 8 días de
por análogos muestra valores claramente positivos de pronóstico pasando luego a T190 hasta los 16 días de
pronóstico.
Figura 37.6: Coeficiente de acierto de Brier como función del plazo de pronóstico (horas) para los pronósticos
probabilistas de precipitación calibrados a través de la regresión por análogos utilizando la versión 2 de los
pronósticos retrospectivos (negro) y la versión 1 de los pronósticos retrospectivos (rojo). En todos los casos se
muestran los pronósticos probabilistas para los umbrales de 1 mm (línea sólida y círculos), 5 mm (línea sólida) y
10 mm (línea punteada). Los paneles superiores corresponden a los meses de junio, julio y agosto (invierno), los
paneles inferiores a los meses de diciembre, enero y febrero (verano), los paneles de la izquierda corresponden a la
región norte y los de la derecha a la región sur.
La Figura 37.6 en la página anterior muestra el im- espaciales más grandes que determinan la posición o
pacto del aumento de la resolución en el conjunto intensidad del sistema convectivo en su conjunto.
de pronósticos retrospectivos. Los valores de BSS
obtenidos con los pronósticos retrospectivos de alta Los pronósticos probabilistas de precipitación gene-
resolución son sensiblemente mejores que los obteni- rados a partir de la regresión por análogos se encuen-
dos con la versión de baja resolución. En esta figura tran implementados operativamente en el Servicio
se puede apreciar además un mejor rendimiento de los Meteorológico Nacional y utilizan los datos observa-
sistemas de pronósticos probabilistas durante los medos de precipitación acumulada en 24 horas de la red
ses de invierno en ambas regiones. Esto se evidencia de estaciones de superficie del Servicio Meteorológi-
a través de la convergencia del BSS al valor de 0, que co Nacional y del Instituto Nacional de Tecnología
durante el invierno se produce para plazos de pronós- Agropecuaria. Los pronósticos probabilistas de preci-
tico mayores. Una de las principales motivos de este pitación acumulada en 24 horas se generan en plazos
comportamiento es que durante los meses cálidos gran de pronóstico de 1 a 7 días. Por otra parte se generan
parte de la precipitación está explicada por la ocurren- pronósticos probabilistas de precipitación total acu-
cia de sistemas convectivos como el analizado en la mulada en 7 días para los plazos de entre 1 y 7 días y
sección anterior en donde la incertidumbre asociada entre 8 y 14 días. Estos últimos se generan para um-
a los pronósticos suele ser muy grande aún en plazos brales de precipitación fijos y para umbrales definidos
de tiempo cortos. Más aún, el sistema analizado en la a partir de determinados percentiles de la distribución
sección anterior muestra que la incertidumbre asocia- climatológica de lluvias en diversas estaciones. Un
da a estos sistemas no está únicamente confinada a las ejemplo de pronóstico probabilista de lluvia entre los
escalas pequeñas, sino que también se da en escalas plazos de 8 y 14 días se puede ver en la Figura 37.7.
Figura 37.7: Probabilidad de precipitación por encima del percentil 67 % (izda.) 80 % (dcha.) de la distribución
climatológica para la semana comprendida entre el 18 de octubre y el 24 de octubre de 2017 estimada utilizando la
regresión por análogos a partir de los pronósticos retrospectivos del NCEP.
Figura 37.8: Albero es una solución de análisis visual que combina diferentes técnicas de visualización e interacción
para facilitar un análisis eficiente del pronóstico probabilista.
37.3.3 Visualización de los pronósticos por parametrización, luego vienen el ciclo de pronósti-
análogos co probabilistas y el ciclo de análogos. En el ciclo
de configuración, el usuario puede definir de manera
Con la llegada de los pronósticos por ensambles, la sencilla, parámetros tales como el plazo de pronós-
cantidad de información a disposición del pronosti- tico, la extensión del pronóstico y los umbrales de
cador o de los usuarios de los pronósticos meteoro- precipitación para los cuales desea estimar la proba-
lógicos se incrementó de forma significativa. Esta bilidad. Esto se hace a través de un menú interactivo
situación se acentúa aún más con el incremento de (Figura 37.8). Una vez configurada la herramienta, se
la resolución y con el aumento del tamaño de los en- realiza el cálculo del pronóstico por análogos sobre
sambles. El incremento en el volumen de información toda la región de interés, utilizando dominios locales
trae aparejados desafíos respecto a la interpretación y superpuestos [157]. Esto permite visualizar a través de
análisis de los resultados en forma eficiente. múltiples mapas miniatura, los pronósticos probabilis-
tas para los umbrales y plazos indicados. Finalmente,
Una de las maneras de alcanzar este objetivo, es a tra- el ciclo de pronóstico por análogos permite inspeccio-
vés del diseño de herramientas que permitan visualizar nar con más detalle lo que sucede en una región en
los aspectos significativos de la información en forma particular. En este ciclo la herramienta permite visua-
rápida y sencilla. El volumen de información crecien- lizar los análogos individuales obtenidos, ordenados
te asociado a los pronósticos por ensambles puede ser de acuerdo a su nivel de similitud, así como algunas
utilizado de manera más eficiente por parte de los pro- propiedades estadísticas adicionales del conjunto de
nosticadores y tomadores de decisión, mediante el uso análogos como su media, el error medio del modelo,
de técnicas de análisis visual (Visual Analytics, [622]). etc. Este último ciclo permite entre otras utilidades
Un ejemplo de tales desarrollos que se lleva adelan- inspeccionar la existencia de eventos extremos dentro
te en Argentina es el sistema Albero. Albero es una del conjunto de análogos identificado, así como mo-
solución de análisis visual, especialmente diseñada nitorear la calidad de los análogos encontrados para
para el análisis de los pronósticos probabilistas de pre- cada caso particular.
cipitación basados en los pronósticos retrospectivos
[157]. Albero representa además un avance en la implemen-
tación de la regresión por análogos y los pronósticos
La Figura 37.8 muestra los diferentes ciclos de inter- retrospectivos, ya que utiliza estimaciones satelitales
acción con el usuario integrados en Albero. El pri- de precipitación CMORPH [337] que se encuentran
mero de estos ciclos es el ciclo de configuración o disponibles entre -40 y 40º de latitud, permitiendo
la generalización de su uso en varias regiones del Climate Historical Forecast Project (CHFP, [625]) en
planeta. En la actualidad Albero se encuentra funcio- pronosticar la circulación de verano e invierno del
nando en forma experimental para el sur de Sudaméri- Hemisferio Sur y encontraron que la predictibilidad
ca (la versión experimental puede ser consultada en y el desempeño en las inmediaciones de Sudamérica
https://albero.cg.tuwien.ac.at/). es alta, especialmente durante el verano. Asimismo,
O SMAN Y V ERA [479] evaluaron la predictibilidad y
el desempeño de los modelos del proyecto CHFP en
37.4 Pronósticos por ensambles en pronosticar la temperatura y precipitación sobre Suda-
mérica confirmando que la predictibilidad de la tem-
escala estacional peratura superficial y la precipitación es significativa
sobre todo en regiones tropicales siendo la predictibi-
En el sudeste de Sudamérica, los eventos climáticos lidad de la temperatura mayor a la de la precipitación.
extremos y en particular aquellos ligados con la preci- Sin embargo, algunas regiones específicas del sur de
pitación (ej. Las sequías prolongadas o los períodos Sudamérica muestran valores relativamente altos de
extremadamente lluviosos) ponen la productividad e predictibilidad. En particular, los valores más altos
infraestructura de la región en riesgo. Un concepto de predictibilidad de la precipitación extratropical se
innovador para enfrentar estas condiciones climáticas encuentran en el sudeste de Sudamérica y durante el
adversas, conocido como manejo del riesgo climático, verano DEF desplazándose más al norte durante el
se sostiene en la planificación y la implementación sa- invierno.
tisfactoria de acciones previas a la ocurrencia de estos
eventos. Dentro de este contexto los pronósticos cli- Hasta ahora se han hecho muy pocos desarrollos de he-
máticos de calidad constituyen un pilar fundamental rramientas de pronóstico estacional para Sudamérica a
para que estas estrategias de trabajo resulten exitosas partir de las predicciones globales provistas operativa-
contribuyendo de esa manera al desarrollo productivo mente por diferentes modelos globales de pronóstico.
de diversos sectores socioeconómicos que se verían Uno de esos pocos ejemplos es el sistema de pro-
beneficiados al disponer de pronósticos en escalas ma- nóstico de precipitación estacional, EUROBRISA, de
yores que la típicamente asociada al pronóstico del C OELHO y otros ([135]). Por ese motivo en Argentina
tiempo. se lleva adelante el desarrollo de un sistema de pro-
nóstico operativo en escala estacional que funciona
El estudio de las fuentes de variabilidad interanual de
sobre la base de la combinación y calibración de pro-
la precipitación en Sudamérica ha recibido considera-
nósticos numéricos globales provistos por el proyecto
ble atención (e. g. [641]). En particular se ha mostrado
CHFP (http://chfps.cima.fcen.uba.ar/). Es-
que en el sudeste de Sudamérica la variabilidad de la
te conjunto cuenta con la ventaja de estar disponible
precipitación en escalas interanuales exhibe gran am-
para toda la comunidad en tiempo real, lo que permi-
plitud a lo largo de todo el año (e. g. [640]) y que
te la implementación de un pronóstico probabilista
el fenómeno que posee mayor influencia sobre dicha
estacional calibrado para la región.
variabilidad es el fenómeno de El Niño-Oscilación
del Sur (e. g. [245]) aunque modulado por las condi-
ciones del Atlántico Ecuatorial [35]. Las anomalías
en la temperatura de superficie del mar (TSM) en el 37.4.1 Calibración de pronósticos estacio-
Índico tropical, y en particular aquellas asociadas con nales
el dipolo del océano Índico (IOD por sus siglas en
inglés), influyen también sobre la precipitación es- El sistema implementado que combina y calibra pro-
tacional [124] al igual que el Modo Anular del Sur nósticos estacionales para Sudamérica generado por
(SAM por sus siglas en inglés) [582]. diferentes modelos numéricos globales se basa en
la metodología de regresión por ensamble o EREG
Los estudios de predecibilidad del clima en escalas es- [636] desarrollada e implementada por el Climate
tacionales sobre Sudamérica demuestran que existen Prediction Center (CPC) para sus pronósticos estadís-
oportunidades para el desarrollo de herramientas de ticos y dinámicos y en el marco de la iniciativa North
pronóstico que aporten información útil tanto en regio- American Multi Model Ensemble (NMME). Esta he-
nes tropicales como extratropicales. Recientemente, rramienta cuenta con la ventaja de ser muy fácil de
O SMAN et al. [480] analizaron la predictibilidad y implementar y muestra un rendimiento por encima de
el rendimiento del conjunto de modelos del proyecto otros métodos sencillos de calibración de pronósticos
37.4 Pronósticos por ensambles en escala estacional 595
aprovechando al mismo tiempo toda la información En este caso al asumir que todos los miembros son
que provee el ensamble y no sólo aquella asociada al igualmente probables, la distribución total se obtiene
promedio del conjunto. como el promedio algebraico de las distribuciones ob-
tenidas a partir de cada miembro en particular. En este
EREG consiste en describir la función de distribución ejemplo en particular, se puede apreciar que la dis-
de probabilidad de las variables que se desea pronos- tribución resultante puede adoptar formas complejas
ticar utilizando una combinación de distribuciones como por ejemplo la estructura bimodal que aparece
gaussianas. En los métodos de calibración tradiciona- en la figura. A partir de la distribución de probabili-
les, muchas veces se considera a dicha distribución co- dad total se pueden obtener fácilmente probabilidades
mo una gaussiana centrada en la media del ensamble para diferentes rangos de las variables pronosticadas.
y cuya desviación estándar está dada por la dispersión
del ensamble. En el caso del EREG, la distribución En el caso de contar con múltiples modelos dispo-
se describe como una suma de gaussianas centradas nibles, además de calibrar cada pronóstico, deben
alrededor del valor pronosticado por cada uno de los combinarse si se quiere obtener un único pronósti-
miembros del ensamble. El método provee además co integrado. Para alcanzar este último propósito, es
una forma de estimar el ancho de cada una de estas necesario consolidar los pronósticos evaluando objeti-
distribuciones de forma tal que la función de distri- vamente su credibilidad. En el sistema implementado
bución total describa en forma lo más precisa posible se están evaluando dos enfoques basados en EREG :
la incertidumbre del pronóstico. Este método se basa Por un lado se consideró la PDF calibrada obtenida
en la suposición de que los diferentes miembros que con cada modelo luego de aplicar EREG y se aplicó
componen el ensamble tienen la misma probabilidad un promedio pesado, según el desempeño individual
de producir el pronóstico más preciso para un evento de cada modelo, para obtener una PDF final. Por otro
cualquiera (es decir que su desempeño es estadística- lado, se aplicó EREG al ensamble compuesto por to-
mente igual). Por otra parte también se asume que los dos los miembros de todos los modelos siendo cada
errores de cada uno de los pronósticos se distribuyen miembro del ensamble asociado a cada modelo pe-
en forma gaussiana. La Figura 37.9 muestra un ejem- sado en función del desempeño individual de dicho
plo de cómo se estima la función de distribución de modelo.
probabilidad para una variable pronosticada a partir
de las funciones de distribución calculadas a partir de
37.4.2 Verificación de los pronósticos esta-
cada uno de los miembros del ensamble.
cionales calibrados sobre Sudaméri-
ca
Las metodologías de calibración y combinación pre-

sentadas fueron aplicadas a los pronósticos estacio-
nales de precipitación y temperatura para los trimes-
tres Diciembre-Enero-Febrero (DEF) y Junio-Julio-
Agosto (JJA) a partir de condiciones iniciales genera-
das en noviembre y mayo respectivamente, provistos
por los modelos de CHFP. El dominio elegido abarca
la totalidad de Sudamérica, (275° E - 330° E; 15° N -
60° S). Cada modelo del conjunto fue calibrado uti-
lizando EREG y luego combinado utilizando las dos
metodologías mencionadas para obtener dos pronósti-
cos consolidados. La verificación de los pronósticos
calibrados se realizó para los pronósticos comprendi-
Figura 37.9: Figura ilustrativa de la Función de Densi-
dos entre los años 1982 y 2005 utilizando la técnica
dad de Probabilidad derivada de la aplicación de EREG
a un ensamble con 10 miembros. La función de densidad de validación cruzada. En general el rendimiento de
de probabilidad (FDP, línea roja) es la suma normali- la calibración utilizando EREG y la aplicación de las
zada de las campanas gaussianas centradas en las esti- metodologías de combinación mejoran los resultados
maciones de la regresión de cada uno de los miembros utilizando las salidas directas de los modelos, tanto en
del ensamble (líneas magenta). La línea vertical verde forma determinista como probabilista, así como para
representa la observación. todas las variables y trimestres considerados.
Figura 37.10: Coeficiente de correlación de anomalías (ACC) entre la precipitación DEF observada y el pronóstico
de precipitación DEF obtenido a partir de a) el MME sin calibrar, b) la media de la FDP obtenida luego de
promediar la PDF de cada modelo obtenida con EREG, c) la media de la FDP obtenida luego de aplicar EREG al
ensamble compuesto por todos los miembros de todos los modelos. La línea negra marca los valores a partir de los
cuales el ACC es significativo al 95 % de confianza.
La Figura 37.10 muestra, a modo de ejemplo, el colo normal, normal y por encima de lo normal. Estas
eficiente de correlación de anomalías (ACC por sus tres categorías son definidas de forma tal de que sean
siglas en inglés) para el pronóstico de precipitación en equiprobables de acuerdo con la climatología de cada
DEF. El ACC calculado es en general superior con el punto de retícula. Cuando se evalúa el desempeño del
pronóstico final consolidado, sobre todo en las regio- pronóstico probabilista utilizando el Ranked Proba-
nes donde el uso directo del ensamble multimodelo bility Skill Score (RPSS, sec. 15.9 en la página 224),
(MME; generado a partir de la media del ensamble se observa que los ensambles consolidados producen
de cada modelo) se asocia con ACC significativos. En mejores resultados que el pronóstico sin calibrar. Las
cambio, en las regiones donde el MME no presenta mejoras ocurren en todo el dominio pero sólo en los
ningún tipo de calidad, el desempeño del ensamble trópicos se supera el desempeño del pronóstico de
calibrado es dispar. referencia que consiste en asignar a cada categoría la
misma probabilidad de ocurrencia. La Figura 37.11
Los resultados se evaluaron también con un pronós- ilustra esta situación para el pronóstico de precipita-
tico probabilista para tres categorías: por debajo de ción en DEF.
Figura 37.11: RPSS entre la precipitación categórica de DEF observada y el pronóstico probabilista de precipitación
de DEF obtenido a partir de a) el MME sin calibrar, b) la FDP obtenida luego de promediar la PDF de cada modelo
obtenida con EREG, c) la FDP obtenida luego de aplicar EREG al ensamble compuesto por todos los miembros de
todos los modelos. El área sombreada en negro enmascara la región donde la topografía alcanza alturas por encima
de los 3000 metros.
37.5 Conclusiones generales del capítulo 597
Figura 37.12: Para el pronóstico probabilista de temperatura superficial de DEF sobre Sudamérica a),b) y c)
Diagramas de atributos y frecuencia de distribución relativa; y d), e) y f) diagramas ROC. El color rojo (azul)
es utilizado para el evento temperatura superior (inferior) a lo normal. Los pronósticos son obtenidos con tres
metodologías: a) y d) el pronóstico sin calibrar; b) y e) la FDP obtenida luego de promediar la PDF de cada modelo
obtenida con EREG; c) y f) la FDP obtenida luego de aplicar EREG al ensamble compuesto por todos los miembros
de todos los modelos.
El análisis del desempeño del pronóstico probabilista 37.5 Conclusiones generales del ca-
en términos de la confiabilidad y la resolución mues-
pítulo
tra que en general el pronóstico hecho con el ensam-
ble sin calibrar presenta poca confiabilidad, mientras
Entre los desafíos más importantes relacionados con
que la calibración la mejora, para ambas variables y
el pronóstico por ensamble en la región, se debe men-
períodos. Por otro lado, en términos de resolución,
cionar la necesidad de una mejora en la comunicación
la calibración y combinación mejoran en general el
de la información acerca de la incertidumbre de los
desempeño respecto al pronóstico sin calibrar sobre
pronósticos en las diferentes escalas espaciales y tem-
latitudes tropicales, especialmente en los pronósticos
porales. Es importante notar que en la actualidad, en
de temperatura. En los extratrópicos todas las meto-
Argentina, esta información no se está comunicando
dologías presentan poca resolución, con excepción
al público o a los tomadores de decisiones, sino que
del pronóstico de temperatura en JJA. En general, los
está disponible solo para los pronosticadores.
resultados en los pronósticos de precipitación no difie-
ren mucho si se pronostica la categoría superior a lo Para poder avanzar en la comunicación de los pro-
normal o inferior a lo normal. En cambio, se encontró nósticos, es necesario incrementar el vínculo con los
que en los pronósticos de temperatura la categoría usuarios de la información, es decir con aquellos que
superior a lo normal suele presentar mejor desempeño utilizan los pronósticos meteorológicos en el proceso
que la inferior a lo normal con todas las metodologías. de tomas de decisiones. Es fundamental entender más
La Figura 37.12 muestra como ejemplo el desempeño en profundidad cómo la información meteorológica
del pronóstico en términos de confiabilidad y reso- participa de dichos procesos de toma de decisión para
lución (paneles superiores, diagrama de atributos) y mejorar la especificidad de los productos generados.
discriminación (paneles inferiores, diagrama ROC) Por otra parte también es importante que los toma-
para el pronóstico de temperatura de DEF. dores de decisión puedan utilizar la información de
la incertidumbre asociada a los pronósticos y de esa
manera aprovechar al máximo la información meteo- mos, si bien se ha avanzado mucho en la cuantifica-
rológica disponible. La incertidumbre es una pieza ción de la incertidumbre de los pronósticos meteoro-
fundamental del proceso de toma de decisiones, por lógicos utilizando esta técnica sobre la región, todavía
lo cual la información meteorológica no puede ser efi- existen muchos casos en los que los fenómenos de
cientemente utilizada si no se conoce la incertidumbre interés ocurren aún sin haber sido anticipados por
asociada a la misma. Una de las principales dificul- ninguno de los escenarios futuros que componen el
tades asociadas a la incertidumbre en la información ensamble indicando que existe lugar para la mejora de
meteorológica es que la misma varía constantemente los métodos que se utilizan para representar adecua-
en el tiempo y en el espacio. Esto implica que los pro- damente las fuentes de incertidumbre presentes tanto
nósticos meteorológicos en diferentes escalas pueden en la determinación de las condiciones iniciales y de
ser efectivos en determinados casos o prácticamen- borde, como en la formulación de los modelos numé-
te inútiles en otros y es importante que los usuarios ricos que se utilizan para realizar los pronósticos. Es
comprendan bajo qué condiciones el nivel de incer- importante mencionar además que cada escala tiene
tidumbre presente en la información meteorológica a este respecto sus particularidades y que las diferen-
nos permite utilizarla para la toma de una decisión tes fuentes de incertidumbre pasan a tener un peso
concreta. relativo diferente en cada caso, lo cual hace que los
métodos necesarios para representar dicha incertidum-
Los pronósticos por ensambles pueden ser utilizados bre deban ser convenientemente diseñados y ajustados
más allá de la cuantificación de la incertidumbre para de acuerdo a los requerimientos de cada problema en
la mejora de los modelos y de las condiciones inicia- particular.
les. Existen en la actualidad métodos como el filtro
de Kalman por ensambles que utiliza la cuantifica- Otro tópico que está íntimamente asociado con los
ción de la incertidumbre basada en un ensamble de pronósticos por ensambles son las técnicas de pospro-
pronósticos, para asimilar observaciones y de esa for- cesamiento estadístico, en particular aquellas diseña-
ma obtener condiciones iniciales más precisas junto das para calibrar los pronósticos probabilistas que se
con una estimación de la incertidumbre asociada a las derivan de un ensamble. En este campo las diferentes
mismas. Estas técnicas han producido impactos posi- aplicaciones que se muestran en este capítulo ponen
tivos en la calidad de los pronósticos desde la escala de manifiesto la importancia de contar con dichas
estacional hasta la mesoescala. Por tal motivo en la técnicas para obtener pronósticos probabilistas más
actualidad se están desarrollando e implementando confiables. Es importante avanzar en el desarrollo de
sistemas de asimilación de datos basados en ensam- técnicas que hagan un uso cada vez más eficiente de
bles en diferentes escalas espaciales que van desde la la información provista por todo el ensamble y por las
escala sinóptica a la escala convectiva. observaciones utilizadas en el proceso de calibración y
que puedan ser aplicadas para ensambles compuestos
Respecto de los pronósticos por ensambles en sí mis- por varios modelos.
Aplicaciones en energía solar
38
DOI: 10.31978/014-18-009-X.38
DANIEL M ASA B OTE
AKKA Technologies, Madrid, España
A NA C AROLINA DO A MARAL B URGHI Y T OBIAS H IRSCH
German Aerospace Center (DLR), Institute of Solar Research, Stuttgart, Alemania
ROBERT P ITZ -PAAL
German Aerospace Center (DLR), Institute of Solar Research, Colonia, Alemania
El uso de energía solar no ha sido desarrollado

porque la industria del petróleo no posee el sol.
R ALPH NADER
Las actividades relacionadas con la obtención de energía en las que las condiciones meteorológicas
tengan un impacto crítico pueden beneficiarse de importantes mejoras en su rendimiento si las previ-
siones meteorológicas son acertadas. Con el surgimiento de la predicción probabilista este beneficio
puede ser aún mayor pues, como se describe en otras partes de este libro y más adelante en este mismo
capítulo, pueden tomarse mejores decisiones si se conocen las probabilidades asociadas a la superación
de distintos umbrales de ocurrencia de eventos meteorológicos. Utilizando el lenguaje económico, usar
predicciones probabilistas tiene un valor relativo mayor, si se saben utilizar y serán, por tanto, más
rentables. Nuestro futuro sólo puede encontrarse en la energía sostenible, como es el caso de la solar o
la eólica.
Palabras clave: sistemas de predicción por conjuntos aplicados a la energía solar, predicción probabilista para la previsión
de energía solar fotovoltaica, efecto cartera, almacenamiento eléctrico, gestión de la demanda, inclusión de incertidumbres
de predicciones meteorológicas en la optimización del despacho de energía por plantas solares de concentración.
Imagen parte superior: la torre solar Jülich es un modelo de investigación para actuales y futuras centrales térmicas solares comerciales.
Los experimentos se llevan a cabo con radiación solar altamente concentrada. Fotografía: DLR.
600 Física del caos en la predicción meteorológica Capítulo 38. Aplicaciones en energía solar
Figura 38.1: Variación de la radiación incidente en un día de nubosidad variable.
38.1 Previsiones meteorológicas en la energía solar fotovoltaica
DANIEL M ASA B OTE

AKKA Technologies, Madrid, España
La afirmación con la que termina el encabezado del ca- conocer de antemano la capacidad de producción de
pítulo es, si cabe, más relevante en la situación actual los sistemas fotovoltaicos.
de creciente penetración de las energías renovables
en las redes eléctricas. De acuerdo con la Agencia Las predicciones de radiación incidente se pueden
Internacional de la Energía, la energía solar fotovoltai- agrupar en dos grupos bien diferenciados en función
ca contribuyó con 1 % al total de la energía eléctrica del horizonte de predicción o anticipación con la que
producida en todo el mundo. Esta penetración, pese a se desea conocer la generación futura: predicciones
parecer baja a primera vista, está desigualmente dis- a corto plazo con un horizonte de predicción de 24 a
tribuida: alcanzando un 8.1 % en Italia y un 6.0 % en 48 horas y predicciones a muy corto plazo o predic-
Alemania, por ejemplo. En España la contribución de ciones inmediatas con las que se desea conocer las
la energía solar fotovoltaica en ese año fue del 3.1 %. fluctuaciones de la generación de los sistemas foto-
Además de la creciente preocupación por los efec- voltaicos con una antelación que va desde las 3 horas
tos ambientales provocados por fuentes tradicionales hasta periodos de unos pocos minutos.
de energía, basadas en combustibles fósiles, y por su
inevitable agotamiento, este crecimiento ha estado Estos dos horizontes de predicción responden a dos
provocado, además, por el abaratamiento de los cos- necesidades concretas de los sistemas eléctricos. En
tes de producción de las energías renovables, siendo el caso de predicciones a 24-48 horas, es la necesidad
competitivas en coste con las fuentes convencionales por parte de los operadores de los sistemas eléctricos
de generación en múltiples países. Es esperable que de conocer con suficiente anticipación la capacidad de
en el futuro esta tendencia no solo se mantenga sino todos los generadores del sistema de tal manera que
que se acreciente. el operador pueda despachar la producción individual
de cada generador teniendo en cuenta la demanda.
Las predicciones inmediatas o a muy corto plazo es-
La energía solar fotovoltaica, al igual que otras ener- tán orientadas a contribuir a la estabilidad de la red
gías renovables como la eólica, ha sido considerada eléctrica limitando fluctuaciones muy rápidas en la
tradicionalmente una fuente de energía no fiable debi- energía generada por un sistema fotovoltaico. A modo
do a su dependencia para producir energía de las con- de ejemplo, en la Figura 38.1 se muestra la variación
diciones meteorológicas, principalmente la radiación en la radiación durante un día de nubosidad variable.
en el caso de los sistemas fotovoltaicos al estar íntima-
mente ligada su generación a la radiación incidente. Las predicciones a muy corto plazo quedan fuera del
La integración de la energía solar fotovoltaica en las ámbito del presente estudio. No obstante, cabe indicar
redes eléctricas parte por lo tanto de la capacidad de que estas predicciones no suelen efectuarse a partir
38.1 Previsiones meteorológicas en la energía solar fotovoltaica 601
de modelos numéricos de predicción sino a partir de económicas. En el caso de que un generador eléctrico
modelos estadísticos o análisis y extrapolación de imá- se desvíe de la cantidad que le ha sido asignada, puede
genes obtenidas por satélite o radar. incurrir en penalizaciones económicas. Lo más habi-
tual es que solamente se penalice a los productores si
las desviaciones incurridas son contrarias al sistema,
38.1.1 Beneficios de las predicciones pro- es decir, si se ha producido menos energía de la de-
babilistas clarada en un momento en que la red era deficitaria
(mayor consumo que generación) o viceversa.
Como ya se ha comentado, el objetivo de las predic-
ciones a corto plazo es conocer de antemano y con la En el caso de predicciones deterministas, la energía
mayor exactitud posible cuánta energía va a generar a declarar por los gestores de una huerta solar será
un sistema fotovoltaico para que estos puedan parti- directamente el resultado de la predicción y, por tanto,
cipar en los despachos de energía realizados por los la probabilidad de incurrir en desvíos respecto a la
operadores de los sistemas eléctricos. En los despa- capacidad declarada dependerá exclusivamente de la
chos, el operador del sistema eléctrico asigna a cada bondad del modelo de predicción que suele situarse en
generador cuánta energía debe producir en función de torno al 40 % para valores horarios de radiación con
su capacidad declarada de generación, que en el caso horizonte de 24 horas. Por supuesto, siempre se puede
de los sistemas fotovoltaicos serán las predicciones declarar una energía menor que la predicción para
a corto plazo, y la demanda prevista. Este criterio de tener un cierto margen de maniobra en caso de que la
asignación se basa tanto en criterios técnicos que bus- predicción falle por exceso. El caso de que la predic-
can asegurar la fiabilidad y seguridad del suministro ción falle por exceso se considera trivial pues basta
eléctrico como en criterios económicos que persiguen con limitar la generación. No obstante, aunque este
reducir los costes de generación de energía eléctri- proceder pueda minimizar la probabilidad de incurrir
ca. Los despachos de electricidad se realizan a escala en desvíos, no supone una gestión óptima del recurso
horaria, para un día completo y con un mínimo de solar pues de manera sistemática se está declarando
12 horas de adelanto. una capacidad de producción menor a la real.
En la actualidad, el mecanismo más extendido para En el caso de disponer de predicciones de producción

realizar el despacho de la generación eléctrica suele probabilistas, un ejemplo de las cuales se muestra en
ser mediante mercados mayoristas diarios, también lla- la Figura 38.2, acompañadas por tanto de sus corres-
mados pool, en los cuales se casan las ofertas de venta pondientes intervalos de confianza, es posible saber de
y compra de electricidad presentadas por productores antemano no solo la energía generada por el sistema
y consumidores de tal manera que la demanda se cubra sino tener una idea de la distribución de probabilidad
preferentemente con las fuentes de generación más del error asociado a dicha predicción.
Figura 38.2: Predicción de valores horarios de radiación junto con intervalos de confianza.
Con esta información es posible hacer una estimación consistentemente con la teoría expuesta en las seccio-
más razonable y ajustada de la energía que se debe nes 13.6.3 en la página 178 y 15.7 en la página 221.
declarar de cara al sistema de tal manera que, a largo
plazo, se consigan minimizar tanto las penalizaciones La siguiente solución alternativa propuesta consiste en
debidas a desvíos como la energía desaprovechada. combinar los sistemas fotovoltaicos con sistemas de
La estimación de la energía a declarar puede afinarse almacenamiento, típicamente baterías eléctricas, sien-
si se dispone de información sobre errores de predic- do las más populares las de ion-litio. La idea detrás
ción cometidos en el pasado y es posible realizar una de combinar generación renovable y almacenamiento
corrección estadística, empleando redes neuronales, eléctrico es bastante sencilla: se usará el sistema de
por ejemplo, de la salida del modelo de predicción almacenamiento como un búfer en el que se inyectará
empleado. energía cuando esta sea excedentaria y del cual se ex-
traerá energía cuando esta sea deficitaria. El resultado
es que el conjunto generador más batería se muestra
38.1.2 Efecto cartera, almacenamiento de cara a la red como un generador cuya diferencia
eléctrico y gestión de la demanda entre energía declarada y energía finalmente entrega-
da a la red se ha desacoplado, gracias a la batería,
Como ya se ha comentado anteriormente, la integra- del error de predicción. El principal inconveniente de
ción efectiva de los sistemas fotovoltaicos en las redes esta solución es el elevado coste de los sistemas de
eléctricas implica necesariamente, conocer con la ma- almacenamiento.
yor exactitud posible la energía que generarán estos
sistemas a corto plazo. En el caso que nos ocupa de la A modo de ilustración se muestra en la Figura 38.3
generación fotovoltaica, las predicciones se caracteri- en la página siguiente el efecto que tiene la inclusión
zan por su elevada incertidumbre (hasta un 40 %) y, a de almacenamiento en un sistema fotovoltaico real de
la espera de que se produzcan mejoras en los procedi- 7 kW. Se han considerado distintos tamaños de batería
mientos predictivos que permitan reducir este error, en en función de la capacidad de la misma o máxima
la industria se han propuesto soluciones alternativas energía que es capaz de almacenar, Cbat,max , y la po-
que, en vez de reducir la incertidumbre asociada a los tencia máxima de carga/descarga que es la máxima
modelos de predicción, permiten paliar sus efectos. potencia que puede entregar de manera instantánea el
sistema, Pbat,max . Como es de esperar, a medida que
La primera de estas soluciones es el denominado efec- aumenta el tamaño de la batería, tanto en capacidad
to cartera, consistente en agrupar la generación de como potencia máxima, se reduce la diferencia entre
varios sistemas fotovoltaicos como si constituyesen energía declarada y producida. En el mejor de los ca-
un único sistema, de tal manera que la energía ge- sos, esta diferencia tiene un error cuadrático medio,
nerada por el conjunto sea más previsible que la de RMSE, de 397 Wh mientras que el error cometido en
cada sistema individual. Para que la reducción de la la predicción, sin contar con el almacenamiento, es de
incertidumbre sea efectiva es necesario que los siste- 1087 Wh.
mas se encuentren lo suficientemente distantes entre
sí como para que la irradiación incidente en cada uno Localidad RMSE [Wh/m2 ]
pueda considerarse independiente de las demás. A fin Santander (I) 186,3
de ilustrar este efecto, se muestran en la Tabla 38.1 Logroño (II) 165,2
los errores cuadráticos medios cometidos al prede- Soria (III) 159,7
cir valores horarios de radiación con un horizonte de Madrid (IV) 150,6
predicción de 24 horas durante un año completo en Cáceres (V) 138,8
cinco localidades de la península: Santander, Logro- Conjunta 106,6
ño, Soria, Madrid y Cáceres así como el resultado de
la predicción conjunta, efecto cartera, para las cinco Tabla 38.1: Resultados de la predicción de la irradia-
localidades. Puede observarse que el error cuadrá- ción para cada localidad y para la combinación de las
tico medio conjunto es inferior a todos los demás, cinco localidades.
38.1 Previsiones meteorológicas en la energía solar fotovoltaica 603
Figura 38.3: Diferencia entre energía declarada y producida en función del dimensionamiento del sistema de
almacenamiento eléctrico.
El uso de almacenamiento eléctrico no solo permite incertidumbre en la predicción es la combinación de

mitigar los efectos de la incertidumbre en la predic- generación fotovoltaica con sistemas de gestión de la
ción sino que también permite proporcionar servicios demanda eléctrica. La gestión de la demanda eléctrica
auxiliares a la red eléctrica que un sistema fotovol- consiste en la capacidad por parte de los consumi-
taico, por sí solo, no es capaz. Por ejemplo, el perfil dores de modificar su consumo de energía eléctrica
de generación de la Figura 38.1 en la página 600, reduciendo el mismo o desplazándolo temporalmente.
aunque pudiese predecirse con total exactitud no es Esta solución implica que los sistemas fotovoltaicos
deseable para la red eléctrica debido al efecto negati- se ubiquen en la proximidad de puntos de consumo co-
vo que tiene sobre el sistema su elevada variabilidad. mo puede ser sector residencia, industria o comercio
La combinación de un sistema fotovoltaico con dicho En este sentido, la gestión de la demanda se comporta-
perfil de generación y una batería con una estrategia ría como la batería en el caso anterior: se desplazaría
de gestión adecuada permitirían aplanar dicho perfil el consumo de electricidad de aquellos periodos en
de tal manera que, para la red eléctrica, el conjunto de que la generación fotovoltaica es deficitaria a aquellos
generación fotovoltaica más almacenamiento sería el en que es excedentaria. Por supuesto, tanto almacena-
de un único generado estable en el tiempo. miento eléctrico como gestión de la demanda no son
mutuamente excluyentes y ambas estrategias pueden
La última solución posible para mitigar el efecto de la llevarse a cabo de manera conjunta.
Figura 38.4: Rango de posibles planes de entrega de electricidad para dos días específicos, de acuerdo con la
probabilidad de cumplir con la energía comprometida para ese periodo.
38.2 Inclusión de incertidumbres de predicciones meteorológicas en la op-

timización del despacho de energía por plantas solares de concentra-
ción
A NA C AROLINA DO A MARAL B URGHI Y T OBIAS H IRSCH
German Aerospace Center (DLR), Institute of Solar Research, Wankelstrasse 5, 70563 Stuttgart, Alemania
ROBERT P ITZ -PAAL
German Aerospace Center (DLR), Institute of Solar Research, Linder Höhe, 51147 Colonia, Alemania
La alta penetración de energías renovables en redes

eléctricas ofrece la oportunidad de equilibrar la pro- El término despacho es el utilizado en el mercado
eléctrico, refiriéndose al envío de energía de la planta
ducción y la demanda de electricidad mediante plantas
eléctrica a la red, mientras que suministro está rela-
de Energía Solar de Concentración (CSP, en inglés cionado con la energía que va de la red a los consumi-
Concentrated Solar Power [91]). Gracias a su capa- dores. Son concepto muy similares, pero acercándose
cidad de almacenamiento térmico, las plantas CSP al detalle técnico se trata de distintas partes de un
proporcionan una cierta flexibilidad, y permiten des- mismo proceso.
acoplar la recolección de energía térmica del sol y su
transformación en energía eléctrica mediante un ciclo
de potencia, por lo que hacen posible generar energía
La atmósfera es un sistema caótico, y por ello es impo-
en el momento que más se necesita.
sible predecir su estado futuro de forma exacta. Así es
recomendable considerar la incertidumbre de estas en
la planificación del despacho de energía por centrales
Para programar con precisión la producción de elec- CSP.
tricidad en los próximos días, el despacho de energía
de estas plantas debe basarse en la demanda de elec- La modificación de entrega de energía ya programada
tricidad y las predicciones meteorológicas [655]. Esta es limitada y generalmente conlleva penalizaciones o
programación permite la participación activa de las precios reducidos. En consecuencia, para garantizar la
plantas de CSP en el mercado de energía, reforzando optimización del despacho, es esencial considerar es-
su importancia en un futuro donde se vislumbra una tas incertidumbres en el cronograma de la entrega de
alta integración y combinación de distintas fuentes de energía, considerando su dependencia con el método
energía renovable. y la precisión de los pronósticos meteorológicos.
38.2 Inclusión de incertidumbres de predicciones meteorológicas en la optimización del despacho de energía por
plantas solares de concentración 605
La precisión de las predicciones meteorológicas, rea- planes, de acuerdo con el riesgo de cumplir con la
lizadas por diferentes métodos de pronóstico, es un entrega de energía comprometida.
tema relevante que ayuda a evaluar su impacto en la
programación del despacho de energía, así como en El enfoque del programa desarrollado por DLR brinda
el ingreso económico de las plantas CSP. la posibilidad de incluir la incertidumbre representada
por predicciones meteorológicas probabilistas en com-
La Agencia Aeroespacial Alemana (Deutsches Zen- binación con otros parámetros del mercado eléctrico.
trum für Luft- und Raumfahrt e.V., DLR) desarrolló Por lo tanto, pueden elaborarse estrategias exclusivas
un programa de optimización de despacho de energía de entrega de energía, de acuerdo con la calidad de las
eléctrica, utilizado para planear los cronogramas de predicciones meteorológicas, las características del
operación de una planta CSP en el mercado diario mercado y el enfoque de operación de la planta CSP.
de energía. Este programa considera los pronósticos
meteorológicos y los precios de la electricidad, con un Estas estrategias permiten aprovechar de forma ópti-
enfoque especial en la incorporación de incertidum- ma toda la información contenida en las predicciones
bres. probabilistas específicamente para plantas CSP. El va-
lor económico relativo se presenta con detalle en la
sec. 15.10 en la página 234 y es en estas aplicaciones
La estrategia del programa de DLR se basa en un
donde puede calcularse para mostrar que el uso de
cálculo que divide el algoritmo de optimización del
SPC puede ser rentable con respecto a usar modelos
procesamiento de la incertidumbre, posibilitando así
deterministas.
la utilización de predicciones meteorológicas probabi-
listas. Esta herramienta tiene como ventaja la utilización de
pronósticos meteorológicos tanto deterministas como
El algoritmo de optimización es ejecutado directamen- probabilistas, así como la evaluación de la calidad
te con todos los escenarios meteorológicos posibles, y eficiencia de éstos para optimizar el despacho de
en el caso de que la predicción sea probabilista, o con energía por plantas CSP.
la predicción determinista y sus niveles de probabili-
dad, mientras que la incertidumbre se trata como un La utilización de predicciones meteorológicas como
pos proceso. entrada, especialmente la de tipo probabilista, puede
permitir un aumento en los beneficios económicos y
Este posproceso consiste en la categorización de los en la rentabilidad de estas plantas. Además, se prevé
escenarios optimizados según un análisis de riesgos que los resultados relacionados con la exactitud en la
del cumplimiento de la entrega de energía. Por lo predicción del tiempo, así como los posibles incremen-
tanto, el resultado de la optimización es un rango de tos de ingresos financieros por operación de plantas
posibles planes de despacho de energía (Figura 38.4 CSP puedan ser de gran relevancia para una mejor
en la página anterior), y el procesamiento posterior comprensión sobre cómo emplear las incertidumbres
de la incertidumbre puede categorizar esos posibles para una óptima generación de energía.
Figura 38.5: La torre solar J ÜLICH es un modelo de investigación para actuales y futuras centrales térmicas solares
comerciales. Los experimentos se llevan a cabo con radiación solar altamente concentrada. Fotografía: vista aérea
de la torre solar, DLR.
Predicción por conjuntos y estimaciones de incerti-
dumbre en predicción de energía eólica 39
DOI: 10.31978/014-18-009-X.39
A LEJANDRO C ATALINA Y J OSÉ R. D ORRONSORO

Departamento de Ingeniería Informática e Instituto de Ingeniería del Conocimiento, UAM
Los Anemoi eran dioses del viento, se correspondían con los puntos cardinales y que
estaban relacionados con las distintas estaciones y estados meteorológicos. Los cuatro
Anemoi eran: Bóreas (norte - invierno), Noto (sur - verano), Euro (este - otoño) y Céfiro
(oeste - primavera). Los Anemoi eran hijos de Astreo (también conocido como padre de las
estrellas) y de Eos, diosa del amanecer. Otros hijos importantes de esta pareja fueron los
cinco Astra Planeta (estrellas errantes, es decir, planetas): Fenonte (Júpiter), Faetonte
(Saturno), Piroente (Marte), Fósforo (Venus) y Estilbo (Mercurio).
https: // arescronida. wordpress. com/ tag/ anemoi/ – A RES C RONIDA
Por razones tanto ecológicas como económicas se está produciendo un rápido crecimiento de las energías
renovables y, en particular, de la energía eólica. Los sistemas de predicción por conjuntos (SPC) basados en
modelos meteorológicos numéricos pueden ser una herramienta muy útil tanto para mejorar la calidad de las
predicciones de energía renovable como para proporcionar estimaciones útiles de la incertidumbre asociada
a dichas predicciones. En este capítulo se considerará la aplicación a tal efecto de los SPC meteorológicos
proporcionados por el European Centre for Medium-range Weather Forecasts (ECMWF), tanto a nivel de la
predicción local de energía eólica en un solo parque, como en el área mucho más amplia de la España peninsular
mostrando que, si bien las predicciones deterministas pueden tener alguna ventaja sobre las de los ensembles en
términos de resolución espacial, los SPC pueden usarse para derivar intervalos de incertidumbre satisfactorios.
Fuera del alcance de este capítulo queda un estudio sobre la utilización de la PDF que proporcionan los SPC
para ofrecer predicciones puramente probabilistas.
Palabras clave: sistemas de predicción por conjuntos aplicados a la energía eólica, predicción probabilista para la previsión
de energía eólica, modelos neuronales y SVR.
Imagen parte superior: aerogeneradores al atardecer, Pixabay https://pixabay.com/es/windr%C3%A4der-la-energ%C3%

ADa-e%C3%B3lica-energ%C3%ADa-2991696/
Física del caos en la predicción meteorológica Capítulo 39. SPC y estimaciones de incertidumbre en predicción
608 de energía eólica
predicciones de energía obtenidas mediante el modelo
39.1 Introducción
determinista (aunque tal vez ligeramente superiores),
mientras que a horizontes más lejanos su mayor infor-
En parte por consideraciones sobre el cambio climáti- mación sí sería de mayor utilidad. Por otro lado, los
co y en parte y cada vez más por razones económicas, ensembles deberían poder utilizarse para proporcionar
se está produciendo un rápido crecimiento de las ener- intervalos de incertidumbre a la predicción de energía
gías renovables y, en particular, de la energía eólica. eólica.
Como consecuencia, una predicción precisa de dicha
energía es clave para su gestión e integración en los En este capítulo, donde resumimos brevemente un tra-
distintos sistemas eléctricos. Hay dos objetivos pri- bajo más amplio [117] trataremos ambas cuestiones,
mordiales para dicha predicción. Por un lado, hacer considerando la predicción de energía eólica tanto
que las mismas tengan una precisión tan alta como sea para toda la península ibérica como para un único
posible. Por otro lado, y dada variabilidad meteoroló- parque, Sotavento, situado en Galicia. Como modelos
gica, acompañar dichas predicciones con intervalos de aprendizaje automático (AA) emplearemos redes
de incertidumbre fiables. neuronales (NN) y máquinas de vectores de soporte
para regresión (SVR). En esta nota, que tiene sobre
Para horizontes de uno a varios días la predicción metodo un carácter de primer análisis de lo que puede
teorológica numérica o Numerical Weather Prediction conseguirse con los ensembles, consideraremos dos
(NWP, 10 en la página 129) es la entrada habitual a horizontes de predicción, para el mismo día en que se
la hora de aplicar modelos de aprendizaje automático generan las predicciones y a dos días.
(AA) y entre las NWP más establecidas están sin duda
la del European Centre for Medium-Range Weather
Forecasts (ECMWF, cap. 19 en la página 289). Su
modelo determinista, ECHRES (sec. 19.2 en la pá-
39.2 Modelos Neuronales y SVR
gina 291) está basado a grandes rasgos en la mejor
estimación de los parámetros del modelo y de sus En nuestros experimentos trabajaremos con redes neu-
condiciones iniciales. Este modelo se integra con las ronales sencillas y con máquinas de vectores de so-
resoluciones más finas disponibles (actualmente 9 km porte para regresión, que describimos a continuación.
de resolución espectral, disponible en rejilla a 0,1◦
y, en los periodos de los experimentos realizados, 16
Para una muestra de tamaño N {(x1 , y1 ), . . . , (xN , yN )}
km de resolución espectral, disponible en rejilla a una red neuronal [53] trata de minimizar la siguiente
0,125◦ ). No obstante, las predicciones meteorológicas función de pérdida regularizada (L2 )
están sujetas a incertidumbre y por ello los modelos
numéricos globales desarrollan la denominada predic- 1 α
eNN (w) = (y p − f (x p , w))2 + kwk22 , (39.1)
ción probabilista de conjuntos o ensembles [97, 689]. 2N ∑
p 2
En el caso del ECMWF, esta predicción probabilista donde f (x, w) denota la salida para x de una red neu-
(ECENS, sec. 19.3 en la página 293) está formada ronal cuya arquitectura determina un conjunto de pe-
por un modelo de control, esencialmente coincidente sos w. Trabajaremos con la implementación en scikit–
con el determinista pero con una menor resolución learn [500] de redes fully connected con el mismo
de integración (actualmente 18 km de resolución es- número de neuronas por capa, concretamente 2 ca-
pectral, disponible en rejilla a 0,2◦ y, en los periodos pas con 100 neuronas cada una. Hemos fijado la fun-
de los experimentos realizados, 32 km de resolución ción de activación como ReLUs y los parámetros por
defecto para el solver adam. Por tanto sólo hiper–
espectral, disponible en rejilla a 0,25◦ ). Hay además
parametrizaremos α, la constante de penalización de
50 predicciones adicionales que toman como condi- la regularización. Por otro lado, la función de pérdida
ciones iniciales unas ciertas perturbaciones de las de para las máquinas de vectores soporte para regresión
control. (SVR) [53] es la siguiente
1
Es natural preguntarse cómo aprovechar los ensem- eSV R = ∑[y p − w · x p − w0 ]ε + kwk22 , (39.2)
2C
bles para complementar las predicciones obtenidas p
con el modelo determinista. Una primera intuición donde de nuevo usamos regularización L2 y la pérdida
sugiere pensar que a horizontes cortos las prediccio- ε-insensitive.
nes de energía obtenidas mediante ensembles NWP
deberían tener unos errores comparables a los de las
39.3 Experimentos 609
mientras que las de la España peninsular han sido

Generalmente esta función de pérdida se reescribe co- proporcionadas por Red Eléctrica de España (REE).
mo un problema con restricciones que posteriormente
Las predicciones ensemble de energía corresponden a
se transforma mediante la teoría lagrangiana en un
problema dual mucho más sencillo, que es el que fila aplicación de los modelos NN o SVR entrenados
nalmente se resuelve. El problema dual solo involucra sobre el modelo NWP control a las 50 predicciones
patrones a través del producto escalar, lo que permite NWP del ensemble.
el conocido truco del núcleo (kernel trick), que re-
emplaza los productos escalares x · x′ con los valores
k(x, x′ ) de un núcleo definido positivo. La opción ha-
bitual es usar el núcleo gaussiano, que resulta en un 39.3.1 Predicciones Deterministas vs En-
modelo SVR con tres hiper–parámetros, el coeficiente sembles
de regularización C, el valor de ε de la función de
pérdida y la anchura del núcleo γ. Aquí también usa-
El primer experimento será una comparación entre la
remos la implementación en scikit–learn para SVR,
así como su módulo para búsqueda en rejilla de hiper– precisión de los modelos NN y SVR aplicados a la
parámetros, donde utilizaremos datos del año 2013 NWP determinista y de control, así como la media y
como entrenamiento y de 2014 como validación; los mediana de las predicciones obtenidas sobre los 50
datos de 2015 serán para test. ensembles NWP. En todos los casos usaremos como
variables de predicción las siguientes:
1. Componentes U y V de la velocidad del viento

39.3 Experimentos a 10 y 100 metros así como sus módulos.
2. Presión en superficie.
Entrenaremos los modelos determinista y control em- 3. Temperatura a 2 metros.
parejando predicciones NWP para el mismo día con 4. Conversión del viento a 10 y 100 metros a po-
los correspondientes valores horarios de energía. Las tencia usando una curva genérica que satura a
producciones de Sotavento están accesibles en su web 20 m/s.
Sotavento REE
MAE RMSE MAE RMSE
Det 5.86 8.50 2.76 3.66
Control 6.84 9.12 2.68 3.67
Mean 6.01 8.78 2.68 3.65
MLP Median 5.99 8.78 2.68 3.64
Det (2d) 7.25 10.50 4.60 5.77
Mean (2d) 8.37 11.35 6.17 7.55
Median (2d) 8.21 11.34 6.14 7.54
Det 5.80 8.52 2.54 3.37
Control 6.34 9.13 2.56 3.40
Mean 5.85 8.72 2.56 3.38
SVR Median 5.84 8.74 2.56 3.39
Det (2d) 7.19 10.57 4.63 5.80
Mean (2d) 9.31 12.20 6.70 8.14
Median (2d) 9.23 12.22 6.66 8.10
Tabla 39.1: MAE y RMSE para los modelos NN y SVR en el mismo día y para dos días hacia adelante.
Física del caos en la predicción meteorológica Capítulo 39. SPC y estimaciones de incertidumbre en predicción
610 de energía eólica
Estas variables se normalizan de forma adecuada y nes NWP de los ensembles pueden ser subdispersivas
la energía se considera a una escala 0-100. Utiliza- [231, 376] (aunque esta cuestión requiere un estudio
remos una resolución de 0,25◦ en Sotavento, puesto posterior, ver también sec. 13.6.5 en la página 181
que es la única disponible en los datos de conjuntos. y 15.8.2 en la página 223).
Por razones de complejidad computacional, usaremos
para la península una resolución menor de 0,5◦ . Esto Por ello aplicaremos a dichas dispersiones una cali-
resulta en 1 200 variables en Sotavento y 5 520 en la bración relativamente sencilla, en concreto
península.
mdet
p̂hdet ± δ h
sprens (s), (39.3)
mens
En la Tabla 39.1 mostramos los errores MAE y RMSE
(sec. 15.2.3 en la página 211) de los diferentes esce- donde p̂hdet es la predicción determinista para la hora
narios. Como puede verse, el mejor modelo es SVR, h, δ es un parámetro de calibración a estimar, mdet
claramente a dos días y también, aunque menos, para es la mediana de los errores deterministas, mens es la
mediana de la dispersión de los conjuntos y sprens h (s)
el mismo día. Destaca también que en el mismo día la
s s
mediana de los conjuntos es el segundo mejor modelo, es la diferencia entre los percentiles 2 y 100 − 2 de las
predicciones ensemble para la hora h, siendo s el nivel
seguido de cerca de la media, mientras el el modelo
de confianza deseado. El parámetro δ se estima por
de control está claramente detrás. En cualquier caso, validación cruzada para lo que usamos como función
si bien en el mismo día medias y medianas están cerca de pérdida el porcentaje de producciones fuera del
del modelo determinista, a 2 días se quedan bastante intervalo Iδ ,s definido por la ecuación (39.3)
atrás. Pero hay que observar que se trata de un primer
acercamiento a la utilidad potencial de los ensem- pererr (δ , s) = { % of test residuals ∈ Iδ ,s } − (100 − s) .
bles, en el que se utilizan por separado el miembro (39.4)
de control, la mediana o la media del ensemble y se
comparan con el determinista. Una posibilidad para
futuros trabajos es utilizar la PDF completa. En la Tabla 39.2 mostramos los resultados para inter-
valos del 50 y 90 %; como puede verse, el nivel de
incertidumbre es muy cercano a la confianza desea-
39.3.2 Intervalos de Incertidumbre da. También destaca que en este experimento no hay
una diferencia significativa entre la red neuronal y el
Otro uso posible de las predicciones ensemble es de- modelo SVR, probablemente porque el proceso de
rivar intervalos de confianza para las predicciones de optimización de δ se adapta a los errores de los res-
energía. Sin embargo, la opción natural de calcularlos pectivos modelos. Igualmente, tampoco hay una gran
directamente en función de la dispersión de las predic- diferencia entre la calidad de los intervalos del mismo
ciones ensemble no es aplicable, pues las prediccio- día y a 2 días.
Sotavento REE
Confianza 0d 2d 0d 2d
50 49.70 50.01 53.42 47.07
MLP
90 90.55 90.22 92.00 89.98
50 51.27 48.71 50.73 47.84
SVR
90 89.31 89.71 90.73 91.93
Tabla 39.2: Porcentajes de incertidumbre deseados (segunda columna) y porcentajes reales de las predicciones
dentro de cada intervalo de incertidumbre para el mismo día y para dos días hacia adelante.
39.4 Discusión y Conclusiones 611
39.4 Discusión y Conclusiones puede ser considerando la posible relación entre la

inestabilidad de la atmósfera y la dispersión de los
conjuntos. Cuando la inestabilidad sea pequeña podría
La principal conclusión de las secciones anteriores
esperarse una dispersión pequeña, y viceversa en el
es que los ensembles NWP pueden enriquecer la pre-
caso contrario. Todas estas son cuestiones interesantes
dicción de energía eólica y proporcionar intervalos
que merecerían un estudio específico.
de incertidumbre fiables. Pero, por otro lado, hay que
tener en cuenta que la generación de estos datos su-
pone un coste computacional sustancialmente mayor, Agradecimientos. Con soporte parcial de los pro-
tanto a la hora de emitir y manejar predicciones como yectos TIN2013-42351-P, TIN2016-76406-P y
en almacenamiento. En cualquier caso, puede haber S2013/ICE-2845 CASI-CAM-CM, así como del pro-
otras ventajas derivadas del uso de los ensembles. En yecto FACIL–Ayudas Fundación BBVA a Equipos de
este ejercicio se ha utilizado el miembro de control, Investigación Científica 2016 y de la Cátedra UAM–
la mediana o la media del ensemble como prediccio- ADIC en Ciencia de Datos y Aprendizaje Automático.
nes separadas, pero no la PDF en su conjunto como Agradecemos a Red Eléctrica de España los datos de
predicción propiamente probabilista. Tampoco se han producción eólica en España y el uso de las instala-
considerado horizontes de predicción más allá de 1-2 ciones del Centro de Computación Científica (CCC)
días. Además, una forma de mejorar las predicciones en la UAM.
Parte VI
Sociedad
Parte VI Sociedad
Las predicciones probabilistas, en fondo y forma, son enormemente útiles para la
sociedad. La psique humana entiende los conceptos relacionados con la probabili-
dad de modos diversos y con sesgos cognitivos que es conveniente conocer. No es
una cuestión trivial presentar las predicciones al público usando lenguaje probabi-
lista: es un auténtico reto para los medios. Estos aspectos se abordan con mucho
detalle y profundidad en un capítulo desarrollado por profesionales de la psicolo-
gía/antropología y de los medios de comunicación. El sistema europeo Meteoalerta
de avisos de fenómenos meteorológicos adversos, conocido ampliamente por estar
presente en los medios (avisos amarillo-naranja-rojo), se presenta en otro capítulo.
En el capítulo siguiente tenemos oportunidad de mostrar el proyecto europeo PRO-
FORCE, para la aplicación de los sistema(s) de predicción por conjuntos (SPC) a
la emisión de avisos meteorológicos. Cerramos esta parte con un capítulo relacio-
nado con la utilización del lenguaje meteorológico en los medios y en la sociedad,
haciendo hincapié en la medida en que puede mejorarse la comunicación de la in-
formación meteorológica si se utiliza ese lenguaje con propiedad.
Página anterior: nubes sobre Madrid, con las Cuatro Torres, desde algún punto al noroeste
de la ciudad, fotografía tomada por J UAN C ARLOS G ARCÍA C OLOMBO.
Probabilidad e incertidumbre en la sociedad y en los
medios 40
DOI: 10.31978/014-18-009-X.40
J OSÉ M IGUEL V IÑAS B ERTA B URGUETE O RS
DIVULGAMETEO Antropóloga y Filósofa
Consultor OMM C ARLOS S ANTOS B URGUETE
M ÓNICA L ÓPEZ M OYANO Centro Nacional de Predicción (CNP)
RTVE Agencia Estatal de Meteorología (AEMET)
Piensa como un hombre sabio pero comunícate

en el lenguaje de la gente.
W ILLIAM B UTLER Y EATS
La introducción de la teoría del caos en la predicción meteorológica hace que las predicciones incorporen
de modo natural la incertidumbre y la predecibilidad en su elaboración, lo que venimos llamando predicción
probabilista. Aunque la probabilidad y la estadística forman parte de la educación secundaria, en la sociedad
en general sólo alcanzan a ser un lenguaje o una herramienta muy puntuales para expresar algunos conceptos
concretos y poco más. Existe una cierta resistencia social, a menudo inconsciente, contra la introducción
de predicciones probabilistas. Esta resistencia se da incluso entre algunos profesionales de la meteorología,
que prefieren seguir elaborando predicciones deterministas. En este capítulo abordamos las dificultades que
presenta el público general en la comprensión y aceptación tanto de la propia ciencia meteorológica como de las
predicciones en términos probabilistas y el reto que esta problemática supone para los medios de comunicación.
Palabras clave: probabilidad e incertidumbre en la sociedad y en los medios, predicción probabilista, comunicación de la
probabilidad y de la incertidumbre, el reto probabilista en los medios de comunicación, comunicación de la probabilidad y
la incertidumbre en televisión.
Imagen parte superior: M ÓNICA L ÓPEZ mostrando un mapa de probabilidad de precipitación en RTVE.
Física del caos en la predicción meteorológica Capítulo 40. Probabilidad e incertidumbre en la sociedad y en los
616 medios
40.1 Meteorología y predicción sujeto que las percibe. Sin embargo, la filosofía, des-
de sus más ancianos inicios se ha preguntado cuánto
probabilista en la sociedad
(y cómo) podemos conocer, porque lo cierto es que
nuestra percepción del mundo está altamente conta-
B ERTA B URGUETE O RS minada por lo que en la actualidad se conoce como
Antropóloga y Filósofa sesgo cognitivo.
Por otra parte, los fenómenos meteorológicos presen-
CNP, Agencia Estatal de Meteorología (AEMET) tan una complejidad asombrosa; las variaciones que
sufre, por ejemplo, la temperatura o que experimenta
40.1.1 Observabilidad e importancia del el cielo en apenas un puñado de horas y en un radio
tiempo en la sociedad muy corto de distancia, son notables. Esta variabili-
dad, no solo hace materialmente imposible resumir en
pocas palabras algo que ha sido tan diferente en un
Al contrario que algunos objetos de observación cien-
marco de tiempo y espacio relativamente pequeños,
tífica, los fenómenos meteorológicos son accesibles
sino que, además, su naturaleza volátil y carácter caó-
a todas las personas: mientras los agujeros negros o
tico obligan a presentar las predicciones en forma de
los elementos que recorren raudos los aceleradores
probabilidades. La tendencia humana al ahorro cog-
de partículas no están al alcance del público general,
nitivo, es decir, a generalizar y presentar las verdades
la lluvia, el viento o la temperatura son observables
de la forma más simple posible, hace que el público
por todo el mundo, lo que podría producir la falsa
ofrezca resistencia a las presentaciones de probabili-
impresión de que, sobre la base de la experiencia co-
dades: una predicción determinista (hoy lloverá) será
tidiana, cualquiera está en disposición de discernir
mucho más digerible que una predicción probabilista
la veracidad científica de unos pronósticos de enor-
(hay un cinco por ciento de posibilidades de que hoy
me complejidad. Este fenómeno, que consiste en que
llueva) y por ello, parece conferirle un carácter adivi-
nuestra ignorancia en un campo nos lleva a creer que
natorio, casi fuera del rango científico. ¿Quién no ha
sabemos lo suficiente sobre él, es conocido como Sín-
dicho o escuchado alguna vez: «los del tiempo no han
drome Dunning-Kruger [359].
acertado hoy»?
Por otro lado, el tiempo está muy presente en la socie-
Por si esto fuera poco, a menudo, la descripción de
dad del riesgo en la que vivimos [38]: evitar posibles
los fenómenos atmosféricos va acompañada de adjeti-
peligros, por pequeños que sean, cobra una importan-
vos calificativos cargados de gran subjetividad: Hace
cia central en nuestra realidad.
bueno/malo; hace frío/calor.
Así, las predicciones de potencial riesgo meteoroló-
A la economía cognitiva (o generalización), es nece-
gico no son en absoluto neutras: las expectativas que
sario sumarle el peso de la experiencia vital del obser-
crean, generan una gran cantidad de decisiones de muy
vador en su interpretación o descripción del tiempo
diferentes calibres, desde la prevención de amenazas
que ha hecho en un determinado día. Es un aspecto
tan graves como las inundaciones o las condiciones
de uno de los sesgos cognitivos que enturbian nuestra
atmosféricas en las que volará un avión, pasando por
percepción del mundo: el marco de la experiencia, una
cuestiones económicas que afectan a la industria turís-
tesis que fue inicialmente planteada en los años seten-
tica, hasta cuestiones tan livianas como la elección de
ta por E RWIN G OFFMAN [239], que incluso menciona
actividades de ocio o la indumentaria a vestir en un
específicamente la predicción meteorológica como ge-
determinado día.
neradora de decisiones, e inscrita en un marco social.
Interpretamos la realidad dentro del marco de nuestra

40.1.2 Sesgo cognitivo y complejidad de experiencia. De forma que, un individuo que ha cre-
los fenómenos meteorológicos cido en el norte de Noruega, considerará erróneo el
pronóstico de lluvia para un día de agosto en Madrid
Es común la errónea creencia de que los fenómenos si este se culmina con una precipitación leve, mientras
físicos, por su carácter objetivo (una gota de lluvia es que un individuo de una ciudad andaluza, lo consi-
una gota de lluvia, quince grados son quince grados), derará acertado. Las expectativas de ambos sobre la
se encuentran libres de interpretación por parte del misma predicción diferirán de forma considerable y
40.1 Meteorología y predicción probabilista en la sociedad 617
generarán diferentes decisiones. El noruego, por ejem- 40.1.3 La ciencia, la probabilidad y la pre-
plo, raramente cancelará sus planes de asistir a una dicción probabilista en la sociedad
sesión de cine al aire libre, a pesar de que se prevean
precipitaciones, mientras que será más probable que
¿Cómo percibe la opinión pública la ciencia y la tec-
el español se decante por otra actividad en el mismo
nología, así como su propia formación científica? El
caso.
Centro de Investigaciones Sociológicas (CIS) en su es-
No solo nuestra experiencia vivida nos hace interpre- tudio 2652 Percepción social de la ciencia y la tecno-
tar una información de una manera u otra, sino tam- logía, de 2006, explora este asunto [120] con profun-
bién el modo en que ésta nos es presentada genera en didad y detalle. Entre otras conclusiones, se desvela
nosotros distintas respuestas. La psicología cognitiva, que, con respecto a los temas científicos y tecnológi-
así como la sociología y la teoría de la comunicación, cos, la población española se siente informada pero
se han ocupado del llamado efecto de encuadre (fra- muestra un interés relativamente bajo, principalmen-
ming effect) [339]. En el efecto de encuadre, un caso te por que considera estos temas como complicados.
particular de sesgo cognitivo, las personas reaccionan Además, se encuentra en general poco satisfecha con
de forma diferente frente a una elección dependien- su nivel de formación en ciencia y técnica, empeo-
do de cómo se presenta ésta. El encuadre engloba rando la utilidad percibida con respecto a anteriores
los esquemas de interpretación del ser humano pa- encuestas.
ra entender los eventos, darles sentido y responder
adecuadamente a ellos, lo que conlleva una toma de Centrando nuestra atención en la probabilidad como
decisiones. Estos esquemas se van construyendo en parte de la ciencia, la probabilidad es un modelo ma-
el proceso de aprendizaje con pautas y filtros tanto temático de la realidad que permite abordar la descrip-
racionales como emocionales. Un ejemplo sencillo es ción de ciertos fenómenos y la solución de algunos
la forma de transmitir información médica sobre las problemas de un modo elegante y eficaz. Cuando se
probabilidades de supervivencia: no es lo mismo decir profundiza en sus concepciones y se conoce mejor,
si no se toma la medicación tiene usted un 35 % de entonces podemos decir incluso que la probabilidad
probabilidades de morir que decir «si se toma esta es una teoría bastante honesta. La estadística, como
medicación tiene usted un 65 % de probabilidades de subconjunto o aplicación de la probabilidad es una
sobrevivir»; aunque la información subyacente pueda potente herramienta con un gran potencial de aplica-
ser la misma, la reacción emocional del paciente es ción, pero necesita utilizarse apropiadamente y sus
bien distinta. Otro ejemplo: «se consiguieron salvar resultados interpretados adecuadamente porque, de
32 vidas» o «se perdieron 211 vidas en el accidente lo contrario, puede ser la ciencia que dice que si tú
aéreo». Digamos que la forma importa tanto como tienes dos coches y yo ninguno entonces tenemos un
el fondo. Para la gente suele ser más motivante una coche cada uno. La información científica cuantitativa
pérdida que la ganancia equivalente, una ganancia se- suele dar medidas acompañadas de su correspondien-
gura puede más que una probabilidad de la misma y te incertidumbre, expresada a menudo en términos
se prefiere una probabilidad de pérdida que una pérdi- probabilistas o estadísticos. La probabilidad y la esta-
da segura. Las propagandas electorales, por ejemplo, dística forman parte de la formación científica básica.
suelen manipularse mediante efecto de encuadre.
Sin embargo, el lenguaje de los partes meteorológicos
Al igual que sucede en medicina, en meteorología la tradicionales es determinista: «llueve o no llueve», etc.
forma de transmitir la información es crucial. En me- Durante los primeros años de andadura de los siste-
dicina, por ejemplo, en casos críticos es fundamental ma(s) de predicción por conjuntos (SPC), y aún hoy,
brindar la información de forma delicada y estadísti- a menudo la información probabilista que ofrecen se
camente consistente, lo que obliga a los profesionales simplifica o traduce a un lenguaje determinista. En
correspondientes a tener una formación específica. En los países donde se ha conseguido implantar el uso
meteorología la forma de presentar y transmitir la in- de predicción probabilista, se ha podido comprobar el
formación meteorológica plantea, en este contexto, éxito de esta información para la toma de decisiones,
un problema específico [144]. Así mismo, se ha se- especialmente en situaciones de riesgo. En EE. UU.
ñalado [336] la importancia para los comunicadores desde 1965 el National Weather Service (NWS) pro-
meteorológicos de comprender la psicología del usua- porciona predicciones probabilistas. Según M URPHY
rio final, considerando el significado de la predicción [144], dos de cada tres personas del público general
pero también cómo el usuario la «escucha». preferían la información probabilista a la determinista.
618 medios
40.1.4 Estudio del CIS sobre percepción de Riesgos meteorológicos que pueden afectar al en-
la meteorología trevistado/a.
Conocimiento de algún potencial peligro meteoro-
lógico (aviso o alerta). Medio a través del cual lo
Estos aspectos se ponen de manifiesto en el estudio ha conocido. Páginas de internet que consulta pa-
que llevó a cabo en 2011 el Centro de Investigacio- ra informarse. Medidas tomadas. Valoración de la
nes Sociológicas (CIS), en colaboración con otros declaración de la existencia del potencial peligro
sociólogos y a demanda de AEMET, titulado Percep- meteorológico.
ción de la meteorología [121] (http://analisis. Conocimiento del Plan Meteoalerta y del sistema
cis.es/cisdb.jsp?ESTUDIO=2886 última consul- de colores para el aviso de algún potencial peligro
ta septiembre 2017). El estudio abordaba una serie de meteorológico (aviso o alerta). Importancia de un
cuestiones, entre otras: potencial peligro meteorológico (aviso o alerta) en
color naranja.
Frecuencia con la que se informa de diversos temas: Conocimiento de los organismos que elaboran la
deportes, meteorología, cultura, economía, política información meteorológica y de AEMET. Medio a
y tráfico, en contraste con la frecuencia con la que través del cual conoce AEMET.
se informa sobre el tiempo meteorológico. Escala de valoración de diversos servicios que pres-
Importancia de la información meteorológica en la ta la AEMET: acierto en las predicciones, objetivi-
sociedad. dad y neutralidad, calidad de la información,... Y
Escala de confianza en la información meteorológi- su evolución en los últimos 10 años.
ca.
Valoración de la información meteorológica en di- Seleccionamos aquí tres preguntas del estudio, rele-
versos aspectos actualmente o en comparación con vantes para este capítulo por estar relacionadas di-
los últimos 10 años: acertada en las predicciones, rectamente con la probabilidad, la incertidumbre y
clara y comprensible, y útil para la gente. la formación básica en meteorología, Figuras 40.1,
Fiabilidad de las predicciones meteorológicas: para 40.2 y 40.3 en la página 620. La primera pregunta
el mismo día, para el día siguiente, para tres días y (Figura 40.1) tiene que ver con la comprensión de
para una semana. una predicción de probabilidad de precipitación. La
Frecuencia en el uso de la información meteoroló- diversidad de las respuestas es notable y, aunque estas
gica para diversas actividades: qué ropa ponerse, pueden reflejar poca cultura científica, también pue-
actividades al aire libre y sociales, trayectos dia- den denotar la falta de información o la ambigüedad
rios,... de la misma. En el estudio de Crespo y col. [144] se
Fenómenos meteorológicos de mayor interés en los señala la ambigüedad de la propia información que
últimos 12 meses y aspectos personales a los que se provee, que no explicita la clase de sucesos a los
ha afectado. que se hace referencia. Cuando se dice, por ejemplo,
Influencia de una predicción meteorológica desacer- que hay un 30 % de probabilidades de lluvia para ma-
tada en los últimos 12 meses y aspectos personales ñana, esto no se puede entender si no se especifica a
a los que ha afectado. qué hace referencia ese 30 % (tiempo, región o días
Importancia de diversos aspectos de la información similares). Este es un aspecto a tener en cuenta por los
meteorológica: el tipo, la probabilidad, el momento proveedores de información meteorológica, aunque
del día y el lugar de la precipitación, la temperatura no resulta sencillo. La segunda pregunta (Figura 40.2)
máxima y mínima, la velocidad y la dirección del está relacionada con la incertidumbre, y revela que
viento, la nubosidad y la sensación térmica. el público general no se siente incómodo con incer-
Comprensión de la información meteorológica. tidumbres presentadas de forma clara: temperatura
Valoración de los conocimientos sobre meteorolo- máxima entre 23 y 25 grados, en vez de presentar el
gía. tradicional 24 grados exactos. La última pregunta (Fi-
Conocimiento sobre la predicción meteorológica gura 40.3), relacionada con el grado de percepción de
( % de probabilidad de lluvia). la propia formación meteorológica necesaria para la
Preferencia por la forma de expresar la información vida cotidiana, muestra que la mayoría está satisfecha
sobre la temperatura. con lo que sabe sobre meteorología.
40.1 Meteorología y predicción probabilista en la sociedad 619
Figura 40.1: Pregunta, relacionada con la probabilidad de lluvia, seleccionada del estudio del Centro de Investiga-
ciones Sociológicas (CIS) Percepción de la meteorología de 2011 [121]. La diversidad de las respuestas es notable y
éstas muestran que la probabilidad es todavía un terreno resbaladizo.
Figura 40.2: Pregunta, como en la Figura 40.1, en este caso relacionada con la incertidumbre en una información
meteorológica muy concreta: la temperatura máxima. El público no parece demasiado incómodo con una incerti-
dumbre de ±1 grado: sólo un 28 % elige el dato exacto, mientras que un 44 % elige la incertidumbre y un 25 % está
cómodo con ambas opciones.
620 medios
Figura 40.3: Pregunta, como en la Figura 40.1, en este caso relacionada con la percepción personal de los propios
conocimientos meteorológicos necesarios: una mayoría piensa que son suficientes.
40.2 El reto probabilista en los medios de comunicación 621
40.2 El reto probabilista en los me- ellos, es la mejor información que puede ofrecerse a
los ciudadanos, y ese debe ser el objetivo a alcanzar,
dios de comunicación
buscando para ello las fórmulas adecuadas. Este es,
J OSÉ M IGUEL V IÑAS para mí, el principal reto de la comunicación meteoro-
DIVULGAMETEO lógica en la actualidad: el reto probabilista.
Consultor OMM
Hay varias razones que explican esa pasmosa lenti-
tud con la que las predicciones probabilistas han ido
A mediados de los años 90 del siglo pasado, comencé apareciendo en los medios de comunicación, en la
mi andadura como comunicador y divulgador de la mayoría de los casos con cuentagotas y más como un
Meteorología en España. Una de las facetas de mi experimento para ver qué pasa, que como una imple-
trabajo ha sido y sigue siendo la elaboración de pro- mentación efectiva de las mismas. La principal razón
nósticos meteorológicos y su difusión a través de los reside en el hecho de que la mayoría de los productos
medios de comunicación en los que desarrollo mi ac- probabilistas desarrollados por el ECMWF son de pa-
tividad profesional. He tocado todos los palos; desde go, con acceso restringido. Se trata de algo difícil de
la prensa escrita, la televisión y la radio, hasta Inter- entender. No tiene sentido que se hayan desarrollado
net en sus múltiples plataformas (foros, blogs, redes unos productos destinados a mejorar sensiblemente la
sociales...), y dicha circunstancia me ha permitido ir información meteorológica –invirtiendo en ello mu-
aprendiendo a adaptar convenientemente el mensaje y cho dinero de las arcas públicas y recursos humanos–,
el formato (contenido y continente) a cada uno de los y que no se permita el acceso libre a los mismos, lo
medios. En cualquiera de ellos nunca han faltado en que garantizaría su difusión, beneficiándose de ello
mis predicciones los términos probabilistas. Hablar de toda la sociedad. La situación es tan absurda como
posibilidad de lluvias débiles en el Cantábrico oriental si el inventor de la rueda no hubiera compartido su
o de que serán probables las tormentas por la tarde invento con sus congéneres y la hubiera mantenido
en el Pirineo catalán y al sur del sistema Ibérico, no oculta en una gruta.
es algo novedoso en el repertorio de expresiones que
usamos con asiduidad los comunicadores del tiempo. En la actualidad, los comunicadores del tiempo ofre-
Siempre se ha hecho así, en mayor o menor medida, cemos en los medios unos buenos pronósticos a corto-
aunque empleándose esa terminología de una forma medio plazo, algo que valoran positivamente las perso-
más cualitativa que cuantitativa. nas que los consultan (los usuarios de la información
meteorológica). Ocho de cada diez personas conside-
Mis inicios como comunicador meteorológico coinci- ran que las predicciones son muy o bastante acertadas,
den casi en el tiempo con el desarrollo de las prediccio- y nueve de cada diez manifiestan que las comprenden
nes por conjuntos (SPC o EPS) por parte del European y las consideran útiles [144]. No obstante, su calidad
Centre for Medium-range Weather Forecasts -Centro y valor podrían mejorar aún más si pudiéramos echar
Europeo de Predicción a Plazo Medio- (ECMWF). A mano de los productos probabilistas, particularmente
partir de ese momento –año 1992– se empezó a tener útiles bajo situaciones de baja predecibilidad y en de-
la capacidad de acotar la incertidumbre inherente a terminados momentos del año en los que gran parte
la predicción de los estados futuros de la atmósfera. de la población está muy atenta al pronóstico del tiem-
Ha pasado ya un cuarto de siglo desde ese importante po (la Semana Santa es el ejemplo más ilustrativo).
hito en la historia de la predicción numérica del tiem- La implementación de las predicciones probabilistas
po, a pesar de lo cual, los comunicadores seguimos diluiría la idea del acierto/fallo en el pronóstico, muy
ofreciendo pronósticos deterministas y transmitiendo arraigada aún en la sociedad, y la convertiría en algo
«certezas» a los destinatarios de la información, ma- parecido a un grado de acierto y de utilidad.
tizadas, a veces, por «posibles» y «probables», que
en muchos casos son meras coletillas. De forma muy Otra de las razones que se suele argumentar como
tímida, en los últimos años las predicciones proba- freno a la difusión de las predicciones probabilistas en
bilistas se han ido incorporando a nuestro discurso, los medios, es la dificultad que tiene la población para
aunque su integración todavía dista mucho de ser com- interpretar correctamente una información en térmi-
pleta. En mi opinión –compartida por mucha gente, nos de probabilidades. Sobre este tema se han hecho
aunque no por todo el colectivo de meteorólogos y algunos estudios sociológicos (basados en encuestas,
comunicadores– ofrecer distintos escenarios futuros, ver en otro apartado de este capítulo) que han arro-
con datos de probabilidad asociados a cada uno de jado algunas pistas, pero que no han llegado a nada
622 medios
concluyente y definitivo. Asignar un determinado va- ir cambiando el lenguaje de las predicciones, sin que
lor porcentual a la probabilidad de que llueva en un ese proceso sea traumático. Lo primero que hay que
lugar no es algo que, a priori, deba interpretarse peor hacer es transmitir a la población la idea de que toda
que el diagnóstico de un médico, cuando le indica predicción lleva asociada una incertidumbre, para, a
al paciente cuáles son las probabilidades de éxito de continuación, indicar que hoy en día tenemos la posi-
una operación quirúrgica o de una quimioterapia. La bilidad de cuantificar dicha incertidumbre y de ofrecer
gente empieza a estar familiarizada con el lenguaje dicha información. El espectacular desarrollo que ha
meteorológico probabilista, gracias a las aplicaciones tenido la supercomputación nos permite disponer de
de móvil. El 75 % de la población tiene un smartpho- predicciones probabilistas. Al principio, los comunica-
ne [1]. La gente sabe diferenciar bien entre un 20, un dores nos vamos a encontrar con una resistencia. Esto
60 o un 80 %. En el caso particular de la predicción es algo que tenemos que asumir. En la actualidad, la
probabilista, un alto porcentaje es sinónimo de baja mayoría de los usuarios prefiere las predicciones cate-
incertidumbre y viceversa. Cualquier persona a la que góricas (deterministas), ya que se ha estado nutriendo
se le advierta de que hay un 80 % de probabilidad de ellas y son a las que se han acostumbrado. Si conse-
de que llueva con intensidad y de forma persistente guimos vencer esa lógica resistencia, el viento soplará
el domingo, lo más seguro es que no planifique una a nuestro favor y ganaremos todos.
excursión al aire libre para ese día. Por parte de los
comunicadores es más honesto –y ajustado a la verdad
científica– proporcionar esa información que afirmar Cada medio de comunicación requerirá, eso sí, de
categóricamente que la jornada dominical caerán chu- una determinada forma de transmitir las predicciones
zos de punta. probabilistas. Fuera de España encontramos ya algu-
nos ejemplos en los que se han implantado con éxito.
Es cierto que desde hace muchos años el comunicador Quizás uno de los más destacados sea el de los co-
del tiempo viene utilizando un discurso categórico al nos de probabilidad de las trayectorias de los ciclones
ofrecer el pronóstico, y así se ha educado al usuario tropicales, que muestran en muchas cadenas de tele-
de la información meteorológica. Pero no es menos visión y que son fáciles de interpretar, muy intuitivos
cierto que, para mejorar su calidad y valor, se puede (Figura 40.4).
Figura 40.4: Conos de probabilidad del ciclón tropical Irma, septiembre de 2017. NHC.
40.2 El reto probabilista en los medios de comunicación 623
En la BBC también llevan tiempo ofreciendo intere- un 10 %, el mero hecho de que algún grupo apunte en
santes pronósticos por conjuntos con las posibles tra- esa dirección debe ponernos en guardia (a los comu-
yectorias de profundas borrascas que se acercan a nicadores), y hacernos valorar si damos a conocer ese
veces a las islas británicas. La fuente de esa infor- dato a la audiencia. Con la incertidumbre cuantificada
mación es la Met Office (Servicio Meteorológico del a nuestra disposición, deberíamos de hacerlo, tenien-
Reino Unido), que a través de su página web y en do cuidado de no crear alarma social. El objetivo que
redes sociales también comparte ese tipo de mapas, de se persigue es advertir a la población para que esté
gran riqueza informativa. Se suelen mostrar tres posi- prevenida y no le pille de sorpresa un fenómeno de
bles escenarios (el más probable, uno de probabilidad alto impacto como esa posible supercélula, un viento
intermedia y el menos probable), con las principales huracanado, una inundación repentina o una intensa
incidencias meteorológicas en cada caso, localizadas nevada.
en distintas áreas geográficas. Aquí en nuestro país
sería un buen modelo a seguir, ya que cuando aso- La disponibilidad de grupos y supergrupos (sec. 27.4
ma por el Atlántico una de esas erráticas borrascas en la página 406) construidos a partir de los SPC
que periódicamente nos afectan, se podrían mostrar mejoraría notablemente la calidad no sólo de los pro-
al telespectador varias posibles evoluciones futuras, nósticos a medio plazo, de gran aceptación por parte
cada una de ellas con su probabilidad de ocurrencia de un amplio sector de la población, sino también en
asociada. Hoy en día, se ofrece un único pronóstico el corto plazo. Aunque con frecuencia es en el me-
determinista (el típico mapa de símbolos, en el caso dio plazo donde aumenta sensiblemente la dispersión
de la televisión), no ofreciéndose al usuario otros po- entre las salidas de los diferentes modelos determinis-
sibles escenarios menos probables, pero que también tas, y entre los propios miembros de una predicción
son posibles y que podrían, en alguna ocasión puntual, por conjuntos, en muchas situaciones delicadas, la
dar tiempo adverso. dispersión puede ser importante también en el corto
plazo. Volviendo al medio radiofónico y al programa
en el que colaboro desde 2004 (el magacín de fin de
La radio, que es el medio en el que tengo una mayor semana de RNE «No es un día cualquiera», dirigido y
experiencia, tiene la dificultad añadida de no poder presentado por la periodista P EPA F ERNÁNDEZ), con
mostrar información gráfica, lo que exige la búsqueda frecuencia viajamos los fines de semana, habiendo
de fórmulas alternativas. Una de ellas consiste bási- emitido desde muchos lugares de España. Mi sección
camente en describir a los oyentes lo que nos están («El tiempo del tiempo») se emite los sábados y en ella
mostrando los productos probabilistas. Esto exige un ofrezco el pronóstico para el fin de semana en curso
importante ejercicio de síntesis, ya que la informa- (sábado y domingo), así como un avance de predic-
ción de un EPSgrama o meteograma (sec. 27.8.1 en ción para la semana entrante. A veces, mi pronóstico
la página 426) o de unos supergrupos (sec. 27.4.2 a partir de D+3 es muy especulativo. Lo suelo con-
en la página 409) es significativamente mayor que feccionar a partir del modelo determinista del Centro
la que contiene una predicción determinista al uso. Europeo (ECHRES, sec. 19.2 en la página 291), cuya
Para poder abordar esa tarea, debemos de hacer un calidad objetiva lo sitúa entre los 4-5 mejores modelos
ejercicio previo de selección de la información que del mundo pero que, a pesar de ello, se desvía de la
más nos interesa contar, la que sea más relevante des- evolución atmosférica real cuando la predecibilidad
de el punto de vista informativo. Este análisis previo es baja. En estas situaciones es cuando más necesarias
forma parte de la labor que debe llevar a cabo el comu- se vuelven las predicciones probabilistas, y cuando
nicador radiofónico. Habrá veces en que tendremos más se echan en falta, al no poder disponer de muchos
que comentar un posible escenario, a pesar de su ba- de los productos.
ja probabilidad, por la incidencia que, de producirse,
pueda tener en la población. Pensemos, por ejemplo, Al final de la sección, Pepa me suele preguntar por
en un entorno tormentoso previsto, en el que puedan el tiempo que se espera el siguiente fin de semana
darse los ingredientes adecuados para la formación en el lugar desde donde está prevista la emisión del
de un peligroso sistema supercelular. Tales sistemas programa. Me está pidiendo un pronóstico local a 7
tormentosos son de mayor tamaño y duración que las días vista. La mejor información que podría ofrecerle
tormentas ordinarias, tienen un alto grado de organiza- es la contenida en los meteogramas probabilistas del
ción y están dotados de una rotación que, en ocasiones, ECMWF. Cambiaría mis actuales comentarios del ti-
propicia la formación de los devastadores tornados. po «es pronto para saber si lloverá ese día», «todo
Aunque la probabilidad de ocurrencia sea tan solo de apunta a que pasaremos frío»... por otros más preci-
624 medios
sos, que cuantificaran esa incertidumbre, para lo cual pos...), sin restricción alguna para su difusión. La
debería de buscarse una fórmula adecuada. Soltar una AEMET debería de ser el principal impulsor de esa
retahíla de datos porcentuales no parece la solución, apertura. Es necesaria una nueva política de datos a ni-
por lo que habría que ir probando (método de prueba- vel europeo que permita la liberación de los productos
error) hasta dar con el discurso más acorde. probabilistas del ECMWF que a día de hoy todavía no
se ha llevado a cabo. Desde AEMET sería igualmente
Para que ese progresivo cambio en la manera de comu- deseable que se ofreciera formación y asesoramien-
nicar el tiempo vaya materializándose, es necesario to sobre su uso y sus características al colectivo de
que los profesionales de la meteorología que traba- comunicadores meteorológicos, por tratarse de uno
jamos en los medios tengamos a nuestra disposición de sus principales usuarios. El reto probabilista está
toda la batería de productos probabilistas existentes encima de la mesa no solo de los comunicadores, sino
(mapas de probabilidades, meteogramas, supergru- también de los Servicios Meteorológicos.
40.3 Comunicación de la probabilidad y la incertidumbre en televisión 625
40.3 Comunicación de la probabili- significa que tienes intención de ir, pero que no estás
seguro. Incluso «es más probable que vaya al cine que,
dad y la incertidumbre en te-
que no vaya y si voy, veré Cantando bajo la lluvia»
levisión me indica que si voy a la sala donde hoy reponen el
clásico casi seguro que estás ahí, pero ambas expre-
M ÓNICA L ÓPEZ M OYANO siones me transmiten que no tienes claro que harás
RTVE esta tarde.
En este sentido, en Televisión Española hemos optado

Comunicar ¿qué es comunicar? Si echamos mano al por emitir de forma diaria los mapas de probabilidad
Diccionario de la Real Academia de la Lengua Es- (cap. 27.6.1 en la página 416) de precipitación (ima-
pañola nos encontramos con varias acepciones. Las gen de cabecera del capítulo) de la Agencia Estatal
dos primeras serían, probablemente, las que elegiría de Meteorología. Son mapas que nos sirven para mos-
cualquier ciudadano para definir el verbo comunicar. trar cuán seguro puedes estar de que voy a ir al cine,
Una sentencia que comunicar es «hacer a una persona pero no sabes qué película voy a ver. Entendemos
partícipe de lo que se tiene» y la segunda apuesta por que la repetición es la fórmula necesaria para hacer
«descubrir, manifestar o hacer saber a alguien algo». comprender los mecanismos de comprensión del len-
La definición más correcta es la que ocupa el cuarto guaje probabilista. Además los usamos todos los días,
lugar, comunicar es «transmitir señales mediante un vaya a llover más o menos o nada, e insistimos en la
código común al emisor y al receptor». En esta frase diferencia: puede ser muy probable que llueva, pero
encontramos reflejadas todas las etapas del proceso puede llover muy poco.
de comunicación.
La tercera etapa del proceso de comunicación es la
El primer paso es el desarrollo de la idea: desarro- transmisión. En este punto encontramos el vehícu-
llar la idea que se desea transmitir con determinada lo de transmisión, que sería la televisión, y debemos
intención. Todos los hombres y mujeres del tiempo de intentar controlar las barreras y/o las interferencias.
los medios de comunicación en España, en mayor o Tenemos que tener en cuenta que la televisión es un
menor medida, somos conscientes de la necesidad de medio que consta de audio y vídeo, a diferencia de
hacer llegar al público la meteorología probabilista la radio, que es audio solamente y la prensa escrita,
(cap 27 en la página 401). Entendemos que el futuro por ejemplo, que es solo imagen. La televisión tiene
(y probablemente ya el presente) de la meteorología es más ventajas aunque también son más los elementos
abandonar la perspectiva determinista y dedicar todos a tener bajo control. Por un lado, los gráficos. Hay
los esfuerzos posibles en trasladar a la sociedad la pro- que elegir bien las escalas de colores, por ejemplo.
babilista. El desarrollo de la idea es, evidentemente, Siguiendo con el caso de los mapas probabilistas de
necesario para iniciar el proceso de comunicación, sin precipitación de AEMET. La escala de color va del
intención no tiene lugar. verde claro (para probabilidades menores), pasando
por el amarillo y acabando en el rojo (probabilidad
El segundo paso es la codificación. La terminología más alta). A mi parecer, es una gama cromática acer-
utilizada que nos ocupa es uno de los principales es- tada porque difiere mucho de la utilizada para la can-
collos en este proceso de comunicación. La definición tidad de precipitación, que usa la paleta de azules y
que hemos utilizado revela ese problema, el código acaba en violetas.
debe ser común al emisor y al receptor. Por un lado,
daremos por sentado que el emisor conoce y emplea Por otro lado, en alguna ocasión especial, como puede
correctamente ese lenguaje. Sin embargo, el conoci- ser un periodo de vacaciones concreto, Semana Santa
miento por parte del telespectador del lenguaje pro- o eventos meteorológicos extremos, hemos representa-
babilista acostumbra a ser muy somero. De hecho, el do los supergrupos del Centro Europeo de Predicción
principal problema que, a mi parecer, existe es que la a Medio Plazo también proporcionados por AEMET
terminología utilizada es de uso común. Es decir, las (sec. 27.4.2 en la página 409). En este caso, hemos
palabras probable y posible están en nuestro vocabula- utilizado directamente el porcentaje acompañando a
rio cotidiano. El ciudadano entiende de forma natural la configuración atmosférica, para mostrar cuál de
que adjetivar con términos probabilistas implica in- los escenarios futuros es el más probable. En este
certidumbre, pero la mayoría, traduce incertidumbre caso, consideramos que dicho producto nos da la po-
en desconocimiento. «Es probable que vaya al cine» sibilidad de dar grandes pasos en la difícil tarea de
626 medios
la divulgación. Enseñamos que hay una opción más El último paso significativo del proceso es el descifra-
probable que las otras, pero mostramos que existen do. Con él, la comunicación será exitosa, es decir, el
opciones que no pueden ser descartables. Incluso, en receptor se hará una idea del mensaje que coincidirá
algunas ocasiones, es una manera de mostrar al teles- con la que transmitió el emisor y de esta manera se ha-
pectador aquellos casos en los que la incertidumbre brá logrado la comprensión del mensaje original. En
es muy alta y todas las posibilidades tienen un peso este paso volvemos a encontrarnos con la dificultad
similar. semántica. Es imprescindible que se incorpore dicho
lenguaje a los procesos de aprendizaje del individuo.
Evidentemente cuando tratamos de incorporar a nues- Si bien es cierto que los resultados de incorporar co-
tros espacios información de este estilo, previamente nocimiento en la cadena de enseñanza se obtienen a
hacemos una reflexión profunda sobre qué contar y largo plazo, es inexorable la necesidad de hacerlo.
qué no. La comunicación científica eficaz, especial-
Finalmente, el primer punto del proceso de comunica-
mente en medios de comunicación denominados «de
ción nos decía que la misma tiene sentido si detrás hay
masas», siempre está ubicada en una delgada línea
una intención. El proceso será completo si el receptor
entre lo que puede entender el ciudadano y el rigor
decodifica el mensaje, lo acepta y lo utiliza. La acción
científico.
es el paso decisivo, se logra una acción como reacción
del receptor al mensaje del emisor.
Un último aspecto a tener en cuenta en el proceso de
transmisión es el ruido. La televisión es un medio que Todos los procesos de comunicación deben concluir
se consume dentro de la actividad diaria. Es decir, un con la retroalimentación. Es necesario cerrar el cir-
periódico se lee y requiere atención para leerlo. La cuito. El receptor debería convertirse en emisor y es-
televisión puede estar encendida en la cocina mientras tablecer una interacción bilateral. De esta manera se
cena la familia. Debemos contar con ello a la hora de consigue averiguar si el proceso se produce de forma
elegir las palabras a utilizar, el tono o el volumen de correcta.
nuestro discurso.
Nuestra experiencia es positiva, tanto con los mapas
La siguiente etapa es la recepción. El receptor de- probabilistas como con los escenarios del Centro Eu-
be estar dispuesto a recibir el mensaje. El principal ropeo. Por ese motivo, nos alegra enormemente el
problema añadido al proceso de comunicación de va- proceso de apertura de ese tipo de información que ha
riables con incertidumbre, que radica en el receptor, iniciado la Agencia Estatal de Meteorología a través
es el hecho de que el mensaje probabilista obliga al de su página web.
receptor a asumir la decisión. Usando la metáfora an-
terior, yo te digo qué probabilidad hay de que vaya a
ver «Cantando bajo la lluvia» y cuál es la de que no 40.4 Lecturas recomendadas
vaya. Tú deberás decidir si te arriesgas a ir a la sala y
ver a solas la película. En este sentido, entiendo que es Añadimos una serie de lecturas recomendadas que,
una cuestión de tiempo que la sociedad se acostumbre aunque no estén referidas directamente, pueden com-
a este tipo de información, que traslada el proceso de pletar los contenidos presentados en el capítulo: [355,
decisión, pero es más completa que la determinista. 510, 530, 531, 532, 559, 648].
Meteoalerta 41
DOI: 10.31978/014-18-009-X.41
A LICIA L ÓPEZ R EJAS

Siempre debes esperar lo mejor, pero tienes que

estar preparado para lo peor.
A NÓNIMO
La humanidad y las sociedades desarrolladas a lo largo de la historia han estado siempre influidas y en ocasiones
determinadas por el clima en el cual se han desenvuelto y muy especialmente por los fenómenos meteorológicos
extremos a los que se han tenido que enfrentar. Siempre han existido y existirán fenómenos meteorológicos
que van a alterar la cotidianidad de las sociedades, bien por su fuerte intensidad o bien por su rareza o poca
frecuencia. Es un hecho indiscutible que las sociedades modernas con su concentración en grandes poblaciones,
su dependencia de la tecnología y de determinadas infraestructuras, se han hecho cada vez más vulnerables a
fenómenos meteorológicos que superan ciertos umbrales de intensidad y que quizá en otro contexto no hubieran
tenido el mismo impacto. Los servicios meteorológicos nacionales junto con los servicios de emergencias, son
los encargados de determinar y prever aquellas situaciones meteorológicas que puedan suponer un problema o
peligro para la población así como de tomar las medidas necesarias para minimizar sus efectos; es su obligación
tener implementados planes en los que se definan los fenómenos meteorológicos potencialmente adversos,
disponer de los medios para su predicción y observación, así como tener un sistema de difusión e información
adecuado para prevenir a la población.
Palabras clave: fenómenos meteorológicos adversos, FMA, fenómenos meteorológicos extremos, plan Meteoalerta, avisos
meteorológicos.
Imagen parte superior: rayo en tormenta severa. Cerro del Tío Pío (Madrid), hacia el oeste, 11 de octubre de 2014, a las 19:46. Fotografía
628 Física del caos en la predicción meteorológica Capítulo 41. Meteoalerta
Umbrales
METEOALERTA Daño/Impacto Frecuencia Meteorológicos (e.g.
lluvia acumulada)
Verde Ninguno
No existe riesgo meteorológico para la
población en general aunque sí para alguna Habituales o de
40 litros/12 h
Amarillo actividad concreta, o localización de alta intensidad
60 litros/12 h
vulnerabilidad como una gran conurbación. habitual.
Fenómenos potencialmente peligrosos.
No habituales o
Riesgo meteorológico importante. Cierto 80 litros/12 h
Naranja de intensidad no
grado de peligro para las actividades usuales. 100 litros/12 h
habitual.
Excepcionales o
Riesgo meteorológico extremo. Riesgo para 120 litros/12 h
Rojo de intensidad
la población muy alto. 180 litros/12 h
excepcional.
Tabla 41.1: Niveles Meteoalerta
41.1 Introducción 41.2 Fenómeno Meteorológico Ad-

verso
Una de las funciones primordiales asignadas a la
Agencia Estatal de Meteorología es la predicción de Definición de Fenómeno Meteorológico Adverso
fenómenos meteorológicos adversos (ver fenómeno (FMA). Se considera fenómeno meteorológico ad-
meteorológico adverso (FMA)) y la emisión de los avi- verso (FMA, en el glosario se recoge precisamente la
sos correspondientes en relación a los mismos [686]. definición detallada aquí) a todo evento atmosférico
Para cumplir este requerimiento se ha elaborado el capaz de producir, directa o indirectamente, daños
llamado Plan Nacional de Predicción y Vigilancia de a las personas o daños materiales de consideración
Fenómenos Meteorológicos Adversos, Meteoalerta [687]. En sentido menos restringido, también puede
[3], que se elabora en coordinación con representantes considerarse como tal cualquier fenómeno meteoro-
de los organismos de Protección Civil, que son los en- lógico susceptible de alterar la actividad humana de
cargados de implementar las medidas necesarias para forma significativa en un ámbito espacial determinado.
proteger a la población, a los bienes y las infraestruc- En consecuencia pueden resultar adversas, por sí mis-
turas de los posibles impactos que puedan producir mas, aquellas situaciones en las que algunas variables
dichos fenómenos. meteorológicas alcancen valores extremos.
El plan Meteoalerta [3] se revisa cada año en coor-
dinación con Protección Civil. Se puede encontrar
actualizado (última visita octubre 2018) en: http: 41.3 El plan Meteoalerta
//www.aemet.es/documentos/es/eltiempo/
prediccion/avisos/plan_meteoalerta/plan_ Objeto. Facilitar la mejor información y lo más ac-
meteoalerta.pdf. tualizada posible sobre los fenómenos meteorológicos
adversos y su evolución.
El plan Meteoalerta está diseñado para converger
en la mayor medida posible con nuestros veci-
Destinatarios. Todos los ciudadanos e instituciones
nos europeos en el proyecto EMMA-Meteoalarm
públicas, muy especialmente las autoridades y unida-
(European Multiservice Meteorological Aware-
des de Protección Civil.
ness Project, EMMA [188] http://eumetnet.
eu/activities/forecasting-programme/
current-activities-fc/emma/ - Meteoalarm Productos. Boletines de Aviso tanto a nivel nacio-
[189] http://www.meteoalarm.eu/), de modo nal como de Comunidades Autónomas y provinciales.
que todos los servicios meteorológicos de los dis- Se pueden visualizar en formato mapa o formato bo-
tintos países europeos emitan sus avisos en base a letín en el sitio web: http://www.aemet.es/es/
criterios similares y con el mismo formato. eltiempo/prediccion/avisos
41.3 El plan Meteoalerta 629
FENÓMENOS INCLUIDOS EN EL PLAN METEOALERTA

BOLETINES DE AVISO
FENÓMENOS CAUSADOS POR LA
FENÓMENOS METEOROLÓGICOS
METEOROLOGÍA
Lluvias: Intensidad en una hora (P1)
Lluvias: Acumulación en 12 horas (P2) Fenómenos costeros: Viento en zonas costeras
Nevadas: espesor acumulado en el suelo en 24 horas Fenómenos costeros: Altura del oleaje: mar de
Viento: Rachas Máximas
viento y mar de fondo
Tormentas
Temperaturas máximas Polvo en Suspensión
Temperaturas mínimas Aludes
Galernas en el área Cantábrica y norte de Galicia Deshielos
Nieblas Rissagues o Risagas (Illes Balears)
AVISOS ESPECIALES
Olas de Calor, Olas de Frío y Tormenta Tropical
Tabla 41.2: Fenómenos Meteoalerta
Niveles de aviso. Tanto Meteoalerta como EMMA- superación de determinados valores de intensidad que
Meteoalarm establecen cuatro niveles de aviso: Verde, varían en función de la zona y del fenómeno. Son las
Amarillo, Naranja y Rojo. Los niveles de aviso se unidades de Protección Civil las que se encargan de
definen en función de dos criterios: (1) En relación asignar el nivel de alerta a la población en función del
al impacto que producen los FMA. (2) En relación a impacto o daño que se espera. Es probable que en las
la superación de umbrales de intensidad de los fenó- próximas revisiones del plan Meteoalerta se revisen
menos meteorológicos potencialmente adversos y/o los criterios de emisión de avisos y que en AEMET
de su frecuencia. En principio cuando un fenómeno se comience a trabajar emitiendo avisos orientados a
meteorológico supera un determinado umbral de inten- impactos. La Tabla 41.1 en la página anterior mues-
sidad puede ser considerado potencialmente adverso tra la correspondencia entre los diferentes niveles y
y generalmente su ocurrencia es poco habitual o ex- su impacto, frecuencia y umbrales, mientras que la
cepcional. Tabla 41.2 muestra los Fenómenos Potencialmente
Adversos incluidos en Meteoalerta. Dentro del Plan
En Agencia Estatal de Meteorología (AEMET), ac- Meteoalerta V.6 la Figura 41.1 muestra la información
tualmente, se trabajan los avisos orientados a supera- que contiene un boletín de aviso y la Figura 41.2 en
ción de umbrales, asignando a cada nivel de aviso la la página siguiente las Zonas de Aviso.
Figura 41.1: Información de un boletín de aviso plan Meteoalerta V.6.

Figura 41.2: Zonas de Aviso plan Meteoalerta V.6.
Así mismo, dentro del Plan Meteoalerta V.6 la Tabla en 24 horas. En las Tablas 41.4 en la página siguiente
41.3 muestra un ejemplo de umbrales relacionados, en y 41.5 en la página 632 puede encontrarse un resumen
ese caso, con la nieve, espesor acumulado en el suelo, de umbrales detallado por fenómenos.
FENÓMENO NEVADAS: ESPESOR ACUMULADO EN EL SUELO EN 24 HORAS

Los avisos de nieve se refieren al espesor acumulado en el suelo en 24 horas.
Se intenta dar el espesor más representativo en la zona. No se dará aviso de
CARACTERÍSTICAS
nieve por encima de 600 metros en Baleares, de 2000 metros en Canarias y de
1500 metros en las demás Comunidades Autónomas.
UMBRALES 2 centímetros/24 horas 5 centímetros/24 horas 20 centímetros/24 horas
SEGÚN ZONAS 5 centímetros/24 horas 20 centímetros/24 horas 40 centímetros/24 horas
...
FENÓMENO ...
...
Tabla 41.3: Ejemplo de umbrales Meteoalerta
41.3 El plan Meteoalerta 631
Tabla 41.4: Tabla resumen de umbrales Meteoalerta por fenómenos (1/2).

Tabla 41.5: Tabla resumen de umbrales Meteoalerta por fenómenos (2/2).

Proyecto PROFORCE
42
DOI: 10.31978/014-18-009-X.42
C LEMENS WASTL , YONG WANG , M ARTIN K ULMER AND A NDREA S IGL

Department of Forecasting Models, Zentralanstalt für Meteorologie und Geodynamik (ZAMG), Austria
A NDRE S IMON
Hungarian Meteorological Service (OMSZ), Hungary
T RAD . F RANCISCO M ARTÍN L EÓN
Meteorólogo
Ex Meteorólogo del Estado, Agencia Estatal de Meteorología (AEMET)
Coordinador de la Revista gratuita del Aficionado a la Meteorología
(RAM https: // www. tiempo. com/ ram/ )
Se presenta un proyecto multidisciplinar llevado a cabo en Austria y Hungría de co-

laboración entre meteorólogos y personal de protección civil de ambos países donde
la predicción probabilista «sin costuras» o «sin discontinuidades» (seamless) ocupa
un lugar muy destacado a la hora de predecir fenómenos severos. Este capítulo está
basado en un informe técnico de la Organización Meteorológica Mundial (OMM)
[669].
Palabras clave: fenómenos meteorológicos adversos, FMA, fenómenos meteorológicos extremos, plan Meteoalerta,
avisos meteorológicos, proyecto PROFORCE, sistemas de predicción por conjuntos aplicados a la emisión de avisos
meteorológicos.
Imagen parte superior: base de un cumulonimbus. Yepes (Toledo), hacia el noroeste, 14 de mayo de 2013, a las 18:52. Fotografía de
634 Física del caos en la predicción meteorológica Capítulo 42. Proyecto PROFORCE
42.1 Proyecto PROFORCE respectivamente) y los socios de protección civil en

los distritos de Baja Austria y el condado de Somogy,
La frecuencia y la intensidad de fenómenos meteoro- PROFORCE tenía como objetivo mejorar los proce-
lógicos extremos están aumentando debido al cambio dimientos de preparación y toma de decisiones en las
climático. La falta de preparación para tales fenóme- agencias de protección civil.
nos extremos puede dar lugar a daños económicos
significativos y pérdida de vidas. Por lo tanto, los pro- Sistema de pronóstico probabilista innovador. La
nósticos meteorológicos precisos y fiables son esen- característica principal del sistema de previsión sin
ciales para que las agencias de protección civil se fisuras y continuo de PROFORCE es su carácter pro-
preparen mejor y para las poblaciones en riesgo. babilista que contiene información sobre la incerti-
dumbre y la previsibilidad (o predecibilidad, cap. 12
El proyecto Bridging of Probabilistic Forecasts and en la página 155) de fenómenos meteorológicos se-
Civil Protection, (Tendiendo un puente entre la pre- veros. Los organismos de protección civil deberían
dicción probabilista y la protección civil) conoci- poder utilizarlo para optimizar su proceso de toma de
do abreviadamente como PROFORCE [669] http: decisiones en términos de preparación y conciencia-
//www.echo-proforce.eu/, dio un primer paso en ción y, por lo tanto, proteger mejor a la sociedad y al
esta dirección, proporcionando información significa- medio ambiente frente al impacto del tiempo severo.
tiva para la toma de decisiones, basada en el impacto El pronóstico probabilista sin fisuras o sin costuras de
a las autoridades civiles responsables de la protección PROFORCE combina cuatro sistemas diferentes:
de los ciudadanos, el medio ambiente y la propiedad.
El sistema de predicción probabilista EPS del
Las previsiones meteorológicas están sujetas a incerti- Centro Europeo de Pronósticos del Medio Plazo
dumbres inherentes debido a la naturaleza caótica de (ECMWF/CEPMP), que representa la predicción
la atmósfera y a las limitaciones de los modelos de del tiempo a medio plazo y a nivel sinóptico;
predicción meteorológica. Los sistema(s) de predic- El Sistema de predicción probabilista EPS de Área
ción por conjuntos (SPC) son ampliamente utilizados Limitada de Europa Central (ALADIN-LAEF), que
por la comunidad meteorológica para cuantificar estas representa el tiempo a nivel regional (ALADIN-
incertidumbres, pero éstas no se comunicaron a los HUNEPS para el dominio húngaro)
usuarios finales hasta hace poco. Sin embargo, esa El EPS del modelo de mesoescala francés (ARO-
información sobre las incertidumbres tiene un gran ME), que proporciona pronósticos hasta 30 horas
potencial para mejorar los procesos de toma de decide anticipación con un enfoque en la convección; y
siones de tiempo crítico en las agencias de protección El Conjunto de Nowcasting Integrado con Aná-
civil y otras partes interesadas, especialmente si están lisis Exhaustivo (Integrated Nowcasting through
adaptadas a sus necesidades y redactadas con su ter- Comprehensive Analysis (INCA) Ensemble), que
minología. PROFORCE ha logrado esto gracias a la proporciona información sobre la toma de decisio-
colaboración multidisciplinaria e intersectorial entre nes para ayudar a las agencias de protección civil
los servicios meteorológicos y los usuarios finales. Ha a hacer mejores juicios ante los riesgos de desastre
aumentado la conciencia de los impactos potenciales inminentes.
de eventos extremos en la protección civil.
Cada sistema juega su propio papel en el producto
final sin costura según la naturaleza del evento meteo-
42.2 Un sistema de pronóstico pro- rológico previsto (ya sea convectivo o a gran escala) y
el rango de pronóstico. Bajo la suposición de que cada
babilista sin costuras o sin dis- EPS produce los mejores resultados disponibles para
continuidad su marco de tiempo designado, cada paso de tiempo
individual en el pronóstico utiliza los datos del EPS
PROFORCE comenzó en diciembre de 2013 y duró correspondiente, haciendo así que el pronóstico sea
dos años. Fue cofinanciado por el Servicio de Ayu- uniforme. Así, cada día que un evento extremo se
da Humanitaria y Protección Civil de la Comisión acerca, la precisión de las previsiones y advertencias
Europea (ECHO) y dirigido por el Servicio Meteoro- mejoran.
lógico de Austria, ZAMG. Basándose en la coopera-
ción transnacional entre los servicios meteorológicos Los distintos vacíos en los pasos de tiempo, que resul-
nacionales austriacos y húngaros (ZAMG y OMSZ, tan de los diferentes modelos de referencia, se reflejan
42.3 Creación de portales web 635
en el producto final, en la medida que el proyecto AROME EPS, ALADIN-LAEF y ECENS – solo se
PROFORCE capacita y entrena específicamente al actualizan cada 12 horas; en el caso de Hungría, el
personal de protección civil para manejar tales incerti- modelo ALADIN-HUNEPS sólo se actualiza una vez
dumbres. cada 24 horas.
Advertencias sin fisuras, acciones igualmente sin fi-

suras. El intercambio sin fisuras de información y 42.3 Creación de portales web
las acciones entre los meteorólogos y el personal de
protección civil siguen esta estructura: Los meteorólogos y el personal de protección civil tra-
bajaron juntos para desarrollar conjuntos apropiados
Preavisos / respuesta a medio plazo. El SPC del de datos meteorológicos que ilustrasen las previsiones
ECMWF (ECENS, sec. 19.3 en la página 293) mues- de manera clara y sencilla, promoviendo así un rápido
tra un posible fenómeno meteorológico severo con proceso de toma de decisiones. En primer lugar, los
una probabilidad relativamente alta y se emite un pri- socios de las protecciones civiles definieron umbrales
mer aviso previo a las agencias de protección civil, razonables para los parámetros meteorológicos clave:
que entran en la fase de acción de «respuesta» y to- velocidad del viento, precipitaciones y temperatura.
man medidas tempranas e iniciales, como organizar y
orientar los turnos. Estos umbrales diferían considerablemente en los dos
países. Por ejemplo, una ráfaga de viento de 60 km/h
es normal y ocurre con frecuencia en las regiones
Avisos más específicos / preparación. Dos o tres
montañosas de Austria, pero representa un serio pe-
días antes del evento potencial, el siguiente SPC en la
ligro para la extremadamente vulnerable región del
cadena hace pronósticos, genera y provee productos y
Lago Balatón en Hungría, con muchas actividades de
avisos más precisos tanto en cuanto al espacio como
deportes acuáticos en verano. Como resultado, se es-
al tiempo. Por lo tanto, puede dar una advertencia más
tablecieron dos portales web independientes, uno para
específica. Sobre esta base, el personal de protección
cada país con diferentes umbrales y visualizaciones.
civil entra en la fase de «preparación» con actividades
intensificadas como la provisión de equipo y personal. En los sitios web, las ilustraciones de los productos
Un día después de esto, el EPS que permite la conse preparan de tal manera que el pronóstico parece
vección proporciona más detalles, particularmente en ser transparente, es decir, las fuentes de mediana y
la topografía tan compleja como las regiones en los menor resolución se reemplazan automáticamente por
Alpes. pronósticos de mayor resolución en rangos más cor-
tos. Por lo tanto, los usuarios no necesitan identificar
Nowcasting y entrar en acción. Por último, el mate- el SPC en cuestión que se está utilizando. La sali-
rial EPS de alcance inmediato proporciona la imagen da de los sistemas individuales de SPC se visualiza,
más precisa de la situación meteorológica severa y tanto como mapas de probabilidad, que muestran la
se pueden tomar decisiones finales. El personal de probabilidad de superar ciertos umbrales, como infor-
protección civil entra en la tercera fase de «acción mación de puntos para ubicaciones preseleccionadas,
en marcha» en la que se ponen en marcha planes fi- en forma de meteogramas o penachos.
nales, como concentrar las actividades operacionales
en las regiones más afectadas. Este enfoque de pre- Los mapas de probabilidad en el portal austriaco
dicción inmediata es especialmente importante para (ejemplo en Figura 42.1) están acompañados por ele-
los eventos convectivos de la temporada de verano mentos de imagen que ilustran el nivel de amenaza
que se caracterizan por una alta variabilidad espacial de una manera similar a las señales de semáforo: ver-
y temporal. Por esta razón, el modelo INCA Ensem- de, amarillo, naranja y rojo a medida que aumenta la
ble se ejecuta cada hora mientras que otros modelos – amenaza.
Figura 42.1: La información de pronóstico probabilista sin costura se procesa, visualiza y luego se publica en un
portal web construido específicamente, al que pueden acceder las autoridades de protección civil y los gestores de
desastres (ejemplo del portal web austríaco).
Se creó un índice global de avisos (Figura 42.2) para tuvo que familiarizarse con las previsiones probabilis-
proporcionar a las autoridades de protección civil in- tas para obtener el máximo beneficio del portal web.
formación general inmediatamente después de entrar Las sesiones de formación en ambos países ayudaron
al portal. Tiene en cuenta la probabilidad de un evento, a fortalecer la cooperación transnacional y la retroali-
su grado de adversidad (intensidad) y el momento en mentación de las agencias de protección civil sobre la
el que se espera, dado que un pronóstico a más largo información probabilista que también permitió a los
plazo generalmente contiene mayores incertidumbres. desarrolladores de modelos mejorar sus SPC.
En otras palabras, un aviso «amarillo» con una sema-
na de antelación no debería causar pánico, pero un Se realizaron pruebas intensas del sistema durante los
aviso «rojo» en la previsión del día siguiente debería eventos meteorológicos severos en las regiones piloto
sonar con campanas de alarma. de la Baja Austria y el Condado de Somogy durante el
transcurso del proyecto (diciembre de 2013 a noviem-
bre de 2015). La retroalimentación de los usuarios
42.4 Formación y experiencia de finales y los beneficiarios fue en general positiva y se
primera mano confirmó la aplicabilidad del sistema para el uso ope-
rativo en las agencias de protección civil. Las acciones
La cooperación interdisciplinaria entre meteorólogos de prevención y preparación podrían iniciarse mucho
y organismos de protección civil fue clave para el éxi- antes y ser más específicas con el nuevo sistema que
to de PROFORCE. El personal de protección civil con el pronóstico meteorológico clásico determinista.
42.5 Continuar en el futuro 637
Figura 42.2: Combinación de riesgo, probabilidad y plazo de predicción para establecer un nivel de amenaza común.
La borrasca intensa N IKLAS (30 de marzo - 2 de abril los cambios repentinos de tiempo, que a veces pue-
de 2015) ofreció un buen ejemplo de ello. Las proba- des estar confinados regionalmente. La experiencia
bilidades altas de rachas de viento que excedían los con PROFORCE demostró que si bien las técnicas de
umbrales en amplias zonas de Austria fueron seña- pronóstico de EPS pueden mejorar la previsibilidad
ladas por el ECENS con siete días de anticipación. de estos cambios, sigue siendo necesario un mayor
Una vez que un patrón de tiempo severo aparece por desarrollo, particularmente en el rango de predicción
primera vez en el ECENS global, es necesario com- a muy corto plazo.
probar continuamente la consistencia de su posición,
tiempo e intensidad de un pronóstico al siguiente. Es-
to condujo al anuncio de preadvertencias iniciales en
42.5 Continuar en el futuro
las regiones relevantes cinco días antes del inicio del
evento. Tres días antes del evento, el EPS de mayor
resolución mostró probabilidades muy altas de ráfagas PROFORCE fue un proyecto desafiante que esencial-
por encima de 80 km/h (nivel 2) y altas probabilidades mente tenía dos objetivos:
de ráfagas superiores a 100 km/h (nivel 3, el nivel de
advertencia más alto). Al final, la racha máxima regis- El primero fue construir un puente entre la comunidad
trada en las estaciones meteorológicas de baja altitud de predicción, que monitorea el tiempo y conoce las
fue de 121 km/h en Enns, Alta Austria. La informa- fortalezas y debilidades de cada modelo individual, y
ción adicional sobre la fiabilidad y la incertidumbre la comunidad de protección civil, que se enfoca en los
del nuevo sistema facilitó una mejor evaluación de impactos del tiempo severo. El entendimiento efectivo
la situación; sin embargo, el EPS de nowcasting no entre estos dos grupos era un desafío.
proporcionó beneficio adicional.
El segundo objetivo se refería al manejo de las pro-
El rendimiento se comprobó verificando los avisos babilidades meteorológicas. Con diferentes grados de
contra los mapas de despliegue de la agencia de pro- familiaridad con la investigación meteorológica y cli-
tección civil. Hubo una correlación muy alta entre la mática, tanto las autoridades de protección civil como
densidad de las acciones de protección civil y las áreas los predictores del tiempo están empezando a aprender
resaltadas en los pronósticos del EPS, especialmente a manejar y confiar en las probabilidades. El personal
para los temporales a gran escala y las inundaciones. de protección civil debe recibir una formación regu-
lar para que puedan confiar más en la aplicación del
En el centro de gestión de desastres húngaro, el siste- concepto de pronóstico probabilista cuando tomen de-
ma de pronóstico probabilista se utilizó ampliamente cisiones cotidianas sobre el despliegue de ayudas o la
en los preparativos para varios concursos en y alre- cancelación de eventos de masas.
dedor del lago Balaton durante las temporadas de
verano de 2014 y 2015, incluyendo la Blue Ribbon Es importante destacar que un SPC sin costuras no
Race y el Lake Balaton Cross-Swimming. Para el úl- reemplaza completamente los avisos estándar emiti-
timo evento, la información de EPS fue útil cuando dos por la oficina de pronóstico, que también tiene
se trató de decidir si se pospondría o no el concurso. en cuenta resultados de otros modelos de predicción
Las actividades en el lago Balaton son vulnerables a numérica y las observaciones (Figura 42.3). Pretende,
sobre todo, proporcionar información y detalles adi- neral, puede beneficiarse de este proyecto. El tiempo
cionales sobre la distribución espacial y la intensidad cambiante siempre presenta nuevos desafíos para los
de los fenómenos meteorológicos. meteorólogos y expertos en protección civil. Aunque
el proyecto PROFORCE ya ha finalizado, la coopera-
En última instancia, todo el mundo en la cadena de ción transregional e interdisciplinaria que estableció
avisos y alertas, desde las autoridades oficiales hasta continuará en el futuro.
los interesados locales y finalmente el público en ge-
Figura 42.3: Izquierda: imagen Meteosat (MSG) compuesta por HRV (visible alta resolución) e imagen infrarroja
que muestra la situación durante la competición Balaton Cross-Natación el 19 de julio de 2014. Derecha: Pronóstico
de probabilidad del ECENS del índice de tormentas (CAPE) superior a 100 J / kg (arriba) y superior a 300 J / kg
(abajo).
Malentendidos conceptuales y terminológicos
43
DOI: 10.31978/014-18-009-X.43
F RANCISCO M ARTÍN L EÓN
Meteorólogo
Ex Meteorólogo del Estado, Agencia Estatal de Meteorología (AEMET)
Coordinador de la Revista del Aficionado a la Meteorología
(RAM https://www.tiempo.com/ram/)
Ciclogénesis explosiva no es un frente, no es una borrasca, tampoco es un huracán... Es el

proceso por el cual una borrasca, que como sabemos es un área de bajas presiones, se
profundiza llamativamente en poco tiempo, de tal manera que la presión descienda en su
centro del orden de 18 a 20 hPa en veinticuatro horas.
eltiempo.com – J. A. M ALDONADO
La sociedad está cada vez más interesada en el tiempo y el clima. Nuevos términos y conceptos
meteorológicos y climáticos aparecen en los medios de comunicación, blogs especializados y redes
sociales. Internet ha permitido globalizarlos y los centros de predicción e investigación han permitido
acceder a artículos y nomenclaturas «llamativas» que han sido usadas sin pudor, en determinadas
ocasiones para transmitir sensacionalismos alarmantes o por falta de conocimientos meteorológicos.
Con la intención de clarificar, en este capítulo se analizan algunos términos coloquiales que se usan
en el mundo periodístico, Internet y, a veces, en el mundo técnico que pueden inducir a error o ser
malempleados.
Palabras clave: terminología meteorológica, malentendidos conceptuales y terminológicos en meteorología, tiempo y
clima, ciclogénesis explosiva, huracán, gota fría, ríos atmosféricos, vótice polar, inestabilidad, perturbación.
Imagen parte superior: onda de montaña con stratocumulus y altocumulus lenticularis. Inmediaciones del Alto de Los Leones (Madrid),
22 de marzo de 2007, a las 18:47. Las nubes lenticulares han sido confundidas ocasionalmente con platillos volantes. Fotografía de J OSÉ
640 Física del caos en la predicción meteorológica Capítulo 43. Malentendidos conceptuales y terminológicos
43.1 Mal uso de algunos términos Vórtice polar: mucho frío a la vista
Inestabilidad: comodín de los comodines meteoro-
meteorológicos y climáticos:
lógicos
una ayuda Avisos, alertas y alarmas meteorológicas: no nos
aclaramos
Cada día más personas, y la sociedad en general, están Una borrasca traerá mal tiempo: todo depende del
más interesadas en el tiempo y en el clima, tanto por cristal con el que se mire
los acontecimientos de alto impacto social y general ¿Sube el calor? Lo que sube es otra cosa
como los personales (salidas de fin de semana, bo- Perturbación. Pero ¿qué y quién perturba?
das, Semana Santa, «Puentes», etc.). En este sentido
muchos términos, ideas y nuevos vocablos meteoroló-
gicos y climáticos aparecen en los medios de comuni- 43.2 Tiempo y Clima: no es lo mis-
cación, blogs especializados y redes sociales (RRSS).
Por su parte, Internet ha permitido globalizarlos y los
mo
centros de predicción e investigación han permitido ¿Quién no ha escuchado a veces el clima de hoy en
acceder a artículos y nomenclaturas «llamativas» que el estadio es frío y lluvioso o la etapa reina de ma-
han sido usadas sin pudor, en determinadas ocasio- ñana tendrá una climatología adversa o los atletas
nes para transmitir sensacionalismos alarmantes o por están corriendo con un clima no apto para el deporte?
falta de conocimientos meteorológicos. Clima se está usando mal, sustituyendo al tiempo at-
mosférico o temperie (hermosa palabra española que
En este capítulo se analizan algunos términos colo-
poco se usa). No es lo mismo tiempo y clima.
quiales que se usan en el mundo periodístico, las
RRSS y, a veces, en el mundo técnico que pueden El tiempo hace referencia al estado atmosférico en
inducir a error o ser mal empleados; unos con fines un lugar, región o zona en un momento dado: presen-
comerciales y otros por falta de conocimientos. Hay te o previsto en el futuro. El tiempo es un concepto
que hacer notar que estas ideas y sugerencias no deben instantáneo presente o futuro.
considerarse oficiales, ni «reglamentarios», ni doctri-
nales. Son productos de la experiencia subjetiva que La climatología es la ciencia dedicada al estudio del
se han ido acumulando en el devenir de los años y la clima y al conjunto de las características propias del
experiencia técnica personal en la Agencia Estatal de clima de una región determinada. El clima hace re-
Meteorología (AEMET). He aquí algunos que vamos ferencia al estado de las condiciones medias de la
a analizar, tratar de explicar y dar algunas pistas de atmósfera en un lugar dado. Con el clima de un lugar,
sus buenos usos: y según la OMM ([691] https://public.wmo.int/
es/acerca-de-la-omm/preguntas-frecuentes), se
Tiempo y Clima: no es lo mismo
pretende sintetizar las condiciones meteorológicas en
Tiempo y Meteorología: van de la mano
un lugar determinado, caracterizada por estadísticas a
Ciclogénesis explosiva: nada explota
largo plazo (valores medios, varianzas, probabilidades
«Huracán» entrando por. . . : no entra lo que se es-
de valores extremos, etc.) de los elementos meteoro-
peraba
lógicos en dicho lugar. El clima trata de caracterizar
Huracán mediterráneo: sí, pero «menos»
el tiempo medio de una zona a lo largo de un periodo
Gota fría: sinónimo de precipitaciones intensas
muy amplio, digamos 30 años. Por eso escuchamos el
Ríos atmosféricos: ¿qué fluye?
clima del lugar es benigno con temperaturas suaves
Redundancias
en esta época del año. Detrás de esta frase hay un
• Temporal de viento: algo más se transporta y
resumen de las condiciones medias del lugar en una
traslada
época del año. El clima es un concepto arraigado en
• Haciendo más negativas las temperaturas bajo
la estadística.
cero
• Tormentas con rayos También hay predicciones climáticas que tienden a
¿De dónde viene este aire? dar una idea de dicho clima en el futuro, pero siempre
• Irrupción de una masa de aire muy frío: ¿de atendiendo a las condiciones medias esperadas.
dónde viene?
• Irrupción de aire africano y subidas de tempe- Por dicho motivo no tiene sentido decir qué clima va
raturas hacer mañana o dentro de de dos días, ni hablar del
43.3 Tiempo y Meteorología: van de la mano 641
clima para el día de hoy. Diferenciemos tiempo y cli- Galicia o llega una ciclogénesis explosiva a la Penín-
ma, como una manzana se diferencia de una naranja. sula, la ciclogénesis explosiva genera avisos en media
España... Titulares muy explosivos y alarmistas, que
venden mucho.
43.3 Tiempo y Meteorología: van
de la mano Una borrasca de latitudes medias (en el hemisferio
norte, para fijar ideas) es un sistema de bajas pre-
La meteorología es la «ciencia que estudia los fenó- siones donde los vientos giran en sentido contrario
menos atmosféricos». El tiempo fue definido anterior- a las agujas del reloj. Las borrascas son un tipo de
mente. Las condiciones meteorológicas de un lugar ciclones (concepto más general que engloba a los hu-
influyen en las condiciones en el tiempo del lugar. Por racanes, tifones, tormentas tropicales, etc., así como
dicho motivo, estos dos términos se suelen usar de a las propias borrascas). Por otra parte, las borrascas
forma similar ya que las condiciones de los meteoros se profundizan o se rellenan/disipan con el tiempo. El
atmosféricos en un instante dado (presente o futuro) proceso de formación y profundización (la presión se
sí influyen en el tiempo del lugar. hace más baja en su centro con el tiempo cronológico)
se le llama ciclogénesis: formación y desarrollo de
Aunque a veces se oye que las condiciones meteoroló- un ciclón. Cuando una borrasca se profundiza muy
gicas de hoy en Sevilla son. . . , es mejor hablar de las rápidamente (cae la presión en su centro de forma sú-
condiciones atmosféricas o del tiempo en Sevilla. . . . bita) se habla de que ha sido afectada por un proceso
de ciclogénesis súbita o explosiva. Para fijar ideas y
Tiempo (o temperie) va de la mano con la meteoro- cuantificarlas, las caídas de presión en su centro y para
logía. Llevan vidas paralelas y se usan a menudo de nuestras latitudes debe ser del orden de 18-24 hPa /
la misma forma, aunque es mejor usar o hablar de las 24 h.
condiciones del tiempo o condiciones atmosféricas y
no de las condiciones meteorológicas. Las diferencias La borrasca que se profundiza es la que genera las
son muy sutiles y hacen que se use indistintamente. condiciones adversas en superficie y NO el proceso
de la profundización (la ciclogénesis explosiva).
43.4 Ciclogénesis explosiva: nada No se puede hablar de una ciclogénesis explosiva afec-
explota tará a. . . o se acerca una ciclogénesis explosiva. . . o
una ciclogénesis explosiva deja fuerte oleaje en. . .
Una de las palabras más mediática, sensacionalista y
morbosa usada por algunos medios es la ciclogénesis Nada explota en la ciclogénesis o borrasca; es la bo-
explosiva, un término técnico empleado por meteoró- rrasca la que se profundiza muy rápidamente y afecta
logos y predictores para caracterizar cómo y cuánto a una zona en concreto.
una borrasca se profundiza (hace más baja su presión
central). Esta es una de las expresiones que debería ser eli-
minada de los titulares mediáticos y usar más bien
Su llamativa expresión (formado por ciclogénesis y los conceptos clásicos de borrasca que se profundiza
explosiva) ha hecho que se «venda» mucho como titu- muy rápidamente u otro similar. Desgraciadamente
lar mediático hasta con titulares desafortunados. Por es probable que no suceda y sigamos viendo titulares
eso se oye: una ciclogénesis explosiva va a pasar por «explosivos» y alarmistas.
Figura 43.1: Mapa previsto de presión en superficie y precipitaciones asociadas a una borrasca muy profunda cuyos
efectos en superficie fueron notorios. Fue llamada S TEPHANIE. Fuente: tiempo.com
43.5 «Huracán» entrando por. . . : 120 km/h, pero ¿Por qué huracanados? Porque los
ciclones tropicales para ser categorizados como hura-
no entra lo que se esperaba
cán (de categoría 1) deben alcanzar o superar dicho
Galicia, y otras regiones de España, se ven afectadas a umbral de los 120 km/h.
veces por borrascas profundas e intensas que pueden
Pero a una borrasca de latitudes medias NO se le
generar fuertes vientos y rachas muy intensas, algunas
puede llamar huracán por alcanzar o superar dicha in-
de tal intensidad que pueden llegar tener el apelativo
tensidad en la velocidad del viento, como tampoco se
de huracanadas. Este apelativo denota que se miden o
puede llamar huracán o tormenta huracanada o viento
se pueden medir vientos o rachas del orden de más de
descendente de ladera huracanado a otros fenómenos
120 km/h, denominadas usualmente huracanadas. De
donde el viento sea igual o superior a los 120 km/h,
ahí hay un paso en denominar huracán a una borrasca
por citar algunos ejemplos. De la misma manera que
clásica.
«el hábito no hace al monje», no se puede llamar hura-
Calma: Velocidad media menor o igual a 5 km/h. cán a cualquier estructura meteorológica que llegue a
Flojos: velocidad media entre 6 km/h y 20 km/h. generar vientos en superficie superiores a 120 km/h.
(Sin adjetivar): Velocidad media entre 21 km/h y
40 km/h. No es la intensidad del viento lo que caracteriza a
Fuertes: Velocidad media entre 41 km/h y 70 km/h. los fenómenos o a los sistemas meteorológicos que
Muy fuertes: fuertes: Velocidad media entre genera en superficie, o sea, si se dan vientos huraca-
71 km/h y 120 km/h. nados en una borrasca, ésta no es un huracán y sigue
Huracanados: Velocidad media mayor que siendo una borrasca Algunos sistemas meteorológicos
120 km/h. pueden generar vientos en superficie muy intensos y
no por eso son huracanes. Hablemos con claridad y
Cuando se habla de borrasca con vientos huracanados sin sensacionalismos baratos. Hablemos de borrasca
significa que en algún momento y lugares se pue- profunda e intensa con vientos huracanados y dejemos
den registrar vientos medios o rachas del orden de a los huracanes allí donde se forman. Por lo tanto, no
43.6 Huracán mediterráneo: sí, pero menos 643
hay huracanes donde realmente hay una borrasca o 43.7 Gota fría: ¿sinónimo de preci-
baja de latitudes medias, y tan solo vientos huracana-
pitaciones intensas?
dos.
La gota fría es uno de los términos más populares

43.6 Huracán mediterráneo: sí, pe- afincados en España, no solo en el Levante español,
ro menos sino en otros puntos del estado. Su uso mediático es a
veces abusivo.
El Mediterráneo es una cuenca cerrada donde, en de-
terminadas épocas del año y ocasionalmente, se desa-
rrollan estructuras atmosféricas que recuerdan a la Según la RAE la gota fría es una Masa de aire que
forma de un ciclón tropical o un huracán (sec. 6.12 en se desprende de una corriente muy fría y que descien-
la página 81 y cap. 46 en la página 717). Son estruc- de sobre otra de aire caliente produciendo grandes
turas de menor tamaño cuya dinámica se parece, es perturbaciones atmosféricas acompañadas de preci-
similar o recuerda a la de un huracán: pueden tener pitaciones muy intensas.
un ojo, brazos convectivos, estructuras simétricas en
nubes alrededor del ojo, vientos intensos alrededor Desde el punto de vista técnico esta definición está
del centro depresionario, etc. Su grado de semejanza anticuada, ha sido revisada y actualizada dentro de
con los huracanes del Caribe, por ejemplo, es bastante AEMET. Lo más destacado de la definición anterior
similar, en su dinámica, cinemática, formas y aparien- es el efecto de la gota fría en superficie: precipita-
cias desde satélite. Pero hay diferencias notables en ciones muy intensas. Este ha sido el mensaje que ha
su tamaño e intensidad. De hecho se ha acuñado en calado en la sociedad y que algunos medios utilizan
nombre de medicane (mediterranean hurricane) para de forma simplista y generalista.
nombrarlos de alguna manera pero de forma diferen-
ciada. El nombre de medicane, fue introducido por el
investigador norteamericano K ERRY E MANUEL en Una gota fría está asociada siempre (en su mal uso) a
2005 [184] (cap. 32 en la página 531). precipitaciones intensas que generan efectos devasta-
dores, preferentemente en la época otoñal en el levante
Desgraciadamente se habla de huracán mediterráneo español. Pero su uso ha ido más lejos: es sinónimo
con mucha ligereza en algunos medios cuando oca- de lluvias torrenciales; que ha pasado desde latitudes
sionalmente se forma en la zona de aguas españolas mediterráneas a otras latitudes y a otras épocas del
o proximidades. Pero no solo eso, en el mar se han año. Y no es extraño que en informativos generales y
formado a veces remolinos o vórtices que recuerdan medios locales aparezca la gota fría como responsable
de lejos a un huracán. En esos momentos las RRSS de precipitaciones torrenciales en el País Vasco o gol-
se inundan de expresiones «huracanadas»», cuando fo de Cádiz, en primavera o en verano, pasando por
realmente solo existe un parecido en su forma empe- situaciones que generan inundaciones locales de un
queñecida, con poca profundidad vertical y casi nulos solo pueblo (se habló incluso del paso de una «gotita
efectos en superficie. fría») o situaciones de lluvias donde la persistencia ha
sido el elemento fundamental y se ha hablado de la
En este sentido, los organismos oficiales de meteo-
presencia de gota fría.
rología tienen mucho que decir. Si los organismos
oficiales no salen al paso para definir e informar de
la presencia de dichas estructuras, lo harán otros y la Hoy en día, con la meteorología moderna, se sabe que
problemática persistirá. Aunque este libro no es una las lluvias intensas y torrenciales se generan debido al
nota oficial de AEMET al respecto, está publicado por desarrollo de tormentas y focos convectivos intensos,
AEMET y puede considerarse una referencia, aunque organizados, de lento movimiento o casi estaciona-
sea provisional. Mientras tanto, la sugerencia es ha- rios, capaces de generar altas tasas de precipitación
blar de una baja o borrasca de características y formas en superficie (Ver: https://www.tiempo.com/ram/105/
similares o parecidas a la de un ciclón tropical en el sistemas-convectivos-de-mesoescala-y-gota-fria/).
Mediterráneo. No alarmemos con huracanes inexisten- Son relativamente fáciles de observar desde los sa-
tes en el Mediterráneo, pero sí de borrascas parecidas télites y radares meteorológicos, aunque difíciles de
a ... predecir según el grado de antelación.
Figura 43.2: Imagen infrarroja del satélite Meteosat a primeras horas del día 20 de octubre de 1982, durante
un episodio de lluvias intensas: la «pantanada» de Tous. Un SCM de grandes dimensiones, llamado Complejo
Convectivo de Mesoescala, CCM, generaba intensas y generalizadas precipitaciones. Los topes fríos de los focos
tormentosos están realzados en colores según la temperatura. El valor mínimo fue de -59 ◦ C. La estructura sinóptica
que condicionaba la situación fue una depresión aislada de niveles altos (DANA), situada al norte de África. Fuente:
INM-EUMETSAT.
Si en España el mal uso del término gota fría es la situación, y adornadas con expresiones llamativas
muy común entre algunos medios informativos, como: Las lluvias torrenciales en Perú fueron provo-
en Francia se habla del cévenol: sinónimo de llu- cadas por El Niño y tormentas huracanadas y con
vias intensas en el sureste francés. En este sen- la subida de temperaturas que genera el cambio cli-
tido, Météo-France ha aclarado los conceptos de mático. Casualmente, la situación aludida de lluvias
este último término no apropiado, ver por ejem- torrenciales de marzo de 2017 en zonas peruanas iba
plo: http://www.meteofrance.fr/actualites/ acompañada de una situación de débil La Niña a un
28475438-dossier-episode-mediterraneen. «La Nada», es decir, El Niño no estaba presente, salvo
De nuevo, los responsables últimos de dichas llu- un fenómeno local que se llama El Niño Costero de
vias intensas y torrenciales son los focos convectivos Perú que sí tiene implicaciones en la zona. Tampoco
o tormentosos organizados que suelen arrancar des- un huracán afectaba a dicha área. (ver sec. 29.2.1 en
de el golfo de León y se desplazan lentamente en la página 484).
territorio francés.
El comodín de gota fría como sinónimo de preci-
El uso de gota fría como sinónimo de lluvias torren- pitaciones intensas, está asegurado mediáticamente
ciales tiene sus equivalentes en otras latitudes, donde aunque las causas finales de tales lluvias sean otras.
la gota fría es sustituida por El Niño o La Niña, según Es un titular fácil y vende mucho.
43.8 Ríos atmosféricos: ¿qué fluye? 645
Figura 43.3: Lengua de agua precipitable, en mm, asociada a un «río» atmosférico cargado de humedad en medio
del Atlántico Norte proveniente de zonas ecuatoriales y tropicales. Fuente: CIMSS
43.8 Ríos atmosféricos: ¿qué flu- borrascas en latitudes medias. Aunque el concepto
sigue siendo el mismo, el origen de la lengua húmeda
ye?
ya no tiene por qué ser de latitudes muy bajas. Ver:
AMS Glossary http://glossary.ametsoc.org/
Recientemente, otro término técnico se está hacien- wiki/Atmospheric_river
do hueco en el mundo informativo y redes sociales
porque es novedoso y suena bien. Aunque no hay una Como se puede ver no hay una definición única, y
definición oficial, un río atmosférico es: consensuada de lo que es un río atmosférico, aunque
se está en ello. Lo que no cabe duda es que un río
Una irrupción o una cinta transportadora relativa- atmosférico tiene una escala espacio-temporal muy
mente estrecha, muy ricas en vapor de agua que desde amplia: varios miles de kilómetros y de varios días de
las zonas tropicales avanzan hacia latitudes medias duración soportado por vientos intensos y persisten-
conducidas por fuertes vientos y siendo potencial- tes.
mente precursoras y generadoras de precipitaciones
Al ser un concepto nuevo se ha usado poco mediá-
persistentes y a veces intensas en zonas terrestres.
ticamente pero se está llamando río atmosférico, en
Para más detalles, consultar: https://www.esrl. situaciones de lluvias persistentes y amplias, a cosas
noaa.gov/psd/atmrivers/ que no son ríos atmosféricos.
En España tenemos un concepto muy asentado: tempo-

Estos ríos atmosféricos cargados de humedad y, si se ral de largo recorrido marítimo (de levante o poniente).
forma, nubosidad, arrancan de zonas ecuato-tropicales El concepto de río es más moderno y llamativo, pero
del Pacífico y afectan a la zona oeste de los EE. UU. no deja de ser eso: un temporal marítimo de largo reco-
Otras veces lo hacen desde el mar Caribe, atraviesan rrido que asegura precipitaciones abundantes cuando
el océano Atlántico en su lado norte e inciden sobre llega a tierra. No es de extrañar que a ciertos tempora-
las costas occidentales europeas generando copiosas les marítimos se les denomine río atmosférico desde
precipitaciones y potenciando inundaciones. el punto de vista técnico, especialmente los de levan-
te en el Mediterráneo: río atmosférico mediterráneo,
Aunque las definiciones iniciales requieren una com- RAM [411].
ponente sur-norte o desplazamiento de las zonas cáli-
das ecuato-tropicales a latitudes medias, se están ob- Creo que en el lenguaje general y mediático habría
servando ríos atmosféricos de componente este-oeste, que mantener el concepto clásico de temporal ma-
y de sur más allá de latitudes medias hacia los polos. rítimo de alto contenido de humedad y dejar a los
Así, en mayo de 2017, otra definición de la AMS ha ríos atmosféricos en el marco técnico. Veremos si se
aparecido relacionando los ríos atmosféricos con las consigue.
43.9 Redundancias están previstas tormentas que irán acompañadas de

aparato eléctrico, . . . . Las nubes que suelen desarro-
llar descargas eléctricas son las de gran desarrollo
Las redundancias son otros de los elementos que apa-
vertical o convectivas, donde existen fuertes corrien-
recen en cierta información meteorológica. Aborda-
tes ascendentes y descendentes en su interior. Si no
mos tres, a título de ejemplo.
se prevé la presencia de descargas eléctricas o rayos
no podemos hablar de núcleos tormentosos, habría
que hablar de núcleos o focos convectivos, pero no de
43.9.1 Temporal de viento: algo más se
tormentas.
transporta y traslada
Los temporales son situaciones generalizadas y persis-

tentes donde el aire que fluye intensamente transporta
43.10 ¿De dónde viene este aire?
algo más y es muy significativo: lluvia, nieve, aire frío,
tiempo invernal, del noroeste, etc. A veces se habla La llegada o entradas de masas de aire suelen ir acom-
simplemente de temporal cuando la lluvia es persisten- pañadas del origen de donde proceden, pero a veces
te. Lo característico del temporal es la intensidad del ésto no queda claro, incluso para los propios predic-
viento (elemento transportador) y lo que caracteriza tores y meteorólogos. En los informativos del tiempo
al temporal es lo que transporta: temporal de lluvia, se encuentran disparidades del origen y las caracte-
nieve, frío, invernal, o de dónde viene el viento (del rísticas de las masas de aire sobre todo aquellas que
noroeste, del este,..). tienen una componente norte e invernal (masa fría)
o del sur (cálida y a veces polvorienta). Entonces se
Puede ser algo redundante hablar solo de temporal oyen, por ejemplo, orígenes dispares de una irrupción
de viento, salvo que se caracterice por su intensidad de una masa fría: unos dicen polar, otros ártica, e in-
(temporal huracanado) o de la dirección del viento cluso marítima polar, etc. Y otro tanto se puede decir
(temporal del noreste o del este). No es conveniente de las entradas cálidas del sur.
decir temporal de viento, se espera algo más. Por otra
parte, cuando se habla de temporal se sobrentienden
dos cosas: viento y precipitaciones en tierra, viento y Irrupción de una masa de aire fría. En los meses
oleaje duro en el mar. fríos se producen entradas de norte que agudizan la
sensación térmica fría. Los informativos se hacen eco
de la noticia y como en una batalla «real» se comenta
43.9.2 Haciendo más negativas las tempe- de la invasión de aire frío o de una masa muy fría. Y
raturas bajo cero así, el aire frío de por sí es desplazado por otro más
frío. Lo llamativo y confuso es cuando se le pone nom-
bre a su origen: polar, ártico, continental, incluso se ha
A veces, y en invierno, para exagerar las temperaturas
oído decir aire venido de Escandinavia, Groenlandia o
muy frías y bajo cero se enfatiza la «negatividad» de
de Siberia (el más popular), de esta forma se pretende
ellas, y se oyen expresiones como La temperatura
agudizar el carácter frío de la masa de aire.
mínima ha sido -9º C bajo cero. No es necesario, ni
correcto duplicar la negatividad de las temperaturas.
El origen y procedencia de las masas de aire que nos
Basta decir que la temperatura ha alcanzado los -9º C
afectan se puede intuir mediante los mapas de retro-
o la temperatura ha alcanzado los 9º C bajo cero y
trayectorias, que permiten analizar de dónde viene el
nada más.
aire a diferentes niveles que llega a la Península (o
cualquier lugar).
43.9.3 Tormentas con rayos A veces, cuando se habla y se informa de esta irrup-
ción de aire cálido con subida de temperaturas se
Las tormentas son estructuras nubosas que generan emplea el término africano, podemos dejar en la duda
descargas eléctricas. Está implícita la presencia de al receptor de la información, ya que África es muy
rayos o descargas en dichas nubes tormentosas. No grande ¿de dónde vendrá este viento de Marruecos,
atormentemos a las tormentas con complementos inne- Mali, Congo, Angola, etc.,..?. Es un término genera-
cesarios: se aproximan tormentas con rayos o mañana lista. Si decimos del norte de África podemos hacer la
43.11 Vórtice polar: mucho frío a la vista 647
misma crítica, pero ya se acota mentalmente la proce- (realmente es circumpolar), y es o debe ser frío. Y
dencia al norte de África cercano a la Península. Son ya está el cóctel perfecto: entradas de aire muy frío
términos entendibles y aceptados comúnmente. Pero venido del polo.
el problema no es ese.
Si nos referimos al Hemisferio Norte (o su equivalen-
te en el sur) hay que notar que existen dos vórtices
El problema surge cuando se trata de justificar
(circum) polares de escala planetaria y separados:
«siempre» una subida significativa de temperaturas
uno en la estratosfera (muy alto, digamos mucho
con la entrada de aire de origen africano. Al ser el
más allá de los 12 km de altura) y el otro en la tro-
norte de África una fuente de calor, se supone que la posfera (por debajo de los 12 km de altura). Estos
subida de temperaturas en España proviene del trans- vórtices tienen diferentes estructuras, estacionali-
porte de dicho aire más cálido. Pero a veces no es así, dad, dinámica e impactos en condiciones meteoro-
sobre todo en la Península y Baleares. lógicas extremas. Algunos detalles más sobre estos
En determinadas ocasiones la subida de temperaturas elementos en: https://www.tiempo.com/ram/310682/
se debe a la combinación de varios factores: dorsal po- que-es-el-vortice-polar-y-como-influye-en-el-tiempo/
tente sobre ella en todos los niveles, vientos casi nulos El vórtice troposférico es mucho más grande que su
en superficie, subsidencia del aire, ausencia de nubes, homólogo estratosférico y existe durante todo el año,
eficaz calentamiento del terreno por el sol, vientos en mientras que el vórtice polar estratosférico se forma
niveles bajos de componente sur. El aire se calienta en el otoño, pero desaparece en la primavera de cada
intensamente sobre la superficie terrestre peninsular y año, por lo tanto se forma en los meses fríos. Cuando
dicho calentamiento nada tiene que ver con la irrup- se escribe y habla de una irrupción de aire frío debido
ción de aire sahariano, pero es más difícil explicar lo al vórtice polar, no sabemos a qué se está refiriendo el
primero y se acorta por la calle de en medio: el aire autor. Posiblemente al estratosférico, al formarse en
tiene procedencia africana. Y en algunas ocasiones no meses fríos, pero realmente no lo sabemos.
es así.
Ambos vórtices, en algunas circunstancias, pueden
En determinadas ocasiones, el aire que genera los desempeñar un papel en eventos meteorológicos ex-
ascensos de temperaturas no tiene nada que ver con tremos en la superficie, tales como las irrupciones de
África, como se puede analizar en los mapas de re- aire frío hacia latitudes más bajas (y respuesta cáli-
trotrayectorias donde se observa que proviene de aire da, hacia altas latitudes), pero estos eventos no son
cálido del Atlántico, que se ve sometido a un descenso la consecuencia de la existencia o las propiedades de
sobre la Península, se estanca y se calienta. La Penín- estos dos vórtices. Por el contrario, las entradas de
sula se comporta como un minicontinente. Pero aún aire frío están más directamente relacionadas con los
así, se sigue y se seguirá oyendo: una masa de aire de desplazamientos localizados transitorios del borde
origen africano es la causante de la subida de las tem- del vórtice polar troposférico que, en algunas circuns-
peraturas. En resumen: no siempre que hay aumentos tancias, pueden estar relacionado con el vórtice polar
de temperaturas se debe a la irrupción de una masa de estratosférico, pero no existe una conexión uno a uno
aire africano. en estos fenómenos.
No está claro que describir los episodios de irrupcio-

43.11 Vórtice polar: mucho frío a la nes de aire frío en términos del vórtice polar, añada
vista nuevos conocimientos significativos en comparación
con las descripciones tradicionales en términos de
Todos los inviernos, y coincidiendo con las entradas vaguadas y dorsales o en términos de ondas que se
de aire muy frío, sale a la luz en los medios el concep- propagan a lo largo de la corriente de chorro.
to vórtice polar y muy especialmente en los titulares
de EE. UU. y también en algunos españoles. Los me- Como hay dos vórtices polares distintos, y el estratos-
dios han sabido captar para sí este término llamativo férico puede desempeñar un papel significativo pero a
y mediático, que no es nuevo para los meteorólogos. menudo no lo hace, la introducción del término puede,
de hecho, causar algún malentendido. Además, como
Este ente está formado por dos términos: vórtice, aso- las estructuras meteorológicas superficiales se asocian
ciado a rotación o giro, y polar que denota algo rela- sólo con los desplazamientos del borde del vórtice
cionado con el polo: algo que gira alrededor del polo en áreas limitadas en lugar de cambios en la escala
hemisférica del vórtice, no está claro que invocar el temperatura y/o humedad (o conjuntamente, densi-
término vórtice aclare nada, dado que el vórtice es una dad) existente en ella y en la vertical.
estructura a escala hemisférica. El uso del término sin
una explicación adecuada puede sugerir un cambio Por lo tanto, la inestabilidad es el estado en que se
más dramático en la circulación troposférica global encuentra la atmósfera por el que una parcela de aire
de lo que realmente ha ocurrido, por ejemplo, «¡El separada de su posición inicial se acelera en su despla-
vórtice polar está de vuelta!». zamiento ascendente o descendente. La inestabilidad
es un ingrediente para ciertos sistemas adversos, pa-
Dicho esto, el término se ha convertido rápidamen- ra el desarrollo de fenómenos convectivos, para la
te en parte del vocabulario del periodismo popular- presencia de térmicas, precipitaciones, para la turbu-
sensacionalista del tiempo y parece estar asociado al lencia, etc.
tiempo extremo invernal. Este término se debe em-
plear en el campo técnico y no en el periodístico – En general, a la inestabilidad se le asocia la existencia
informativo donde, una vez más, es usado para dar de movimientos ascendentes y/o descendentes con ob-
una sensación de tecnicismo, sensacionalista y ambi- jeto de restablecer el equilibrio atmosférico. Pero si no
guo. hay humedad, no hay nubes. Puede haber inestabili-
dad (por ejemplo, las térmicas) y no haber ni nubes ni
precipitación. Y puede haber nubes/precipitación sin
43.12 Inestabilidad: comodín de los existir inestabilidad. La inestabilidad NO es sinónimo,
comodines meteorológicos ni implica la presencia de nubes y/o precipitaciones.
La inestabilidad lo que sí puede generar son movi-
La inestabilidad es lo contrario de la estabilidad, pero mientos ascendentes o descendentes si existe un me-
así definida dice poco. Vamos a profundizar un poco canismo que haga ascender o descender a las burbujas
en dicho término. de aire. La inestabilidad no es una variable meteoro-
lógica medible por un aparato (inestabilímetro) como
la temperatura, la precipitación o el viento, aunque sí
El concepto meteorológico de inestabilidad atmos-
que es posible cuantificarla por distintos parámetros
férica. El concepto de inestabilidad es muy amplio,
derivados. Estos últimos se calculan en los centro me-
variado y muy técnico. No se puede, ni es el momento
teorológicos a partir de los parámetros básicos, y los
de hablar de forma detallada de ella y sus distintas
predictores del tiempo los manejan para diagnosticar
formas de presentarse. Vamos a exponer algunas ideas
la inestabilidad atmosférica. Un ejemplo de parámetro
para fijar lo que queremos transmitir cuando se habla
derivado es la energía potencial convectiva disponi-
de inestabilidad.
ble (Convective Available Potential Energy, CAPE),
Se dice que la atmósfera se halla en una situación cuya magnitud nos indica el grado de la inestabilidad
inestable si una burbuja ideal de aire se desplaza de atmosférica.
su posición de equilibrio y tiende a alejarse de este
punto. O sea, si a una burbuja la elevamos (o la ha- Existen mapas y variables meteorológicas que tratan
cemos descender) de su posición nominal y ella sola de describir los distintos tipos de inestabilidad que de
sigue subiendo (descendiendo) libremente, entonces ningún modo están relacionadas directamente con la
diremos que la atmósfera es inestable. Si la burbuja precipitación, nubosidad, viento, etc.
vuelve a su posición inicial, la atmósfera es estable.
La atmósfera se dice que es estable o inestable en fun- Dicho ésto, hay que decir que la inestabilidad (atmos-
ción de la diferencia térmica y de humedad entre una férica) está ahí: en los medios de comunicación, infor-
masa de aire que asciende y el entorno que lo rodea. mativos del tiempo e incluso en los textos y mensajes
meteorológicos de personal técnico.
Puedes aprender más sobre inestabilidad/estabilidad
en el curso COMET en español: http://www.meted. El problema es que se utiliza con mucha ligereza y
ucar.edu/mesoprim/skewt_es/print_3.php asiduidad. Este término es un verdadero comodín que
(requiere registro, que por otra parte gratuito) y la a veces vale para todo. No es de extrañar oír en ciertos
sección 6.2 en la página 73 de este libro. informativos del tiempo expresiones como:
Inestabilidad también sería un proceso por el cual la La inestabilidad aumentará por el oeste por la lle-
atmósfera tiende a redistribuir los desequilibrios de gada de una perturbación
43.13 Avisos, alertas y alarmas meteorológicas: no nos aclaramos 649
La inestabilidad hará bajar las temperaturas en la La inestabilidad (nubosidad, el frente frío,. . . ) hará
mitad este bajar las temperaturas en la mitad este
Línea de inestabilidad Línea de inestabilidad (tormentas)
Frente inestable Frente inestable (con tormentas o inestable, correc-
Mañana será un día inestable to)
Descenso moderado de temperaturas por la inesta- Descenso moderado de temperaturas por la inesta-
bilidad bilidad (el paso del frente frío, la nubosidad,..)
La inestabilidad se concentrará al norte de las islas La inestabilidad (precipitaciones, nubes,..) se con-
Canarias centrará al norte de las islas (Canarias)
Borrasca inestable que traerá inestabilidad por el Borrasca inestable (activa, intensa, profunda,..) que
sur traerá inestabilidad (lluvias, precipitaciones,..) por
La inestabilidad traerá un aumento del oleaje el sur
La inestabilidad se ha desarrollado en el SE La inestabilidad traerá un aumento del oleaje
La inestabilidad (tormentas, convección, nubes de
Hay muchos tipos de inestabilidades: barotrópica, ba- desarrollo vertical,..) se ha desarrollado o generado
roclina, simétrica, por cizalladura, vertical, convecti- en el SE
va. . . ¿A cuál de ellas se refiere en los informativos Otras expresiones
del tiempo? Al público no le interesa el tipo de inesta-
bilidad referida. Es aconsejable usar el tecnicismo de inestabilidad en
los informativos o mensajes del tiempo sólo cuando
En general la inestabilidad en los informativos (y en sea preciso y no como elemento justificativo de todo
algunos escritos técnicos o emanados de organismos o para todo, tratando de elevar el nivel «técnico» del
oficiales) se asocia íntimamente al cambio o disminu- informativo con el uso de este vocablo. Tratemos de
ción de la estabilidad atmosférica. De un día tranquilo «estabilizar» los informativos con conceptos lógicos
se pasa a otro donde aumenta la inestabilidad, o sea y apropiados según lo que se pretenda expresar. La
las precipitaciones, la nubosidad, las tormentas, y el información llegará y se entenderá mejor. Y eso va
viento, en la mayoría de los casos. De ahí que se escu- dirigido también al personal técnico en algunos de sus
che que «el aumento o disminución de la inestabilidad escritos.
con la llegada de una borrasca. . . ». Muy a menudo
No se está en contra del uso del concepto o del tér-
se quiere expresar la presencia de tormentas con la
mino de inestabilidad, lo que se propone es el no abuso
inestabilidad, de ahí que la inestabilidad se centrará
ni sobreabuso y utilizarlo para aquello que es útil y
en el extremo SE con la aparición de tormentas por la
significativo.
tarde. Una vez más las tormentas o focos convectivos
surgen por la suma de varios factores que se deben
dar en el mismo sitio y un momento dado. Uno de los
factores es la inestabilidad, pero hay otros. 43.13 Avisos, alertas y alarmas me-
teorológicas: no nos aclara-
Hay una asociación implícita entre inestabilidad y mos
precipitaciones, o nubosidad o tormentas, con cierta
lógica, pero de ahí a que la inestabilidad lo justifique ¿Cuántas veces hemos oído que AEMET ha activado
todo, todo, va un abismo. las alarmas de viento y nieve en. . . o que AEMET
activa las alertas de precipitación en. . . ? Muchas. Pe-
Por lo tanto, el uso apropiado de la «inestabilidad» ro en el portal de la Agencia Estatal de Meteorología
debe ser comedido y atendiendo a lo que se quiere vemos que solo se avisa de fenómenos meteorológicos
explicar o decir: no vale para todo. En muchísimas con potenciales riesgos y no se alerta ni se alarma a
ocasiones el comodín inestabilidad se puede sustituir nadie.
por conceptos más de la calle y entendibles. Volviendo
a las frases citadas anteriormente, se pueden usar los Aunque el público y los medios de comunicación per-
términos en paréntesis u otros diferentes, por ejemplo: ciben por «igual» los conceptos de aviso, alarma y
alerta, desde el punto de vista técnico, organizativo,
La inestabilidad (nubosidad, precipitación,..) au- administrativo y de responsabilidades no es lo mismo.
mentará por el oeste por la llegada de una borrasca Vamos a explicarlo en pocas palabras.
Figura 43.4: Diferencias entre avisos y alertas. Fuente: AEMET
La OMM y los Servicios Meteorológicos emiten avi- Decretar situaciones de prealerta o alerta por las pro-
sos, pero no emiten alertas y mucho menos alarmas. tecciones civiles para mitigar el riesgo e impacto de
Existe un acuerdo tácito en ello. fenómenos atmosféricos implica movilizar a perso-
nal muy variado para tratar con el potencial peligro
Los avisos meteorológicos (verde, amarillo, naran- y eso es responsabilidad de Protección Civil, y no de
ja y rojo) se emiten por la AEMET dentro del Plan AEMET.
Nacional de Predicción y Vigilancia de Fenómenos
Desgraciadamente veremos en los medios cómo se
Meteorológicos Adversos que pretende facilitar la
usan indiscriminadamente los términos aviso y alerta
más detallada y actualizada información posible so-
de forma variada sin atender al trasfondo, pero las
bre los fenómenos atmosféricos adversos que puedan
diferencias son claras. Demos a cada uno el papel que
afectar a España hasta un plazo máximo de 60 horas,
se merecen.
así como mantener una información continuada de
su evolución una vez que han iniciado su desarrollo, Lo que sí es altamente NO recomendable es el uso
según AEMET. Ver detalles en: http://www.aemet. de alarma meteorológica. No se pueden utilizar los
es/es/eltiempo/prediccion/avisos/ayuda meteoros para alarmar a la población.
Las (pre) alertas meteorológicas (y otras) las emite Más detalles sobre las diferencias resaltadas en el
Protección Civil (nacional, regional y local) y en ellas Blog de AEMET: https://aemetblog.es/2016/
se tienen en cuenta el grado de impacto o nivel de 01/29/avisos-vs-alertas/
riesgo que pueda existir para la población y propie-
dades. En general, los avisos y las alertas van de la
43.14 Una borrasca traerá mal tiem-
mano, y de aquí su confusión, pero a veces no tiene
nada que ver una cosa con la otra. AEMET puede po: todo depende del cristal
emitir un aviso por fuertes vientos a más de 1.400 con el que se mire
metros de altitud y los organismos de protección civil
no decretan una alerta por entender que a esa altitud Las borrascas en latitudes medias suelen llevar aso-
no afecta a la población. AEMET puede dar un aviso ciadas nubes, frentes, precipitaciones, etc. Desde el
de nieblas, que puede incidir en el transporte, pero no punto de vista meteorológico y de predicción esto no
ser considerada como una alerta para la población. es ni bueno ni malo. El predictor hace la predicción
sin tener que indicar si el tiempo va a ser bueno o
También tenemos el caso contrario, puede ser que AE- malo, o si va a empeorar o mejorar,. . . Eso sí, deberá
MET no emita avisos de precipitación por no superar indicar el tiempo asociado a dicha borrasca, anticiclón,
los umbrales, pero las condiciones hidrológicas, del frente, etc., y si alguna variable meteorológica supera
suelo, persistencia, etc., hagan que se deba dar una un umbral para emitir un aviso meteorológico. Será el
prealerta o alerta por inundaciones. usuario final (persona de a pie, agricultor, ganadero,
43.15 ¿Sube el calor?: lo que sube es otra cosa 651
hostelero, pescador, gestor de estaciones de esquí, etc., Si al aire le añadimos/quitamos calor por una fuente
) el que califique la bondad o maldad del tiempo aso- cercana (por ejemplo, el suelo) la temperatura aumen-
ciado. Así por ejemplo, un agricultor que no ha visto te/disminuya. Pero la temperatura del aire puede subir
la lluvia en tres meses y se le anuncia la llegada de o bajar por otros procesos no relacionados con el ca-
una borrasca con precipitaciones, la calificara como lor. Por ejemplo, la entrada de aire del sur y desde el
buena o tiempo bueno; no así el dueño de un bar o norte de África o por aire en descenso pueden causar
chiringuito de playa. subidas de la temperatura, sin que se le suministre
calor a dicha masa de aire.
Hablar en los predicciones o en los informativos espe-
cializados del tiempo de malo o bueno no es recomen-
dable, a lo sumo se podría hablar de adverso, variable, No obstante, ola de calor sí es correcto. El tér-
cambiante, inseguro, etc., pero nunca apostando por mino ola de calor equivale a una subida de tem-
los calificativos comentados con anterioridad. peraturas de forma generalizada, persistentes y
que podría batir récords de temperaturas. Para
Recuerda: todo es según el cristal con el que se mire. más detalles de ola de calor ver una posible de-
finición de AEMET: http://www.aemet.es/
documentos/es/noticias/2016/Olas_Calor_
ActualizacionJun2016-B.pdf
43.15 ¿Sube el calor?: lo que sube
es otra cosa
En resumidas cuentas: se habla de subida, bajada o
anomalía de temperaturas para la época del año, pero
Cuántas veces hemos oído en los meses cálidos de
no se dice o se debe evitar que mañana subirá el calor
primavera y verano: sube el calor, el calor aprieta,
o que las anomalías de calor son positivas respecto a
se espera una semana de fuerte calor, . . . y así su-
los valores normales, o los termómetros muestran un
cesivamente. Se emplea el calor como sinónimo de
alto calor en estos momentos . . .
temperatura o de sol, dependiendo de la frase.
El calor es una forma de energía y se mi- Temperatura y calor no son términos equivalentes en
de en el Sistema Internacional de unidades meteorología ni se deben intercambiar alegremente en
([119] http://www.cem.es/sites/default/files/ el lenguaje informativo del tiempo. Cada uno tiene un
sistema_internacional_de_unidades.pdf, consul- lugar claro en el mundo de los términos meteorológi-
tado el 27 de enero de 2016) en julios (J) aunque cos.
también se usan con frecuencia las calorías (cal). La
temperatura, por otro lado, es una unidad intrínseca
del estado térmico de una sustancia, independiente
de su tamaño, y se mide en ◦ C, ◦ F, ...
43.16 Perturbación. Pero ¿qué y
Cuando el sol calienta la tierra, calienta el aire y su quién perturba?
temperatura aumenta. Cuando la superficie de la tierra
se enfría, baja la temperatura.. Por eso se oye hace
calor o hace frío o se dice ¡qué calor! o ¡qué frío! En demasiadas ocasiones se oye el término de pertur-
sinónimo de temperaturas altas o bajas según el caso. bación en los informativos y predicciones del tiempo.
Sin embargo, son conceptos diferentes y no sinónimos Así, se oye a veces, una perturbación situada al oes-
en términos absolutos. te de la Península entrará mañana por Galicia, o la
perturbación afectará a la zona centro, . . .
El calor se puede asimilar a la energía total del movi-
miento molecular en una sustancia, mientras tempera-
tura es una medida de la energía molecular media. El La ambigüedad del teŕmino es palpable pues no sa-
calor depende de la velocidad de las partículas, su nú- bemos qué, quién ni cómo nos perturbará. En los
mero, su tamaño y su tipo. La temperatura no depende briefing técnicos (reuniones de trabajo para puesta
del tamaño, ni del número o del tipo. Las temperaturas en común) celebrados en AEMET por los predictores
más altas tienen lugar cuando las moléculas se están era un comodín que se utilizó en algún momento pero
moviendo, vibrando y rotando con mayor energía. rápidamente se eliminó por su falta de precisión.
Nota. El autor de este capítulo utilizó el término per- Una perturbación explosiva que traerá mal clima y
turbación hace años; pero actualmente trata de no generará varias alertas meteorológicas por AEMET
utilizarlo por los motivos aludidos. para mañana. El clima cambiará mañana, donde la
inestabilidad producirá un descenso del calor de estos
Lo mismo perturba una borrasca, que un anticiclón de días anteriores, generado por la entrada del vórtice
invierno con sus nieblas o sus episodios de frío y con- circumpolar. Una gota fría producirá lluvias intensas
taminación o perturba una tormenta o un frente frío o en la zona del este peninsular.
una línea de tormentas o un flujo intenso de levante,
etc. Muchas cosas perturban y al usarse perturbación Si fuera realmente así, se debería redactar de otra for-
se cae en la indefinición. ma más concreta, clara y sencilla, con los términos
analizados a lo largo de este artículo:
En la mayoría de los casos cuando se habla de per-
turbación se hace referencia a un cambio de tiempo Una borrasca muy profunda cambiará el tiempo ma-
donde lo característico es el aumento de nubes, pre- ñana y se generarán varios avisos meteorológicos por
cipitaciones, viento, etc. Pero aún así, esto se puede parte de AEMET. El tiempo cambiará mañana, donde
deber a una borrasca, un frente frío, cálido u ocluido, la entrada de aire frío producirá un descenso de las
a la descarga de aire frío, etc. Una vez más el término temperaturas respecto a los días anteriores, todo ello
perturbación es muy ambiguo. Por lo tanto, se reco- generado por la llegada de un frente muy frío. Focos
mienda eliminar el vocablo perturbación del lenguaje tormentosos producirán lluvias intensas en la zona
meteorológico oral o escrito y utilizar adecuadamente del este peninsular.
qué estructura va a cambiar el tiempo: una borrasca,
un frente, una línea de chubascos, etc. El lenguaje Es bueno hablar con propiedad y de forma eficaz y
meteorológico popular es muy rico y la mayoría de clara, sin alarmar, sin crear sensacionalismos que no
la gente reconoce los anteriores términos. A mí, al van a ninguna parte salvo a vender más. Mucha gente
menos, la palabra perturbación no me dice nada desde entenderá el mensaje si se emplean términos comunes
el punto de vista meteorológico o informativo. y sencillos.
43.17 Rizando el rizo 43.18 Lecturas recomendadas
A modo de resumen y de forma conceptual, se da una Recomendamos la consulta de las siguientes fuentes,
predicción exagerada con términos que no vienen al referencias al final del capítulo o del libro, según la
cuento: edición: [2, 24, 217, 528, 685].
Parte VII
Casos
Parte VII Casos
Como parte de la meteorología, la predicción del tiempo tiene una naturaleza va-
riada, puyes es ciencia, es también técnica y, así mismo, un poco arte. Así, esta-
mos aún lejos de poder automatizar el proceso de predicción (aunque haya algunos
que lo piensen). Los casos de estudio, a menudo fenómenos espectaculares o, por
lo menos, extremos y, otras veces, más bien cotidianos, son fundamentales en el
aprendizaje y en la exposición de la meteorología y, en particular, de la predic-
ción y la observación del tiempo. Un selecto elenco de predictores operativos o
afines, con renombrada experiencia, exponen en esta parte algunos de estos casos
de estudio. Empezamos con un caso histórico, además de espectacular: el récord
de Oliva-Gandía, con una precipitación acumulada de 817 mm registrados en 24
horas. Entre el resto de los casos mostramos predicción de aludes, un tema escasa-
mente abordado en la literatura meteorológica. Por supuesto, exponemos después
casos de vientos y/o precipitaciones intensos, lluvias torrenciales, nevadas, inunda-
ciones, olas de calor, sin olvidarnos de los huracanes. Estos últimos, aunque no son
casos acaecidos en España, los exponemos por el enorme interés que presentan. Del
mismo modo presentamos una predicción convencional en Myanmar. Se muestran
también algunos casos de predicciones críticas por su impacto social, por ejemplo
semana santa de 2017. Algunos casos son interesantes por su escasa predecibilidad,
uno de los conceptos clave en este libro.
Página anterior: cumulus humilis de buen tiempo sobre entorno campestre cercano a
Valdemorillo, fotografía tomada por J UAN C ARLOS G ARCÍA C OLOMBO.
Superrécord de Oliva-Gandía de 3-4 de noviembre de
1987 44
DOI: 10.31978/014-18-009-X.44
A GUSTÍ JANSÀ C LAR


R AFAEL A RMENGOT S ERRANO
Ex predictor en Delegación territorial (DT) en Valencia, Agencia Estatal de Meteorología (AEMET)
DT en Valencia, AEMET
A LFONS C ALLADO I PALLARÉS Y M ARC C OMPTE ROVIROLA
DT en Cataluña, AEMET
Nos hallamos pues en presencia de nubes eficientísimas en un entorno débil o moderadamente inestable
que represadas entre las montañas de este extremo bético son como "esponjas"continuamente recargadas
que "sueltan"la precipitación casi con la misma rapidez que la producen.
¿Por qué llueve tanto en La Marina Alta y en La Safor? - Blog "En el tiempo", 2012 – Á NGEL R IVERA
A las 8 horas del 4 de noviembre de 1987 en Oliva (Valencia) se registraron oficialmente 817 mm
de precipitación en 24 horas, un récord nacional que todavía no se ha batido. En Gandía, distante
9 km, las mediciones de los días 3 y 4 a las 8 horas sumaron 864 mm, caídos también en menos de
24 horas. Estos episodios de lluvia torrencial, con inundaciones repentinas y a veces catastróficas son
relativamente frecuentes en el Mediterráneo, donde llueve menos días que en zonas atlánticas, pero
con cantidades diarias a veces muy superiores. ¿Por qué son tan difíciles de predecir? Se describe en
este capítulo el episodio de Oliva-Gandía, la singularidad climatológica de la región, las predicciones
realizadas con los modelos de la época y, como contraste, las predicciones reconstruidas con modelos
y sistemas de predicción por conjuntos (SPC) actuales.
probabilista, récord oficial de precipitación en 24 h en España, caso de Oliva-Gandía 3/4-11-1987.
Imagen parte superior: inundación en la Carretera de Pego esquina con Carrer Hermanos Benlliure, Oliva, La Safor, València, el 3 de
noviembre de 1987. Fotografía cedida por el Ayuntamiento de Oliva.
656 Física del caos en la predicción meteorológica Capítulo 44. Superrécord Oliva-Gandía (Nov 1987)
Figura 44.1: Mapa físico de la Safor, Marina Alta y zonas próximas. Se señalan los ríos principales, la incidencia de
los vientos de gregal y algunas zonas de convergencia de sotavento.
44.1 La singularidad pluviométrica la provincia de Valencia y norte de la de Alicante, des-

de la Valldigna hasta Calp por la costa. Ocupan algo
de La Marina Alta y La Safor
menos de 1 200 km2 y están habitadas por 365 000
personas de derecho y muchas más de hecho, espe-
R AFAEL A RMENGOT S ERRANO
cialmente en verano. En este espacio, los cabos de
Ex Predictor en GPV de Valencia, Agencia Estatal de
Sant Antoni y la Nau marcan la salida de las cordille-
Meteorología (AEMET)
ras béticas al mar y suponen los límites de los golfos
de Valencia y Alicante. Y es este rasgo de intrusión
En estas comarcas del sur del golfo de Valencia se terrestre en el mar una de las claves del extraordina-
produce el máximo pluviométrico del litoral medite- rio carácter pluviométrico de estas comarcas (Figura
rráneo peninsular. La articulación del relieve en valles 44.1).
orientados a los vientos del nordeste, húmedos y fre-
cuentemente inestables, y la intrusión terrestre en el A través del sur de la península ibérica, las alineacio-
mar del entorno del cap de la Nau, facilitan episodios nes montañosas béticas se extienden a lo largo de un
frecuentes de lluvias intensas. Estos episodios, cuando eje suroeste-nordeste desde Cádiz hasta el norte de
interaccionan nítidamente con el relieve, son captados Alicante. Allí se sumergen en el Mediterráneo para
cada vez mejor por los modelos numéricos; pero los emerger en Ibiza y en la sierra de Tramuntana de Ma-
episodios focalizados en la línea costera, en ocasiones llorca. En su extensión peninsular dan lugar, en cada
torrenciales, aún poseen alta incertidumbre. uno de sus dos extremos marítimos, a dos importantes
singularidades pluviométricas. En su extremo suroes-
te, el renombrado máximo de lluvia de la sierra de
44.1.1 El área Grazalema, vinculado a los ábregos atlánticos. En el
extremo nordeste, el máximo mediterráneo de estas
La Marina Alta y la Safor son dos comarcas valencia- comarcas de la Marina Alta y la Safor, vinculado a los
nas que se extienden por el litoral y prelitoral sur de vientos gregales y levantes mediterráneos.
44.1 La singularidad pluviométrica de La Marina Alta y La Safor 657
Estas sierras béticas conectan en esta zona con las ali- Pero, siendo notable esta pluviometría media, lo es
neaciones del sistema ibérico de orientación noroeste- más aún la frecuencia de situaciones de lluvia intensa,
sureste, que arrancan desde Teruel y tienen su extremo que llega a multiplicar por 10 las producidas en otros
meridional en el macizo del Montdúber, muy próximo sectores de territorio valenciano (Figura 44.3). En de-
a Gandía, con 841 metros de altitud. El juego entre finitiva, estos episodios de lluvia fuerte vinculados a
estos dos sistemas orográficos (Bético e Ibérico) y el circulaciones de levante-gregal (este-nordeste) es la
mar Mediterráneo propicia este máximo pluviomé- forma normal de llover de estas tierras.
trico, que llega a alcanzar los 1 000 mm anuales de
media en puntos de su barlovento (Marina Alta), para Una serie de otras comarcas valencianas rodean este
decrecer espectacularmente en pocos kilómetros hacia núcleo y participan de una alta pluviometría medite-
el sur hasta alcanzar valores esteparios, inferiores a rránea, aunque sin alcanzar los valores de este núcleo
300 mm en las comarcas meridionales de Alicante. duro: en la provincia de Valencia, la Ribera Alta y Bai-
Es éste uno de los mayores gradientes pluviométricos xa, la Costera y la Vall d’Albaida; en la de Alicante,
peninsulares (Figura 44.2). el Comtat y la Marina Baixa.
Figura 44.2: Precipitación media para el último período de referencia (AEMET).

primer análisis, sería zona de descensos de sotaven-

to. Ocurre así, por ejemplo, en Pinet (Ribera Alta),
Barx (Safor), sectores de la Marina como Tàrbena
y Bolulla o zonas del Comtat como L’Orxa.
Las advecciones (ver advección) del nordeste (gre-
gales), funcionales para la pluviometría en estas
comarcas, son por su origen septentrional habitual-
mente más frías y discurren hacia el sur por un mar
gradualmente más cálido, facilitando el carácter
inestable de las mismas y con ello la rotura de las
inversiones y el disparo de la inestabilidad.
Estas características orográficas se conjugan con
las ciclogénesis mediterráneas del mar de Palos
y de Argelia, generadas por la interacción de las
ramas ascendentes de vaguadas (ver vaguadas) y
depresiones aisladas de niveles altos (depresión
aislada de niveles altos (DANA)), con las montañas
del Atlas marroquí y argelino.
La gran dependencia de las lluvias de estas comarcas

respecto a las circulaciones del este-nordeste produce
paradojas en ocasiones: los grandes episodios vincula-
dos a circulaciones del sureste pueden dejar en sombra
Figura 44.3: Frecuencia absoluta de casos de más de
pluviométrica a estas tierras. Así, el histórico episodio
100 mm/día en la Comunidad Valenciana en el período
1976-90 [21]. de octubre de 1982, que dio lugar al derrumbamiento
de la presa de Tous, tuvo en estas comarcas su mínimo
relativo.
Desde la ciudad de Valencia hacia el sur, la precipi-
tación anual y la frecuencia de situaciones de lluvia
En general, el poblamiento se ha adaptado bien a esta
intensa aumentan gradualmente. Ello es una excep-
frecuencia de lluvias intensas, por lo que en los nú-
ción a la tendencia general al norte del cabo de Gata,
cleos históricos de población los incidentes debidos
de aumentar la lluvia a medida que aumenta la lati-
a ellas son escasos. No obstante, las situaciones más
tud. Entre las causas fundamentales que, sumadas, lo
excepcionales dan lugar a incidentes notables: derri-
explican, encontramos:
bo del puente de Beniarbeig en octubre de 2007, por
El mismo carácter de intrusión terrestre en el mar, ejemplo. El cambio de uso de edificios puede también
que supone un obstáculo y un disparador del ascen- dar lugar a pérdidas humanas; en ese mismo episodio,
so de las circulaciones de capas bajas que discurren en el Verger se inundaron casas antes destinadas a
entre la península Ibérica e Ibiza. El mismo ca- corrales, ocasionando una muerte.
nal Denia-Ibiza propicia también la convección por
convergencia. Las zonas más vulnerables a inundaciones son los po-
Este entramado de sierras dan lugar a valles abier- lígonos industriales (frecuentemente instalados en sec-
tos al este-nordeste, encarados a las circulaciones tores inundables) y zonas de nueva construcción como
marítimas. Valles «en fondo de saco» que generan consecuencia del boom turístico, que muchas veces
convergencia y ascenso forzado de estas circulacio- no han respetado los cursos del agua ni la experiencia
nes. En estas dos comarcas y de norte a sur, los más respecto a su comportamiento en estas situaciones.
destacados son la Valldigna, el Serpis, Gallinera,
Girona y Gorgos.
Macizos montañosos que favorecen la penetración Finalmente, los episodios realmente extraordinarios
de las circulaciones marítimas por sus dos extremos (octubre de 1957 en Xàbia, noviembre de 1987 en la
para converger a sotavento, originando forzamien- Safor) causan destrozos e incluso víctimas en zonas
tos orográficos y máximos de lluvia en la que, en que normalmente se sienten a salvo.
44.1.2 Tipos de episodios de final de verano, que finalmente se suelen concentrar

de forma tozuda muy cerca de la costa.
Las lluvias de estas comarcas tienen en común su ca-
rácter mediterráneo y su vinculación a circulaciones (2) Lluvias vinculadas a DANA de otoño. Como en
del este-nordeste en capas bajas. Dentro de las que otras comarcas valencianas, las condiciones ideales
superan el umbral de 100 mm/día, una mayoría muy para lluvias torrenciales vinculadas a DANA son:
amplia está vinculada a una DANA al suroeste del
área y la ciclogénesis en capas bajas generadas por Estar en otoño ya algo avanzado (desde final de
aquélla. Pero más allá de estos rasgos comunes, la septiembre), con un mar menos activo que en las
tipología es muy diversa en función de la situación y semanas precedentes, un mar que no acapare la con-
la estacionalidad. A lo largo del año a partir del final vección y facilite la formación tierra adentro de los
del verano, los procesos habituales de lluvia intensa núcleos convectivos más potentes.
son: Aislamiento de la DANA al suroeste de estas co-
marcas, preferentemente en el entorno de Gibraltar.
(1) Lluvias convectivas marítimas, vinculadas a dis- Trayectoria lenta de su centro con dirección nor-
paros marítimos y litorales en relación con el máximo deste, con una advección diferencial de vorticidad
anual de la temperatura superficial del mar, durante positiva pero no muy alta.
fin de agosto y septiembre, en un aire muy inestable Circulación moderada en niveles medios-altos en
que sólo requiere forzamientos sutiles. Son lluvias torno a la DANA, con difluencia en su flanco nor-
muy litorales, pueden caer puramente en el mar o en deste. Una circulación potente dificultaría la orga-
la misma franja costera. Habitualmente acompañadas nización de la convección.
de tormenta, aunque en algunas ocasiones sin ella (llu- Ciclogénesis en el mar de Argelia-Palos, con un di-
via cálida). Pueden, por ejemplo, descargar más de seño de la baja entre superficie y 850-700 hPa que
100 mm en el puerto de Gandía y no llover apenas en posibilite la circulación del primer cuadrante en
la ciudad, distante 4 km. Mucha de esta precipitación niveles bajos, con la que estas comarcas no tienen
cae sobre el mar y no la medimos de forma directa. rival en cuanto a eficiencia pluviométrica.
Aparece en el radar (cap. 8 en la página 103) y, cuando
toca costa, constatamos su gran magnitud. En estos contextos, toda la circulación del entorno se
reordena (potente circulación del norte en el golfo de
Si existe inestabilidad más profunda y se desarrolla
Valencia) y alimenta la eficiencia de las precipitacio-
convección, en zonas litorales o en relieves próxi-
nes en la Marina Alta-Safor.
mos se pueden alcanzar cantidades de lluvia súbitas
y muy cuantiosas. Si la tormenta toma carácter cuasi-
En la típica trayectoria del centro de la DANA hacia
estacionario durante más de una hora, son posibles
el Este, gradualmente la precipitación evoluciona de
lluvias torrenciales que superen de largo los 100 mm
norte a sur de estas comarcas a medida que el flujo
en una hora. En las inmediaciones de la Safor, en la
de niveles bajos, rolando gradualmente en sentido an-
Ribera Baixa el 23 de septiembre de 2008 se produjo
tihorario, va incidiendo en sistemas orográficos más
un episodio cuasi-estacionario que en 3 horas superó
meridionales. Una vez el eje de la DANA rebasa el
en Sueca los 300 mm, alcanzándose 144 mm en una
meridiano de estas comarcas, la lluvia puede conti-
hora.
nuar muy eficiente durante bastantes horas, ya sin
Esta tipología de episodios parece la más difícil de convección. Un remate típico finalizará el episodio en
ser pronosticada con acierto por los modelos numé- la zona de Tàrbena-Bolulla (Marina Baixa), resultado
ricos, ya que condiciones muy sutiles pueden pasar de convergencias (ver convergencia) de sotavento con
de la nada a un episodio importante. Episodio que flujo sinóptico muy septentrional.
puede quedar puramente en el mar o afectar a la costa
de forma notable. Con todo, la predicción de la ac- La modelización numérica ha incrementado notable-
tividad tormentosa por los modelos no hidrostáticos mente en los últimos años su acierto en el pronóstico
(sec. 6.3.2 en la página 78) ha supuesto un gran avance de estas situaciones: en su predicción ya desde el me-
en los últimos tiempos. dio plazo; en la localización, en especial debido al
incremento de la resolución espacial y por tanto del
En ocasiones, los modelos numéricos tienden a sobres- relieve; y en la cuantificación de la lluvia. Los mo-
timar la penetración hacia el interior de estas lluvias delos no hidrostáticos están mostrando más destreza
en la cuantificación de los máximos, aunque a menu- cuando en Barx (faldas del Montdúber, en la Safor)
do cometen más errores que los hidrostáticos en la se acumularon más de 700 mm en poco más de dos
cuantificación de la lluvia periférica. días, en un período de mar frío. O diciembre de 2016
en l’Orxa (Comtat, contiguo a la Safor y a la Marina
En fecha tan lejana como el 21-24 de octubre de 2000, Alta), con más de 600 mm en tres días (Figura 44.4,
el modelo ECHRES (sec. 19.2 en la página 291) del cap. 50 en la página 763).
Centro Europeo (ECMWF, cap. 19 en la página 289)
predijo con total éxito la situación que produjo ma- En estos casos, el incremento de la resolución espa-
yor volumen de lluvia en la Comunidad Valenciana cial, y con ello la mejora en la modelización de las
en todo el siglo XX. Lo predijo adecuadamente des- circulaciones de mesoescala, está siendo clave en el
de el medio plazo, y en los detalles fundamentales incremento de la destreza de estos modelos para loca-
de su evolución; ello fue clave para el gran éxito del lizar los máximos de lluvia. En general, se producen
seguimiento y la gestión de aquel episodio desde la subestimaciones en la cuantificación de estos máxi-
Meteorología, la Hidrología y la Protección Civil. Por mos en estas situaciones advectivas.
desgracia, no siempre es así.
(4) Sistemas-complejos convectivos extremos. Hay
(3) Lluvias por advección fría persistente, de in- episodios extraordinarios que suponen un punto y
vierno y primavera. Un caudal húmedo adecuado, aparte. Son los originados por sistemas convectivos de
no necesariamente inestable, con un gradiente bári- mesoescala (que quizá alcancen la categoría de com-
co moderado a fuerte, puede acumular cantidades de plejos convectivos por su dimensión), que dan lugar a
precipitación extraordinarias cuando se conjuga la ac- las lluvias más extremas en menos de un día. Lluvias
ción orográfica de ascenso forzado y convergencias que son las mayores registradas en España para estos
de sotavento. Es el caso de principio de mayo de 2002, períodos.
Figura 44.4: Precipitación en el episodio de 16-19 de diciembre de 2016 (AVAMET).

Es un conjunto de situaciones excepcionales, pero es- situaciones de lluvia conocidas en la Comunidad Va-
casa en número: desde 1950, y probablemente como lenciana (y quizá en España) en los últimos dos siglos.
mínimo desde 1900, conocemos en estas comarcas
dos episodios: Dada la escasa frecuencia de estos episodios gigantes,
hay poca experiencia real respecto a la destreza de
(4a) 1-3 de octubre de 1957. Afectando al en- los modelos numéricos de cara a la predicción del sur-
torno de Xàbia. En dicha población hay anotados gimiento, evolución y magnitud de estos sistemas y
878 + 100 mm, para un total registrado de 978 mm complejos convectivos. En otro apartado de este libro
en dos días, aunque parece acreditado que fueron tres (cap. 44 en la página 655) se aborda el comportamien-
[474]. En su entorno (Denia y cap de Sant Antoni) se to que tuvo el ECHRES (sec. 19.2 en la página 291)
midieron más de 600 mm y se perdió agua en la medi- en el episodio de noviembre de 1987 y qué mejoras
ción. Desbordamiento de todos los cauces de la zona serían esperables en la actualidad. Con casi plena se-
y del río Gorgos, gran destrucción de casas y algunas guridad, estos episodios de grandes dimensiones –que
víctimas. Esta cifra de 878 mm es la mayor anotada están ocasionados por cuadros sinópticos nítidos y
en España en un día pluviométrico, pero parece claro potentes- serán bien captados por la modelización nu-
que se produjo en dos días. (Diez días después, una mérica, pero ello sólo será probado por los sucesos
nueva DANA originó la gigantesca riada de Valencia reales.
de 1957, y un nuevo episodio importante en la Marina
Alta).
(4b) 3-4 de noviembre de 1987. Sistemas convecti- 44.1.3 Periodos de retorno
vos que afectaron en primer lugar a la Safor desde la
madrugada del día 3 y, a partir de la noche siguiente, El período de retorno es el tiempo medio esperable
a la Canal de Navarrés-Ribera Alta –con 786 mm en para que se repita un suceso del que se conoce la pro-
Sumacàrcer cerca de Tous, donde los vecinos hablan babilidad (cuanto más baja, más largo es el periodo
de una magnitud no lejana a la de octubre de 1982-, y de retorno). En nuestro caso, para la repetición de epi-
en torno a 600 mm en sectores de la Vall d’Albaida-. sodios de lluvia intensa en localizaciones concretas.
En este episodio se registraron en la Cámara Agraria
de Oliva 817 mm en el día pluviométrico 3, la mayor La falta todavía de series largas de datos proceden-
cantidad homologada en España para un día; en el Co- tes de estaciones automáticas dificulta la estimación
legio Público Roís de Corella de Gandia se midieron de períodos de retorno para períodos inferiores a las
864 mm a caballo de los días pluviométricos 2 y 3, pe- 24 horas. Así, la estimación de lluvias máximas para
ro en todo caso fue lluvia caída en menos de 24 horas períodos de una y doce horas, para los que se emiten
por lo que, en puridad, es la mayor precipitación medi- alertas de lluvia intensa (cap. 41 en la página 627), se
da en un día (queda al margen la lluvia en la Muela de ha de efectuar con escaso apoyo de series estadísticas.
Cortes el 19-20 de octubre de 1982, fuera de esta área
que, aunque no se pudo medir, probablemente estuvo Respecto a la intensidad horaria, la experiencia ha
en el entorno de 1 000 mm en menos de 20 horas). hecho evidente que episodios torrenciales (más de
Ambos episodios tienen notables semejanzas: 60 mm en una hora) se puede alcanzar varias veces al
año en áreas dispersas del territorio analizado. Y al-
Otoñales. guna vez al año se pueden duplicar estas intensidades
Generados en la línea costera, próximos a relieves puntualmente, con graves consecuencias si afecta a
que pudieron ayudar al disparo, pero que no regis- sistemas hidrológicos de respuesta inmediata, como
traron las lluvias máximas. En 1987, el pluvióme- ciudades o barrancos cortos.
tro totalizador situado en la cumbre del Montdúber
muy cerca de Gandia registró lluvia muy inferior a Las series suficientemente largas para hacer evalua-
las mencionadas. ciones son las referidas al día pluviométrico, y por
Produjeron precipitaciones máximas del mismo or- extensión las referidas a 24 horas. Aquí disponemos
den, y con ubicaciones distantes apenas unos 25 km de numerosas series superiores a 30 años. Los mapas
uno del otro (Xàbia y Oliva). más depurados de períodos de retorno de que dispo-
nemos son los elaborados para el Atlas Climático de
Junto con los complejos convectivos de 1864 y 1982
la Comunidad Valenciana [147], siguiendo la función
en la Muela de Cortes, y que produjeron gigantes-
de G UMBEL.
cas inundaciones en el Júcar, son las cuatro mayores
Figura 44.5: Precipitación esperable para períodos de retorno de 5 años (a) y 100 años (b) en el sur de la Comunidad
Valenciana [147].
Se aprecia cómo las mayores precipitaciones valen- El modelo teórico de G UMBEL parece funcionar bas-
cianas en 24 horas para cualquier período de retorno tante bien en los valles prelitorales de esta zona. En
se registran en estas comarcas. En la Figura 44.5 se ellos, el carácter habitual de estas precipitaciones in-
muestran los valores esperables para recurrencias de tensas, y el quedar algo apartados de las lluvias extre-
5 y 100 años, alcanzando valores superiores a 200 mas litorales, hacen posible una recta de regresión bas-
y 400 mm en un día, respectivamente. Según esta tante ajustada a este modelo teórico. Esto se aprecia
metodología, los valores máximos se sitúan en las ca- bien en el caso de Fontilles-Vall de Laguar (distante
beceras de la rambla Gallinera y el río Girona. Aparen- 13 km del mar, en la cabecera del río Girona), con una
temente, estos mapas subestiman los altísimos valores alta frecuencia de días en que se superan los 100 mm,
que esporádicamente se registran en el litoral. sobre los que aparecen algunos episodios más poten-
tes con recurrencias más prolongadas (Figura 44.6).
Figura 44.6: Gráfico de probabilidad de extremos en Fontilles-Vall de Laguar (Marina Alta). [653].
Pero el caso de Oliva, como ejemplo del litoral, es El uso complementario de una función de este tipo
muy otro (Figura 44.7). En las zonas estrictamente (aplicada con rigor) junto con las conclusiones obte-
litorales, la sucesión de episodios intensos «norma- nidas por la climatología histórica (con el rastreo de
les» se ve bruscamente interrumpida por episodios testimonios documentados en épocas precedentes) pa-
extraordinarios que rompen la función de regresión, rece el método más adecuado de estimar los períodos
mostrando la no validez de esta metodología en esas de retorno de estas lluvias extremas.
zonas. En este caso, el dato de 817 mm de 1987 rompe
por completo la continuidad de la función. En caso contrario, podemos otorgar períodos de re-
torno incluso milenarios a episodios que la historiogra-
Ruiz y Núñez [558] concluyen que la función de G UM - fía demuestre que se han producido con una magnitud
BEL [682] subestima las lluvias extremas en la zona semejante varias veces en los últimos siglos. Dado
mediterránea, y en especial en estos episodios coste- que la exigencia técnica habitual de las obras públicas
ros, y que hay otras funciones más adecuadas como la es que estén preparadas para soportar el mayor episo-
SQRT-ETMAX y la distribución General de Valores dio esperable en 500 años, vemos la trascendencia de
Extremos, GEV [682], que se ajustan mejor a los ex- abordar el problema de uno u otro modo. Una función
tremos observados. Así, mientras que para el ajuste de de G UMBEL aplicada rutinariamente puede concluir
G UMBEL el período de retorno del episodio de 1987 que episodios como el de la Safor en 1987 o Xàbia
sería de 4 millones de años, y por tanto fácticamente en 1957 tienen un período de retorno milenario o no
imposible, para la distribución GEV (una vez incluido es esperable que se repitan. Pero el que se hayan pro-
el dato de 1987) el período de retorno esperable sería ducido dos episodios semejantes en 30 años, con una
de 141 años, bastante coincidente con la experiencia distancia entre ambos inferior a los 30 km, nos lleva a
empírica. conclusiones bien diferentes.
Figura 44.7: Gráfico de períodos de retorno según diversas funciones en Oliva, Safor [558].
Figura 44.8: Alzira durante la inundación del 4 de noviembre de 1864. Grabado. Geografía General del Reino de
Valencia, de F. C ARRERAS C ANDI y C. S ARTHOU C ARRERES (Barcelona, 1910) [108].
44.2 El episodio de Oliva 665
Figura 44.9: Inundación en Carretera de Pego esquina con Carrer Hermanos Benlliure, Oliva, La Safor, València, el
3 de noviembre de 1987. Fotografía cedida por el Ayuntamiento de Oliva.
44.2 El episodio de Oliva de octubre de 1982, no obstante, fue un episodio que

sacudió a la comunidad meteorológica y política a es-
AGUSTÍ JANSÀ C LAR cala española y catalizó una serie de planes y medidas
Grupo de Meteorología, Departamento de Física, Uni- orientados en ir ganando predecibilidad (cap. 12 en la
versitat de les Illes Balears página 155) para ese tipo de fenómenos. Seguramente
estamos lejos, todavía, de una predicción cuantitativa
segura o, cuando menos, de incertidumbre acotada,
44.2.1 Contextualización del episodio de de extremos como los mencionados, pero sin duda
Oliva se han dado pasos adelante muy importantes, por la
mejora del conocimiento, la mejora de los modelos
Los episodios de lluvia torrencial, con inundaciones deterministas y, seguramente, también, por la posibi-
repentinas, a veces catastróficas, son una constante lidad de delimitar cada vez mejor la incertidumbre,
en las zonas mediterráneas (sección 44.1 en la pági- por el uso de los sistemas de predicción por conjuntos.
na 656), no sólo españolas, sino también francesas, Los modelos atmosféricos deterministas tienen gran
italianas, etc. Hasta hace relativamente poco este tipo dificultad en acertar simultáneamente la localización
de fenómenos, relacionados con la convección profun- y la intensidad de la precipitación en fenómenos de
da y, por tanto, altamente caóticos, se consideraban esta magnitud. Con predicción por conjuntos, aun-
sencillamente impredecibles. Nadie hubiera podido que no puedan darse con exactitud la intensidad ni la
ser acusado de no avisar de una de tales catástrofes localización, pueden delimitarse zonas con abanicos
(para poder tomar medidas preventivas), porque se de superación de umbrales, lo que puede aumentar
sabía que no se podían prever. Las grandes lluvias notablemente la predecibilidad de estos eventos.
que condujeron a la rotura de la presa de Tous, el 20
Figura 44.10: Impactos del episodio de Oliva, La Safor, València, el 3-4 de noviembre de 1987. Arriba: inundación
en la Carretera de Pego esquina con Carrer Hermanos Benlliure. Abajo: destrozos en la Vía de Ronda a la altura del
Club Nautic. Fotografías cedidas por el Ayuntamiento de Oliva.
En este apartado se analiza un caso no muy lejano al precipitación en 24 horas, entre las que destaca la de
de 1982, el de 3-4 de noviembre de 1987, que supuso Oliva, con más de 800 mm en el día pluviométrico 3-4,
un récord absoluto en copiosidad de la precipitación y esto es, desde las 8 horas de día 3 a las 8 horas de día
sobre cuya predecibilidad se podría decir que se habría 4, lo que constituye el récord absoluto de precipitación
avanzado bastante, de haberse usado operativamente en 24 h, en toda España. Este récord extraordinario ha
modelos o conjuntos de modelos ya disponibles entre sido posteriormente contrastado y confirmado por la
los años 1990 y 2000; al menos se habría avanzado Delegación de AEMET en València, precisándose la
en la predecibilidad a una escala media, sin entrar cantidad recogida en 24 horas en 817 mm (según noti-
en demasiados detalles, que quizás ahora sí podrían cia recogida, por ejemplo, en el diario Levante (http:
ir siendo considerados, como veremos en las seccio- //www.levante-emv.com/comunitat-valenciana/3747/
nes 44.3 en la página 671 y 44.4 en la página 680. reconocen-reacutecord-diluvio-oliva/380946.html).
El episodio completo, con unas treinta horas de dura-

44.2.2 El episodio y su predecibilidad a es- ción, habría supuesto alrededor de 1 000 mm [540].
cala media Se ha estudiado el episodio desde distintos puntos de
vista, por diferentes autores. No se pretende aquí ha-
Los días 3 y 4 de noviembre de 1987 estuvo lloviendo cer una recopilación detallada de estos estudios, sino
intensamente, durante muchas horas, en toda la co- considerar alguno de ellos y, el episodio en sí, desde
marca de La Safor (Valencia, ver sección 44.1.1 en el punto de vista de la predecibilidad: ¿podía haberse
la página 656), recogiéndose cantidades insólitas de previsto una lluvia de copiosidad semejante?
Figura 44.11: Izquierda: Imagen de satélite infrarroja de día 4 de noviembre de 1987, a las 05:30 UTC, realzada en
falso color; el amarillo corresponde a una temperatura de radiación de -32 ◦ Ca -42 ◦ C, el rojo de -42 ◦ Ca -54 ◦ C,
el blanco de -54 ◦ Ca -64 ◦ Cy el negro por debajo de -64 ◦ C. Derecha: mapa de precipitación recogida en el día
pluviométrico 3-4 de noviembre de 1987. El máximo de más de 800 mm está enmarcado en una zona relativamente
extensa en la que se superan los 400 mm [540]
El episodio consistió, en esencia, en la formación y poco importante, centrada en la zona marítima com-
semi-estacionamiento de sistemas convectivos de me- prendida entre las costas valencianas y las africanas,
soescala, con notables desarrollos y cuyas zonas más en situación muy apropiada para organizar un intenso
activas estuvieron repetidamente situadas en el área flujo cálido y húmedo de aire mediterráneo, actuan-
de La Safor. Ver la Figura 44.11, tomada del análisis do como factor de alimentación e inestabilización, en
realizado por R IOSALIDO y otros autores de AEMET, este caso en la zona de La Safor y alrededores, que
en 1988[540], muy poco después del episodio. es donde ocurre la lluvia más copiosa, en el modo en
el que se describe la influencia de las depresiones en
Además de haber condiciones apropiadas al ascenso y las lluvias intensas mediterráneas en general, en el
la convección en niveles atmosféricos altos, sobre la capítulo de este libro específicamente dedicado a los
región de Valencia, en niveles bajos el análisis manual SPC en el Mediterráneo (cap. 32 en la página 531).
(Figura 44.12) revela la presencia de una depresión,
Figura 44.12: Análisis manual de presión a nivel del mar, día 4 de noviembre de 1987, a las 00 UTC; espaciado 2
hPa. La línea festoneada indica la situación del principal sistema convectivo de mesoescala (SCM) (de [324])
Figura 44.13: Simulación del episodio con el modelo LAM/INM, 0,455º de resolución. Izquierda: presión nivel del
mar y temperatura en 850 hPa. Derecha: precipitación de 00 a 12 UTC del día 4-11-1987 (ver texto).
44.2.3 Predicciones correspondientes al del máximo observado. Aunque no hay corresponden-

episodio cia absoluta, se pueden comparar esos resultados con
las Figuras 44.11 en la página anterior y 44.12 en la
página anterior [324].
En el entonces Instituto Nacional de Meteorología
(actual AEMET), se hicieron, entre 1989 y 1991, va- En 2000, ROMERO, D OSWELL y R AMIS estudiaron
rias tandas de experimentos numéricos, con el modelo casos mediterráneos importantes, incluyendo el de 3-4
entonces disponible, un modelo de área limitada pro- de noviembre de 1987 [553]. Usaron el modelo nor-
veniente del Centro Europeo de Predicción a Plazo teamericano MM5 [243], [243], con una resolución
Medio [92], para comprobar la capacidad del modelo horizontal de 20 km, que, sin ser alta, mejoraba la
de prever situaciones como la de noviembre de 1987 y mayor del LAM/INM de los experimentos de 1990-
para analizar los factores intervinientes. El modelo se 91. Los resultados principales de estos experimentos
usaba entonces con una resolución habitual de 0,91º numéricos se resumen en la Figura 44.14 en la página
de latitud y longitud. Los experimentos se hicieron siguiente. Los paneles inferiores corresponden a una
con doble resolución (0,455º de latitud y longitud, que, simulación completa del episodio mientras que los
de todos modos, sería una baja resolución vista hoy en superiores se refieren a una simulación desprovista
día, del orden de los 45 km de lado de malla). Resultó de orografía africana y sin tener tampoco en cuenta
chocante que, con la simple duplicación de resolución, el intercambio de calor latente ligado a los procesos
un episodio como el de noviembre de 1987, no es nubosos. En ambos casos se trata de simulaciones de
que se hiciera predecible al detalle (era imposible), 36 h que comienzan el 3 de noviembre de 1987 a las
pero las predicciones daban buenas indicaciones so- 00 UTC. A la izquierda se muestra la precipitación
bre el tipo de situación meteorológica y precipitación total acumulada durante la simulación (intervalo de
generada (ver Figura 44.13). 30 mm empezando en 10 mm, con indicación del má-
ximo) y en tonos de gris claro y oscuro, respectivamen-
En la Figura 44.13 podemos ver una simulación de te, las áreas afectadas por precipitación continuada
control con el modelo LAM/INM vigente en 1987, durante más de 18 y 27 h. A la derecha se representa,
con una malla lat x lon de 0,455º de resolución, con para el 3 de noviembre a las 18 UTC, la presión a ni-
inicio el 2 de noviembre de 1987. En la parte izquierda vel del mar (línea continua, en hPa, últimas dos cifras
de la figura, presión al nivel del mar (línea continua, solamente, con indicación de mesoaltas y mesobajas),
espaciado 1 hPa) y temperatura a 850 hPa (línea de la convergencia del viento horizontal a 925 hPa (lí-
puntos, espaciado 2 ºC), día 4, a 00 UTC. En la parte nea discontinua, intervalo de 5x10−5 s−1 empezando
derecha de la misma figura, precipitación en 12 h (de en 5x10−5 s−1 ) y la velocidad del viento en aquellas
00 a 12 UTC de día 4, espaciado 10 mm), con un áreas donde es superior a 15 y 20 m s−1 en dicho nivel
máximo de más de 100 mm, localizado bastante cerca isobárico (gris claro y oscuro, respectivamente).
Figura 44.14: Episodio de Oliva_Gandía estudiado en ROMERO ET AL . (2000[553]) con integraciones del modelo
MM5[243] a 20 km, simulación completa (abajo) y sin orografía africana ni intercambios de calor latente en
procesos nubosos (arriba), precipitación acumulada (izquierda) y circulación en niveles bajos (derecha). Ver texto.
Se concluye de los experimentos una buena capacidad meteorológica en niveles bajos, está claro que hay una
del modelo para simular el sistema convectivo lon- depresión, relativamente poco intensa, centrada entre
gevo y cuasi-estacionario responsable de las fuertes la costa argelina y la valenciana, dando lugar a un flu-
precipitaciones, así como la gran relevancia de los jo cálido y húmedo sobre el Mediterráneo, apuntado
dos factores físicos considerados (orografía africana a la zona sur de la provincia de Valencia (La Safor).
y liberación de calor latente) para la configuración El máximo de precipitación simulado por el MM5
mesoescalar de la circulación en niveles bajos respon- está, como el señalado por el LAM/INM, próximo al
sable de alimentar y focalizar al sistema convectivo. máximo observado. En el caso del MM5 se superan
los 200 mm entre las 00 UTC de día 3 y las 12 UTC
En relación al caso que nos ocupa, los artículos de de día 4.
JANSÀ y otros [324] y el mostrado de Romero y otros
[553] no permiten comparaciones precisas entre sí La congruencia a grandes rasgos, a escala interme-
y con los análisis, porque las figuras presentadas no dia, entre dos modelos bien distintos, partiendo de
corresponden a los mismos momentos o a los mismos condiciones iniciales también distintas indica que, a
periodos temporales, pero podríamos decir que hay esa escala, hay una buena predecibilidad. La compa-
una congruencia suficiente. En cuanto a la situación ración entre resultados sería como haber usado un
sistema mínimo de predicción por conjuntos, de solo aire mediterráneo incidente, condicional o convectiva-
dos miembros (estilo SPC del hombre pobre, [171, mente inestable.
526], sec. 13.2.2 en la página 168).
La Figura 44.15 muestra, a partir de uno de los expe-
rimentos con el LAM/INM, el impacto en la situación
44.2.4 Sensibilidad a la orografía
meteorológica en niveles bajos y la precipitación simu-
lada cuando toda la orografía es fuertemente reducida,
La relativamente buena predecibilidad que hemos en- aplicando un factor 0,3 a la altitud media de toda la
contrado en ese caso podría venir favorecida por la región. La depresión marítima se debilita claramente,
importancia de los efectos orográficos, que no tienen, con lo que también se desorganiza y debilita el flujo
en sí, incertidumbre. Aunque en ambos grupos de ex- de aire mediterráneo y el máximo de lluvia pierde
perimentos se hayan considerado factores distintos, casi la mitad de su valor, en relación al experimento
la importancia del factor orográfico resulta clara en de control, además de sufrir cierto desplazamiento
ambos y tiene el mismo sentido: la orografía africana (compárense las Figuras 44.13 y 44.15).
(Atlas) contribuye decisivamente a la generación de
la depresión marítima y, con ello, a la organización y
localización del flujo cálido y húmedo, alimentador Faltaría realizar experimentos con modelos determi-
de la lluvia fuerte. nistas y usando SPC de resolución suficiente para
analizar la predecibilidad (cap. 12 en la página 155)
El relieve pirenaico contribuye, también, a la organi- en detalle, a escala pequeña, para ese interesante epi-
zación de ese flujo, mientras que el relieve interior a sodio. Estos aspectos se abordan con detalle en las
la zona de La Safor (sierra Aitana, en particular), es secciones 44.3 en la página siguiente y 44.4 en la
un factor clave de escala menor, forzando ascenso del página 680 de este mismo capítulo.
Figura 44.15: Igual que la Figura 44.13, para un experimento con orografía reducida (x 0,3) (De JANSÀ , G ARCÍA -
M OYA Y RODRÍGUEZ [324])
44.3 Repredicción con HARMONIE-AROME 671
Figura 44.16: Imagen infrarroja realzada del satélite Meteosat correspondiente a las 12 UTC del 03-11-1987.
44.3 Repredicción con campos del modelo en distintos niveles atmosféricos y

en superficie y campos derivados como integraciones
HARMONIE-AROME
en la vertical y promedios mensuales. ERA-Interim es
J UAN PABLO S IMARRO G RANDE un reanálisis mejorado con respecto de la versión an-
D. T. Valencia, AEMET terior, el ERA-40 [637], en aspectos relacionados con
el ciclo hidrológico y la circulación en la estratosfera.
R AFAEL A RMENGOT S ERRANO También se han mejorado el control de calidad de las
Ex Predictor en GPV de Valencia, AEMET
observaciones y la corrección de BIAS (sec. 15.2.3 en
la página 211).
44.3.1 Configuración del experimento
El reanálisis ERA-Interim usa el mismo método de
En esta sección realizamos una simulación del episo- asimilación de datos (sec. 10.3 en la página 133) y el
dio del 3 de noviembre de 1987 utilizando el mode- mismo modelo atmosférico (cap. 10 en la página 129)
lo HARMONIE-AROME [41] (sec. 20.4 en la pági- para todo el período y por tanto es consistente desde
na 310) y el reanálisis ERA-Interim [154]. Durante este punto de vista.
este episodio se produjeron precipitaciones extraor-
dinarias, con máximos superiores a 800 mm, y áreas ERA-Interim se integra con una ventana de 4D-VAR
relativamente extensas por encima de 500 mm. La de 12 horas y se realizan además IO y 3D-VAR gene-
situación meteorológica se caracterizó por una DA- rando campos cada 6 y 3 horas: se produce un análisis
NA centrada al suroeste de la península ibérica, con de los campos atmosféricos (temperatura, viento, hu-
flujo del mediterráneo húmedo e inestable sobre la medad, ozono y presión en superficie) y de los campos
costa levantina. La imagen de satélite infrarroja del de superficie (temperatura, humedad, nieve y oleaje),
las 12 UTC del 03-11-1987 refleja bien la estructura utilizando como campo previo la predicción realizada
meteorológica que causó estas precipitaciones (Fi- con el análisis anterior, de 12 horas antes. Para el aná-
gura 44.16). La Figura 44.17 en la página siguiente lisis se utiliza el método 4D variacional (sec. 10.5 en
muestra las precipitaciones observadas. la página 134), con una ventana temporal de 12 horas,
una resolución horizontal de 80 km (T255) y 60 nive-
ERA-Interim es una base de datos del ECMWF les en la vertical. El modelo atmosférico utilizado es
(cap. 19 en la página 289), consistente en reanálisis la versión de 2006 del modelo IFS del ECMWF, deno-
atmosféricos desde 1979 hasta la actualidad. En dicha minado en este volumen ECHRES (el ciclo Cy31r2)
base de datos se almacena una gran variedad de datos: ver sec. 19.2 en la página 291.
Así como ERA-Interim es consistente respecto de la el modelo de alta resolución en su capacidad para si-
asimilación de datos y el modelo, el número y tipo de mular un caso excepcional. Hay que mencionar que el
observaciones cambia significativamente desde 1979 salto de resolución del ERA-Interim al HARMONIE-
hasta la actualidad, pasando de unas 106 observacio- AROME es grande, de 80 km a 2.5 km. Este salto
nes por día en 1979 hasta cerca de 107 en 2010. El reduce la calidad de la simulación inevitablemente.
número de observaciones desde satélites meteoroló- Aún así, no se aprecian problemas numéricos en las
gicos aumenta claramente, mientras que se mantiene zonas del contorno, y los resultados son, sorprenden-
más constante el de observaciones convencionales, temente o no, relativamente consistentes.
tales como los partes surface synoptic observations
(SYNOP) o TEMP. El modelo HARMONIE-AROME es un modelo de
alta resolución no hidrostático que permite simular
Una de las aplicaciones de los reanálisis es el estudio explícitamente la convección. En la configuración que
de la variabilidad atmosférica interanual y en esca- hemos utilizado, el área de integración está centrada
las de tiempo de décadas. Respecto del estudio del en la península ibérica, con 2.5 km de distancia en-
cambio climático, el ERA-Interim y los reanálisis en tre puntos de malla y 65 niveles en la vertical. Las
general, deben ser tratados con cautela y hay un debate condiciones iniciales se han tomado directamente del
científico sobre su utilidad en este área. reanálisis ERA-Interim, así como las condiciones de
contorno, cada tres horas de integración. La simula-
En este ejercicio hemos usado ERA-Interim para reali- ción comienza a las 00 UTC del día 3 de noviembre de
zar una simulación de alta resolución del episodio del 1987, y se prolonga hasta 36 horas, a las 12 UTC del
3 de noviembre de 1987, usando el modelo de alta re- día 4. El modelo HARMONIE-AROME se usa actual-
solución HARMONIE-AROME con las condiciones mente de forma operativa en AEMET, conjuntamente
iniciales y de contorno procedentes del reanálisis. De con otros modelos, especialmente el modelo global
este modo ponemos a prueba, tanto el reanálisis como ECHRES del ECMWF (sec. 19.2 en la página 291).
Figura 44.17: Precipitación acumulada en el entorno de la Comunidad Valenciana durante el episodio.

ERA
-2
INTERIM,
-1 -0.5 0.5
25/10/1987
1 2 3
a las
4 5
00,
6
alcance
7 8 9
H+12
10 11 12 13 14 15
ERA
-2
INTERIM,
-1 -0.5 0.5
27/10/1987
1 2 3
a las
4 5
00,
6
alcance
7 8 9
H+12
10 11 12 13 14 15
90°W 80°W 70°W 60°W 50°W 40°W 30°W 20°W 10°W 0°E 10°E 20°E 30°E 90°W 80°W 70°W 60°W 50°W 40°W 30°W 20°W 10°W 0°E 10°E 20°E 30°E
60°N 60°N 60°N 60°N
50°N 50°N 50°N 50°N
40°N 40°N 40°N 40°N
30°N 30°N 30°N 30°N
ERA
-2
INTERIM,
-1 -0.5 0.5
29/10/1987
1 2 3
a las
4 5
00,
6
alcance
7 8 9
H+12
10 11 12 13 14 15
ERA
-2
INTERIM,
-1 -0.5 0.5
31/10/1987
1 2 3
a las
4 5
00,
6
alcance
7 8 9
H+12
10 11 12 13 14 15
60°N 60°N 60°N 60°N
50°N 50°N 50°N 50°N
40°N 40°N 40°N 40°N
30°N 30°N 30°N 30°N
ERA
-2
INTERIM,
-1 -0.5 0.5
01/11/1987
1 2 3
a las
4 5
00,
6
alcance
7 8 9
H+12
10 11 12 13 14 15
ERA
-2
INTERIM,
-1 -0.5 0.5
02/11/1987
1 2 3
a las
4 5
00,
6
alcance
7 8 9
H+12
10 11 12 13 14 15
60°N 60°N 60°N 60°N
50°N 50°N 50°N 50°N
40°N 40°N 40°N 40°N
30°N 30°N 30°N 30°N
ERA
-2
INTERIM,
-1 -0.5 0.5
03/11/1987
1 2 3
a las
4 5
00,
6
alcance
7 8 9
H+12
10 11 12 13 14 15
ERA
-2
INTERIM,
-1 -0.5 0.5
04/11/1987
1 2 3
a las
4 5
00,
6
alcance
7 8 9
H+12
10 11 12 13 14 15
60°N 60°N 60°N 60°N
50°N 50°N 50°N 50°N
40°N 40°N 40°N 40°N
30°N 30°N 30°N 30°N
Figura 44.18: Evolución de la vorticidad potencial y geopotencial en 300 hPa.
44.3.2 Génesis de la situación del 03-11- tuada en el noreste de Estados Unidos, tal como se
1987 aprecia claramente en la Figura 44.18, configurada
como una baja aislada en niveles altos con un máximo
Antes de presentar los resultados de la simulación de vorticidad potencial (PV) de unos 10 PVU. Dos
HARMONIE-AROME, analizamos la situación del 3 días más tarde, el 27-10-1987, la baja se había tras-
de noviembre desde el punto de vista de diagnóstico ladado hacia el oeste situándose en 45º W 50º N, sin
meteorológico, a la vista del reanálisis ERA-Interim. aumentar su extensión y manteniendo el máximo de
Para ello, nos valemos de los campos de geopotencial PV. En ese mismo día una vaguada estaba entrando
y vorticidad potencial (PV) en 300 hPa (niveles altos), en la península ibérica. Dos días más tarde, el 29-
geopotencial y temperatura en 500 hPa (niveles me- 10-1987, la baja aislada en altura se había trasladado
dios) y geopotencial y humedad relativa en 700 hPa hacia el oeste, bajando algo de latitud, y situándose
(niveles medio-bajos). 20º W 45º N. Su extensión era entonces mucho mayor,
sin perder intensidad y manteniendo los máximos de
El día 25-10-1987, 10 días antes de la situación de PV por encima de 10 PVU. Dos días más tarde, el
interés, ya estaba formada la perturbación que se pro- 31-10-1987, la perturbación se deformó, orientándo-
pagaría y transformaría en los días siguientes, pro- se en dirección suroeste-noreste, bloqueada en cierta
duciendo las precipitaciones del día 03-11-1987 en medida por una potente dorsal sobre Europa.
la Comunitat Valenciana. En ese momento estaba si-
ERA
-40
INTERIM,
-36
25/10/1987
-32 -28
a las 00,
-24 -20
alcance
-16
H+12
-12 -8 -4 0
ERA
-40
INTERIM,
-36
27/10/1987
-32 -28
a las 00,
-24 -20
alcance
-16
H+12
-12 -8 -4 0
60°N 60°N 60°N 60°N
50°N 50°N 50°N 50°N
40°N 40°N 40°N 40°N
30°N 30°N 30°N 30°N
ERA
-40
INTERIM,
-36
29/10/1987
-32 -28
a las 00,
-24 -20
alcance
-16
H+12
-12 -8 -4 0
ERA
-40
INTERIM,
-36
31/10/1987
-32 -28
a las 00,
-24 -20
alcance
-16
H+12
-12 -8 -4 0
60°N 60°N 60°N 60°N
50°N 50°N 50°N 50°N
40°N 40°N 40°N 40°N
30°N 30°N 30°N 30°N
ERA
-40
INTERIM,
-36
01/11/1987
-32 -28
a las 00,
-24 -20
alcance
-16
H+12
-12 -8 -4 0
ERA
-40
INTERIM,
-36
02/11/1987
-32 -28
a las 00,
-24 -20
alcance
-16
H+12
-12 -8 -4 0
60°N 60°N 60°N 60°N
50°N 50°N 50°N 50°N
40°N 40°N 40°N 40°N
30°N 30°N 30°N 30°N
ERA
-40
INTERIM,
-36
03/11/1987
-32 -28
a las 00,
-24 -20
alcance
-16
H+12
-12 -8 -4 0
ERA
-40
INTERIM,
-36
04/11/1987
-32 -28
a las 00,
-24 -20
alcance
-16
H+12
-12 -8 -4 0
60°N 60°N 60°N 60°N
50°N 50°N 50°N 50°N
40°N 40°N 40°N 40°N
30°N 30°N 30°N 30°N
Figura 44.19: Evolución de temperatura y geopotencial en 500 hPa.
Al día siguiente, el 01-11-1987, la perturbación se ración muy favorable a precipitaciones intensas en

había descolgado definitivamente de la circulación del la Comunitat Valenciana. Finalmente, a lo largo del
frente polar, enroscándose y dejando una zona de altas día 4 desapareció el mínimo de vorticidad potencial y
presiones al norte. Durante los días siguientes, días 2 y fueron cesando los elementos de forzamiento.
3, la perturbación se desplaza lentamente hacia el este,
En niveles medios, en los mapas de geopotencial y
centrándose en el golfo de Cádiz al final del período,
temperatura en 500 hPa (figura 44.19), se refleja la
en una configuración muy favorable a precipitaciones
perturbación y su evolución desde el día 25-10-1987
torrenciales en la Comunitat Valenciana. La moderada
hasta el 04-11-1987 . El día 25-10-1987, la temperatu-
advección diferencial de vorticidad y la difluencia en
ra en el centro de baja era en 500 hPa de unos -30 ºC.
niveles medios-altos que proporciona la DANA en su
Durante la travesía por el Atlántico Norte, desde día
flanco oriental, son importantes elementos de forza-
25 al 29-10-1987, la temperatura en niveles medios
miento. En paralelo, se forma una depresión en niveles
aumenta unos 4 ºC, hasta unos -26 ºC en 500 hPa.
bajos entre Argelia y el sureste peninsular, canalizan-
Durante el proceso de elongación y descuelgue de la
do una advección de aire mediterráneo con muy largo
circulación del frente polar, días 31/10 al 01-11-1987,
recorrido marítimo, muy húmeda y potencialmente
la masa de aire de la baja se calienta otros 4 ºC más,
inestable. La fecha, principios de noviembre, entra en
con mínimos de -22 ºC en 500 hPa al final de este
el período de mayor potencialidad ligada a la inercia
período. El día 03-11-1987 la temperatura en 500 hPa
térmica del Mediterráneo. Todo ello era una configu-
era de -18 ºC.
ERA
40
INTERIM,
50
25/10/1987
60
a 70
las 00, alcance
80
H+12
90 100 110
ERA
40
INTERIM,
50
27/10/1987
60
a 70
las 00, alcance
80
H+12
90 100 110
60°N 60°N 60°N 60°N
50°N 50°N 50°N 50°N
40°N 40°N 40°N 40°N
30°N 30°N 30°N 30°N
ERA
40
INTERIM,
50
29/10/1987
60
a 70
las 00, alcance
80
H+12
90 100 110
ERA
40
INTERIM,
50
31/10/1987
60
a 70
las 00, alcance
80
H+12
90 100 110
60°N 60°N 60°N 60°N
50°N 50°N 50°N 50°N
40°N 40°N 40°N 40°N
30°N 30°N 30°N 30°N
ERA
40
INTERIM,
50
01/11/1987
60
a 70
las 00, alcance
80
H+12
90 100 110
ERA
40
INTERIM,
50
02/11/1987
60
a 70
las 00, alcance
80
H+12
90 100 110
60°N 60°N 60°N 60°N
50°N 50°N 50°N 50°N
40°N 40°N 40°N 40°N
30°N 30°N 30°N 30°N
ERA
40
INTERIM,
50
03/11/1987
60
a 70
las 00, alcance
80
H+12
90 100 110
ERA
40
INTERIM,
50
04/11/1987
60
a 70
las 00, alcance
80
H+12
90 100 110
60°N 60°N 60°N 60°N
50°N 50°N 50°N 50°N
40°N 40°N 40°N 40°N
30°N 30°N 30°N 30°N
Figura 44.20: Evolución de humedad relativa y geopotencial en 700 hPa.
En los mapas de geopotencial y humedad relativa en superiores al 80 % en prácticamente toda la península

700 hPa (Figura 44.20) se aprecian los sistemas fronta- ibérica y alrededores.
les asociados a la perturbación. Ya el día 25-10-1987,
con la baja situada en el noreste del Estados Unidos, En resumen, este somero análisis de la génesis de la
había un frente frío y cálido claramente visibles. Dicha perturbación que produjo las precipitaciones torren-
estructura frontal se mantuvo durante los siguientes ciales el día 03-11-1987 en la Comunitat Valenciana
dos días. El día 27-10-1987 el frente estaba ocluido, nos indica que esta DANA tuvo un largo recorrido,
con una forma enroscada alrededor de las bajas presio- estando definida al menos desde el día 25 de octubre.
nes, conectándose con otras zonas frontales situadas Durante los días 25 al 29 cruza el Atlántico Norte, y al
hacia el suroeste de la baja. En la fase de elongación, llegar a Europa sufre una deformación, elongándose y
día 31-10-1987, la estructura frontal se desdibujó. Sin perdiendo durante unos días su forma circular. En este
embargo, tras el descuelgue de la circulación del fren- proceso se separa de la circulación del frente polar, y
te polar, la baja volvió a tomar fuerza, se tornó otra queda confinada en latitudes más bajas, bloqueada por
vez circular, y se formaron estructuras frontales alre- sendas dorsales al oeste y este, recuperando su forma
dedor del centro, tal como se aprecia en el mapa del circular. La dorsal al este toma fuerza y se extiende
día 02-11-1987. El día 03-11-1987 el campo de hume- hacia el noroeste, situándose el día 03-11-1987 al nor-
dad relativa muestra zonas muy amplias con valores te de la baja, que en ese momento se centraba en el
golfo de Cádiz.
HARMONIE-AROME, orografia a resolucion de 2.5 km HARMONIE-AROME, orografia a resolucion de 2.5 km

1900 5900 9900 13900 17900 21900 25900 -100 1900 3900 5900 7900 9900 11900 13900
10°W 8°W 6°W 4°W 2°W 0°E 2°E 4°E 1.5°W 1°W 0.5°W 0°E 0.5°E
44°N
39.5°N
42°N
40°N
10°W
39°N
38°N
38.5°N
36°N
8°W 6°W 4°W 2°W 0°E 2°E 4°E 1.5°W 1°W 0.5°W 0°E 0.5°E
Figura 44.21: Orografía del modelo HARMONIE-AROME utilizada en la simulación. Se representa el geopotencial
de superficie (m2 /s2 ).
44.3.3 Simulación HARMONIE-AROME Comunitat Valenciana en las situaciones de precipita-

ciones intensas, en particular las cordilleras del sector
Se han hecho dos simulaciones HARMONIE- bético, como las sierras de Aitana, Mariola, Benica-
AROME independientes, la primera comienza el 03- dell y la Safor [21] (sección 44.1 en la página 656).
11-1987 a las 00 UTC y la segunda el 04-11-1987 a Estas sierras y profundos valles que conforman la
las 00 UTC, ambas con un alcance de 36 horas. Es compleja orografía de la zona, orientados mayorita-
decir, conjuntamente cubren desde las 00 UTC del riamente en la dirección suroeste-nordeste, influyen
día 3 hasta las 12 UTC del día 5. El modelo usa una en las convergencias del viento en niveles bajos, en
representación de la orografía mucho mejor que la la inestabilización de masa de aire por ascenso, en
del ERA-Interim y tiene capacidad de modelizar la la formación de ondas gravitatorias, en el anclaje de
convección profunda de forma explícita. Simular la sistemas convectivos, en definitiva, en la formación
convección profunda de forma explícita, especialmen- de sistemas convectivos eficientes. La orografía utili-
te en casos como el estudiado en el que se produjeron zada (Figura 44.21) se acerca a la real, aunque, evi-
precipitaciones extraordinarias, influye drásticamente dentemente, se deja muchos detalles por representar.
en la predicción del campo de precipitación acumu- Resulta difícil evaluar la influencia que estos deta-
lada. Los modelos hidrostáticos con resoluciones de lles orográficos omitidos pueden tener en este caso
10 km o peores, simulan la convección profunda de concreto.
forma menos exacta, incluyéndola en las llamadas pa-
rametrizaciones físicas (sec. 10.5 en la página 137) del El episodio pluviométrico real tuvo dos grandes fases.
modelo. Los modelos de alta resolución no hidrostáti- Una primera protagonizada por un potentísimo SCM,
cos, al simular la convección profunda explícitamente, que afectó a la comarca de la Safor a lo largo de gran
producen campos de precipitación más realistas, con parte del día 3, con máximos en menos de 24 horas
máximos más cercanos a los observados. La reso- de 817 mm en Oliva y 864 en Gandía. Y una segunda
lución horizontal empleada en la simulación es de que fue tomando fuerza a partir de la tarde del día
2.5 km, lo que permite una representación relativa- 3 y no cesó hasta la madrugada del día 5. Se apoyó
mente buena de los vientos locales y la influencia de marcadamente en la orografía. Afectó especialmente
los accidentes geográficos sobre la configuración de a comarcas interiores de la cuenca del Júcar y totalizó
éstos, sobre todo en niveles bajos. máximos altísimos, como los 786 mm en Sumacàrcer
(Ribera Alta), 714 en Millares (Canal de Navarrés) y
Es conocida la influencia que tiene la orografía de la 629 en Beniatjar (Vall d’Albaida).
HARMONIE-AROME, 3/11/1987 a las 0, alcance H+12 HARMONIE-AROME, 3/11/1987 a las 0, alcance H+24
100 200 300 500 750 1000 1250 1500 1750 2000 2250 2500 2750 3000 3500 4000 100 200 300 500 750 1000 1250 1500 1750 2000 2250 2500 2750 3000 3500 4000
10°W 8°W 6°W 4°W 2°W 0°E 2°E 4°E 10°W 8°W 6°W 4°W 2°W 0°E 2°E 4°E
44°N 44°N
42°N 42°N
40°N 40°N
10°W 10°W
38°N 38°N
36°N 36°N
8°W 6°W 4°W 2°W 0°E 2°E 4°E 8°W 6°W 4°W 2°W 0°E 2°E 4°E
Figura 44.22: convective available potencial energy (CAPE) y geopotencial en 500 hPa, alcances 12 y 24 de la
pasada de las 00 UTC del 03-11-1987.
Las precipitaciones se produjeron en una zona de fron- bajos, girando hasta suroeste en niveles altos (Figu-
tera entre un entorno altamente inestable al este, con ra 44.23). Esta configuración es típica en situaciones
valores de CAPE altos en amplias zonas del Medi- de precipitaciones intensas en la Comunitat Valen-
terráneo, con máximos superiores a 2000 J/kg (ver ciana, facilitando la organización de la convección
Figura 44.22), y una zona estable en el interior. La Co- y su carácter cuasi-estacionario durante un período
munitat Valenciana quedó inmersa en dicha frontera. prolongado.
La configuración del viento era del noreste en niveles
HARMONIE-AROME, 3/11/1987 a las 0, H+12, viento en 300 hPa HARMONIE-AROME, 3/11/1987 a las 0, H+12, viento en 500 hPa
0°E
0°E
40°N 40°N
0°E
0°E
HARMONIE-AROME, 3/11/1987 a las 0, H+12, viento en 700 hPa HARMONIE-AROME, 3/11/1987 a las 0, H+12, viento en 10 m
0°E
0°E
40°N 40°N
0°E 0°E
Figura 44.23: Viento en 300, 700, 500 hPa y a 10 m a las 12 UTC del 03-11-1987. El viento por debajo de 5 m/s no
se plotea.
HARMONIE-AROME, precipitacion acumulada HARMONIE-AROME, precipitacion acumulada

0.5 1 2 3 4 5 6 8 10 15 20 25 50 75 100 200 300 400 500 0.5 1 2 3 4 5 6 8 10 15 20 25 50 75 100 200 300 400 500
10°W 8°W 6°W 4°W 2°W 0°E 2°E 4°E 2°W 0°E 2°E
44°N
42°N
40°N
40°N
10°W
38°N
36°N 38°N
8°W 6°W 4°W 2°W 0°E 2°E 4°E 2°W 0°E 2°E
Figura 44.24: Precipitación acumulada en la simulación de HARMONIE-AROME, desde las 00 UTC del 03-11-1987
hasta las 12 UTC del 05-11-1987. Derecha, detalle sobre la Comunitat Valenciana.
Se muestra a continuación el resultado de las dos in- Por contra, los resultados de la segunda fase muestran
tegraciones realizadas, que comienzan a las 00 UTC una calidad muy superior. Se simulan bien la enorme
de los días 3 y 4, ambas con un alcance de 36 ho- magnitud y la localización de las principales zonas de
ras, como ya se ha mencionado. La precipitación total precipitación. El máximo de la simulación se sitúa en
acumulada en todo el episodio alcanza los 200 mm la sierra de Enguera con 488 mm, no muy alejado de
en amplias áreas, sobre todo del interior, y máximos los máximos de más de 600 mm registrados en esta zo-
cercanos a 500 mm, tal como se observa en la Figu- na. Esta fase, de gran dimensión y muy modelada por
ra 44.24. La precipitación acumulada en el episodio el relieve, queda definida de forma bastante aceptable
se ha calculado sumando la precipitación acumula- por HARMONIE-AROME.
da desde las 00 UTC del día 3 hasta las 06 UTC del
día 4 correspondiente a la primera simulación, y la En cuanto a la evolución temporal de la precipitación
precipitación acumulada desde las 06 UTC del día 4 en el área de la Comunitat Valenciana y alrededores,
hasta las 12 UTC del día 5 de la segunda. Comparan- la simulación aumenta la actividad paulatinamente,
do el análisis del campo de precipitación observado desde la madrugada del día 3 hasta un máximo por la
(Figura 44.17 en la página 672) y el simulado (Fi- tarde del día 4, con máximos relativos. Y disminuye
gura 44.24) vemos similitudes notables, tanto en la paulatinamente desde entonces hasta cesar casi por
localización como en las magnitudes, con algunas completo al final de la integración, el día 5 a medio-
diferencias importantes. día, como se observa en la Figura 44.25 en la página
siguiente.
En efecto, respecto a la primera fase del episodio, Como conclusión, podemos señalar que este experi-
la integración no consigue representar el SCM de la mento se ha realizado treinta años después del im-
Safor. Sólo refleja una zona de precipitación poco portantísimo episodio que lo motiva. Es una muestra
extensa en la madrugada y mañana del día 3, que na- de los grandes avances de la modelización numérica
ce en el interior-sur de la comarca de la Safor y se en este período, pero también de sus limitaciones e
traslada posteriormente hacia el oeste, pero que no incertidumbres. Si se repitiera este mismo episodio,
afecta al litoral ni tiene una magnitud muy destaca- parece que la modelización sería una importantísima
ble. Sea por insuficiencia del reanálisis ERA-Interim, guía para la predicción y vigilancia de su segunda
con una malla de 80 km demasiado poco densa pa- parte, marcadamente sinóptica y muy apoyada en la
ra estos fenómenos, sea por el salto de resolución a orografía. Por contra, nos mantiene en la incertidum-
HARMONIE-AROME, o por problemas achacables bre respecto a la posibilidad de haber predicho con
a este modelo, la simulación muestra poca calidad en antelación el gran SCM que afectó a la comarca de la
esta fase. Safor y que inició el episodio.
HARMONIE-AROME, 3/11/1987 a las 0, alcance H+16 HARMONIE-AROME, 4/11/1987 a las 0, alcance H+18
5e-05 0.0002 0.0004 0.0006 0.001 0.002 0.003 0.005 0.01 0.03 5e-05 0.0002 0.0004 0.0006 0.001 0.002 0.003 0.005 0.01 0.03
2°W 0°E 2°E 2°W 0°E 2°E
40°N 40°N
38°N 38°N
2°W 0°E 2°E 2°W 0°E 2°E
1e7 Lluvia instantanea total (litros)
0
0 12 24 36 48 60
horas transcurridas desde las 0Z 3/11/1987
Figura 44.25: Evolución de la precipitación en el área de la Comunitat Valenciana y alrededores durante el episodio.
Arriba, lluvia o gotas de agua precipitable en dos momentos de máxima actividad (litros por metro cuadrado). Abajo,
evolución de la lluvia total en el área (en litros), coloreado según corresponda a la simulación del día 3 (morado) o
del día 4 (azul).
44.4 Repredicción con AEMET- Es importante recordar, por otro lado, el argumento
ya expuesto en el presente capítulo, de la necesidad
γSREPS
de SPC construidos con modelos de predicción del
tiempo de alta resolución para una mejor predicción
A LFONS C ALLADO I PALLARÉS Y M ARC C OMPTE
de estos tipos de eventos de lluvias convectivas marí-
ROVIROLA
timas (sec. 44.1.2 en la página 659), en el entorno pe-
Delegación Territorial en Cataluña, AEMET
culiar del Mediterráneo occidental, de cubeta en mar
cálido casi encerrado por altas montañas (sec. 32.5
El SPC de alta resolución AEMET-γSREPS operativo en la página 537), para acotar y delimitar mejor la
en AEMET a 2,5 km (cap. 22 en la página 333) se incertidumbre.
ha utilizado para simular el episodio del superrécord
de Oliva-Gandía del 3 y 4 de noviembre de 1987 con
la idea de ahondar más, desde el punto de vista de la Excepcionalidad del episodio de Oliva-Gandía. La
predecibilidad del mismo, en relación con la pregunta predicción de este episodio es un reto en toda regla,
(sec. 44.2.2 en la página 666): ¿podría haberse pre- tanto para los modelos y SPC, como para los predic-
visto una lluvia de copiosidad semejante con los SPC tores debido a su excepcionalidad. Muestra de esta
actuales de alta resolución? excepcionalidad es que los 817 mm de Oliva en un
solo día, son porcentualmente un 44 % del máximo
mundial de 1825 mm en la isla de La Reunión, muy
44.4.1 Enfoques y aspectos por encima de otros períodos, como 7 días, donde los
1023.2 mm de Grazalema (Cádiz) son sólo el 18.9 %
Como hemos dicho, para responder a la pregunta ¿po- del máximo mundial de 5400 mm, otra vez en La
dría haberse previsto una lluvia de copiosidad seme- Reunión [241].
jante con los SPC actuales de alta resolución? utiliza-
remos el SPC de alta resolución γSREPS, estudiando
la predecibilidad que aporta al episodio y capacidad Repredicción AEMET-γSREPS usando reanálisis.
de limitar las incertidumbres, desde dos enfoques dis- El AEMET-γSREPS es un SPC multimodelo mul-
tintos, uno más académico y otro bajo la óptica de la ticondiciones de contorno de alta resolución a 2,5 km,
predicción operativa (cap. 4 en la página 29). no hidrostático y convection-permitting (sin parame-
trizar la convección, sec. 22.5 en la página 346).
Enfoque académico: analizando las salidas del SPC
AEMET-γSREPS en las dos fases del episodio
El AEMET-γSREPS operativo explora y aco-
(sec. 44.3.3 en la página 676):
ta la incertidumbre con 20 miembros, que sa-
1. La primera fase del día 3, con un SCM, es decir, len de cruzar las 5 condiciones de contorno:
con organización de la convección en la escala ECMWF/IFS (ECHRES), NCEP/GFS, MétéoFran-
convectiva. ce/ARPÈGE, JMA/GSM y CMC/GEM; con 4 mo-
2. La segunda del día 4 hasta el mediodía del día 5, delos: HARMONIE-AROME (HIRLAM), ALARO
con un forzamiento sinóptico más determinante (ALADIN), WRF-ARW (NCAR) y NMMB (NCEP).
en la evolución del citado SCM y, quizás, con De esta manera, la predecibilidad más bien sinóptica
una focalización más notoria de la precipitación viene más marcada por las 5 condiciones de contorno,
por la orografía local. mientras que la predecibilidad más mesoescalar, como
en la escala convectiva, es más explorada por los 4
Predicción operativa: como si fuéramos predictores modelos que, además, por ser convection-permitting
el día 2 de noviembre de 1987 por la tarde y pueden organizar la convección de forma natural e
dispusiéramos de la simulación del γSREPS, incluso simular un SCM.
prediciendo los avisos meteorológicos de pre-
cipitaciones acumuladas en 12 horas, para el El AEMET-γSREPS usando reanálisis para fines de
día siguiente día 3 y para el pasado-mañana repredicción , que llamaremos abreviadamente RAγS,
día 4, emulando tal como se pondrían hoy en explora y acota la incertidumbre con 12 miembros,
día desde el Sistema Nacional de Predicción de cruzando los 4 mismos modelos del γSREPS operati-
AEMET. vo con 3 condiciones de contorno de tres reanálisis.
44.4 Repredicción con AEMET-γSREPS 681
reanálisis/características ERA-Interim [ECMWF] CFSR [NOAA-NCEP] JRA-55 [JMA]

01-01-1979 hasta la actualidad
Período, ciclos y 01-01-1979 a 31-03-2011 01-01-1958 a 01-07-2017
menos 2 meses
predicciones Cada 6 horas [3 horas] Cada 6 horas [3 horas]
Cada 6 horas [3 horas]
[cf. γSREPS operativo] 00/06/12/18 UTC +1/2/3/4/5/6/9 00/06/12/18 UTC +3/6
00/12 UTC +3/6/9/12
TL319 (~55 km) malla
Resolución horizontal y T255 (~79 km) [0.1º,~12 km]
0.5º (~56 km) [0.25º,~28 km] cuasi-gaussiana
vertical 60 niveles isobáricos [137
37 niveles isobáricos [52] [0.25º,~28km]
[cf. γSREPS operativo] híbridos]
60 niveles híbridos [86]
4-DVAR (ventana 12 h) 3-DVAR (v. 6 h) 4-DVAR (v. 6 horas)
Asimilación y Modelo
IFS T255 (Cy31r2) GFS GSM TL-319 (v. 2009)
Campos Altura*
t/q/u/v/z(orog)/ln(sp) [GRIB2] gh/t/r/u/v [GRIB2] t/q/u/v [GRIB1]
[formato]
msl/2t/2d/10u/10v/lsm/skt/ sp/2t/2sh/10u/10v/z(orog)/
prmsl/sp/2t/2r/10u/10v/
Campos superficie* sst/ci/sd+rsn+asn(snow) lsm/sf(snow)/tgsc(skt) suelo:
orog/lsm/sdwe/ci/t(skt) soilw /t(st)
[formato] suelo: stl1/stl2/stl3/stl4/swvl1/swvl2/ st/ussl(1)/ussl(2)/ ussl(3)
[GRIB2]
swvl3/swvl4/ slt** [GRIB1] [GRIB1]
https://www.ecmwf.int/en/ https:
http://jra.kishou.go.
forecasts/datasets/ //www.ncdc.noaa.gov/data-access/
Sitio web jp/JRA-55/index_en.
reanalysis-datasets/ model-data/model-datasets/
html#reanalysis
era-interim climate-forecast-system-version2-cfsv2
Tabla 44.1: Resumen de las características principales de los 3 reanálisis del γSREPS para repredicción con
reanálisis (RAγS): ECMWF, NOAA-NCEP (USA) y JMA (Japón); (*) shortName (término referente a la clave de
codificación GRIB según el software ECMWF ecCodes, http: // apps. ecmwf. int/ codes/ grib/ param-db/ )
de los campos utilizados en las simulaciones del AEMET-γSREPS. (**) Campo añadido. Corchetes []: información
adicional, comparación γSREPS operativo y formato de datos. Paréntesis (): aclaraciones adicionales.
La Tabla 44.1 muestra las características de estos pecto al operativo, sobre todo por la pérdida en las
tres reanálisis utilizados: ERA-interim del ECMWF condiciones iniciales y de contorno de información
(como en la repredicción HARMONIE-AROME, de la escala meso-α (~ 25-50 km). Para una simula-
sec. 44.3.1 en la página 671), CFSR de NOAA- ción realmente consistente en esta escala convectiva
NCEP estadounidense y JRA-55 de los japoneses; es necesaria una asimilación de datos.
estos reanálisis sustituirán a los análisis ECMWF/IFS, Condiciones de contorno peores: las laterales con
NCEP/GFS y JMA/GSM del γSREPS operativo res- una frecuencia más baja de 6 horas en el RAγS res-
pectivamente. De esta manera, respecto al γSREPS pecto a las 3 del operativo, aunque quizás mejores
operativo, se advierten tres diferencias notables que desde el enfoque de que son siempre análisis y no
condicionan la capacidad del RAγS para predicciones predicciones de modelos globales y, las iniciales,
de fenómenos extremos: mejores porque son un análisis y no una predicción
a 12 horas, a pesar de un mayor spin-up (cap. 10 en
Reducción de 20 a 12 miembros, por imperativo la página 129).
físico, ya que no hay reanálisis disponibles de Mé-
téoFrance (MF) ni del Servicio Meteorológico Ca-
nadiense (CMC). En consecuencia, se explorarán Debemos añadir una limitación más en el uso de
menos escenarios de predicción plausibles, con un γSREPS para el episodio Oliva-Gandía que nos ocu-
SPC claramente subdispersivo, limitando su capa- pa: un área pequeña. Esta limitación, en el borde sur,
cidad de contrastar la predecibilidad. deja en gran medida el peso para describir el flujo de
Salto mayor de resolución horizontal (y vertical) a sur a las condiciones de contorno y, por tanto, impide
los modelos del γSREPS desde los reanálisis (55- simular mejor la baja a sotavento del Atlas (sec. 44.2.2
79 km), que desde los modelos globales (12-28 km). en la página 666). El borde Este restringe, a su vez,
Tal como se apuntaba (sec. 44.3.1 en la página 671), la simulación mesoescalar de la advección a niveles
no hay problemas numéricos apreciables, pero sin bajos de aire húmedo mediterráneo (sec. 44.2.4 en la
duda hay una reducción de la calidad del RAγS res- página 670).
Figura 44.26: Simulación de precipitación acumulada en 60 horas del γSREPS para repredicción con reanálisis
(RAγS) del 2 de noviembre de 1987 a las 12 UTC para el episodio Oliva-Gandía desde el día 3 hasta el día 5 al
mediodía. Arriba izquierda: máxima precipitación acumulada entre los 12 miembros. Arriba derecha: mediana de
la precipitación de los 3 miembros con más precipitación acumulada. Abajo izquierda (derecha): probabilidad de
precipitación superior a 200 mm (400 mm) y contorneo de la isolínea de 200 mm (400 mm) para cada uno de los
12 miembros. Se consignan localizaciones y valores de las precipitaciones observados en los días 3 y 4 pluviométricos
(fuente: AEMET). Se consigna también localización y valor del máximo de precipitación del HARMONIE-AROME
determinista (sec. 44.3 en la página 671).
44.4.2 Simulación con AEMET-γSREPS nes de observaciones y análisis para las condiciones
iniciales, tendencia conservadora de los modelos, con
El RAγS ha simulado el episodio de Oliva-Gandía des- difusiones o filtros en la dinámica, limitaciones en las
de el día 2 a las 12 UTC hasta el día 5 también a las salidas de las parametrizaciones de la física, así como
12 UTC, una simulación a 72 horas, algo excepcional el propio diseño en la construcción de los SPC e, inclu-
tratándose de un SPC convection-permitting. En la so, también la propia naturaleza incierta del fenómeno
cadena operativa, se traduciría en que la tarde del día meteorológico, los eventos extremos aparecen normal-
2 estarían los productos disponibles para hacer las mente en la cola de la distribución (en la cola de la
predicciones de los dos días siguientes, que es el caso PDF) de un SPC (sec. 13.6 en la página 176). En otras
que vamos a emular. palabras, normalmente sólo unos pocos miembros del
SPC ven el fenómeno extremo en su magnitud real.
Debemos recordar que, probablemente, por limitacio-
Esto condiciona los productos de un SPC que escru- mera es que la precipitación disminuye mucho (¿in-
ta un predictor cuando sospecha la posibilidad de un certidumbre espacial entre miembros?). La segunda
fenómeno meteorológico adverso y/o extremo. Ra- es que se dibujan mejor máximos no tan lejanos a
zón por la cual escrutaremos, también nosotros, esos los observados: unos, sólo un poco más al interior
productos de un SPC que nos proporcionen más infor- de Oliva (817 mm) y Gandía (864 mm), otro sobre
mación sobre la posibilidad del fenómeno extremo de de Beniatjar (629 mm) y, finalmente, otro cerca del
acumulación cuantiosa de precipitación. Embalse de Tous, cerca de Millars (714 mm) y Suma-
càrcer (786 mm). Probablemente es debido a que son
los 3 miembros con más precipitación los que mejor
Episodio Oliva-Gandía. Vamos a darle una ojeada a simulan la evolución del SCM. Y sólo el miembro 3
todo el episodio de precipitaciones acumuladas, 60 (rojo) es capaz de ver alguna acumulación importante
horas que van desde el día 3 a las 00 UTC hasta el en la misma línea de la costa.
día 5 a las 12 UTC. En la Figura 44.26 en la pági-
na anterior podemos ver el máximo de precipitación Los mapas de probabilidad de precipitación acumula-
acumulada (arriba, izquierda) en todos los 12 miem- da por encima de 200 mm, de la misma Figura 44.26
bros de RAγS. Se debe poner atención al hecho de en la página anterior (abajo izquierda), con el ploteo
que este producto NO es una predicción de ningún adicional de las isolíneas de los miembros individua-
miembro y no tiene sentido estricto meteorológico les, nos muestran con probabilidades del 40-70 % las
por falta de consistencia, pero es un primer aviso para localizaciones de los máximos descritos con la media-
un predictor de que algo crítico puede suceder. ¿Nos na de los 3 miembros. Se advierte, con las isolíneas de
informa el producto de precipitación máxima acumu- cada miembro, que en las zonas con una orografía más
lada en 60 horas de posibles lluvias copiosas? Pues marcada hay menos incertidumbre entre ellos, pero al
evidentemente sí. Observamos una amplia zona con alejarnos de ella aumenta. En general, la incertidum-
acumulaciones superiores a los 250 mm y, dentro de bre más grande entre miembros es en la extensión de
ésta, otra importante de más de 500 m e, incluso, un las precipitaciones acumuladas. Con probabilidad por
par de máximos de más de 800 mm. encima de 400 mm, nos damos cuenta de que sólo 2
miembros, el 3 rojo y el 11 lila ven tales acumulacio-
Si nos fijamos en la mediana de los 3 miembros con nes: los únicos capaces de reproducir el SCM en la
más lluvia (arriba, derecha en la misma Figura 44.26 primera fase del episodio (ver siguiente punto sobre
en la página anterior), advertimos dos cosas. La pri- la primera fase del episodio).
Figura 44.27: Simulación de precipitación acumulada en 24 horas del RAγS del 2 de noviembre de 1987 a las 12 UTC
para la primera fase el episodio Oliva-Gandía del día 3. Productos izquierda y derecha iguales que en la Figura 44.26
en la página anterior, seleccionando solamente los de arriba-izquierda y abajo-izquierda respectivamente. Se han
anotado dos observaciones de precipitación acumulada en 24 horas en el día pluviométrico de las 7 UTC del día 3
hasta las 7 UTC del día 4 (fuente: AEMET).
Primera fase del episodio Oliva-Gandía, día 3. La

Figura 44.27 en la página anterior realza un aspecto WRF-ARW en AEMET-γSREPS. El WRF-ARW es
un modelo enfocado principalmente a la investigación,
que ya habíamos relatado con la simulación deter-
por lo que los recursos de cálculo en superordenador y,
minista del HARMONIE-AROME (sec. 44.3.3 en la por ende, de tiempo de computación son mucho mayo-
página 676): la dificultad de los modelos en simular res que los modelos diseñados primordialmente para
el SCM del día 3 con los 817 mm de Oliva. Y son la operatividad como son el HARMONIE-AROME,
sólo los miembros 3 rojo (ECHRES+WRF-ARW) y el ALARO y el NMMB. ¿Pero entonces, por qué está
11 lila (JRA55+WRF-ARW), ya mencionados con el incluido en el γSREPS? Por su capacidad de simular
WRF-ARW, los capaces de organizar la convección lluvias copiosas reales, especialmente en el entorno
Mediterráneo.
en algo próximo a un SCM y simular lluvias copiosas,
aunque todavía muy lejos de los valores observados.
Figura 44.28: Simulación de precipitación acumulada en 36 horas del RAγS del 2 de noviembre de 1987 a las
12 UTC para la segunda fase el episodio Oliva-Gandía desde el día 4 hasta el 5 al mediodía. Productos iguales a los
de la Figura 44.26 en la página 682. Se han anotado tres observaciones de precipitación acumulada en 24 horas en
el día pluviométrico desde las 7_UTC del día 4 hasta las 7 UTC del día 5 (fuente: AEMET).
Segunda fase del episodio Oliva-Gandía, día 4 hasta Predicción avisos 0-12 UTC 3 de noviembre 1987:
día 5 al mediodía. Los productos de la Figura 44.28 (Primera fila de la Figura 44.29 en la página siguiente)
en la página anterior se parecen mucho a los de todo el AVISO: AMARILLO (AccPcp > 60 mm)
episodio, de la Figura 44.26 en la página 682, sin duda PROBABILIDAD: 10-40 %
ZONAS: Litorales Norte y Sur e Interior Sur de Valen-
debido al poco impacto de la simulación en la primera
cia.
fase del episodio. Las conclusiones también son pare-
jas: se simulan acumulaciones apreciables por encima Atendiendo a las probabilidades, y que sólo dos miem-
de 200mm con incertidumbre en la localización a la bros llegan al umbral de aviso, tomamos la decisión
que nos alejamos de la orografía más elevada. conservadora de un aviso amarillo con probabilidad
baja para empezar un episodio más largo, que va a con-
El destacable error de la simulación en la localización tinuar en los siguientes períodos de avisos de 12 horas.
de los máximos de precipitación, más hacia el sur de Pero, alertamos a nuestros compañeros responsables
los 700mm observados, puede corregirse bastante con de las tareas de vigilancia meteorológica en los Gru-
simulaciones posteriores del γSREPS del día 3 (re- pos de Predicción y Vigilancia (GPV) de AEMET, que
sultados no mostrados por simplicidad), que también estén atentos a ese inicio del episodio debido a que
aumentan las cuantías de las lluvias. Aquí nos hemos RAγS apunta máximos de lluvia de 120-180 mm exten-
restringido a una sola simulación del día 2, para emu- sos e incluso un máximo localizado de 180-250 mm y
lar la situación en predicción operativa equivalente a que anoten que este inicio del episodio muestra una
poner avisos dos días antes. gran incertidumbre espacial.
Predicción avisos 12-24 UTC 3 de noviembre 1987:

(Segunda fila de la Figura 44.29 en la página siguiente)
44.4.3 Avisos meteorológicos con AEMET- AVISO: AMARILLO (AccPcp > 60 mm)
γSREPS PROBABILIDAD: 40-70 %
ZONAS: Litorales Norte y Sur e Interior Sur Valencia,
más el Litoral Norte Alicante.
Las principales zonas de avisos de AEMET actuales
que vamos a considerar, para el episodio de Oliva- El episodio va a más: nos damos cuenta de que tres
Gandía, pertenecen a las provincias de Valencia y cuartas partes de los miembros superan el umbral de
Alicante y son: litoral norte de Valencia (Millars), lito- aviso amarillo y que persiste una gran incertidumbre
ral sur de Valencia (La Safor, Oliva, Gandía), interior espacial, lo que penaliza a las probabilidades en el
sur de Valencia (Sumacàrcer, Beniatjar), litoral nor- ploteo, quedando bajas. Volvemos a tomar una deci-
te Alicante (sierra de Aitana) e interior de Alicante sión cauta por la gran incertidumbre: aumentamos la
(Alcoi). probabilidad a moderada (40-70 %) en las zonas de
aviso amarillo y las extendemos a más zonas. Reco-
Los tres niveles de avisos por precipitación acumu- mendamos al GPV responsable de la vigilancia me-
lada en 12 horas en todas las zonas son de amarillo, teorológica tener una especial atención al seguimiento
naranja y rojo por encima de 60, 100 y 180 mm res- del evento precipitante debido a que se simulan dos
pectivamente. Los tres niveles son adjetivados con zonas grandes, con baja probabilidad (10-40 %), de
probabilidades en 3 horquillas: 10-40 %, 40-70 % y precipitaciones máximas de 180-250 mm y aparece
más de 70 % (sec. 41.1 en la página 628). un posible máximo en el litoral norte de Alicante de
250-300 mm.
Con estos ingredientes y herramientas y, atendiendo a
la Figura 44.29 en la página siguiente, vamos a poner Predicción avisos 0-12 UTC 4 de noviembre 1987:
(Tercera fila de la Figura 44.29 en la página siguiente)
el día 2 de noviembre de 1987 los avisos cada 12 ho-
AVISO: NARANJA (AccPcp > 100 mm) y AMARILLO
ras para los dos siguientes días: el día 3 y el día 4 de (AccPcp > 60 mm)
noviembre. Nos fijaremos más explícitamente en las PROBABILIDAD: 10-40 % (NARANJA)
zonas de avisos donde se observaron los máximos de ZONAS: Litoral Norte y Sur e Interior Sur Valencia, así
precipitación, sin fijarnos en Castellón. como el Litoral Norte Alicante (NARANJA).
Figura 44.29: Simulación del RAγS del 2 de noviembre de 1987 a las 12 UTC para la primera fase el episodio
Oliva-Gandía de precipitación acumulada en 4 períodos de 12 horas durante los día 3 y 4. Productos izquierda y
centro iguales que en la Figura 44.26 en la página 682, tomando solamente los de arriba-izquierda y abajo-izquierda
respectivamente. Nótese que en los dos primeros períodos (día 3) el límite de la probabilidad de precipitación
acumulada es 60 mm y en los siguientes es de 100 mm. Derecha: mapa de avisos en el Sistema Integral de Gestión
de Avisos (SIGA) de AEMET (fuente: AEMET). Se consignan las zonas de aviso (arriba derecha) para facilitar la
compresión del texto.
Interpretamos fácilmente con la simulación del RAγS mitad de los miembros superando en algún punto el
que el episodio sigue recrudeciéndose, ahora con la umbral de aviso naranja de más de 100 mm en 12 ho-
ras, pero sin despegarnos de una significativa incerti- una predecibilidad alta de lluvias copiosas y baja en
dumbre espacial. Tenemos ya muy clara la probable su localización.
formación de un SCM asociado a posibles precipita-
ciones copiosas. Como faltan dos días y, con nuestra La predecibilidad de la primera fase del episodio es
debida cautela, ponemos un aviso naranja con pro- muy baja. En la Figura 44.27 en la página 683 sólo
babilidad baja (10-40 %). Como persisten máximos dos miembros reproducen en evento, 2/12 ≈ 17 %.
previstos de 180-300 mm, dejamos la decisión para el A pesar de ello, el hecho de que ambos den un má-
día siguiente, con las próximas pasadas del RAγS, de ximo de unos 250-300 mm nos pone sobre aviso de
aumentar la probabilidad del aviso naranja a modera- un posible evento de precipitación copiosa de baja
da (40-70 %) o incluso de poner un aviso rojo. predecibilidad, debido a una organización de la con-
vección e incluso de la posible formación ya de un
Predicción avisos 12-24 UTC 3 de noviembre 1987:
SCM. La cautela debe ser necesaria en predicción ope-
(Cuarta fila de la Figura 44.29 en la página anterior)
AVISO: NARANJA (AccPcp > 100 mm) y AMARILLO rativa debido a la posibilidad de que se trate de una
(AccPcp > 60 mm) falsa Alarma. Cabe destacar también, que en ningún
PROBABILIDAD: 40-70 % (NARANJA) caso aparece simulada precipitación significativa en la
ZONAS: Litoral Sur e Interior Sur Valencia, y el Litoral misma línea de costa dónde se situaron los máximos
Norte Alicante (NARANJA). observados en las localidades de Oliva y Gandía de
más de 800 mm, localizándose estos máximos más
Advertimos que hemos llegado a la madurez del epi- al interior de la comarca de La Safor y ligados clara-
sodio y del SCM y que nos disminuye significativamente a la orografía. En el apartado Valoración de la
mente la incertidumbre espacial (incertidumbre entre simulación con el RAγS (un poco más adelante) se
distintos miembros), consecuentemente aumentando infiere una posible explicación del porqué de la baja
las probabilidades en los ploteos. Prestamos además predecibilidad en esta primera fase del evento en el
una especial atención a que los máximos de precipita- punto (2).
ción se disparan con zonas de 300-400 mm de lluvia
acumulada e incluso se superan en dos localizaciones
La predecibilidad de la segunda fase del episodio es
del litoral norte de Alicante los 400 mm. Tomamos
moderadamente alta. La predecibilidad, como pue-
la decisión de poner, pues, un aviso naranja proba-
de analizarse en la Figura 44.28 en la página 684, es
ble (40-70 %), pero lo localizamos sólo en tres zonas.
en general bastante más alta que en la primera fase,
Se deja con preocupación y precaución para el día
a pesar de tratarse de una predicción a dos días vista.
siguiente, esperando nueva información del RAγS, la
Los valores simulados de la precipitación acumulada
decisión de subir el aviso rojo.
máxima de 500-700 mm tienen una buena correspon-
dencia con las observaciones e incluso se perfilan
dos máximos de precipitación también cercanos a los
44.4.4 Predecibilidad del episodio con los
puntos de observación de Millares, Sumacàrcer y Be-
SPC actuales de alta resolución
niatjar (~ 700 mm). La mejora en la localización se
corresponde, sin lugar a dudas, al hecho de que se
Intentaremos responder a la pregunta con el RAγS con
produjeron lluvias más bien ligadas a la orografía, que
la debida cautela, con un enfoque similar al de los
está suficientemente bien representada con los 2,5 km
predictores de avisos de AEMET.
de resolución del γSREPS. De todas formas, sólo la
mitad de los miembros acumulan en algún punto más
La predecibilidad del episodio en general es mode- de 200 mm en esas 36 horas: en el apartado Valo-
rada. En la Figura 44.26 en la página 682 vemos que ración de la simulación con el RAγS (un poco más
la probabilidad de superar los 400 mm es en gene- adelante) se discute una posible razón en el punto (1).
ral de 20-40 %, aunque localmente se supera el 70 %.
Como las isolíneas de los miembros individuales son Valoración de la simulación con el RAγS. Hay tres
muy distintas, hay incertidumbre espacial y por tanto limitaciones ya perfiladas del RAγS que parecen in-
menor predecibilidad, en general, en la localización. fluir negativamente en la simulación y, por ende, en la
Como casi todos los miembros superan el umbral de predicción de avisos:
400 mm, en realidad la predecibilidad, sin atender a la
localización, es más alta, podríamos decir alrededor 1. El salto de escala desde las condiciones de con-
de un 90 %. En resumen, podemos decir que se tiene torno de los reanálisis parece ser determinante
para que el evento no se simule con suficiente la primera fase del episodio, facilitando la ge-
calidad en general, en particular para las del neración del primer SCM.
NCEP/CFSR. En este caso, la limitación en el 3. Desde un punto de vista determinista, los mode-
número de niveles verticales en la troposfera es los operativos tienden a ser conservadores para
de unos 30 respecto a los 50 del ECMWF/ERA- no incurrir en demasiadas falsas alarmas pero,
Interim y del JMA/JRA-55. Puede tratarse de por otro lado, esta precaución los limita para
algún elemento ambiental (de condiciones de la previsión de fenómenos extremos. Como ya
contorno) clave para la posterior simulación del habíamos comentado, podría ser ésta la razón
evento, como podría ser el aporte de humedad por la que el modelo WRF-ARW, más pensado
a través de una corriente en chorro en niveles para la investigación que los otros 3 diseñados
bajos (low level jet (LLJ), resultados no mos- para ser operativos, es el único capaz en repro-
trados aquí [553]). En realidad, reduciendo el ducir parcialmente un SCM en la primera fase
RAγS a sólo 8 miembros, sin los 4 del reaná- del episodio: recuérdense los miembros 3 y 11.
lisis NCEP/CFSR, la predicción mejora osten-
siblemente en un 20-30 % (resultados tampoco En resumen, los SPC de alta resolución como el
mostrados). γSREPS mejoran, sin lugar a dudas, la predecibilidad
2. El área pequeña del γSREPS deja una gran par- de casos de precipitaciones copiosas con organización
te de responsabilidad de impacto a las condicio- de la convección, por ejemplo con la presencia de un
nes de contorno de baja resolución, sobre todo SCM como el caso que nos ocupa de Oliva-Gandía,
en la primera fase del episodio, para la repre- con respecto a sus SPC predecesores de más baja
sentación y evolución de dos elementos claves: resolución (e. g. AEMET-SREPS a 25 km, cap. 21
la baja a sotavento del Atlas y el núcleo frío en en la página 313), pero aún adolecen de limitaciones
niveles altos con baja en el SE ibérico. ¿Qué importantes en la predicción de estos eventos extre-
pasaría con un RAγS en un área más grande? ¿E mos, tanto por los modelos que los componen como
incluyendo asimilación? Pues, hipotéticamen- por el diseño en ellos mismos. ¿Qué nos deparan las
te, nos atrevemos a afirmar que probablemente siguientes generaciones de SPC de alta resolución?
mejoraría significativamente la simulación de Sin duda mejores predicciones y, sobre todo, mejores
predicciones de la predecibilidad.
Predicción de aludes (3 casos)
45
DOI: 10.31978/014-18-009-X.45
M ARÍA PALOMO S EGOVIA
J UAN A NTONIO F ERNÁNDEZ -C AÑADAS
Observatorio de Navacerrada, AEMET
J UAN J OSÉ RODRÍGUEZ V ELASCO
Delegación territorial (DT) Cantabria, AEMET
C ONTRIBUCIÓN DE : A LBERTO F ERNÁNDEZ M ATÍA
Así pues, declaro que es enemigo de la Naturaleza el hombre que no considera las altas montañas dignas
de largo estudio. Es cierto que las partes más elevadas de los más altos picos parecen estar por encima de
las leyes que rigen nuestro mundo de abajo como si pertenecieran a otra esfera. Allá arriba, el efecto del
sol que todo lo puede no es el mismo, ni el del aire, ni el de los vientos. Allí la nieve es eterna...
Carta a su amigo JAMES VOGEL (1541) – C ONRAD G ESSNER, Naturalista suizo, 1516-1565
Los aludes son fenómenos adversos para las actividades en montaña, con riesgos e impactos variados.
A caballo entre lo meteorológico, lo nivológico y lo puramente geográfico, la predicción de aludes es
un reto en el que el enfoque multidisciplinar adquiere importancia capital. En este capítulo presentamos
la predicción de aludes intentando acercarnos a ese enfoque multidisciplinar, ahora con apoyo de
los sistemas de predicción por conjuntos, para investigar el valor potencial que puede aportar la
predicción probabilista en un tipo tan específico de predicción como es la de este fenómeno de los
aludes. Abordando tres casos distintos correspondientes a tres tipos diferentes de alud intentamos
también abarcar un amplio espectro de fenomenologías.
probabilista, predicción de aludes, aludes de nieve reciente, aludes de placa, aludes de placa húmeda.
Imagen parte superior: nubes orográficas. Dos Hermanas (2276 m), Macizo de Peñalara (Madrid), hacia el noroeste, 24 de enero de 2014
a las 15:39. Fotografía de J OSÉ A NTONIO Q UIRANTES C ALVO.
690 Física del caos en la predicción meteorológica Capítulo 45. Predicción de aludes (3 casos)
45.1 Introducción La probabilidad de que en un área se desencadene un

alud en un momento dado depende de dos tipos de
Las zonas de montaña presentan, por su relieve y to- variables:
pografía, una exposición especial a ciertos fenómenos
meteorológicos adversos (ver fenómeno meteorológi- Variables relacionadas con el terreno. Entre ellas
co adverso (FMA)), entre los cuales se puede destacar están la altitud, la pendiente, la morfología y la
el peligro de desencadenamiento de aludes, que pue- rugosidad del terreno, la vegetación existente, y
de llegar a ocasionar pérdidas humanas y un fuerte la orientación.
impacto económico. Variables meteorológicas y nivológicas. Se carac-
terizan por variar con el tiempo y son la pre-
España no presenta, en general, un peligro elevado de cipitación, la temperatura, el viento y el estado
desencadenamiento de aludes, sin embargo, el número y evolución del manto nivoso.
de víctimas por este fenómeno se ha ido incrementan-
do en las últimas décadas.
Las variables relacionadas con el terreno varían poco
Un alud es un desplazamiento rápido de una masa de con el tiempo y, por lo tanto, pueden ser cartografia-
nieve por la ladera de una montaña. das para aportar información persistente en el tiempo.
Combinando algunas variables fisiográficas podemos
Una zona de aludes es una superficie sobre la cual se elaborar modelos cartográficos de áreas especialmente
producen aludes de forma periódica. Dentro de una favorables para el desencadenamiento de aludes que
zona de aludes pueden distinguirse tres partes [536]: se pueden validar a partir de datos de aludes reales
[27]. La mayoría de estos modelos utilizan como varia-
Zona de salida. Zona donde la nieve se pone en mo- bles la pendiente del terreno, la presencia o ausencia
vimiento. de vegetación, la orientación de la ladera y la mor-
Zona de trayecto o transición. Zona por la que fología y rugosidad del terreno. Como resultado se
transcurre el alud. obtienen cartografías en las que el terreno se clasifica
Zona de llegada o de depósito. Área en la que la en distintos niveles de peligro de desencadenamiento.
nieve queda detenida. En la Figura 45.1 se muestra, a modo de ejemplo, un
modelo cartográfico en el que se clasifica el terreno
La Comisión Internacional de Nieve y Hielo (UNES- de un sector del macizo de Peñalara en la sierra de
CO) estableció, en 1981, una propuesta de clasifica- Guadarrama de la Comunidad de Madrid, en cuatro
ción de los aludes según sus aspectos morfológicos niveles de peligro de desencadenamiento de aludes.
y sus factores genéticos. Esta clasificación tiene en Este modelo se ha comparado con datos reales de
cuenta el volumen y las características de la nieve y las aludes y, como resultado se ha observado que más
características de la salida, del trayecto y de la zona del 95 % de aludes observados se han desencadenado
de llegada [536]. En esta clasificación se establecen en zonas con un nivel alto o muy alto de peligro de
tres tipos de aludes [252]: desencadenamiento.
Aludes de nieve reciente que se caracterizan por
que la nieve que se pone en movimiento sue- Las variables meteorológicas, sin ser las más impor-
le ser seca y fría y presenta una cohesión muy tantes en el desencadenamiento, son relevantes en
débil. tanto en cuanto presentan una gran variabilidad tem-
Aludes de placa que suelen presentar una salida li- poral y condicionan el momento del alud. Las más
neal con una cicatriz clara y cuyo recorrido importantes son la precipitación, la temperatura y el
puede estar jalonado de bloques de formas ta- viento.
bulares y de tamaños variados. Estos bloques
aparecen también en la zona de depósito. Las precipitaciones en forma de nieve aumentan el
Aludes de fusión o de nieve húmeda que se desen- espesor del manto dando lugar a un incremento en el
cadenan en mantos de nieve compuestos por peso de éste. Cuando las precipitaciones son líquidas
nieve con un elevado contenido en agua líquida. también producen un aumento en el peso del manto si
El desencadenamiento de aludes de fusión está quedan retenidas en él y, además, facilitan la fusión
directamente ligado a la presencia de agua en del manto si la temperatura de las precipitaciones es
forma líquida dentro del manto nivoso. elevada.
45.1 Introducción 691
Figura 45.1: Clasificación del terreno por nivel de peligro de aludes en el macizo de Peñalara (sierra de Guadarrama).
Mapa compuesto con QGIS [525], usando la topografía del Instituto Geográfico Nacional (IGN).
Las temperaturas del aire y su evolución influyen en El viento y las ventiscas durante la nevada y en los mo-
el desencadenamiento de aludes de forma compleja. mentos posteriores dan lugar a una redistribución de
Si las temperaturas son muy bajas en el momento de la nieve reciente, que desaparece de las zonas expues-
la nevada y en los momentos posteriores a ésta, la tas al viento y se acumula en las que se encuentran a
nieve recién caída evolucionará lentamente y el pe- resguardo de éste. El resultado es una gran variabili-
ligro de que se produzca un alud de nieve reciente dad del espesor del manto y una sobreacumulación de
será más persistente. Además, con temperaturas muy nieve en determinadas áreas. Si, además, estos vientos
bajas la evolución de la nieve en el manto es hacia son persistentes y frecuentes, las zonas de acumula-
un tipo de cristales con menor cohesión entre ellos ción serán muy a menudo las mismas con lo cual la
y con la capa subyacente, y por tanto también se fa- nieve se concentrará en ellas no sólo en una nevada
vorece la inestabilidad del manto. Si, al contrario, la sino en las sucesivas situaciones que ocurran en la
temperatura aumenta rápidamente tras la nevada, la temporada [251, 252].
nieve reciente tenderá a fundirse y el agua resultante
aumentará el peso del manto con lo que se favorecerá
El viento también favorece la aparición de placas de
el desencadenamiento de aludes de fusión.
viento en las laderas de sotavento. Estas placas se for-
man tras la nevada y están débilmente ancladas a la ECENS (sec. 19.3 en la página 293) en los años 2000
nieve de las capas subyacentes, lo que da lugar a un y 2016. Si nos centramos en áreas como el Pirineo ara-
aumento del peligro de desencadenamiento de aludes gonés, con numerosos picos que superan los 3 000 me-
de placa [251, 252]. tros de altitud y valles que se encuentran en torno a
700 – 800 metros, el modelo del año 2000 le asigna-
Los factores nivológicos tienen tanta o más importan- ba una resolución horizontal de 100 kilómetros y la
cia que los meteorológicos. La evolución del manto altitud de la celda de malla que comprende la zona
estacional y de sus características de humedad, densi- oscilaba entre 600 y 700 metros.
dad, tipos de cristales, cohesión entre ellos y entre las
capas generadas en las sucesivas nevadas, dan lugar a Si consideramos altitudes entre 2200 y 2900 metros,
una variación en la estabilidad del manto nivoso. Para que en el ECENS del 2000 son representadas por 600
conocer las características del manto y su evolución ó 700 metros, la estimación de temperaturas puede
de forma periódica se realizan, en las estaciones ni- tener errores entre 10 y 15 ◦ C. Se trata de errores
vometeorológicas, estudios detallados del manto que considerables que tendrán impacto tanto en las tempe-
quedan resumidos en los sondeos y perfiles nivome- raturas esperadas como en la forma de precipitación
teorológicos. prevista, que puede ser en forma de nieve sin que apa-
rezca en el SPC en esta forma, pudiendo reflejarse en
En resumen, podemos concluir que para realizar una forma de agua. De forma que la interpretación de los
predicción de desencadenamiento de aludes hay que mapas de uno u otro tipo deberá tener en cuenta estas
considerar todo un conjunto de factores de índole muy serias limitaciones.
variada, con distintas variabilidades en el tiempo y,
además, considerar la evolución del manto nivoso es- En contraste, si consideramos modelos más recientes,
tacional. en concreto el ECENS de 2016, la resolución hori-
zontal y la orografía mejoran de forma notable. La
La utilización de salidas de sistemas de predicción por resolución horizontal está en torno a los 18 kilómetros
conjuntos (SPC) en la predicción de riesgo de aludes en nuestras latitudes y la orografía sitúa el Pirineo
se basa, fundamentalmente, en el estudio de variables aragonés entre 1500 y 2000 metros de altitud. Estas
como la precipitación, las temperaturas, el valor de la mejoras provocarían ahora errores de 1 a 9 ◦ C que,
altitud de la isocero y la presencia de vientos intensos, aunque importantes, suponen un aumento considera-
así como en la evolución de todas estas variables. ble en la calidad.
Es importante señalar las limitaciones importantes
que presenta el uso de estas salidas en la predicción Casos de estudio abordados. Dada la complejidad
de cualquier variable en zonas de montaña. En primer que entraña el estudio del desencadenamiento de alu-
lugar, la resolución horizontal de estos modelos pre- des y de la variedad de factores que influyen en él, en
senta una menor calidad que los modelos operativos. el presente trabajo se han seleccionado tres casos de
En áreas con orografía complicada esta pérdida de estudio en los que se produjeron aludes de distintas
resolución se acusa en la calidad de las salidas. En características en áreas de montaña muy variadas de
segundo lugar, la orografía del modelo, a pesar de la Península.
haber ido mejorando progresivamente, todavía presen-
ta importantes diferencias con la orografía real, de En primer lugar, se analiza un alud de nieve reciente
forma que estas diferencias pueden ser críticas a la que tuvo lugar en la cabecera del río Aguas Limpias
hora de evaluar superación de umbrales de temperatu- en el Pirineo aragonés el día 8 de febrero de 1996.
ra, acumulación de precipitación en forma de nieve o Posteriormente se estudia un alud de placa desencade-
discriminación de precipitaciones líquidas y sólidas. nado el 2 de marzo de 2014 en el macizo de Peñalara
en la sierra de Guadarrama, perteneciente al sistema
A modo de ejemplo se puede observar la Figura 45.2 Central y finalmente nos ocuparemos de varios alu-
en la página siguiente, en la que se representa la oro- des de placa húmeda desencadenados en la cordillera
grafía y la resolución horizontal del SPC del ECMWF, Cantábrica en torno al 28 de marzo de 2015.
Figura 45.2: Resolución horizontal y orografía de ECENS en el año 2000, equivalente a 1996 (arriba) y en el año
2016 (abajo).
Figura 45.3: Circo de Piedrafita y ubicación del refugio de Respomuso. Mapa compuesto con QGIS [525], usando la
topografía del IGN.
45.2 Caso 1: Alud de nieve recien- resultado un relieve de alta montaña que se caracteriza
por sus elevadas altitudes, entre las que destacan picos
te. Circo de Piedrafita, Cabe-
como el Arriel (2824 m), Frondiellas (3071 m), Ba-
cera del río Aguas Limpias. Pi- laitus (3146 m), Palas (2970 m), Cambalés (2965 m),
rineo central aragonés Gran Facha (3005 m), Punta Zarra (2947 m), Piedrafi-
ta (2969 m), Pondiellos (2893 m), Tebarray (2916 m)
y Musales (2654 m), y la existencia de enérgicos re-
45.2.1 Área de estudio
lieves y de morfologías como morrenas, rocas aborre-
gadas, canchales, canales de origen mixto nivo-fluvial
El área en el que tuvo lugar el evento de estudio es o valles glaciares colgados como es el caso del propio
el circo de Piedrafita, situado en el Pirineo Central circo de Piedrafita [506].
Aragonés, al norte de la provincia de Huesca. En con-
creto el área se encuentra situada en la cabecera del río
Aguas Limpias, afluente del Gállego por la izquierda
(Figuras 45.3 y 45.4).
Desde el punto de vista litológico y geomorfológi-

co el área de estudio está constituido por materiales
paleozoicos afectados por la orogenia hercínica y, pos-
teriormente a ésta, por la intrusión del batolito graní-
tico de Panticosa – Cauterets. En el extremo sur del
circo aparecen otros materiales paleozoicos metamór-
ficos correspondientes a la orla metamórfica creada
en contacto con el batolito [131].
Sobre estos materiales han actuado procesos de tipo

glaciar, periglaciar, nival y fluvial que han dado como Figura 45.4: Entorno del refugio de Respomuso.
45.2 De nieve reciente 695
La vegetación en esta área es escasa y presenta un variabilidad tanto inter como intra anual. En gene-
porte reducido y además se ha visto afectada por una ral, el manto no es superior a los dos metros aunque
intensa utilización como pastos hasta mediados del la información procedente de los sondeos nivológi-
siglo XX. cos realizados en la estación nivometeorológica de
Respomuso permite asegurar que, puntualmente, este
Desde el punto de vista climático el área puede califi- espesor puede alcanzar los cuatro metros.
carse como un clima de montaña, con bajas tempera-
turas medias, mínimas bajas, máximas moderadas y Las características climatológicas de la zona, con gran-
amplitud térmica anual considerable. La altitud de la des oscilaciones de temperatura, ventiscas y alternan-
isoterma de 0 ◦ C, factor que condiciona de forma im- cia de momentos secos con otros de precipitaciones
portante los fenómenos de innivación y permanencia importantes, no permiten definir en la evolución del
de la nieve, presenta una variación anual entre 1611 manto periodos únicos de formación y consolidación.
metros en el mes de febrero y 2998 metros en el mes Además, el espesor del manto no sólo es sensible a
de octubre [541]. las precipitaciones sino también a los vientos. Así,
asociadas a periodos de días con vientos fuertes, el
Las precipitaciones y su distribución están condicio- manto de nieve registra importantes modificaciones y
nadas por la configuración del relieve. La presencia de oscilaciones en su espesor.
relieves fuertes y abruptos dificulta la penetración de
las masas de aires húmedas del noroeste dando lugar
Entre los meses de abril y mayo, cuando las temperatu-
a una disminución de las precipitaciones con respecto
ras comienzan a elevarse, la nieve entra en su periodo
a zonas menos protegidas.
de fusión. En este momento el espesor del manto dis-
El límite lluvia – nieve varía a lo largo del año pre- minuye rápidamente para terminar desapareciendo.
sentándose las máximas nevadas entre diciembre y
marzo. Todos estos factores permiten afirmar que el circo de
Piedrafita presenta características geográficas favo-
El manto de nieve cubre el suelo de forma continua rables al desencadenamiento de aludes (pendientes,
todas las temporadas entre los meses de diciembre y altitudes y litologías favorables, existencia de zonas
mayo. de acumulación de nieve, vegetación escasa y de por-
te reducido, precipitaciones abundantes en forma de
El espesor de este manto de nieve presenta una gran nieve y persistencia del manto de nieve estacional).
Figura 45.5: Evolución del espesor del manto de nieve y de las precipitaciones registradas durante la temporada
1995 – 1996 en la estación de Respomuso.
Figura 45.6: Evolución de las temperaturas extremas y de la temperatura de la nieve registradas durante la temporada
1995 – 1996 en la estación de Respomuso.
Figura 45.7: Evolución de la ocurrencia de ventiscas y aludes durante la temporada 1995 – 1996 en la estación de
Respomuso.
45.2.2 Descripción del evento Factores meteorológicos y nivológicos. La existen-

cia de una estación nivometeorológica en el refugio de
El invierno de 1995 – 1996 se caracterizó en la cor- Respomuso, atendida por los guardas de éste, permite
dillera Pirenaica por las importantes nevadas que se caracterizar con precisión las condiciones atmosféri-
produjeron en todas las zonas. cas y nivológicas en los días previos a la ocurrencia
del alud. Esta estación meteorológica desapareció con
En las estaciones nivometeorológicas del Pirineo ara- el alud.
gonés se registraron los espesores de nieve más ele-
vados de todas las temporadas de las que existen ob-
servaciones (396 centímetros en el refugio de Góriz, En la Figura 45.5 en la página anterior aparece la
a 2200 metros el día 9 de febrero). evolución del manto de nieve y las precipitaciones
registradas los días anteriores al alud. Como puede
Durante la temporada 1995 – 1996 se registraron en
observarse, las precipitaciones fueron abundantes los
las estaciones nivometeorológicas del Pirineo arago-
dos días anteriores, siendo, en su mayoría en forma de
nés alrededor de 150 aludes de distinta magnitud e
nieve. Estas precipitaciones provocaron un aumento
intensidad.
brusco del espesor del manto de nieve que pasó de
El día 8 de febrero en el Circo de Piedrafita se registró menos de 120 centímetros el día 6 de febrero a 200
un alud que alcanzó el refugio de Respomuso. centímetros el día 8.
En la Figura 45.6 en la página anterior aparece la el sobrepeso de la nieve recién caída y la situación
evolución de las temperaturas extremas del aire y de desfavorable a la aparición de anclajes que ligaran la
la temperatura de la capa superficial de la nieve a lo nieve recién caída a la de la capa inferior.
largo de la temporada 1995 – 1996. Como puede ob-
servarse, durante los días inmediatamente anteriores En los sondeos se observa también que, entre el 1 y
al alud, las temperaturas se mantuvieron por debajo de el 9 de febrero, el manto registró un claro enfriamien-
0 ◦ C durante todo el día siendo la temperatura máxima to, desde un manto prácticamente isotermo el día 1 a
de –5 ◦ C el día 7 de febrero. Las bajas temperaturas uno con un fuerte gradiente vertical de temperatura
del aire dieron lugar a que la nieve caída también de la nieve (día 9), hecho que favorece su pérdida de
estuviese a unas temperaturas muy bajas, en torno a estabilidad.
–6 ◦ C el día 7, por lo que su evolución fue lenta y hacia
la inestabilidad del manto de nieve. Los dos sondeos se realizaron en el mismo punto y
con condiciones similares (altitud de 1900 metros,
En la Figura 45.7 en la página anterior se representa
ladera de exposición sur y alrededor de las 11 horas).
la ocurrencia de ventiscas y aludes a lo largo de la
temporada 1995 – 1996 registradas en el refugio de
En resumen, todos los factores meteorológicos y ni-
Respomuso. La observación de la gráfica los días ante-
vológicos observados eran favorables al desencade-
riores al desencadenamiento del alud permite apreciar
namiento de aludes, y unidos a unas condiciones fi-
cómo, los días 5, 6 y 7 de febrero se habían regis-
siográficas también favorables dieron lugar al desen-
trado ventiscas importantes. La ocurrencia de estas
cadenamiento de un alud la madrugada del día 8 de
ventiscas nos permite suponer que la nieve reciente
febrero de 1996.
y poco cohesionada pudo moverse y acumularse en
determinadas zonas favorables para ello dando lugar a
un aumento adicional del espesor del manto de nieve. La zona de salida estaba situada en torno a los 2900
metros de altitud en el circo de Frondellas, al noroeste
Las fuertes acumulaciones de nieve que se produje- del refugio. La salida del alud fue puntual. La nieve
ron los días previos al alud se depositaron sobre un que se puso en movimiento era nieve seca, poco evo-
manto de nieve ya consolidado. En los sondeos nivo- lucionada y fría. Sólo se deslizó el estrato superior del
lógicos realizados en una estación próxima se observa manto.
cómo, entre el 1 y el 9 de febrero, (Figura 45.8) se
acumularon más de 60 centímetros y además esta fuer- La trayectoria del alud estuvo condicionada por su
te acumulación de nieve reciente se produjo sobre importante fase de aerosol, debida a la poca evolución
un manto de nieve ya estabilizado y consolidado de de la nieve que se puso en movimiento. La fase de
forma que se favorecía el deslizamiento de la capa aerosol fue también su causa de la gran capacidad
de nieve superior, más reciente, sobre la inferior por destructiva.
Figura 45.8: Comparación de los sondeos nivológicos de los días anteriores y posteriores al alud, 01-02-1996
(izquierda) y 09-02-1996 (derecha).
Figura 45.9: Área afectada por el alud. Mapa compuesto con QGIS [525], usando la topografía del IGN.
La zona de depósito alcanzó el embalse de Respomu- Las características meteorológicas y nivológicas de

so. La escasa evolución de la nieve que se movilizó la temporada hacen que no se pueda calificar el alud
también explica el hecho de que en el depósito no se como un fenómeno extraordinario. De hecho, esa mis-
observaba la presencia de bloques ni bolas de nieve. ma semana, existe constancia del desencadenamiento
de aludes en numerosos puntos del Pirineo.
El alud alcanzó la fachada norte del refugio de Respo-
muso (Figura 45.10) provocando importantes daños
materiales, valorados en 180 000 euros, pero sin daños La ausencia de una serie de datos nivometeorológicos
personales. suficientemente larga impide el cálculo del periodo de
retorno del proceso. Sin embargo, algunos estudios
El alud tuvo unas características especiales en lo que realizados con series más largas obtenidas a partir de
se refiere a extensión y daños ocasionados. No exis- otras estaciones nivometeorológicas del Pirineo Ara-
te constancia de eventos similares ni en la zona de gonés de características similares dan una estimación
estudio ni en otras zonas próximas. del periodo de retorno de entre uno y tres siglos [60].
Figura 45.10: Estado de la fachada norte del refugio de Respomuso como consecuencia del alud (izquierda) y estado
del interior del refugio de Respomuso como consecuencia del alud (centro y derecha). Fotografías: PRAMES.
45.2.3 Predicción del ECENS (fila superior de cada panel), como en niveles bajos
(fila media), acompañados de precipitación segura (fi-
Mapas realizados por A LBERTO F ERNÁNDEZ M ATÍA, la inferior). La relativa similitud entre los grupos, al
ATAP, Agencia Estatal de Meteorología (AEMET). menos en el nordeste peninsular, permite inferir gran
predecibilidad atmosférica para estos días en esa zona.
Cuatro, tres, dos y un día antes del evento las sucesivas
Incertidumbre y predecibilidad durante el episodio.
pasadas del ECENS (19960204, 19960205, 19960206,
Cinco días antes del evento, el 3 de febrero de 1996,
19960207) ofrecían grupos con incertidumbre similar
la pasada del ECENS ofrecía unos escenarios que
(no se muestra por brevedad), muy consistentemente
mostraban relativamente poca incertidumbre para la
con esta pasada de cinco días antes. Una vez transcu-
secuencia de días siguientes (Figura 45.11). Se puede
rrido el evento, se puede decidir que con el uso del
observar cómo, desde el día 4 hasta el día 8 predomi-
modelo determinista de más resolución era suficiente,
naban, en todos los escenarios, flujos de componentes
pero a priori no es tan sencillo tomar esa decisión.
norte y oeste tanto en niveles medios de la troposfera
Figura 45.11: Grupos del ECENS del día 3 de febrero de 1996.

Figura 45.12: Arriba: probabilidades previstas por el ECENS, pasada 19960203, de nieve y precipitación total
para los días 6, 7 y 8. Abajo: a la izquierda pasada del ECENS 19960204, nieve y a la derecha pasada 19960205,
precipitación total.
Nieve y precipitación total esperadas. En la Figu- son, hasta cierto punto, equiparables. El martes día 6
ra 45.12, la pasada del día 3 de febrero, cinco días an- podía esperarse nieve por encima de 1 centímetro con
tes del evento, muestra a la izquierda la nieve prevista probabilidades altas en torno a 40-70 %, pero no por
por el ECENS y a la derecha lo mismo con la precipita- encima de 5 centímetros. El miércoles día 7 se que-
ción total acumulada, que contiene tanto nieve como daba en una probabilidad de 10-40 %. Por otro lado,
agua líquida. Tanto la nieve como la precipitación las probabilidades de superar 5 milímetros de preci-
total (lluvia+nieve) se muestran como mosaicos de pitación total los días 6 y 7 son altas, alrededor de
diferentes probabilidades de superación de umbrales. 70-90 % y 10 milímetros 10-40 %. Para el día 8 no se
Cada columna corresponde a un día (6, 7 y 8). Cada espera nieve, 70-90 % de 1 milímetro de precipitación
fila corresponde a un umbral diferente. Para la nieve total y 10-40 % para 5 milímetros.
estos umbrales son 1, 5, 10 y 20 centímetros y para la
precipitación total 1, 5, 10 y 20 milímetros, de modo
Aparentemente, poca nieve y cierta cantidad de pre-
que, asumiendo que 1 centímetro de nieve equivale
cipitación total, pero lejos de la acumulación de 80
normalmente a 1 milímetro de agua, ambas columnas
centímetros medida en la estación. No obstante, dado
el acentuado sesgo en las altitudes del ensemble, polos escenarios más fríos previstos para que, aunque se
demos inferir una cantidad de nieve muy superior a la trate de diferentes horizontes de predicción y se pier-
prevista, teniendo como límite tanta cantidad como la da consistencia relativa, podemos hacernos una idea
precipitación total prevista. Aun teniendo ese sesgo de las temperaturas más bajas que pueden esperarse.
en cuenta, no se pueden esperar las acumulaciones Puede observarse un enfriamiento muy claro entre los
que se dieron. Cuatro días antes del evento, la pasa- días 4 y 5 en la zona de estudio. A partir del día 6
da de 4 de febrero de 1996 aumenta las cantidades hay un calentamiento también claro que hace que las
esperadas, tanto de nieve (Figura 45.12 en la página probabilidades de tener temperaturas bajo cero en la
anterior, abajo izquierda) como de precipitación total, zona vayan disminuyendo. Para un alud de este tipo,
tanto el día 7 como el día 8. Tres días antes, la pasada nieve reciente, las condiciones favorables las darían
de 5 de febrero de 1996 aumenta notablemente las temperaturas muy frías sostenidas durante varios días.
cantidades de precipitación total (Figura 45.12 en la Es el caso de los días 4 y 5, quizá parte del 6, pero
página anterior, abajo derecha) de modo que, aunque no de los días siguientes, aunque sí se perfilan tem-
no se alcanzan las acumulaciones que se observaron peraturas inferiores a 8 grados, e incluso inferiores
después, el SPC delimita bien las zonas donde se espe- a 4. No obstante, si tenemos en cuenta el sesgo oro-
ran acumulaciones relativamente altas tanto de nieve, gráfico comentado en apartados anteriores, podemos
teniendo en cuenta el sesgo, como de precipitación extrapolar temperaturas bastante inferiores (de 10 a 15
total, en cualquier caso. grados de diferencia) a las previstas por el ensemble.
De modo que sí que tenemos, en ese caso, seguridad
Temperaturas esperadas. La Figura 45.13 muestra de temperaturas sostenidas por debajo de cero durante
un mosaico de temperaturas previstas cinco días an- el periodo de cinco días.
tes del evento, para los días previos e incluyendo el
del alud. En columnas se despliegan los días 4, 5, 6, En consecuencia, de todo lo anterior se concluye que,
7 y 8, mientras que en filas se despliegan umbrales con la orografía del modelo en el año 2000, no es
de temperatura. Cada pequeño mapa representa en fácil predecir un evento como el estudiado, que tiene
colores la probabilidad de que la temperatura sea in- una escala mucho menor que la resolución del modelo
ferior al umbral especificado. Así, para el día 4 en tanto en la orografía como en las salidas de las va-
la zona de interés podemos esperar temperaturas que riables meteorológicas. Como mucho se podría haber
no excederán los 4 grados y que no serán inferiores supuesto una evolución de las variables meteorológi-
a 0, es decir, de 0 a 4 grados. Se han seleccionado cas favorables al desencadenamiento de aludes pero a
distintas pasadas para los diferentes días, eligiendo escala de toda la cordillera Pirenaica.
Figura 45.13: Temperaturas previstas días antes por el ECENS, pasada 19960203 para los días 4 y 6 y 19960204
para los días 5 y 8, 19960206 para el día 7, en columnas ordenadas por fecha.
Figura 45.14: Localización del área de estudio de Peñalara. Mapa compuesto con SAGA [140], usando la topografía
del IGN.
45.3 Caso 2: Alud de placa. Maci- La instalación de los glaciares tuvo lugar entre
21 000 a 23 000 años antes de la actualidad [485]. Los
zo de Peñalara, sierra de Gua-
glaciares más activos se encontraban en las laderas
darrama, sistema Central con orientación este, protegidos de los vientos domi-
nantes y de la máxima radiación solar, y las laderas
45.3.1 Área de estudio occidentales se caracterizaban por la escasa acumula-
ción de nieve y hielo. La asimetría en la distribución
de los glaciares tuvo importantes consecuencias geo-
El Macizo de Peñalara se encuentra en el entorno de
morfológicas. En las vertientes orientales, además de
las cumbres más elevadas de la sierra de Guadarra-
provocar la aparición de morfologías como morrenas,
ma que forma parte, a su vez, del sistema Central.
circos y depresiones, los glaciares barrieron el manto
El Macizo está constituido por materiales gneisecos,
de alteración previo eliminándolo en muchas áreas y
básicamente gneises glandulares, con intrusiones gra-
reduciéndolo considerablemente en otras. En las lade-
níticas. Sobre estos materiales han actuado distintos
ras orientadas al oeste la presencia glaciar fue menos
procesos periglaciares, glaciares y fluviales.
importante, por lo que el manto de alteración perma-
En épocas preglaciares, las pulsaciones térmicas frías nece inalterado en la mayor parte de estos sectores.
y secas provocaron la formación de campos de blo-
ques por procesos de macrogelifracción de la roca A partir de la retirada de los glaciares (entre 19 000 y
(Sanz, 1986), la aparición de un manto de alteración 16 000 años antes de la actualidad) el relieve de la zo-
de materiales finos, la formación de permafrost en na ha registrado pocas variaciones. La desaparición de
las vertientes menos expuestas a la radiación solar hielo estuvo acompañada por una actividad periglaciar
[484] y la reordenación de los bloques en el manto de intensa. La nieve ha sido otro de los agentes clave en el
alteración formando conjuntos de lenguas y lóbulos modelado actual del terreno, aportando agua al suelo,
[214] que perduran en la actualidad sobre todo en las suavizando la influencia de los cambios de temperatu-
vertientes occidentales del macizo. ra del aire en la temperatura del suelo, condicionando
45.3 De placa 703
la distribución de procesos geomorfológicos como la mientos en masa que se desarrollan en ambas laderas,
acción torrencial, el lavado de materiales finos, el mo- la acción torrencial y los procesos ligados a la presen-
vimiento de bloques, la solifluxión, la gelifracción y la cia de la nieve.
formación de movimientos en masa y, en ámbitos de
montaña mediterránea, aislando el suelo de las lluvias El clima del área de estudio se puede encuadrar dentro
primaverales, limitando el desarrollo de la vegetación del clima mediterráneo de montaña. Entre las carac-
al periodo estival y exponiendo el suelo poco estabi- terísticas principales de este clima están las suaves
lizado a la erosión causada por las lluvias otoñales temperaturas invernales, las altas temperaturas y la
[484]. elevada aridez estival y la acusada variabilidad tanto
espacial como temporal (inter e intra anual) de los pa-
La acción fluvial también ha originado variaciones en rámetros meteorológicos. Esta variabilidad se aprecia
el relieve. Los torrentes se han instalado en las laderas sobre todo en la precipitación y la acumulación de la
incidiendo sus cauces en el manto de alteración y en nieve, que no se distribuyen espacialmente siguiendo
los materiales de las morrenas y mostrando en algunos patrones altitudinales, sino que están condicionados
puntos un incipiente proceso de jerarquización [484]. por el régimen de vientos dominantes y por la orogra-
fía, de forma que las mayores acumulaciones de nieve
El resultado de esta evolución hace que una de las se localizan en las vertientes orientales del macizo, a
características principales del Macizo de Peñalara en sotavento de los vientos dominantes y en zonas con
la actualidad sea su marcada asimetría este – oeste una topografía favorable, heredada de la época glaciar.
en su aspecto geomorfológico, que se refleja en otras
facetas como la distribución y persistencia del manto La variación temporal de la temperatura, la precipita-
de nieve o en las relacionadas con la distribución de ción, la intensidad del viento o el espesor del manto
la vegetación, ya que son todos ellos factores interre- de nieve también presentan fuertes contrastes dentro
lacionados. de un año concreto y entre unos años a otros. Así
hay años en los que se superan los 2 000 milímetros
Las áreas preglaciares ocupan las laderas occidentales de precipitación (1972), mientras que otros no se al-
del Macizo (poco afectadas por la acción glaciar) y canzan los 1 000 milímetros (1990). Además de esta
los sectores de las laderas orientales por debajo de los variabilidad interanual de las variables climatológicas,
a 1800 metros, que corresponde a la altitud mínima otro de los rasgos que caracterizan al clima de estas
que alcanzaron los glaciares. áreas es el hecho frecuente de que se produzcan rápi-
das oscilaciones, de forma que, en el plazo de pocos
Los relieves glaciares aparecen básicamente en los días, se pueden registrar cambios en la temperatura de
sectores del Macizo situados en las vertientes orien- más de 10 ◦ C o precipitaciones diarias que superan
tales de éste que superan los 1800 metros de altitud. los valores medios para ese mes.
Se pueden distinguir dos circos, el de Dos Hermanas
al sur y el de la Laguna al norte, y un conjunto de
morrenas que cierran estos circos y que presentan una 45.3.2 Descripción del evento
dirección marcada del noroeste al sureste. En la parte
inferior de los circos y entre los cordones morrénicos El 2 de marzo de 2014 se produjo un alud de placa de
aparecen áreas de turberas [486]. nieve húmeda. El desencadenamiento fue precedido
de copiosas nevadas y precipitaciones en forma de
Las áreas glaciadas y las no glaciadas conectan en el agua que llegaron a acumular 178 milímetros en 24
área de cumbres, en las que se encuentran los picos horas en la estación del Puerto de Cotos.
Peñalara (2428 m), Dos Hermanas (2284 y 2269 m)
y Claveles (2387 m). En el área de cumbres apare- Los días previos al alud el manto de nieve estuvo
cen depresiones de origen nival con profundidades presente de forma continua desde los 1500 metros
variables pero que, en general, no superan el metro de altitud, con unos 50 centímetros a 1800 metros
de profundidad y de unos metros de diámetro, cuyo y en torno a los 150 centímetros a 2100 m, y con
fondo está cubierto por un manto de alteración en acumulaciones que superaban los 300 centímetros en
el que aparecen incrustados bloques de dimensiones circos y canales. El manto antiguo se encontraba bien
decimétricas [484]. estabilizado. Encima de los estratos antiguos, las pre-
cipitaciones más recientes acumularon un espesor de
Los agentes más importantes de modelado en la actua- entre 30 y 50 centímetros más bien de forma uniforme,
lidad son una moderada acción periglaciar, los movi- aunque el viento predominante del noroeste provocó
más cantidad en orientaciones sur, observándose en En las Figuras 45.15 y 45.16 se representan respec-
estas laderas estructuras de placa por la presencia tivamente la evolución de las temperaturas extremas,
de una capa de nieve granulada poco profunda bajo las precipitaciones acumuladas en 24 horas y los me-
una capa superficial más cohesionada. Las precipita- teoros registrados entre los días 22 de febrero y 2
ciones líquidas del día previo al alud dieron lugar a de marzo de 2014 en la estación meteorológica del
importantes aumentos en la humedad del manto y a Puerto de Cotos.
su inestabilización.
Figura 45.15: Evolución de las temperaturas extremas (izquierda) y de las precipitaciones (derecha).
Figura 45.16: Evolución de los meteoros.
Como puede observarse, las temperaturas fueron muy a un sobrepeso importante, tanto por la nieve como
bajas los días anteriores al alud, ascendiendo a partir por la precipitación líquida caída a lo largo del día 1
del día 28 de febrero de forma ligera. Sin embargo, de marzo.
el factor verdaderamente determinante para el desen-
cadenamiento del alud fueron las intensas precipita- El alud se desencadenó en la vertiente oriental del
ciones en forma de nieve que se produjeron el día 1 macizo, con un labio de corte de casi 1 kilómetro de
de marzo como se observa en la Figura 45.15 dere- ancho, hasta 100 metros de profundidad y que des-
cha. Ese día se acumularon más de 170 milímetros lizó más de 300 metros de desnivel hasta la Laguna
de precipitación en forma de nieve en la estación. El Grande arrancando a su paso algunas instalaciones
manto de nieve existente previamente se vio sometido del Parque Nacional.
45.3 De placa 705
Figura 45.17: Área afectada por el alud. L UIS PANTOJA, Observatorio de Navacerrada, AEMET.
45.3.3 Predicción del ECENS estos umbrales son 1, 2, 5, 10 y 20 centímetros y pa-

ra la precipitación total 1, 2, 5, 10 y 20 milímetros
de agua equivalente, de modo que, asumiendo que 1
Incertidumbre y predecibilidad durante el episodio. centímetro de nieve equivale aproximadamente a 1
Cinco días antes del evento, el 26 de febrero de 2014, milímetro de agua, ambas columnas son, hasta cierto
la pasada del ECENS ofrecía unos escenarios que punto, equiparables.
mostraban relativamente algo más de incertidumbre
para la secuencia de días siguientes que el caso de Puede apreciarse que ECENS predice cantidades de
1996 (no se muestra por brevedad). A más incerti- nieve y precipitación total significativamente altas el
dumbre, mayor es el valor añadido del ECENS con día 1. El valor acumulado observado de 170 cm de
respecto al ECHRES y, aunque su resolución y oro- nieve no puede esperarse de forma realista de un mo-
grafía sean más pobres, permite una predicción más delo o un SPC. Sin embargo, llama la atención que,
fiable en general. incluso para umbrales altos (10, 20 mm), hay señal de
probabilidad aunque sea baja. Considerando nuestra
experiencia en el uso de SPC, estas señales son llama-
Nieve y precipitación total esperadas. En la Figu- das de atención sobre un posible fenómeno adverso.
ra 45.18 en la página siguiente se muestra, para la
pasada del día 26 de febrero de 2014, cinco días antes Un día antes del evento, la pasada de 1 de marzo
del evento, la nieve prevista por el ECENS (arriba) y de 2014 aumenta las cantidades esperadas, tanto de
la precipitación total acumulada (abajo), lluvia+nieve, nieve como de precipitación total (no mostrado por
que contiene tanto nieve como agua líquida. Tanto brevedad), aunque asumimos que un día antes ya pue-
la nieve como la precipitación total se muestran code usarse con razonable fiabilidad el ECHRES. En
mo mosaicos de distintos días por probabilidades de cualquier caso, aunque con más días de antelación
superación de diferentes umbrales. Cada columna cono se alcanzan las acumulaciones que se observaron
rresponde a un día previsto (26, 27, 28, 1 y 2) y cada después, el ECENS delimita bien las zonas donde se
fila corresponde a un umbral diferente. Para la nieve esperan acumulaciones relativamente altas.
Figura 45.18: Arriba: probabilidades de nieve (00-24 UTC) estimadas por el ECENS pasada 2014022600 para
el abanico de días 26-02-2014 a 02-03-2014. Las columnas representan los días 26, 27, 28, 01 y 02 y las filas los
umbrales 1, 2, 5, 10, 20 cm de nieve. Abajo: como arriba, aquí precipitación total, con umbrales de acumulación 1,
2, 5, 10, 20 mm.
45.3 De placa 707
Figura 45.19: Temperaturas mínimas previstas cinco días días antes por el ECENS, pasada 2014022600 para
el abanico de días 27-02-2014 a 02-03-2014. Las columnas representan los días 26, 27, 28, 01 y 02 y las filas
representan los umbrales 6, 4, 2, 0, -2, -4 y -6 ºC (ver texto).
Temperaturas esperadas. La Figura 45.19 muestra De este modo, para la sierra de Guadarrama podemos
un mosaico de temperaturas mínimas previstas por esperar temperaturas bajo cero los 2-3 primeros días y
ECENS, pasada 2014022600, cinco días antes del después un calentamiento gradual. Las diferencias, co-
evento, para los días previos e incluyendo el del alud, mo mínimo, en orografía y resolución entre el ECENS
es decir 27-02-2014 a 02-03-2014. Las columnas re- de 1996 y el del año 2014 son claras: la predicción de
presentan por tanto los días 26, 27, 28, 01 y 02 y las aludes en 1996 resultaba muy dificultosa y requería
filas representan los umbrales 6, 4, 2, 0, -2, -4 y -6 ºC. extrapolar mucha información por la falta de precisión
Se trata de temperaturas a las 06 UTC, que asumimos en las altitudes del modelo, mientras que en 2014 las
como suficientemente cercanas al valor mínimo diario. pautas y tendencias térmicas, así como pluviométricas,
Como decíamos en el primer caso de alud, cada pe- siguen con nitidez los patrones orográficos.
queño mapa representa en colores la probabilidad de
que la temperatura sea inferior al umbral especificado. En resumen, con las salidas del ECENS del día 26 de
febrero de 2014 se puede «intuir» que las precipita-
ciones serían de nieve los días 26, 27 y 28 de febrero agua en el manto debido la lluvia aumenta la inesta-
y, abundantes y en forma de lluvia, los días 1 y 2 de bilidad del manto de nieve y nos podría haber puesto
marzo. Además, se observa una subida rápida de las sobre aviso de un escenario favorable al desencadena-
temperaturas entre los días 27 y 1. La combinación de miento de aludes en el sistema Central.
nieve reciente, ascenso de temperaturas y aumento de
45.4 De placa húmeda 709
Figura 45.20: Mapa de pendientes, en grados, del área recorrida. Aludes en amarillo e itinerario en rojo. Compuesto
con SAGA [140], usando la topografía del IGN
45.4 Caso 3: Alud de placa hú- construcción de una red hidrológica superficial en el
interior de los macizos, y el agua que cae se pierde
meda. Grupo de cumbres de
rápidamente en el subsuelo. El paisaje está dominado
Peña Vieja. Picos de Europa. por altas torres y profundos hoyos, jous en el habla
28/03/2015 local, y presenta todo el amplio repertorio de formas
superficiales propias de los paisajes cársticos (Figu-
45.4.1 Área de estudio ra 45.20). Otro rasgo destacado de estas montañas es
su elevada pluviometría, y la acusada disimetría que
Los Picos de Europa constituyen un conjunto mon- alcanza la precipitación en una u otra vertiente del ma-
tañoso de características particulares. Están situados cizo. En la fachada marítima, la precipitación supera
al norte del sector central de la cordillera Cantábrica, los 1.800 milímetros anuales a 900 metros de altitud, y
separados de ella por cuencas intramontanas como el distintas aproximaciones y observaciones indican que
valle de Liébana, o por profundos desfiladeros como en la franja comprendida entre 1500 y 2 000 metros
el del río Sella, al oeste. de altitud, la precipitación recibida estaría en torno
a 2500 milímetros. Sin embargo, a sotavento de los
El conjunto está dividido en tres macizos individua- vientos marítimos, la precipitación no supera los 1200
lizados por estrechos tajos fluviales, y la roca sobre milímetros a 1100 metros de altitud.
la que están edificados es casi exclusivamente cali-
za, altamente soluble. Esta circunstancia impide la
Figura 45.21: Sector de Peña Vieja, Valle de las Moñetas y vegas de Áliva en el macizo central de los Picos de Europa.
La línea roja corresponde al itinerario realizado el 28 de marzo y los recintos amarillos a los aludes observados aquel
día. Base cartográfica del Mapa Topográfico Nacional E:1/25 000 editado por el Instituto Geográfico Nacional.
Aunque la altitud es moderada, pues la zona de cum- (Figura 45.21).

bres se desarrolla entre 2 000 y 2600 m, las fuertes
pendientes, lo escarpado del terreno, la falta de agua
en superficie y el predominio del roquedo desnudo 45.4.2 Descripción del evento
otorgan a estas montañas las características de lo que
se da en llamar la alta montaña. El invierno de 2015 había sido extraordinario por la
abundante precipitación caída, y el episodio de neva-
La observación de aludes se realizó el 28 de marzo das del mes de febrero acumuló, en promedio, dos
de 2015, a lo largo de un itinerario bien conocido metros de nieve a 2 000 metros de altitud. Las tempe-
por los esquiadores de montaña, en torno al grupo raturas se mantuvieron bajas, con la isoterma de 0 ºC
de cumbres de Peña Vieja. Desde Fuente Dé se atra- por debajo de los 2 000 metros (Figura 45.22 en la
viesan los Lagos de Lloroza, 1850 m y se alcanza página siguiente). El mes de marzo empezó con un
el Collado de la Canalona, 2450 m, para descender repunte de las temperaturas que duró hasta mediados
después por el Valle de Las Moñetas hasta las Vegas de mes, e hizo ascender la isoterma de 0 ◦ C por enci-
de Sotres (1100 m), y cerrar el circuito atravesando ma de 3 000 metros. Sin embargo, entre los días 15 a
los Puertos de Áliva (1450 m) hasta alcanzar el ca- 26 volvió a caer y se mantuvo por debajo de 1500 m,
mino que desciende finalmente a Espinama (950 m). para subir por encima de 2500 a partir del día 26.
Figura 45.22: Altura de la isoterma de 0 ◦ C, en metros, entre el 1 de febrero y el 31 de marzo de 2015.
En la víspera de esta subida acusada y rápida, nevó de a 50 milímetros de lluvia. El agua caída dibujó sobre
forma generalizada, acumulándose el día 25 un manto la superficie nevada profundos canales que conducían
de nieve de 10 centímetros de espesor a 1 000 metros el agua por la superficie de la nieve (Figura 45.23).
de altitud, de 15 centímetros a 1300 metros, y de entre
25 y 50 centímetros en las zonas más altas del macizo,
en cotas comprendidas entre 1800 y 2500 metros. Pero a la vez, donde el manto era suficientemente
poroso, o a través de las grietas que se forman en el
El día 26, el nivel de la isocero subió de 1100 me- contacto de la roca con la nieve, la lluvia fue pene-
tros a medianoche, hasta 2600 metros al mediodía. La trando el manto y humedeciéndolo, hasta alcanzar la
llegada del frente cálido convirtió la precipitación de superficie donde se asentaba la última nevada de los
nieve en lluvia, y entre las 7 de la mañana del día 26 días 24 y 25, un estrato de entre 20 y 50 centímetros
y las 7 de la mañana del día 27 se recogieron en torno que constituiría la placa propensa a desprenderse.
Figura 45.23: Canales de escorrentía sobre el manto nival, y alud de placa húmeda desprendido bajo los Cuetos de
Juan de la Cuadra, 2237 m (izquierda). Canales de escorrentía sobre el manto nival, bajando al lago de las Moñetas,
1750 m (derecha).
45.4.3 Características de los aludes obser-

vados
El tipo de aludes observado corresponde en todos los
casos a los denominados de placa húmeda. Se llaman
así porque en el manto se reconoce una estructura de nalona (Figura 45.24, izquierda), donde se distinguen
placa que se sobrecarga al recoger humedad de la llu- tres placas sucesivas, y dos fases en la formación de
via caída, o por efecto de la fusión. Frecuentemente, canales de escorrentía y en El Vallellón (Figura 45.24,
la lluvia caída penetra el manto –percola- y produce derecha), donde aparece un depósito a media ladera y
el efecto de lubricar la base de la placa, aumentando el principal en la zona baja.
la discontinuidad y facilitando su deslizamiento.
Los diecinueve aludes observados, tienen una exten-
Durante el recorrido se ha anotado la presencia de die- sión de 2 ha en promedio. Si aceptamos que la placa
cinueve aludes de placa húmeda. Como era de esperar, desprendida tuviera unos 25 centímetros de espesor, y
a la vista de las condiciones que desencadenaron el asignamos como densidad de la nieve húmeda el valor
episodio, se han encontrado en laderas de todas las de 500 kg/m² supondría una masa de nieve movilizada,
orientaciones, sin mostrar preferencias por ninguna. por alud, del orden de 2500 toneladas.
El espesor de la placa desprendida es variable, depen-
diendo del emplazamiento y la altitud, y varía entre los Se desarrollaron entre 1300 y 2400 metros de altitud,
20 centímetros de Lloroza, y más de 50 centímetros aunque tuvieron un recorrido medio de entre 100 y
cerca del collado de la Canalona. En algunos casos, se 200 metros. Se ocasionaron en laderas que tienen una
aprecia la superposición o la ocurrencia sucesiva de al pendiente media de 33º, aunque el alud se ha extendi-
menos dos deslizamientos, como en el alud de la Ca- do desde los 45º a los 23º.
Figura 45.24: Izquierda: zona de fractura de la placa del alud de la Canalona. Se ven al menos tres planos de
deslizamiento. Arriba en la imagen, se identifica el que corresponde a una placa de unos diez centímetros de altura y
que se habría desprendido en primer lugar; el principal, un poco más abajo, que supera los 50 centímetros de grosor
en el corte; y el tercero, que aparece como una línea oblicua desde el centro de la imagen hacia la derecha, de unos
15 centímetros de altura que se produciría al final, cuando ya la lluvia habría dejado de penetrar en el manto, no se
aprecian marcas de escorrentía en el plano que queda al descubierto. Derecha: alud del Vallellón. Se aprecian dos
tramos en el deslizamiento, el primero deja un depósito a media ladera, y el segundo alcanza el final de la ladera,
cuyo depósito atraviesan los esquiadores.
45.4.4 Predicción del ECENS peraturas mínimas previstas por ECENS, pasada
2015032300, cinco días antes del evento, para los
Incertidumbre y predecibilidad durante el episodio. días previos e incluyendo el del alud, en columnas
Cinco días antes del evento, la pasada del ECENS los días 23, 24, 25, 26 y 27 y las filas representan los
del 23 de marzo de 2015, ofrecía unos escenarios que umbrales 6, 4, 2, 0, -2, -4 y -6 ºC. Cada pequeño mapa
mostraban relativamente algo más de incertidumbre representa en colores la probabilidad de que la tem-
para la secuencia de días siguientes que el caso de peratura sea inferior al umbral especificado. De este
1996 (no se muestra por brevedad), al igual que pasa- modo, para la cordillera Cantábrica podemos esperar
ba en el segundo caso de alud y aportando, así, valor temperaturas bajo cero los 4 primeros días y un calen-
añadido al ECHRES. tamiento a partir del día 26. Volvemos a insistir en la
diferencia en orografía y resolución entre el ECENS
Temperaturas esperadas. Igual que en el caso an- de 1996 y los años 2014-2015.
terior, la Figura 45.25 muestra un mosaico de tem-
Figura 45.25: Temperaturas mínimas previstas para los días 23-03-2015 a 27-03-2015 (ver texto).
Figura 45.26: Arriba: probabilidades de nieve (00-24 UTC) estimadas por el ECENS pasada 2015032300 para
el abanico de días 23-03-2015 a 27-03-2015. Las columnas representan los días 23, 24, 25, 26 y 27 y las filas los
umbrales 1, 2, 5, 10 y 20 cm de nieve. Abajo: probabilidades de precipitación total, con umbrales de 1, 2, 5, 10 y
20 mm.
45.5 Lecturas recomendadas 715
Nieve y precipitación total esperadas. En la Figu- cierta consistencia en los mapas de probabilidad de
ra 45.26 en la página anterior se muestra la pasada precipitación total, en los que podemos apreciar se-
del ECENS de 00 UTC del día 23 de marzo de 2015, ñales de probabilidad, aunque pequeña, en umbrales
cinco días antes del evento, la nieve prevista (arri- altos de precipitación (10 y 20 mm). Tal como descri-
ba) y la precipitación total acumulada prevista (abajo), bíamos en el caso anterior de 2014, el ECENS puede
lluvia+nieve que, como ya se ha comentado antes, con- delimitar razonablemente las zonas, aunque es difícil
tiene tanto nieve como agua líquida. La descripción que levante la alerta claramente sobre un fenómeno
general de las características los mapas del segundo de este tipo: no se modelizaban las acumulaciones
alud es la misma que en este caso. En ambas figuras que se dieron. Y ese, de momento, es el valor que
las columnas representan los días 23, 24, 25, 26 y 27 puede esperarse de estos sistemas para prevenir este
y las filas los umbrales 1, 2, 5, 10 y 20 cm de nieve o tipo de eventos. El resto viene de la experiencia y el
mm de lluvia. conocimiento de los profesionales de la predicción,
que seguirán siendo imprescindibles.
Para los días 25-26, en los que hubo considerable pre-
cipitación en forma de nieve para acumular los mantos
descritos anteriormente, sí se tenía una señal consis-
tente de probabilidad de nieve (así como en los días 45.5 Lecturas recomendadas
previos) aunque se registró algo más tarde de lo previs-
to: probabilidades de 60-70 % de nevadas superiores Se recomienda, a modo complementario, la lectura de
a 10 mm el día 25. Tras el calentamiento y subida las siguientes obras, relacionadas con el glaciarismo
considerable de la isocero, la precipitación registrada y el relieve, así como las avalanchas y su predicción:
de 50 mm en forma de lluvia los días 26-27 encuentra [338, 400, 426, 505].
Dos casos de ciclones tropicales atlánticos: Ike (Sep
2008) y Álex (Jul 2010) 46
DOI: 10.31978/014-18-009-X.46
R AMÓN VÁZQUEZ P ÉREZ -BATALLÓN
Vai alta a nuvem que passa

Vai alto o meu pensamento
Que é escravo da tua graça
Como a nuvem o é do vento.
Quadras ao Gosto Popular – F ERNANDO P ESSOA
En el campo de la meteorología tropical uno de los retos operativos más importantes es el pronóstico
de trayectorias de los ciclones tropicales. Este capítulo esta basado en material utilizado en el curso o
taller sobre aplicaciones de los productos del European Centre for Medium-range Weather Forecasts
(ECMWF, cap. 19 en la página 289) a la meteorología tropical, celebrado en La Antigua, Guatemala,
en los años 2011 y 2013, en el que participaron la AEMET, el ECMWF y la Agencia Española
de Cooperación Internacional para el Desarrollo (AECID). En él se comentan distintos aspectos
relacionados con la predicción operativa de dos situaciones de ciclones tropicales atlánticos y se
compara el comportamiento de los sistemas predictivos del ECMWF, el modelo determinista ECHRES
(sec. 19.2 en la página 291) y del sistema de predicción por conjuntos (SPC) ECENS (sec. 19.3
en la página 293) en ambos casos, tratando de hacer énfasis en el valor añadido a las predicciones
deterministas del ECHRES por parte de distintos productos basados en el ECENS.
probabilista, ciclones tropicales, huracán Ike, huracán Álex.
Imagen parte superior: imagen de satélite del huracán Ike el 8 de septiembre de 2008. NASA/Goddard Space Flight Center Scientific
Visualization Studio, https://svs.gsfc.nasa.gov/3557.
Física del caos en la predicción meteorológica Capítulo 46. Dos casos de ciclones tropicales atlánticos: Ike (Sep
718 2008) y Álex (Jul 2010)
Figura 46.1: Evolución en el tiempo de los errores de intensidad (A) y posición (B) del trazador de ciclones tropicales
del ECENS [6].
46.1 Introducción En general, el error de posición en la trayectoria de

un ciclón tropical crece de forma clara con el tiem-
En el campo de la meteorología tropical uno de los po, pero no así, curiosamente, el error en intensidad.
retos operativos más importantes es el pronóstico de De acuerdo con los estudios de Yamaguchi [694], en
trayectorias de los ciclones tropicales [364]. Dado el lo que se refiere al pronóstico de trayectorias, la me-
elevado grado de incertidumbre de este tipo de pronós- dia del ECENS tiene mejor comportamiento que el
ticos, el valor añadido a las predicciones deterministas miembro de control, y la mejora es mayor para rangos
por los sistemas de predicción por conjuntos es apre- largos de predicción. Pero, por otra parte, también hay
ciable, pues nos permiten valorar dicha incertidumbre que tener en cuenta que la media no tiene por qué
de manera objetiva y recogiendo la dinámica de la verificar mejor que la mitad de los miembros del SPC,
atmósfera y sus posibles alternativas en cada situa- y esto a veces puede ser un hándicap en el proceso
ción. Si además se añaden perturbaciones locales en de predicción. Según el estudio de Aemisegger [6],
el entorno del ciclón para generar las trayectorias de para el trazador de ciclones tropicales del ECENS, la
los distintos miembros del sistema de predicción por distribución del error de posición está sesgada positi-
conjuntos (SPC), en este caso el ECENS (sec. 19.3 vamente, es decir, para rangos de predicción largos,
en la página 293), se obtiene una mejora añadida en más del 50 % de los miembros del ECENS verifican
los pronósticos [175]. No obstante, existen métodos mejor que la media (Figura 46.1 B). En cuanto a los
que evalúan las incertidumbres a partir de datos es- errores en el valor de la presión central o intensidad,
tadísticos, normalmente asociados a situaciones me- en este mismo estudio se concluye que dicho error
teorológicas pasadas y análogas a la presente Es el se mantiene relativamente constante (Figura 46.1 A),
caso del conocido cono de probabilidad del National aunque aumente el rango de predicción (el ECENS es
Hurricane Center (National Hurricane Center (NHC) sobreconfiado para este parámetro). En la fecha en la
[466]). que se lea este capítulo es probable que los resultados
aquí mostrados sean algo diferentes, dependiendo de
Habitualmente se utilizan dos medidas de incertidum- la versión operativa del trazador de ciclones tropica-
bre en el pronóstico de ciclones tropicales: el error de les. En cualquier caso, un predictor operativo debería
posición (distancia entre trayectoria prevista y obser- tener en cuenta en sus pronósticos el comportamiento
vada) y el error en intensidad (diferencia en el valor estadístico de los errores de posición e intensidad del
de la presión central del ciclón previsto respecto al trazador en uso en su servicio meteorológico, pues tal
observado), Figura 46.1. conocimiento añadirá valor a sus predicciones.
Figura 46.2: Probabilidades de impacto (A), EPSgramas lagrangianos (B y C) y probabilidades de caer en cada
categoría (D) para el ciclón tropical Irma. ECENS y ECHRES (en trazo negro), 04-09-2017 00 UTC. ECMWF 2017.
El producto operativo del ECMWF que se viene utili- La señal del modelo determinista para estos dos pa-
zando para representar las incertidumbres en la trayec- rámetros de intensidad puede parecer, en principio,
toria de un ciclón, es el mapa de probabilidades de im- mejor o más realista, pero esto es engañoso. A me-
pacto (strike probability, ver 27.7.4 en la página 423 nudo, cuando el modelo determinista todavía no ha
[175]), que da la distribución espacial de la probabili- generado el ciclón ya hay miembros del ECENS que
dad de que un ciclón tropical «caiga» en un círculo de sí lo han hecho, o viceversa, no es raro el caso en
radio 120 km durante las próximas 240 horas (Figura que el modelo determinista lo disipa, mientras hay
46.2 A). Para representar las incertidumbres en inten- miembros del ECENS que mantienen el ciclón en el
sidad se utilizan los EPSgramas lagrangianos, que dan tiempo. No obstante, dada su menor resolución espa-
la evolución temporal de la distribución de la presión cial, los miembros del ECENS tienden a subestimar
central y velocidad máxima asociadas al ciclón y la los máximos de intensidad de un ciclón tropical en la
probabilidad de caer en cada categoría. Se muestra un mayoría de casos.
ejemplo en las Figuras 46.2 B y 46.2 D.
Figura 46.3: Imágenes del canal vapor de agua del 18 de octubre de 2009 a las 19:45 UTC y del 20 de octubre a las
13:45. Ciclón tropical Rick. Fuente: CIMSS.
720 2008) y Álex (Jul 2010)
Una vez iniciada la génesis de un ciclón tropical, una 46.2 Caso 1: Huracán Ike
de las mayores fuentes de incertidumbre en cuanto a
la trayectoria del mismo proviene de la interacción
con sistemas de latitudes extratropicales y de las in- Ike fue un ciclón tropical histórico que tuvo lugar en-
certidumbres asociadas a los ciclos de vida de tales tre el 1 y 14 de septiembre de 2008. Durante buena
sistemas, como por ejemplo las asociadas a las ciclo- parte de su ciclo de vida sostuvo la intensidad de hu-
génesis de latitudes medias en el entorno del ciclón o racán, alcanzando en bastantes periodos las categorías
al comportamiento de las dorsales subtropicales, que 3 y 4 dentro de la escala Saffir-Simpson, como vemos
muchas veces hacen el papel de «guía» de las trayec- en la Figura 46.4, tomada del NHC Tropical Cyclone
torias. Las imágenes de vapor de agua son de gran Report correspondiente para este huracán [44]. Una
utilidad en el diagnóstico y en el «diagnóstico a pos- parte interesante de esta situación meteorológica fue
teriori» de las posibles fuentes de error y «bandazos» el comportamiento de los modelos en el medio plazo.
entre pasadas y en el pronóstico de corto plazo. En la
Figura 46.3 en la página anterior se muestran dos imá- Ike llegó a la isla de Cuba el día 8 de septiembre
genes, correspondientes al ciclón tropical Rick, que como un huracán de categoría 4. Vamos a revisitar
pueden servir de ejemplo a este respecto. En este caso el pronóstico de trayectorias dado por el ECENS y
la incertidumbre sobre el lugar de impacto del ciclón por el modelo determinista ECHRES, partiendo de la
en la costa de México está ligada a la incertidumbre pasada del día 4 de septiembre a las 00 UTC. En la
en la evolución de la ciclogénesis de latitudes medias, Figura 46.5 en la página siguiente podemos ver, en
más al norte. color negro, la trayectoria prevista por el ECHRES,
que proponía un recurve hacia el norte de la trayec-
En este capítulo vamos a ver dos ejemplos sobre la uti- toria, como así hacen una parte de los miembros del
lidad operativa de los productos basados en el ECENS, ECENS. Sin embargo, algunos de los miembros del
y el valor que añaden a las predicciones determinis- ECENS recurvaban el sistema hacia el sur, lo cual
tas del ECHRES, en el pronóstico de trayectorias de llevaría al impacto de Ike en la costa oriental de Cuba
ciclones tropicales [175, 219]. el día 8, como sucedió.
Figura 46.4: Trayectoria e intensidades del huracán IKE, 1-14 de septiembre 2008. Fuente NHC.
46.2 Caso 1: Huracán Ike 721
Figura 46.5: Trayectorias y probabilidades de impacto del huracán IKE para 5 días a partir del día 4 de septiembre
a las 00 UTC. ECMWF 2008.
Aunque las probabilidades de impacto sobre las costas en la costa sur de Estados Unidos.
de Cuba eran bajas, no era descartable dicho impacto,
y eso nos permite pensar, en base a la trayectoria ob- Las causas de este «bandazo» del modelo determinista
servada, que el ECENS estaba funcionando bien. En son difíciles de determinar. Habitualmente es crucial
pasadas posteriores, las del día 5 a las 00 y 12 UTC, la posición e intensidad de la dorsal subtropical de
la versión determinista del modelo corrige su error de niveles medios a la hora de definir la trayectoria de
recurve hacia el norte, dando lugar a un pronóstico los ciclones atlánticos. A menudo, los procesos de
más acertado, que vemos en la Figura 46.6A. A partir ciclogénesis de latitudes medias tienen una apreciable
de este día Ike deja de ser un huracán candidato a influencia en este sentido, pues pueden debilitar dicha
resbalar por la costa oriental de Estados Unidos, como dorsal y facilitar el recurve de los ciclones tropicales
proponía la pasada de 48 horas antes, Figura 46.6B, y hacia el norte, dando lugar a las clásicas trayectorias
pasa a ser un huracán que atravesará la isla de Cuba de que «resbalan» por la costa este de los Estados Uni-
este a oeste, con apreciable probabilidad de impactar dos.
Figura 46.6: Verificación de la posición del centro del ciclón para las pasadas de las 12 UTC de los días 5 (A) y 3
(B) de septiembre. ECMWF 2008.
722 2008) y Álex (Jul 2010)
Figura 46.7: Imágenes del canal vapor de agua del 4 de septiembre a las 13.45 UTC (A) y del 6 de septiembre a las
10.45 UTC (B). Fuente: CIMSS.
En el caso de Ike, podemos atrevernos a especular un cosa bastante rara de ver, tal vez por ceder bastante de
poco, gracias a la secuencia de imágenes del canal su energía a Ike. Es bastante probable que el modelo
vapor de agua. A la vista de dicha secuencia, de la tuviera cierta dificultad para reproducir con precisión
cual se adjuntan solo dos imágenes en el capítulo, es dicha interacción e intercambios de energía y esta po-
admisible sospechar que el modelo determinista del dría ser una causa del «bandazo» entre las pasadas de
día 4 a las 00Z no recogiera bien la interacción del los días 4 y 5. No obstante, un estudio más detallado
ciclón tropical con un sistema extratropical próximo. sería de gran utilidad y necesario para verificar esta
hipótesis.
En la imagen de la Figura 46.7A, día 4 de septiem-
bre, vemos la señal clásica de un proceso de inicio de Terminada la fase de interacción y partiendo de reaná-
ciclogénesis extratropical, al nor-noroeste de Ike. Si lisis que ya recogen los efectos de la misma, -esto es
seguimos la secuencia de imágenes entre los días 4 a partir del día 5-, las predicciones de la evolución
y 6, se aprecia de forma bastante clara la interacción de Ike, tanto por el modelo ECHRES, como por el
y el intercambio de energía entre este sistema y el ECENS mejoran apreciablemente y reproducen bien
ciclón tropical. De hecho, la ciclogénesis extratropi- la evolución del huracán, como puede verse en la Fi-
cal no progresa hacia el este y termina por frustrarse, gura 46.8A.
Figura 46.8: A: Probabilidades de impacto de Ike dadas por el ECENS. B: Errores de posición en la trayectoria
hasta el D+7 para distintos modelos. Pasada de las 00 UTC del día 5 de septiembre de 2008 [39].
46.3 Caso 2: Huracán Álex 723
Figura 46.9: Trayectoria observada y círculos de probabilidad 67 % previstos para Ike según el modelo oficial del
NHC (A) y el ECENS (B). Pasadas de 00 UTC, 09-09-2008 [404].
En la Figura 46.8 en la página anterior, parte B se Este es el método tradicional del NHC para dibujar
muestran los errores en la predicción de la trayectoria sus conos de probabilidad de impacto de los ciclo-
para distintos modelos partiendo de la pasada del día nes tropicales, explicado con más detalle en http:
5 a las 00 UTC. Es interesante ver como a partir del //www.nhc.noaa.gov/aboutcone.shtml. Es im-
día D+4 el ECENS (media de sus miembros) presenta portante destacar que los conos de probabilidad, así
los menores errores de posición de la trayectoria de definidos, no contienen información sobre las incerti-
Ike. dumbres asociadas a la situación sinóptica en la que
se genera y con la que evoluciona el ciclón tropical
dado. Esta es una posible desventaja que no presenta
Volviendo a la evolución de Ike, las observaciones
un trazador basado en un SPC que siempre recoge la
muestran que al final del día 9 de septiembre, después
dinámica de la situación concreta, incluyendo pertur-
de haber recorrido la isla de este a oeste, el ciclón
baciones.
tropical deja Cuba. A partir de aquí el ECENS tiene
un comportamiento más que aceptable para las trayec-
torias previstas, como muestra la Figura 46.9B, que
compara las trayectorias medias dadas por el ECENS 46.3 Caso 2: Huracán Álex
y por el modelo oficial del NHC con la observada. En
este caso, la media del ECENS verificó claramente El ciclón tropical Álex inicia su ciclo de vida como
mejor que el propio ECHRES, que daba el impac- una depresión tropical en el mar Caribe el día 25 de
to bastante al oeste de donde sucedió. Se muestran julio de 2010, pasando enseguida a la categoría de
también los círculos de probabilidad que contienen tormenta tropical, carácter que mantiene buena parte
el 67 % de los miembros en el caso del ECENS. En de su ciclo de vida, mostrado en la Figura 46.10 en la
el caso del NHC el círculo de probabilidad tiene ca- página siguiente, tomada del Tropical Cyclone Report
rácter estadístico, como ya comentamos al principio elaborado por el NHC para Álex. En su recorrido atra-
del capítulo, y está definido a partir del percentil viesa la península de Yucatán y después el golfo de
67 de la distribución de los errores de posición pa- México, donde se intensifica apreciablemente, pasan-
ra una muestra de casos elegidos durante los 5 años do a la categoría de huracán y llegando a tocar tierra
anteriores. El centro de los círculos corresponde a el día 1 de julio ya casi en el extremo norte de la costa
las posiciones dadas por el modelo oficial del NHC. mejicana [495].
724 2008) y Álex (Jul 2010)
Figura 46.10: Trayectoria e intensidades del ciclón tropical ÁLEX. 25/06-02/07, 2010. Fuente: NHC.
Es curioso cómo la pasada del ECHRES del día 22 de importante notar que esta pasada no reproduce de for-
junio a las 00 UTC, Figura 46.11, es bastante precisa ma correcta ni la trayectoria ni el ciclo de vida. Por
en cuanto al lugar de impacto del ciclón, no así en contra, la pasada de 24 horas después, el día 23 a las
cuanto a su intensidad ni momento de impacto, pues 00 UTC, da un error de localización del ciclón mucho
lo anticipa unas 24 horas. Aunque no se muestra, es mayor y sobrestima apreciablemente la intensidad.
Figura 46.11: Predicción del modelo determinista del ECMWF para el día 30 de junio de 2010 a las 12 UTC.
Pasadas de los días 22 y 23 de junio a las 00 UTC. Fuente: G ARCÍA M ÉNDEZ, A., ponencia en el Taller sobre
aplicaciones de los productos del ECMWF a la meteorología tropical, 2011, La Antigua, Guatemala.
Figura 46.12: Probabilidad de que un ciclón tropical impacte en un entorno de 300 km de radio para los días D+4 a
D+6 (A) y D+7 a D+9 (B), pasada de las 00 UTC del 22-06-2010. ECMWF 2010.
Si nos fijamos en las probabilidades de impacto del golfo de México. Las probabilidades de impacto que
ECENS del día 22 a las 00 UTC, Figura 46.12B, ve- da el ECENS para la Península de Yucatán son cero o
mos que la nube de probabilidad en el entorno del próximas a cero, a pesar de que el ciclón atravesó la
día 30 de junio (D+9) contempla las dos salidas deter- misma entre el D+5 y D+6 (días 27 y 28) con catego-
ministas de la Figura 46.11 en la página anterior. La ría de tormenta tropical. De nuevo, esto puede estar
probabilidad de impacto sobre la costa nororiental de relacionado, además de con errores en la trayectoria,
México (zona del impactó en tierra de Álex) está en con la intensidad que reproducen los miembros del
torno al 15 %, como muestra la misma Figura. ECENS para este sistema.
La información de los productos de un SPC pueden

usarla los predictores para valorar la incertidumbre y Si nos fijamos en la pasada del día siguiente, 23 de ju-
dar distintos matices a sus pronósticos. Es llamativo y nio a las 00 UTC, tanto el ECHRES como el ECENS,
pide interpretación el hecho de que las probabilidades generan el ciclón tropical, aunque ni el determinista,
de impacto en el periodo D+4 a D+6, Figura 46.12A, ni el miembro de control, ni la media del ECENS
sean tan bajas y poco extendidas espacialmente. La reproducen demasiado bien su recorrido y ciclo de
causa es, probablemente, que el modelo no llegó a vida, como vemos en la Figura 46.13A. Además, es
generar un sistema de la intensidad suficiente como apreciable el “bandazo” del modelo determinista en
para catalogarlo de ciclón tropical en la mayoría del cuanto a la posición prevista para Álex.
Figura 46.13: Predicción del ECHRES y del ECENS para el día 30 de junio de 2010 a las 00 UTC. Pasadas de los
día 23 y 25 de junio a las 00 UTC. Fuente: G ARCÍA M ÉNDEZ, A., ponencia en el Taller sobre aplicaciones de los
productos del ECMWF a la meteorología tropical, 2011, La Antigua, Guatemala.
726 2008) y Álex (Jul 2010)
Esta nueva disposición está, sin embargo, bastante donde el modelo determinista genera el ciclón no es
apoyada por las probabilidades del ECENS en sus demasiado alta, pues la mayoría de los miembros del
pasadas de los días 22 y 23 a las 00 UTC, aunque es ECENS se dispersan bastante alrededor de la posición
errónea en buena medida, según lo observado. que señala el modelo determinista, quedando el máxi-
mo de probabilidad hacia el oeste de dicha posición.
Estos «bandazos» en los modelos deterministas son Tan solo unos pocos miembros del ECENS sitúan el
muy típicos en el medio plazo en la predicción de ci- ciclón en tiempo y lugar, es decir, en la costa noro-
clones tropicales y deben ser tenidos en cuenta por el riental mejicana, lo cual no eleva la confianza ni la
predictor para «templar» la señal determinista con los focalización del predictor en esta zona, aunque al me-
productos del ECENS. En el caso de Álex los «war- nos le permite no descartarla, cosa que probablemente
nings» del NHC, basados en distintos modelos, fueron haría de no contar con datos del ECENS.
un tanto confusos y cambiantes de un día para otro,
lo cual habla de la incertidumbre en la génesis y en la La primera pasada en que el modelo del ECMWF re-
evolución de este ciclón tropical. produce bien el ciclo de vida de Álex, tanto en cuanto
a trayectoria como a intensidades, es la del día 25 a
Volviendo a la Figura 46.13 en la página anterior parte las 00 UTC, que coincide con el día de nacimiento de
A, vemos que la probabilidad de impacto en la zona Álex como depresión tropical.
Figura 46.14: Probabilidades de impacto y trayectorias previstas (D+0 a D+5) para el ciclón tropical Álex dadas
por el ECENS y por el ECHRES a partir de las pasadas de las 00 UTC de los día 26, 27, 28 y 29 de junio de 2010.
ECMWF 2010.
Una ventaja de esta pasada es que el modelo ya cuen- zona del suceso muy próximas a cero. De nuevo un
ta con observaciones precisas de la configuración del ejemplo en el que se comporta mejor una pasada más
campo de presión en superficie para generar su estado lejana en cuanto a rango temporal. A partir del día
inicial. Partiendo de las pasadas de las 00 UTC del 27 las cosas se van ajustando más a lo «esperable»
día 25, Figura 46.13 en la página 725 parte B, vemos y las probabilidades de impacto aumentan de forma
que la probabilidad de impacto es alta (mayoría de considerable según nos acercamos al momento del
miembros del ECENS) donde el ECHRES sitúa el impacto en tierra. No obstante, en ningún caso, ni el
ciclón, junto con el miembro de control y la media ECHRES ni los máximos de probabilidad del ECENS
del ECENS. Esta configuración dará bastante robus- reproducen con precisión el lugar de impacto del hu-
tez y confianza a los pronósticos que se basen en esta racán, de modo que la zona de máxima focalización
pasada. de los avisos de un predictor que se basara en estos
productos, quedaría siempre apreciablemente más al
A partir del día 26 las probabilidades de impacto so- sur de donde se produjo el evento, pues en dicha zona
bre la costa nororiental mejicana dadas por el ECENS las probabilidades de impacto están en torno al 20-
irán en aumento, como vemos en la Figura 46.14 en 40 %, yendo de menos a más a medida que se acorta
la página anterior. No obstante, los "bandazos" del el rango de predicción. Vemos pues, en este ejemplo,
modelo determinista se mantienen, aunque con menor la importancia de que los pronósticos de impacto de
amplitud que en días anteriores. ciclones tropicales en tierra tengan un fuerte carác-
Es interesante notar que la pasada del día 25 tiene ter probabilista, dadas las amplias incertidumbres en
algo más de calidad o habilidad (destreza, pericia, las trayectorias y los frecuentes bandazos de los mo-
skill, sec. 15.2.3 en la página 211) que la del día 26, delos deterministas, incluso en rangos de predicción
la cual da probabilidades de impacto de Álex en la relativamente cortos.
Predicción en Myanmar (Nov-Dic 2015)
47
DOI: 10.31978/014-18-009-X.47
A NTONIO G ARCÍA M ÉNDEZ

Ex Área de Técnicas y Aplicaciones de Predicción (ATAP), Agencia Estatal de Meteorología (AEMET)
Ex Meteorological Analyst, European Centre for Medium-range Weather Forecasts -Centro Europeo de Predic-
ción a Plazo Medio- (ECMWF)
El clima tropical me sienta admirablemente bien; me hace

ansiar vivir tranquilo durante algún tiempo.
C HARLES DARWIN
Este ejemplo no presenta casos de fenómenos muy extremos. Se trata

más bien de exponer tácticas para explotar en la predicción los produc-
tos del ECMWF en una zona tropical en el sudeste asiático: Myanmar
(Figura 47.1). Se describe así un proceso de predicción probabilista
entre las fechas 25 de noviembre y 2 de diciembre de 2015.
probabilista, meteorología en Myanmar, predicción mensual, proceso de predicción en cascada.
Imagen parte superior: mar de nubes de stratus y stratocumulus. Inmediaciones del Puerto de Navacerrada (Madrid), hacia el suroeste, 1
de enero de 2007, a las 16:54, fotografía de J OSÉ A NTONIO Q UIRANTES C ALVO.
730 Física del caos en la predicción meteorológica Capítulo 47. Predicción en Myanmar (Nov-Dic 2015)
Figura 47.1: Mapa de Myanmar con orografía del modelo determinista ECHRES (sec. 19.2 en la página 291).
A finales de noviembre de 2015, el autor de este caso sede del servicio meteorológico está en Nay Pyi Taw,
acudió en una misión de la OMM a visitar el servi- la nueva capital de este país, Myanmar (Figura 47.1),
cio meteorológico de Myanmar. Su trabajo consistía conocido anteriormente como Birmania. En el mes de
básicamente en implementar herramientas para un noviembre se registra en este lugar poca precipitación
sistema de verificación e introducir el sistema de pre- y temperaturas medias de 24 ºC (Figura 47.2).
dicción del ECMWF (cap. 19 en la página 289). La
Figura 47.2: Climogramas en Nay Pyi Taw, capital de Myanmar, precipitación (izquierda) y temperatura (derecha),
https: // en. climate-data. org/ .
47.1 Predicción durante la visita 731
Figura 47.3: Diagrama que muestra la interpretación de un EPSgrama.
47.1 Predicción durante la visita Para comenzar, a final de noviembre hubo cuatro días
seguidos con temperaturas extremas. Extremas en el
Aunque el motivo de la visita no era actuar como pre- sentido de temperaturas máximas sobre el percentil
dictor, resultó muy indicado completar la enseñanza 99 de la climatología del modelo (ver 27.7.1 en la
con ejercicios de predicción en vivo y en directo. Se página 419). Esto es lo que muestra el EPSgrama
comenzó por asegurar que los predictores hacían una (ver 27.8.1 en la página 426) de la Figura 47.4 que
interpretación correcta de los EPSgramas. Éste ha si- incluye la prediccion a 15 días vista con las tempera-
do un problema recurrente en muchos países, tanto turas máximas y mínimas junto con la climatología
en Latinoamérica como en Europa, África y Asia. La del modelo.
Figura 47.3 es un ejemplo de esta interpretación [509].
Figura 47.4: EPSgrama del ECENS (sec. 19.3 en la página 293) con clima del modelo mostrando temperaturas
máximas extremas en Nai Pyi Taw.
Figura 47.5: EFI t2m y clima del modelo para el percentil 90.
El uso de conceptos probabilistas y parámetros de- te, muestran valores EFI por encima de 0,6 y valores
rivados como el EFI (sec. 27.7.2 en la página 420) de SOT superiores a cero. La Figura 47.4 en la pági-
y su aplicación práctica, fueron determinantes para na anterior complementa detalles para la localización
este caso en particular mediante la comparación de concreta de Nai Pyi Taw. Efectivamente, las tempe-
las salidas ECENS con la climatología del modelo. raturas fueron inusualmente altas para esta época del
año en esta zona (35 ºC tres días seguidos).
Desde la introducción de importantes mejoras en el
modelo (configurando la versión llamada ciclo 41R1)
en la primavera del 2015, esta climatología del mo- A partir de aquí puede hacerse un ejercicio de predic-
delo se recalcula dos veces a la semana usando las ción usando el material disponible del ECMWF en sus
repredicciones de los últimos 20 años, 11 miembros páginas web (desgraciadamente, gran parte del mate-
del ECENS (incluyendo el control) y 5 semanas (la rial no es de acceso abierto). Antes de comenzar dicho
semana en curso, además de dos anteriores y dos pos- ejercicio, es necesario tener en cuenta las siguientes
teriores). Así, para cada posición y período de pre- recomendaciones para un proceso que llamaremos de
dicción, la climatología del modelo está constituida predicción en cascada, moviéndonos desde el plazo
por 1980 valores, multiplicando por tres los valores largo hasta la predicción a muy corto plazo.
disponibles en versiones anteriores, disminuyendo de
esta forma errores en el muestreo (sec. 27.7.1 en la
página 419).
La Figura 47.5 muestra un ejemplo de EFI y SOT 47.2 Proceso de predicción en cas-
(sec. 27.7.3 en la página 422) con validez para el 29 cada
de noviembre de 2015. La climatología del modelo a
la derecha está calculada para el percentil 90, es decir
sólo en 10 de cada 100 casos la temperatura resulta Se dan aquí unas recomendaciones para el proceso
superior a la mostrada en el mapa. La parte central de predicción en cascada, durante el cual aprendimos
y meridional de Myanmar y países limítrofes al es- mucho.
47.2 Proceso de predicción en cascada 733
47.2.1 Predicción a largo-medio plazo Se pueden extraer detalles de parámetros meteoro-

lógicos en áreas particulares de los EPSgramas a
Cada lunes y/o jueves mirar la Predicción Mensual 10 y 15 días (incluyendo EPSgramas de olas).
(sec. 28.2 en la página 460). Esto proporciona una vi- Trayectorias de ciclones tropicales en el caso en
sión global de las condiciones generales para al menos que uno de ellos se encuentre en nuestra área de
la semana en curso y la siguiente. La tercera sema- responsabilidad.
na ofrece también indicaciones útiles en el caso de Hacer comparaciones con el modelo determinista,
tendencias fuertes. En particular, deben estudiarse: es decir, comparar ECENS con ECHRES.
Anomalías de precipitación, MSLP y T2m.

Probabilidades en los terciles superior e inferior de 47.2.3 Predicción a corto plazo
la climatología del modelo.
Combinación del modelo determinista, modelos de
área limitada y, si se dispone de ellos, modelos de
47.2.2 Predicción a plazo medio mesoescala (e. g. HARMONIE-AROME, sec. 20.4
en la página 310).
Utilizar desde el D+3 al D+10 el ECENS. Prome-
dio y dispersión para MSLP, T y viento a 850 hPa
y 500 hPa. 47.2.4 Predicción a corto y muy corto pla-
Comprobar el EFI para valorar si algún suceso zo hasta T+24
inusual esta presente en la predicción. En el caso
de encontrar valores relevantes de EFI en el área de Combinación de radar, imágenes de satélite y obser-
interés deben mirarse más detalles (punto siguien- vaciones en tiempo real, con modelos de mesoesca-
te). la si se dispone de ellos.
Figura 47.6: Predicción mensual ECMWF válida para 30 Nov 2015 a 6 Dic 2015.
Figura 47.7: EFI tmax y probabilidades de tmax > 30 ºC, válido para 3 de diciembre de 2015.
47.3 Ejercicio de predicción para El mapa de EFI multiparámetro (Figura 47.8, t2m,
viento a 10 metros y precipitación), muestra un valor
Nai Pyi Taw (Myanmar)
de EFI para la precipitación de 0,6, lo que indica valo-
res significativos por encima de los valores climáticos
Predicción a largo plazo. La prediccion mensual (Fi- medios. Hay que tener en cuenta que estos valores
gura 47.6 en la página anterior) muestra anomalías medios son bajos en esta época del año, por lo que
de precipitación en Myanmar para la semana entre un EFI=0,6 no indica cantidades altas de lluvia. Los
el 30 Nov 2015 y el 6 Dic 2015 con dos semanas de predictores locales llaman a esta lluvia en diciembre
antelación y una señal creciente. untimely precip, que se podría traducir como precipi-
tación fuera de temporada.
Predicción a medio y corto plazo. Con una antela-
ción entre 5 y 6 días, el ECENS muestra señales de
precipitación para el viernes 4 de diciembre por enci-
ma de los valores climáticos medios.
Valores de temperaturas máximas a 2 metros por en-

cima o sobre el percentil 99 de la climatología del
modelo se muestran con claridad los tres primeros
días de la semana (Figura 47.4 en la página 731). El
percentil 99 de la climatología para la temperatura
máxima era 33 ºC y la temperatura que se registró en
Nai Pyi Taw el martes 29 de noviembre fue de 35 ºC.
Los valores de EFI y las probabilidades para la Tmax

por encima de 30 ºC pueden verse en la Figura 47.7. Figura 47.8: EFI multiparámetro.
47.3 Ejercicio de predicción para Nai Pyi Taw (Myanmar) 735
teorológico que queremos predecir. Para subsanar este

problema, se utiliza el SOT (Shift of Tails) que aparece
explicado en otro caso de estudio. De cualquier forma
no debe asociarse necesariamente un valor significati-
vo de EFI con una situación de fenómenos adversos
(ver fenómeno meteorológico adverso (FMA)). Ima-
ginemos por ejemplo una predicción del ECENS en
agosto para Sevilla o Córdoba para Tmax con valores
entre 20 y 25 ºC, mientras la climatología del modelo
ofrece valores entre 30 y 42 ºC. En esta situación el
EFI ofrecería una señal con valor EFI=-1 y aparecería
en un mapa como «frío extremo». Obviamente no se
trataría de una situación peligrosa para la población,
excepto quizás para la venta de helados y refrescos.
La Figura 47.9 muestra cómo las probabilidades para

precipitaciones por encima de 10 mm / 24 horas to-
man valores entre el 60 y el 90 % para el viernes 4 de
Figura 47.9: Probabilidades de precipitación superior a
diciembre. Esto es consistente con lo visto anterior-
10 mm / 24 h, T+84, T+72, T+48 y T+24. Válida para
4 diciembre de 2015, 00 a 24 UTC. mente para los valores de EFI.
Más detalles pueden extraerse de la Figura 47.10, don-

Antes de sacar conclusiones manejando el EFI es con- de se representa un EPSgrama a 15 días (ver sec-
veniente primero conocer con precisión su significado ción 27.8.1 en la página 426) de precipitación y de
(para más detalles, consultar 27.7.2 en la página 420 la climatología del modelo para esta localidad. Aquí
y 27.7.3 en la página 422). El EFI es un parámetro se observa lo escasas que son en la climatología las
diseñado para evaluar las diferencias entre las pre- precipitaciones en diciembre. El percentil 99 de la cli-
dicciones y la climatología del modelo. Está norma- matología es de sólo 12 ó 13 mm / 24 horas (es decir,
lizado para un rango de valores entre -1 (todas las sólo en un caso de cada 100 la climatología supera
predicciones están por debajo del valor mínimo de esos valores). También se observa en el EPSgrama
la climatología) y +1 (todas las predicciones superan que la media del ECENS para el 4 de diciembre es
el valor máximo de la climatología). Una vez que se de unos 3 mm / 24 horas, si bien con una dispersión
alcanzan los valores de saturación (-1 ó +1), el EFI apreciable. De este gráfico se infiere también que la
pierde información. Lo que se pierde en tales casos, es probabilidad de superar los valores del percentil 99 de
la valoración de cómo es de extremo el fenómeno me- la climatología es de aproximadamente un 30-35 %.
Figura 47.10: EPSgrama a 15 días para Nai Pyi Taw.

Figura 47.11: CDF de precipitación D+2 para Nai Pyi Taw.
La Figura 47.11 muestra lo que se conoce como CDF qué punto el ECENS ha sido consistente en la predic-
(función de distribución acumulada). La información ción de este parámetro. En las Figuras 47.12 y 47.13
que puede extraerse de este gráfico es que en una pre- en la página siguiente, se muestra una secuencia de
dicción a 48 horas las probabilidades de recibir mas EPSgramas con predicciones ECENS de precipitación.
de 5 mm / 24 horas son del 55 % en la predicción y La señal está presente desde 6 días antes, con varia-
sólo del 5 % en la climatología del modelo. Este gráfi- ciones en la dispersión. Esta dispersión, tanto de los
co también da cuenta del motivo de los valores EFI de valores como de la ventana de precipitación, decrece
0,6. El valor del EFI es a grandes rasgos proporcional claramente con el rango de la predicción. La media
al área entre la curva de la predicción ECENS y la del ECENS es más consistente, como era de esperar,
de la climatología del modelo. Ambos gráficos nos que el modelo determinista. El modelo determinista
permiten refinar y llegar a más detalles locales. ECHRES normalmente ofrece consistencia óptima en
el corto plazo, y el ECENS en el medio plazo.
Llegados a este punto, podemos preguntarnos hasta
Figura 47.12: EPSgramas de precipitación del ECENS para Nai Pyi Taw (a, b).
47.3 Ejercicio de predicción para Nai Pyi Taw (Myanmar) 737
Figura 47.13: EPSgramas de precipitación del ECENS para Nai Pyi Taw (c, d, e, f).
La predicción de precipitaciones del modelo determi- bre de 2015 entre 06 y 18 UTC. La consistencia del
nista se muestra en la Figura 47.14 con rangos entre modelo determinista es bastante buena como puede
132 y 36 horas todas ellas válidas para el 4 de diciem- apreciarse.
Figura 47.14: Precipitación determinista prevista por el modelo ECHRES (ECMWF T1279), válida para el 4
diciembre de 2015 06-18 UTC.
La Figura 47.15 muestra imágenes Meteosat IR, en Índico y alrededores del golfo de Bengala y una banda
particular VISSR (IODC) 057.0E IR válidas para los de precipitación barriendo Myanmar y adentrándose
días 4 y 5 de diciembre de 2015 a las 00 y 12 UTC. en China y Tailandia.
En ellas se aprecia convección profunda en el océano
Figura 47.15: Imágenes Meteosat VISSR (IODC) 057.0E IR válidas para los días 4 y 5 de diciembre de 2015 a las
00 y 12 UTC.
Imágenes Meteosat IR del sensor VISSR (IODC) En particular, el canal IR térmico tiene una resolución
057.0E IR. El satélite geoestacionario Meteosat 7, horizontal de 5 km en nadir, una resolución temporal
perteneciente a la serie de satélites Meteosat de pri- de 30 minutos y un intervalo espectral entre 10.5-
mera generación, ha estado posicionado en 57 °E de 12.5 μm. Dicho canal se usa para la obtención de
longitud con el objetivo de tomar datos sobre la zona imágenes, tanto de día como de noche, y también para
del océano Índico hasta el 31 de marzo de 2017. Di- determinar la temperatura de los topes nubosos y de
cho satélite lleva a bordo el sensor VISSR (Meteosat la superficie del mar, ya que esta banda corresponde a
Visible/Infrared Spin Scan-Radiometer) que consta de un máximo de emisión de radiación por parte de la su-
tres canales: uno en el rango visible, otro en la zona perficie terrestre y de la atmósfera, de acuerdo con sus
de absorción de vapor de agua y otro en una región respectivas temperaturas. Para obtener más informa-
ventana del IR térmico. ción sobre este sensor, puede consultarse el capítulo 7
en la página 83 y la siguiente web: https://www.
wmo-sat.info/oscar/instruments/view/337.
47.4 Conclusiones Se presenta un procedimiento denominado predicción

en cascada, moviéndonos desde el plazo largo hasta la
La utilización de las herramientas que proporciona el predicción a muy corto plazo. En los diferentes pasos
ECENS permite el estudio y evaluación de escenarios se recorren distintas escalas espaciales y temporales,
alternativos a la predicción, aun cuando no estemos aspectos predictivos y diferentes herramientas.
lidiando con casos extremos.
En este caso se realiza un ejercicio cotidiano de pre-
dicción, en Myanmar, sudeste asiático, lo que pone de Resulta de particular importancia e interés la posibi-
relieve la versatilidad de las herramientas del ECMWF lidad de evaluar el potencial de fenómenos adversos,
(aunque desgraciadamente, gran parte del material en contrastando la predicción probabilista con la clima-
sus páginas web no es de acceso abierto). tología del sistema.
Influencia de la tormenta tropical Gastón en ola de
calor en España (Sep 2016) 48
DOI: 10.31978/014-18-009-X.48

Este día de invierno hace calor al sol. Pero frío.

U EJIMA O NITSURA, Poeta Japonés
El 22 de agosto de 2016, la tormenta tropical Gastón se desarrolló al suroeste de cabo Verde. Su

desplazamiento fue en dirección noroeste hasta el 30 de agosto cuando, al alcanzar los 30º N 55º W,
giró en dirección noreste. El cambio de trayectoria ocasionó una inyección masiva de energía en la
circulación de los denominados Oestes (vientos del oeste) en el Atlántico, lo que se tradujo en un
aumento notable de la incertidumbre atmosférica. Bajo esta influencia, el flujo zonal en el Atlántico
se amplificó rápidamente, desarrollando una configuración omega muy marcada con la dorsal central
sobre el suroeste de Europa y norte de África. Una consecuencia fue la llegada a la península ibérica
de flujos muy cálidos y secos desde el norte de África.
probabilista, tormenta tropical Gastón, ola de calor en España septiembre 2016.
Imagen parte superior: “Olas en el mar de nubes”. Desde el Pico de la Cruz, en la isla de La Palma, el 4 de septiembre de 2007 a las
18:52 horas. Fotografía de F ERNANDO B ULLÓN.
Física del caos en la predicción meteorológica Capítulo 48. Influencia de Gastón en ola de calor en España (Sep
742 2016)
Figura 48.1: (a) Imagen WV con el huracán Gastón el 30 de agosto de 2016

(b) Imagen simulada WV ECMWF y MSLP H+72 VT: 31 de agosto de 2016; 00 UTC (c) Probabilidad de Gastón de
pasar en un radio de 120 km. ECMWF H+00 a H+240 (d) Posicion observada de Gastón 23 de agosto de 2016 a 3
de septiembre de 2016.
48.1 Descripción sinóptica y pre- partir del 31 de agosto y finalmente la trayectoria ob-
servada desde el 23 de agosto al 3 de septiembre de
dicción mensual
2016. Los puntos que marcan la trayectoria están co-
La Figura 48.1 muestra al huracán Gastón el 30 de loreados de acuerdo a la categoría de la perturbación.
agosto de 2016, una simulación determinista a 72 ho- TD (depresión tropical), TS (tormenta tropical), STS
ras, el seguimiento probabilista de su trayectoria a (tormenta tropical severa) y TYP/HUR (huracán).
Figura 48.2: Imágenes Meteosat WV, flujo superpuesto subjetivamente, para 31 de agosto 00 UTC y 2 a 7 de
septiembre de 2016.
48.1 Descripción sinóptica y predicción mensual 743
Figura 48.3: Espaguetis (ver 27.2.2 en la página 404) del campo de altura geopotencial en 500 hPa, para 560 dam
basados en el 1 de septiembre de 2016 a 00 UTC (H+00, H+24, H+96 y H+120).
La Figura 48.3, muestra como el ECENS describe la cirscunscribe al oeste de Portugal. Ver Figuras 48.4,
captura de los restos de Gastón y el impacto brutal 48.5 y 48.6 en la página siguiente.
que esta captura tiene, perturbando extraordinariamen-
te un flujo zonal y desarrollando una configuración
omega con gran amplitud.
Esta descripción prevista por el ECENS, queda corro-

borada por lo que se aprecia en las imágenes de WV
de la Figura 48.2 en la página anterior. El desarrollo
muy rápido de la dorsal sobre las islas británicas en-
tre el 2 y el 4 de septiembre, atrae flujos africanos
de componente sur sobre la península ibérica. Este
flujo cálido y muy seco queda aún más realzado por
la presencia de una baja en los alrededores del golfo
de Cádiz.
La predicción mensual [509] comienza a dar señales

de anomalías cálidas (respecto al clima del modelo)
con tres semanas de anticipación, dos semanas antes
la señal es muy clara no solo sobre la península ibéri-
ca, sino también extendiéndose a Europa occidental Figura 48.4: ECMWF Predicción mensual, semana+3,
y central. La excepción a estas anomalías cálidas se VT: 5-11 de septiembre de 2016.
744 2016)
en la página 419). Este clima se calcula en la actuali-
dad dos veces a la semana, usando siempre la versión
operativa del IFS. El cálculo consiste en reprediccio-
nes usando 10 miembros ECENS más el miembro de
control, 5 semanas (la semana en curso, las dos ante-
riores y las dos posteriores) para los últimos 20 años.
El resultado final se construye usando 9 conjuntos de
repredicciones siendo la fecha central la del Jueves o
Lunes anterior mas próximo a la ensemble a utilizar.
En resumen, tenemos 20 años x 11 miembros x 9 re-
predicciones = 1980 valores que describen el clima
del modelo para un lugar dado y un rango de predic-
ción. Este clima se utiliza no solo para la predicción
mensual, sino también para los parámetros derivados
Figura 48.5: ECMWF Predicción mensual, semana +2,
del ECENS, como son el EFI y el SOT de los que
VT: 5-11 de septiembre de 2016.
vamos a ver detalles más adelante.
48.2 ECENS
En las Figuras 48.7 y 48.8 en la página siguiente, se

muestran series temporales de predicción de tempe-
raturas a 2 metros, máxima y mínima, para Sevilla
y Córdoba con base en la pasada del 3 de septiem-
bre de 2016 a 00 UTC. El tamaño de las cajas en
estos gráficos está directamente relacionado con la
dispersión del ECENS para cada parámetro y rango
de predicción. Igualmente, las marcas que aparecen en
las cajas, tienen relación con el porcentaje de miem-
bros del ECENS que predicen un determinado valor.
Una explicación cualitativa aparece, superpuesta, en
Figura 48.6: ECMWF Predicción mensual, semana +1, la parte superior de cada figura.
VT: 5-11 de septiembre de 2016.
Tanto en las series de Sevilla como en la de Córdoba,
se aprecian valores de la temperatura máxima previs-
Cuando hablamos de anomalías, obviamente necesita- ta sobre el percentil 90 del clima durante cinco días
mos un patrón de comparación. Este patrón esta cons- consecutivos, desde el 3 hasta el 7 de septiembre; y
tituido por el clima del modelo (ver detalles en 27.7.1 superando el percentil 99 los días 5 y 6.
Figura 48.7: EPSgramas 15 días, temperatura a dos metros (T2m) con clima para Sevilla.
48.2 ECENS 745
Figura 48.8: EPSgramas 15 días, T2m con clima para Córdoba.
Esta pauta, traducida en números redondos significa cutivos con temperaturas máximas superando el per-
que solo en 20 ocasiones los valores del clima han centil 90 y alcanzando o superando el percentil 99
superado este umbral durante los últimos 20 años. Por dos de estos días. El máximo de temperaturas alcanza
lo que, en promedio, cada verano el percentil 99 solo Madrid un día mas tarde que en Andalucía y Extrema-
se supera en una ocasión y en el caso que nos atañe dura.
la predicción del ECENS nos dice que se va a superar
dos días consecutivos, lo que supone una situación de Estos EPSgramas muestran claramente un caso extre-
extrema rareza. mo. El clima del modelo para temperaturas máximas
en el percentil 99 se puede ver en la Figura 48.11 en
Los EPSgramas de Cáceres y Madrid de las Figu- la página siguiente. Aquí pueden apreciarse valores
ras 48.9 y 48.10, muestran de nuevo cinco días conse- que superan los 40 ºC en el valle del Guadalquivir.
Figura 48.9: EPSgramas 15 días, T2m con clima para Cáceres y Madrid.
Figura 48.10: EPSgramas 15 días, T2m con clima para Cáceres y Madrid.
746 2016)
ciones están por debajo del valor mínimo del clima y
un valor EFI=+1 significa que todas superan el valor
máximo del clima.
La Figuras 48.12 y 48.13, muestra predicciones EFI

validas para el 7 de septiembre usando distintos ran-
gos de predicción. Se observa un incremento gradual
de este índice según nos aproximamos a la fecha an-
tes citada. Superpuesto al EFI, en estos gráficos se
muestra también el llamado SOT (Shift of Tails, ver
sección 27.7.3 en la página 422) que podría traducirse
como desplazamiento en los extremos. Este índice
nos proporciona información sobre como es de ex-
Figura 48.11: Clima del modelo tmax percentil 99, 06- tremo un fenómeno previsto. La señal del SOT surge
09-2016. cuando un número apreciable de predicciones ECENS
superan el valor máximo o están por debajo del va-
lor mínimo. La utilidad del SOT estriba en que, en
El índice de predicciones extremas EFI (Extreme Fo- tales casos extremos, el EFI pierde información en
recast Index, ver sección 27.7.2 en la página 420), es las colas de la distribución ECENS. Algunos detalles
un parámetro que evaluá en que medida las prediccio- sobre su cálculo se muestran en las Figuras 48.17 en
nes del ECENS se apartan de los valores climáticos. la página 748 y 48.18 en la página 748 (más detalle
Este índice esta normalizado con un rango entre -1 en la sec. 27.7.2 en la página 420 y la sec. 27.7.3 en
y +1. Un valor EFI=-1 significa que todas las predic- la página 422).
Figura 48.12: ECENS 31-08-2016 H+144-168 VT: 06-09-2016 00 UTC - 07-09-2016 00 UTC. Izquierda: EFI y SOT
T2m. Derecha: percentil 99 de la climatología correspondiente.
Figura 48.13: ECENS 02-09-2016 H+96-120 VT: 06-09-2016 00 UTC - 07-09-2016 00 UTC, EFI y SOT T2m.
Derecha: los mismo para ECENS 02-09-2016 H+72-96.
48.2 ECENS 747
Figura 48.14: Probabilidades de Tmax > 40 ºC.
Figura 48.15: Probabilidades de Tmax > 43 ºC.
Otra importante aportación del ECENS es la posibi- menores.

lidad de producir datos y gráficos de probabilidades
usando diferentes umbrales y parámetros. Esto es lo La Figura 48.16 en la página siguiente, muestra un
que muestra las Figuras 48.14 y 48.15, donde aparecen ejemplo de una predicción de temperatura media a
probabilidades (ver sección 27.6.1 en la página 416) 2 metros para Sanlúcar la Mayor, en la provincia de
de que la temperatura máxima supere los 40 ºC y los Sevilla, válida el 5 de septiembre. En este gráfico, se
43 ºC. El valle del Guadalquivir marca la zona donde observan en primer lugar curvas ECENS con una pen-
los valores máximos absolutos se podrían registrar de diente alta y por tanto pequeña dispersión (lo que se
acuerdo con el ECENS. traduce en un alto grado de confianza). Además puede
evaluarse fácilmente, por ejemplo, la probabilidad de
Otra aplicación muy valiosa del ECENS para paráme- que la temperatura media a 2 metros supere los 32 ºC.
tros, rango de predicción y localidades concretas es En este caso, la probabilidad citada es del 80 % en
la evaluación de las CDF (Cumulative Distribution la predicción ECENS, mientras que es del 0 % en el
Functions) o funciones de distribución acumuladas. clima del modelo. Las figuras 48.17 y 48.18 en la
En ellas se representan el clima del modelo (línea página siguiente, muestran algo similar para Cáceres
negra) y las predicciones ECENS (en colores) para y Córdoba el 6 de septiembre. Aquí, nuevamente, se
rangos diferentes de predicción, todas ellas válidas aprecia un número notable de valores ECENS que
para el mismo periodo temporal. Aquí puede evaluar- superan el máximo del clima. También se muestran
se no solo cuantitativa sino cualitativamente el EFI. en esta figura, detalles sobre el cálculo del SOT para
La pendiente de las curvas EFI aportan también una el percentil 90. No hace falta añadir mucho mas, para
información valiosa, cuanto mayor es la pendiente darnos cuenta que estamos ante un caso realmente
de estas curvas menor es la dispersión, dispersiones extremo con temperaturas muy altas incluidas en el
grandes se corresponden con curvas con pendientes percentil superior del clima.
748 2016)
Figura 48.16: T2m media CDF para un lugar cercano a Sanlúcar la Mayor. VT: 05-09-2016.
Figura 48.17: T2m media CDF y SOT para un lugar cercano a Cáceres. VT: 06-09-2016.
Figura 48.18: T2m media CDF y SOT para un lugar cercano a Córdoba. VT: 06-09-2016.
48.3 Modelo determinista 749
48.3 Modelo determinista 850 hPa válidas para el 6 y 7 de septiembre. En estas

predicciones a corto plazo deterministas se observa
Las Figuras 48.19, 48.20 y 48.21 muestran predic- claramente la irrupción de aire africano extremada-
ciones a corto plazo de geopotencial y temperatura a mente cálido.
Figura 48.19: Predicción determinista Z850 y T850 hPa H+36 y H+24, VT: 05-09-2016 00 UTC.
Figura 48.20: Predicción determinista Z850 y T850 hPa, H+60 y H+48 VT: 06-09-2016 00 UTC.
Figura 48.21: Predicción determinista Z850 y T850 hPa, H+24 VT: 06-09-2016 00 UTC y H+48 VT: 07-09-2016
00 UTC.
750 2016)
48.4 Observaciones doba, Murcia y Madrid. Los registros observados de
44.3, 44.8 y 43.2 ºC en Sevilla, Córdoba y Murcia, res-
pectivamente, el 5 de septiembre, si bien no rompen
Las observaciones sinópticas (ver surface synoptic el récord absoluto de la época de 47.2 ºC en Murcia
observations (SYNOP)) que se utilizan para construir (julio 1994) y 46.6 ºC en Sevilla y Córdoba (julio
las series temporales de las Figuras 48.22 y 48.23, ve- 1995), no anduvieron muy lejos (en la actualidad, la
rificaron lo extraordinario del caso. En estas series, se tendencia a batir récords de temperaturas máximas es
muestran reportes sinópticos de temperatura y punto creciente: se baten todos los años, muchos meses, en
de rocío a 2 metros, de las estaciones de Sevilla, Cór- muchísimas localidades).
Figura 48.22: Series de temperatura y punto de rocío a 2m. 15 de agosto a 15 de septiembre de 2016. Datos extraídos
de report sinópticos: Sevilla y Córdoba.
Figura 48.23: Como Figura 48.22, Murcia y Madrid.

48.4 Observaciones 751
Los perfiles de los sondeos (ver sondeo meteoroló- y 48.25, respectivamente. La ausencia de humedad es
gico) de Madrid (6 de septiembre a 12 UTC y 8 de evidente en estos perfiles. Finalmente, la entrada de
septiembre a 12 UTC) y La Coruña (7 y 8 de sep- un frente frío la noche del 7 de septiembre por Galicia
tiembre a 00 UTC) se muestran en las Figuras 48.24 desplazó el aire caliente de la península ibérica.
Figura 48.24: Sondeos de Madrid 06-09-2016 a 12 UTC y 08-09-2016 12 UTC.
Figura 48.25: Sondeos de La Coruña 07-09-2016 a 00 UTC y 08-09-2016 a 00 UTC.

752 2016)
Tabla 48.1: Temperatura y humedad relativa en 850 hPa. Datos de los sondeos de Madrid, La Coruña, Santander,
Murcia, Barcelona y Palma de Mallorca.
La Tabla 48.1, muestra los valores de temperatura y de escenarios alternativos a la predicción, sino la de-
humedad relativa a 850 hPa extraídas de los sondeos terminación de los grados de probabilidad en casos
de Madrid, La Coruña, Santander, Murcia, Barcelo- extremos.
na y Palma de Mallorca entre el 5 de septiembre a
00 UTC y el 8 de septiembre a 12 UTC. Solo por citar En este caso de estudio se ha utilizado esta técnica
La Coruña, la temperatura cayó 15.1 ºC en 850 hPa para una predicción de temperaturas extremas, pero
en el periodo de 24 horas entre el 7 de septiembre a técnicas similares se utilizan para diferentes casos ex-
las 00 UTC y el 8 de septiembre a las 00 UTC. tremos como precipitación líquida y sólida, viento,
estabilidad atmosférica etc.
48.5 Resumen final
En definitiva, la atmósfera es un sistema caótico y la
La utilización de las herramientas que proporciona predicción de su evolución ha de ser probabilista o no
el ECENS permite no solo el estudio y evaluación será nada.
Lluvias torrenciales en el Maresme, Barcelona (Oct-
2016) 49
DOI: 10.31978/014-18-009-X.49
G ABRIELA C UEVAS , R AMÓN PASCUAL , A LFONS C ALLADO Y M ARC C OMPTE

Delegación territorial (DT) en Cataluña, Agencia Estatal de Meteorología (AEMET)
Plou poc, però per al poc que plou, plou prou.

Embarbussament – A NÓNIMO
Durante el miércoles 12 y el jueves 13 de octubre de 2016 tuvo lugar un episodio de precipitaciones intensas y
generalizadas en toda la península ibérica. En la comarca del Maresme (Barcelona), se acumularon en diversas
zonas más de 200 mm en menos de 4 horas, con cortes de tráfico, trenes, suministro eléctrico y arrastre de
coches en rieras, uno de los cuales provocó la desafortunada pérdida de una vida humana. Estos episodios
altamente convectivos sobre el Mediterráneo occidental suelen tener corta duración, ocurriendo en verano-otoño
y provocando a menudo el desbordamiento repentino de ríos provenientes de los Pirineos y de arroyos/torrentes
costeros. El litoral catalán es una de las regiones más afectadas por episodios de lluvias repentinas y, en particular,
el Maresme es el área de más impacto así como una de las más pobladas, por lo que el riesgo natural asociado a
este fenómeno es muy elevado. Este capítulo presenta un análisis meteorológico detallado, así como los impactos
del evento, evaluando la predicción por contraste con los avisos de fenómenos adversos emitidos para ese día
por AEMET. El análisis de este caso de estudio se presentó en el 10th HyMeX Workshop, celebrado entre el 4 y
el 7 de julio de 2017 en Barcelona [149]. En este mismo workshop del Moral y col. [453] también analizaron
este episodio.
probabilista, episodio de lluvias torrenciales en el Maresme octubre 2016.
Imagen parte superior: desbordamiento de rieras y calles anegadas en la confluencia con la N-II en el Maresme, el 13 de octubre de 2016,
fotografía del Consell Comarcal del Maresme.
Física del caos en la predicción meteorológica Capítulo 49. Lluvias torrenciales en el Maresme, Barcelona
754 (Oct-2016)
Figura 49.1: Situación de la zona donde tuvo lugar el episodio de lluvias torrenciales (Maresme, Cataluña).
49.1 Introducción zos del otoño. En Cataluña, el otoño es la estación que

concentra la mayor ocurrencia de inundaciones. Estos
Durante el miércoles 12 y el jueves 13 de octubre eventos suelen tener corta duración y pueden conducir
de 2016 tuvo lugar un episodio de precipitaciones in- al desbordamiento repentino de ríos provenientes de
tensas y generalizadas en toda la península ibérica. los Pirineos y de arroyos/torrentes costeros. De hecho,
Un frente frío atravesó la Península, seguido de dos el litoral catalán es una de las regiones más afectadas
líneas de inestabilidad posfrontal, causando chubas- por episodios de lluvias repentinas y, en particular,
cos frecuentes y ocasionalmente fuertes en puntos del el Maresme (Figura 49.1) es el área de más impacto
suroeste y centro peninsular. Previamente al paso del así como una de las más pobladas [122, 498]. A con-
frente, la confluencia de flujos de recorrido mediterrá- secuencia de esto, el riesgo natural asociado a este
neo configuró una línea de inestabilidad que atravesó fenómeno es muy elevado [385].
el litoral catalán durante la tarde del miércoles 12. Es-
ta línea originó tormentas con chubascos muy fuertes, Este estudio presenta un análisis del entorno sinóptico
incluso torrenciales y de larga duración en puntos de y mesoescalar del episodio, y de la fenomenología
la comarca del Maresme (Barcelona), que acumularon asociada a través de la exploración de imágenes de
más de 200 mm en menos de 4 horas en diversos luga- satélite y de radar, campos de modelos numéricos de
res. La intensa lluvia provocó cortes de tráfico y de la predicción y observaciones convencionales. Los im-
circulación de trenes, cortes de suministro eléctrico, pactos del evento también son estudiados a partir del
arrastre por las aguas de coches aparcados junto a rie- análisis de la información en los medios. Finalmen-
ras y, desafortunadamente, la muerte de una persona te, se discute la precisión de la predicción mediante
dentro de un coche atrapado en un paso subterráneo. el análisis de los avisos de fenómenos meteorológi-
cos adversos (ver fenómeno meteorológico adverso
Los episodios altamente convectivos sobre el Medite- (FMA)) emitidos para ese día por Agencia Estatal de
rráneo occidental suelen ocurrir en verano y a comien- Meteorología (AEMET).
Daños y víctimas (mayoritariamente en el Maresme)

Más de 900 llamadas a Emergencias de la Generalitat de Cataluña durante el episodio y 300 al servicio de
bomberos. Activada la alerta de inundaciones INUNCAT.
Carretera nacional N-II y secundaria C-31 cortadas. Servicio de tren suspendido durante varias horas.
Personas atrapadas en la N-II y en pasos subterráneos inundados tuvieron que ser rescatadas.
Récord de precipitación en 24 h en Cataluña desde 1943.
Un hombre muere atrapado en su coche arrastrado por la lluvia en Cabrils.
Varias rieras desbordadas y coches arrastrados por las riadas.
Más de 200 hogares en 4 ciudades afectados por cortes de electricidad.
Daños materiales importantes. Tres escuelas inundadas cerradas en Vilassar.
Tabla 49.1: Resumen de impactos producidos por el episodio del Maresme.

49.2 Impactos del episodio 755
Figura 49.2: Izda: Precipitación acumulada de 00 UTC del 12 octubre a 00 UTC del 13 octubre en la red de estaciones
automáticas de AEMET. Dcha: Registros de precipitación recogidos en diversas redes (AEMET, Meteoclimatic,
Meteocat) para la zona del Maresme durante el día 12 de octubre.
Figura 49.3: Desbordamiento de rieras y calles anegadas en la confluencia con la N-II en el Maresme, fotografía del
Consell Comarcal del Maresme.
49.2 Impactos del episodio por el paso de un frente frío asociado a una baja fría
centrada al noroeste de Portugal. Dicha baja, de hasta
Episodios como el mostrado en este estudio tienen -20 ºC en 500 hPa, se fue desplazando hacia el sudeste
a menudo un alto impacto en zonas muy pobladas a lo largo del día. A su vez, en niveles medios-altos
como la comarca del Maresme [33] (Tabla 49.1 en la (500-300 hPa) había durante la mañana del día 12 una
página anterior). A lo largo del día 12 de octubre se dorsal poco marcada sobre el este peninsular y el sur
registraron más de 100 mm en 24 horas en al menos de Francia. Al desplazarse ligeramente esta dorsal ha-
5 ciudades del Bajo Maresme (Figura 49.2). La lluvia cia el este, quedó un área difluente sobre Cataluña que
torrencial hizo que se batiera el récord de intensidad favorecía los ascensos. El flujo predominante en altura
en Cataluña en Cabrils, donde se registraron 85 mm sobre la Península era del sudoeste (Figura 49.4 en la
en 30 minutos. página siguiente a y b). Asimismo, a las 18 UTC se
situaba sobre la zona de estudio a 300 hPa la parte de-
lantera de un jet streak (máximo de viento confinado)
49.3 Análisis sinóptico y mesoesca- (Figura 49.4 en la página siguiente c).
lar
El entorno sinóptico y mesoescalar en el suroeste de
Europa durante el 12 de octubre de 2016 estaba regido
756 (Oct-2016)
Figura 49.4: Campos de análisis del modelo ECHRES del 12 de octubre a las 12 UTC: (a) altura geopotencial
(isohipsas negras representadas cada 30 mgp) y vorticidad relativa en 300 hPa (coloreada) y (b) altura geopotencial
(isohipsas negras representadas cada 30 mgp) y temperatura en 500 hPa (coloreada en ºC) (Fuente: AEMET). Análisis
de modelo GFS para el 12 de octubre a las 18 UTC: (c) corriente en chorro en nudos en 300 hPa (Fuente: California
Regional Weather Service http: // squall. sfsu. edu/ crws/ jetstream. html ). El área sombreada empieza
en los 60 kt (kt=nudos) y las isolíneas a trazos empiezan en 70 kt y se representan cada 20 kt. Las flechas azules
señalan la dirección y velocidad del viento y su longitud es proporcional a la velocidad.
Por otro lado, la depresión en superficie ligada a la ron al Maresme. Sobre la zona de estudio los análisis
baja fría llevaba asociada un activo frente frío, que se de los modelos mostraban convergencia del flujo de
situaba sobre Galicia a las 00 UTC, y que fue movién- humedad hasta 850 hPa.
dose hacia el Mediterráneo a lo largo del día, seguido
de dos líneas de inestabilidad posfrontal (Figura 49.5 Otros factores que pudieron contribuir a la intensidad
izquierda). Previamente al paso de dichas estructuras y copiosidad de las precipitaciones fueron una tem-
frontales, la confluencia de flujos de recorrido medite- peratura de la superficie del mar (SST) 3 ºC mayor
rráneo generó un chorro en niveles bajos o Low Level que la media de octubre para la zona y la presencia de
Jet (low level jet (LLJ)) que acompañó a una línea la cadena montañosa litoral con desniveles desde el
de inestabilidad que fue barriendo el litoral catalán mar de hasta 700 m en solamente 7 km de distancia
a lo largo de la tarde (Figura 49.5 derecha). La línea en línea recta. En condiciones inestables el forzamien-
de inestabilidad y el LLJ contribuyeron a originar los to orográfico que sufren los flujos procedentes del
fuertes chubascos, incluso torrenciales, que afecta- mar, como en este episodio, facilita el disparo de la
convección.
Figura 49.5: Izquierda: Análisis frontal de superficie y presión media a nivel del mar (MSLP) para el 12 de octubre a
las 12 UTC. Isobaras representadas cada 4 hPa. Derecha: Campo de viento en superficie de modelo HARMONIE-
AROME a las 18 UTC del día 12 (predicción H+18 de la pasada de las 00 UTC del día 12). Las barbas indican la
dirección y la velocidad del viento en kt y las zonas coloreadas la velocidad del viento en kt (Fuente: AEMET).
49.4 Nubosidad, sistemas precipitantes y tormentas 757
Figura 49.6: Imagen de Meteosat 10. Canal VIS0.6 15:30 UTC. La flecha azul indica el avance del frente (Fuente:
AEMET).
49.4 Nubosidad, sistemas precipi- estimados frente a los 215 mm registrados) debido
probablemente a la atenuación del haz radar debida a
tantes y tormentas
la intensa precipitación y a la producida por la película
En el análisis de las imágenes de los canales VIS0.6 de agua presente en la superficie exterior del radomo.
(Figura 49.6) e IR10.8 del Meteosat 10 (no mostra- Se puede apreciar en la Figura 49.7 en la página si-
da) se puede apreciar la banda nubosa asociada al guiente la evolución en el tiempo (secuencia de PPI)
frente que se desplazaba hacia el este. El movimiento de una célula convectiva cuasi-estacionaria. Dicha
de las nubes era hacia el nordeste debido al flujo del célula presentaba unos valores (no mostrados) relati-
sudoeste predominante en niveles medios-altos. En vamente bajos o moderados de ZMAX (reflectividad
la imagen del canal visible (Figura 49.6) se aprecia máxima en la columna, sec. 8.7.4 en la página 109) (<
con dificultad, gracias a las sombras proyectadas en 52 dBZ), VIL (Vertically Integrated Liquid, sec. 8.7.5
su lado oriental, el cumulonimbo responsable de las en la página 109) (< 1g/cm 3 ) y Echotop (altura
fuertes lluvias en el nordeste de Cataluña, embebido máxima a la cual se encuentra un valor de reflecti-
en la parte delantera de la banda nubosa frontal. Las vidad de 12 dBZ, sec. 8.7.3 en la página 108) (< 8
temperaturas de brillo de los topes nubosos de dicho km). Sobre los fundamentos de estos u otros tipos de
cumulonimbo no eran excesivamente bajas (estaban imágenes de radar, puede consultarse el capítulo 8
comprendidas entre -52 y -56 ºC), lo cual indica que en la página 103. Estos parámetros se mantuvieron
la convección no era muy profunda. en estos valores durante todo el ciclo de vida de la
El análisis de las imágenes del radar de AEMET si- célula. Aunque el campo de velocidad radial Doppler
tuado en Cataluña (banda C, rango 240 km (modo (no mostrado) muestra claramente un desplazamiento
normal)/ 120 km (modo Doppler)) revela aspectos hacia el nordeste de la precipitación, los chubascos
interesantes. La acumulación total de precipitación de mayor intensidad se mantuvieron prácticamente
en el Maresme fue subestimada por el radar (64 mm estacionarios debido a la persistencia del LLJ.
758 (Oct-2016)
Figura 49.7: Imágenes de reflectividad radar PPI(dBZ) a las (a) 15:30, (b) 15:50, (c) 16:10 y (d) 16:30 UTC. (Fuente:
AEMET).
El análisis de los rayos nube-tierra caídos durante el las imágenes de radar.

episodio (Figura 49.8) reveló un bajo número de ellos
asociado a la célula convectiva de interés. Se regis-
traron 40 entre las 15:23 UTC y las 18:05 UTC, con 49.5 Predicción determinista y pro-
una baja frecuencia de los mismos: 0.33/min entre
las 15:23 y las 17:13 UTC. Entre dichas descargas se babilista de la precipitación
dio un alto porcentaje de rayos positivos (68 %) que
podría explicarse por una posición relativamente baja En AEMET se usan operacionalmente tanto el mode-
de la capa principal de carga positiva en la nube de lo determinista ECHRES (9 km de resolución hori-
tormenta. La tormenta analizada estaba muy aislada, zontal) como el modelo mesoescalar no hidrostático
ya que la más cercana (y mucho más intensa) se situa- HARMONIE-AROME (2.5 km de resolución hori-
ba a 90 km mar adentro hacia el sudeste. La tormenta zontal; para este estudio se han usado las salidas del
fue casi estacionaria, como ya se ha visto al analizar ciclo 38 de este modelo).
Figura 49.8: Rayos nube-tierra detectados entre las 15 y las 19 UTC en un radio 100 km en torno a la localidad de
Cabrils (Fuente: AEMET).
49.5 Predicción determinista y probabilista de la precipitación 759
Figura 49.9: Campos de precipitación acumulada (mm) en 3 h previstos por el modelo ECHRES (pasada del
20161012 a 00 UTC) válido para: 06-09 UTC (a), 09-12 (b), 12-15 (c), 15-18 (d), 18-21 (e), 21-24 (f). El pequeño
círculo negro o blanco indica el punto de máxima intensidad de precipitación observada. (Fuente: AEMET).
Figura 49.10: Como en la Figura 49.9 pero para HARMONIE-AROME (Fuente: AEMET).
Para este caso de estudio, ambos modelos mostraban la vez que una subestimación de la intensidad res-
un área de intensa precipitación moviéndose duran- pecto a los valores observados. En concreto, para la
te el día 12 hacia el nordeste, siguiendo la línea de zona de estudio el modelo ECHRES alcanzaba unos
costa en Cataluña (Figuras 49.9 y 49.10). Se observó 40 mm/3 h (valor muy inferior al observado), mientras
que ambos modelos presentaban un retraso de más que el HARMONIE-AROME presentaba 120 mm/3 h
de 3 h respecto al periodo en el que se dio la mayor (mucho más realista).
intensidad de precipitación en el lugar de interés, a
760 (Oct-2016)
Por otro lado, en este estudio se ha hecho un análisis Para el caso de estudio, 4 miembros del γSREPS mos-
desde el punto de vista de la predicción probabilis- traron acumulaciones mayores que 50 mm/3 h y sólo
ta usando el AEMET-γSREPS (cap. 22 en la pági- 2 mayores que 120 mm/3 h, todos ellos situando los
na 333), un sistema de mesoescala de predicción por máximos en un área costera al norte de la ciudad de
conjuntos desarrollado por AEMET, muy similar a su Barcelona (Maresme y proximidades) (Figura 49.11
predecesor a 25 km AEMET-SREPS (cap. 21 en la con precipitaciones y Figura 49.12 en la página si-
página 313). El sistema γSREPS es un ensemble mul- guiente con probabilidades de precipitación). Si bien
timodelo multicondiciones de contorno de predicción un cierto número de los miembros del ensemble pre-
a corto plazo compuesto por 20 miembros (producto sentaba precipitación intensa en áreas costeras y ma-
del uso de 4 modelos no hidrostáticos (sec. 6.3.2 en la rítimas cercanas, la lógica incertidumbre espacial y
página 78) y de las condiciones de contorno de 5 mo- temporal en las localizaciones de los máximos hace
delos globales), posee 2.5 km de resolución horizontal que la probabilidad local decrezca.
y tiene la convección explícita.
Figura 49.11: Campos previstos por el sistema γSREPS (pasada del 20161011 a las 18 UTC): acumulación de
precipitación (mm) en 3 h de 15-18 UTC para los 4 miembros con mayor acumulación y cubierta nubosa ( %).
49.6 Avisos: un episodio complicado 761
Figura 49.12: Campos previstos por el sistema γSREPS (pasada del 20161011 a las 18 UTC): probabilidad de
acumulación en 3 h >=40 mm (sombreado), y contorneados en colores de las áreas con acumulaciones superiores a
40 mm asociadas a los distintos miembros para los periodos 15-18 UTC (izquierda) y 18-21 UTC (derecha).
A su vez, γSREPS fue integrado para este estu- adversos. Existen dos tipos de avisos de precipita-
dio sin usar ningún método de asimilación, aunque ción: acumulación de precipitación en 1 h (P1) y en
en la actualidad se están implementando el LETKF 12 h (P2), con sus correspondientes umbrales para
(sec. 16.2.2 en la página 246) y el 3-DVAR (sec. 16.6 los distintos niveles de aviso, amarillo, naranja y rojo
en la página 247), lo cual pudo suponer un problema (sec. 41.1 en la página 628).
a la hora de simular la precipitación intensa ya que
probablemente el sistema no tuvo en cuenta algún Ya desde el día anterior se abrieron para la zona de avi-
factor meteorológico mesoescalar local clave en el so Litoral de Barcelona, que incluye a la comarca del
desarrollo de la convección. Maresme, avisos de nivel naranja de P2 (100 mm/12 h)
y de P1 (40 mm/1 h) con una probabilidad superior al
Sin embargo, el grupo de miembros con precipitación 70 %.
intensa presenta un movimiento hacia el nordeste al
igual que las estructuras precipitantes simuladas por El miércoles 12 a las 16:33 hora local (H. L.), tras
los modelos deterministas. unas horas sin precipitaciones intensas ni tormentas,
se decidió bajar el nivel de P1 pero una hora des-
pués comenzaron a aparecer indicios de la tormenta
49.6 Avisos: un episodio complica- en cuestión, lo cual hizo que se elevaran a las 19:19
do H. L. a nivel rojo los avisos, tanto de P1 (80 mm/1 h)
como de P2 (180 mm/12 h), con una probabilidad del
A lo largo del evento se emitieron, desde el grupo 40 al 70 %. A esa misma hora se estableció que los
de predicción y vigilancia (GPV) de AEMET en Bar- valores de P1 y P2 a partir de las 20 H. L. se reducían
celona, varios avisos de fenómenos meteorológicos a 20 mm/1 h y 100 mm/12 h, respectivamente.
762 (Oct-2016)
49.7 Conclusiones Tanto los modelos numéricos deterministas, globales

o de mesoescala, como el sistema de predicción pro-
El caso de estudio presentado muestra el desarrollo babilista a mesoescala y corto plazo usados, indicaban
de una tormenta en la comarca litoral catalana del la elevada probabilidad de precipitaciones fuertes en
Maresme, aislada, con un número reducido de rayos, la zona de estudio pero ninguna de sus salidas mos-
muchos de ellos positivos y una elevada eficiencia en tró valores de la intensidad horaria de precipitación
cuanto a la generación de precipitación, a pesar de su y de sus valores acumulados en períodos de tiempo
modesta profundidad. mayores suficientemente realistas.
El entorno sinóptico, baja fría al oeste peninsular y

un activo frente frío moviéndose hacia el este, era
claramente favorable al desarrollo de nubosidad y pre- Este caso de estudio supone un buen ejemplo de la
cipitaciones en buena parte de la península ibérica. A complejidad de algunos episodios meteorológicos a
mesoescala, una línea prefrontal de inestabilidad se la hora de emitir avisos a la población y a los servi-
situó sobre el nordeste peninsular pero el elemento cios de Protección Civil. No siempre las principales
probablemente clave en el desarrollo de la precipita- herramientas de predicción, los modelos numéricos,
ción torrencial del Maresme fue un LLJ que aportó un reflejan cuantitativa y/o temporalmente lo finalmente
flujo de aire cargado de humedad hacia la cordillera observado, poniéndose de relieve la importancia de la
litoral que se extiende de sudoeste a nordeste en esa figura del predictor, tanto en la vigilancia como en el
comarca. nowcasting.
Temporal de levante en Baleares, la Comunidad Va-
lenciana, Murcia y Almería (Dic-2016) 50
DOI: 10.31978/014-18-009-X.50
J OSÉ M ANUEL L ÓPEZ P ÉREZ Y J OSÉ Á NGEL N ÚÑEZ M ORA

Delegación territorial (DT) en Valencia, Agencia Estatal de Meteorología (AEMET)
Al meu país la pluja no sap ploure:

o plou poc o plou massa;
si plou poc és la sequera,
si plou massa és la catàstrofe.
Al meu país la pluja, lletra i música, 1983 – R AIMON
Este es el primero de los dos grandes temporales que se produjeron entre diciembre de 2016 y enero de
2017 en el litoral mediterráneo español. Este episodio afectó a Baleares, la Comunidad Valenciana
y Murcia además de la provincia de Almería. Si bien los temporales de levante no son infrecuentes
en estas zonas, lo que es menos habitual es la presencia de dos episodios en un período tan corto de
tiempo, la época tan tardía (ambos en el invierno meteorológico) y la larga duración de los episodios,
con dos fases claramente diferenciadas en ambos. Durante estos días se produjeron precipitaciones
generalizadas, muy abundantes, con intensidades moderadas, aunque puntualmente llegaron a ser
fuertes o muy fuertes en los momentos más activos del temporal. Las lluvias fueron persistentes en el
tiempo y dieron lugar a totales acumulados de precipitación muy importantes (entre la mitad y el total
del valor climatológico anual de las precipitaciones en esas zonas). Además y, como corresponde a
todo temporal de levante, hubo vientos muy fuertes que dieron lugar a un fuerte oleaje con olas que
superaron los 4 metros en gran parte del litoral y ocasionaron daños en la costa.
probabilista, temporal de levante en el área mediterránea diciembre 2016.
Imagen parte superior: vista del macizo del Montgó, Denia (visto desde Oliva) en la comarca de la Marina Alta, al norte de la provincia
de Alicante, el sábado 17 de diciembre de 2016 a las 14 horas. Fotografía de J OSÉ Á NGEL N ÚÑEZ M ORA.
Física del caos en la predicción meteorológica Capítulo 50. Temporal de levante en el área mediterránea
764 (Dic-2016)
Figura 50.1: Guías técnicas de diagnóstico de niveles medio-altos del 16 de diciembre (izquierda) y 19 de diciembre
(derecha), ambas a las 12 UTC. Izquierda: vaguada V1 con máximos de viento de 100 kt y anomalía fría de -28 ºC
en 500 hPa sobre el sur de Portugal y Andalucía occidental. Derecha: anomalía fría de -26 ºC en en 500 hPa sobre
Argelia.
50.1 Origen del temporal sotavento del Atlas, en el sur de Marruecos, con 1014
hPa de presión en superficie a las 00 UTC del día 17.
En niveles medio-altos de la troposfera el episodio se
inicia con la aproximación por el oeste peninsular y en En Gran Bretaña y Centroeuropa las altas presiones
dirección norte-sur de una vaguada muy profunda con relativas en superficie se refuerzan hasta los 1038
una anomalía de temperatura de -28 ºC en 500 hPa hPa, y se mantienen sin cambios significativos duran-
y con un máximo de viento posterior de 130 kt en te todo el temporal, mientras que la baja situada en
300 hPa (ver Figura 50.1). Marruecos se profundiza ligeramente hasta 1012 hPa,
y posteriormente se desplaza hacia el nordeste para
La vaguada origina una formación de bajas presiones profundizarse finalmente hasta 1004 hPa y situarse
en superficie (Figura 50.2), primero en Andalucía y finalmente sobre Baleares (Figura 50.3 en la página
el estrecho de Gibraltar, para acabar focalizándose a siguiente).
Figura 50.2: Izquierda: análisis de superficie del 16 de diciembre a las 12 UTC, donde destacan el anticiclón de
Azores y el de Centroeuropa con un frente frío sobre desplazándose sobre Andalucía y Marruecos. Derecha: análisis
de superficie del 19 de diciembre a las 12 UTC con la baja situada sobre Argelia y restos del frente ya ocluido sobre
las costas de Valencia y Murcia.
50.1 Origen del temporal 765
Figura 50.3: Análisis de presión en superficie para el 16-12-2016 a 12 UTC (izquierda) y para el día 19-12-2016 a
12 UTC (derecha).
Entre estos dos centros de acción se canalizó un flujo Baleares y el sur de la provincia de Castellón, des-
de componente este, con recorrido marítimo a lo largo plazándose hacia el sur de la Comunidad Valenciana,
de todo el mar Mediterráneo, a partir de la tarde del Murcia y la provincia de Almería durante el sábado
viernes 16 y hasta el final del episodio, 5 días más 17; a partir del domingo 18 y durante el lunes 19, en
tarde. Este flujo de levante, con más de 3 000 km la segunda fase, la más adversa del temporal, realizó
de recorrido sobre el mar, permitió un gran aporte el mismo recorrido pero en sentido inverso. En el ex-
de humedad, desarrollándose las precipitaciones más tremo meridional de la zona afectada hay un único
intensas en las zonas en las que incidía (Figura 50.4). episodio de precipitaciones mientras que en la Co-
munidad Valenciana hay dos separados por 24 horas,
Este flujo de humedad se desarrolló en dos fases di- entre las dos fases.
ferenciadas: inicialmente, el viernes 16 incidió sobre
Figura 50.4: Modelo determinista del Centro Europeo de Predicción a Medio Plazo (ECHRES, sec. 19.2 en la
página 291). Presión reducida al nivel del mar prevista para el 17 de diciembre a las 12 UTC.
766 (Dic-2016)
Las imágenes infrarrojas contienen información im- do lugar de la Tierra se condensara.
portante sobre las nubes, pero ofrecen pocos indicios
sobre el contenido de vapor de agua. Las de vapor El laboratorio de investigación del sistema Tierra
de agua indican el contenido de vapor de agua de ni- (Earth System Research Laboratory, ESRL) de la
veles medio-altos de la troposfera y no nos ayudan National Oceanic and Atmospheric Administration
a determinar la cantidad de precipitación que puede (NOAA) define los ríos atmosféricos como estrechas
acumularse en tierra al no dar información sobre con- bandas atmosféricas responsables de la mayor parte
tenido de humedad en niveles bajos. del transporte de humedad desde las regiones tropi-
cales hacia los polos. En los productos TPW estas
Los instrumentos de microondas a bordo de los satéli- bandas son visibles como franjas de valores elevados.
tes polares permiten generar imágenes del contenido
total de agua en columna (TPW, sec. 7.5.2 en la pági- En las Figuras 50.5 y 50.6 en la página siguiente, se
na 98). Este representa la profundidad del agua líquida ve el balanceo del río de humedad entre los días 16
que se acumularía si todo el vapor de agua contenido al 18 de diciembre de 2016, con sus dos fases bien
en un cilindro hipotético ubicado sobre un determina- marcadas, de norte a sur y de sur a norte.
Figura 50.5: Contenido total de agua precipitable en la columna (TPW) de la troposfera para el 17 de diciembre a
las 00 (arriba) y a las 04 (abajo), hora oficial peninsular. Agencia Estatal de Meteorología (AEMET).
50.1 Origen del temporal 767
Figura 50.6: Contenido total de agua precipitable en la columna (TPW) de la troposfera para el 17 de diciembre a
las 19 (arriba) y el día 18 a las 09 (abajo), hora oficial peninsular. AEMET.
Un temporal en estas fechas tan avanzadas del año, ya cado fue el viento. Las rachas más fuertes de viento
casi en invierno, requiere un chorro de viento en capas durante el temporal en la Comunidad Valenciana se
bajas, es decir, un flujo de aire muy intenso en la baja presentan en la Tabla 50.1.
troposfera. Mientras que en septiembre y a principios
de octubre puede haber grandes lluvias simplemente Observatorio Racha máxima [km/h]
con la inestabilidad termodinámica atmosférica, sin Barx 96
apenas viento, en fecha tan avanzada del año, el viento Polinyà 75
que canalice las precipitaciones hacia las montañas Aeropuerto Alicante 74
litorales y prelitorales es necesario. Jávea / Xàbia 74
En la Figura 50.7 en la página siguiente [509] se pue- Xàtiva 73
de ver el flujo de viento muy fuerte en la madrugada Oliva 72
del día 19, cuando las precipitaciones en las sierras Rojales 71
del norte de Alicante y sur de Valencia estaban siendo Carcaixent 70
fuertes a muy fuertes y persistentes.
Tabla 50.1: Rachas más intensas de viento durante el
Por eso además de las lluvias, otro fenómeno desta- temporal de levante en la Comunidad Valenciana.
768 (Dic-2016)
Figura 50.7: Predicción del modelo ECHRES para el 19 de diciembre a las 00 UTC del viento a 10 metros (flechas)
y el valor de la racha máxima en las 6 horas previas (colores).
Como consecuencia del fuerte viento, la mar estuvo precipitación se registran en zonas de montaña, surgen
muy alterada, con olas que llegaron tener una altura los problemas derivados de crecidas de ríos, ramblas,
de 4.4 metros en el puerto de Valencia y a 4.3 en el de etc.
Alicante.
La característica más importante del temporal fue la
persistencia. De los datos disponibles, en ninguna esta-
50.2 Descripción de las precipita- ción de la red la intensidad ha sido torrencial. Puntual-
mente la intensidad fue muy fuerte, con acumulados
ciones del episodio de entre 30 mm y 60 mm en menos de una hora, a
última hora del domingo 18, y en la madrugada del
Pero lo más destacado del temporal fueron las precipi- lunes 19, en estaciones del sur de Valencia y norte de
taciones, de forma que se puede encuadrar al temporal Alicante.
de diciembre de 2016 como uno de los grandes tempo-
rales de levante históricos en la Comunidad Valencia- La Tabla 50.2 en la página siguiente muestra precipi-
na por el volumen de precipitación registrado, similar tación acumulada en el episodio, entre el 16 y el 19 de
a otros grandes temporales registrados en fecha más diciembre de 2016 (día pluviométrico 07 a 07 UTC),
temprana del otoño. en estaciones de la red de AEMET y de la Confede-
ración Hidrográfica del Júcar. La Figura 50.8 en la
Los máximos acumulados se han registrado en la mon- página siguiente muestra mapas de precipitación acu-
taña del sur de Valencia y norte de Alicante, donde en mulada registrada en el episodio, por un lado en la
el episodio se han superado los 400 mm en algunas Península y Baleares y, por otro, ampliando detalle en
localidades, y, lógicamente, cuando los máximos de la Comunidad Valenciana.
50.2 Descripción de las precipitaciones del episodio 769
Localidad Total Localidad Total Localidad Total

Beniarrés 433.2 Alfondeguilla 212.4 Miramar 130.0
Pinet 398.6 Càrcer 210.6 Valencia 128.3
Orba 379.7 Guadalest 209.8 Rojales 122.4
Barx 365.4 Villalonga 209.0 Almenara 120.1
Millena 356.0 Pilar de la Horadada 208.0 Sagunt 116.0
Vall de Laguart 332.8 Chiva 207.0 Benidorm 111.2
Murla 330.0 Cortes de Pallás 203.8 Pinoso 87.2
Muro de Alcoi 322.8 Teresa de Cofrentes 201.6 Alicante 83.8
Agres 304.6 Chera 200.6 Elche 80.4
Ontinyent 289.2 Alcoi 197.2 Segorbe 80.2
Moixent 271.2 Vva. de Castellón 196.0 Castellón 78.0
L’Adsubia 263.4 Bellús 195.8 Villena 75.4
Vall de Gallinera 263.0 Navarrés 185.6 Chelva 74.0
Navalón 261.6 Picassent 172.6 A. Alicante/Elche 73.1
Enguera 257.4 Pego 170.8 Vilafranca 72.4
Vallada 255.0 Picanya 170.5 Castellfort 66.3
Buñol 253.4 Tous 168.0 Novelda 64.6
Antella 253.0 Real de Montroy 167.4 Torreblanca 61.6
Estubeny 239.8 Bicorp 163.8 Montanejos 51.4
Carcaixent 239.6 Oliva 154.1 Utiel 51.0
Bolbaite 238.0 Xàtiva 152.8 Atz. del Maestrat 50.8
Siete Aguas 233.2 Torrevieja 151.1 Morella 46.0
Alfondeguilla 212.4 Orihuela 138.2 Fredes 28.2
Tabla 50.2: Precipitación acumulada en el episodio, entre el 16 y el 19 de diciembre de 2016 (día pluviométrico 07 a
07 UTC), en estaciones seleccionadas de la red de AEMET y de la Confederación Hidrográfica del Júcar.
Figura 50.8: Precipitación en mm acumulada entre el 16 y el 19 de diciembre de 2016 (día pluviométrico,

07 a 07 UTC). Datos de las redes de AEMET y la Confederación Hidrográfica del Júcar. Izquierda: Penínsu-
la y Baleares. Derecha: detalle de la Comunidad Valenciana, con otra escala de colores.
770 (Dic-2016)
Figura 50.9: Probabilidad de precipitación acumulada superior a 20 mm según el SPC del ECMWF (ECENS,
sec. 19.3 en la página 293), pasada de 16-12-2017 00 UTC. Isolíneas delimitando intervalos de probabilidad 5-10 %
(cian), 10-40 % (azul claro), 40-70 % (azul marino) y 70-100 % (azul oscuro).
50.3 Predicciones probabilistas el este, con un área de más del 70 % de probabilidad

afectando a las islas de Mallorca y Menorca y, en me-
Mostramos dos salidas de las predicciones probabi- nor medida, a las provincias de Valencia y Alicante.
listas del SPC del ECMWF, ECENS (sec. 19.3 en Figura 50.9.
la página 293): probabilidad de que la precipitación
prevista acumulada en 24 horas supere el umbral de Pasada de viernes 16 12 UTC. La predicción para
los 20 mm para los días D+3, 4 y 5 y probabilidad de el lunes 19 similar a la mostrada anteriormente para el
altura prevista de olas de mar de viento para los días mismo día. Para el martes hay cambios y aumenta la
D+2, 3 y 4. zona con una probabilidad mayor del 40 % abarcando
desde las islas hasta la costa catalana. Figura 50.10 en
la página siguiente.
50.3.1 Precipitación
Pasada de sábado 17 00 UTC. El área con mayor

Analizaremos tres pasadas distintas: viernes 16 a las
probabilidad se mantiene sin cambios centrada en Ba-
00 UTC para el domingo 18 (D+3), lunes 19 (D+4)
leares, Valencia y Alicante para el lunes 19. Para el
y martes 20 (D+5); Viernes 16 a las 12 UTC para
martes 20, confirma el desplazamiento de la precipi-
el lunes 19 (D+3), martes 20 (D+4) y miércoles 21
tación hacia Cataluña. Para el miércoles 21 se prevé
(D+5) 1C Sábado 17 a las 00 UTC para el lunes 19
la finalización del temporal de precipitación. Figu-
(D+3), martes 20 (D+4) y miércoles 21 (D+5).
ra 50.11 en la página siguiente.
Pasada de viernes 16 00 UTC. Para el domingo 18, En resumen, la predicción probabilista del ECENS del
se puede observar una amplia zona con más de un ECMWF para tres días (D+3/H+60) y para cuatro días
70 % de probabilidad que abarca la isla de Ibiza y las (D+4/H+84) indica claramente las zonas y días en que
provincias de Valencia, Alicante, Murcia y Almería se producirán las mayores precipitaciones: Murcia,
oriental. El lunes 19 continuarían las precipitaciones norte de Alicante y sur de Valencia y las islas de Ibiza
desplazándose la zona con máxima probabilidad hacia y Mallorca.
50.3 Predicciones probabilistas 771
Figura 50.10: Pasada de 16-12-2017 12 UTC.
Figura 50.11: Pasada de 17-12-2017 00 UTC.
La Figura 50.12 en la página siguiente ofrece algo 18 a las 00 UTC (D+2), otro para el lunes 19 a las
más de detalle geográfico. Muestra, igualmente, la 00 UTC (D+3) y otro para el martes 20 a las 00 UTC
predicción probabilista del ECENS de precipitación (D+4). Pueden ratificarse los patrones de probabilidad
acumulada superior a 20 mm con mapas de mayor de precipitación descritos anteriormente. La escala
tamaño, todos correspondientes a la pasada de 16-12- de probabilidad en estos mapas, situada a la derecha,
2017 12 UTC. Un mapa es válido para el domingo abarca desde 2 % (verde manzana) hasta 100 % (rojo).
772 (Dic-2016)
Figura 50.12: Predicción probabilista del ECENS de precipitación acumulada superior a 20 mm con algo más de
detalle geográfico, pasada de 16-12-2017 12 UTC. Válida para el domingo 18 a las 00 UTC (D+2, superior), lunes
19 a las 00 UTC (D+3, centro) y martes 20 a las 00 UTC (D+4, inferior). La escala de probabilidad, situada a la
derecha de las figuras, abarca desde 2 % (verde manzana) hasta 100 % (rojo).
Tabla 50.3: Probabilidad de altura significativa de las olas superior a 4 m según el ECENS. Isolíneas delimitando
intervalos de probabilidad de 5-10 % (cian), 10-40 % (azul claro), 40-70 % (azul marino) y 70-100 % (azul oscuro).
50.3.2 Altura del oleaje Además de las causas de la génesis del temporal y
su desarrollo, en este capítulo se han analizado pro-
La predicción probabilista de altura de olas por el mar ductos de sistemas de predicción por conjuntos (SPC)
de viento del 16 a las 00 UTC para D+2 (sábado), procedentes del Centro Europeo de Predicción a Pla-
D+3 (domingo) y D+4 (lunes). No hay previsión de zo Medio (ECMWF, cap. 19 en la página 289), ya
altura de olas superior a 4 m en ninguna zona, excepto que cuando existe la probabilidad de que en los pró-
para el sábado que con una probabilidad mínima del ximos días se pueda desarrollar un temporal espe-
10 % da una pequeña zona entre Ibiza y Alicante. cialmente adverso, con serias consecuencias para las
infraestructuras y cierto riesgo para la población, la
La predicción probabilista para el oleaje (también pa- cuantificación de esa probabilidad es una herramien-
ra el viento, ya que el oleaje es muy dependiente del ta fundamental para orientar a las autoridades, a los
viento, figuras no mostradas), se queda claramente responsables de protección civil y a la población en
por debajo de las olas observadas (4,2 – 4,3 m). La general.
probabilidad de olas de más de 4 m a 36 horas vista
La probabilidad de las precipitaciones acumuladas
es insignificante. Esto es así porque probablemente el
está bien prevista por los productos probabilistas del
modelo infravalora la profundidad de la ciclogénesis
ECENS tanto en las áreas afectadas como el abanico
al no tener suficientemente en cuenta la contribución
temporal previsto. El umbral de 20 mm considerado
de la liberación de calor latente de condensación que
es, en principio, demasiado bajo para la acumulación
se realiza en una escala espacio-temporal menor que
de precipitación que se da en este tipo de episodios, en
la contribución dinámica.
los que pueden registrarse cantidades muy superiores.
Ahora bien, dado que encontrar señal de un evento de
estas características es buscar en la cola de la distri-
50.4 Conclusiones bución climatológica, sabemos por experiencia que,
aunque las señales sean débiles (probabilidades bajas)
El temporal de los días 16 al 19 de diciembre fue en umbrales aparentemente bajos (como 20 mm), sí
muy adverso en el litoral mediterráneo de la Penín- que pueden considerarse significativas.
sula, tanto en las precipitaciones como en el viento
y, en la franja litoral, el oleaje. La Figura 50.13 en la Respecto al viento y el oleaje, la predicción proba-
página siguiente muestra imágenes de algunos de los bilista no brinda probabilidades altas de superación
impactos del episodio. de umbrales claramente inferiores a las intensidades
774 (Dic-2016)
o alturas registradas. No obstante y, por todo lo di- sistema(s) de predicción por conjuntos (SPC) ofrece
cho anteriormente, podemos entender que, además de señales tenues en umbrales relativamente altos que, si
intervenir factores que el modelo no tiene suficien- se interpretan adecuadamente, pueden ofrecer infor-
temente en cuenta, debemos tener en cuenta que el mación muy valiosa.
Figura 50.13: Arriba, izquierda: estado de la mar en el episodio del 18 de diciembre de 2016, fotografía de J OAQUÍN
C ARRIÓN. Arriba, derecha: impactos producidos en Torrevieja, foto de R ICARDO G RANADOS. Abajo: inundaciones
en Torrevieja el 17 de diciembre de 2016, calle Roentgen, fotografía de R ICARDO G RANADOS. Fotografías cedidas
a través de Proyecto Mastral Torrevieja http: // www. eltiempoentorrevieja. es/ .
Precipitaciones intensas en las zonas del este y del
sureste peninsulares (Dic-2016 y Mar-2017) 51
DOI: 10.31978/014-18-009-X.51
B ENITO E LVIRA M ONTEJO
Área de Predicción Operativa (APRO), Agencia Estatal de Meteorología (AEMET)MET
C ECILIA M ARCOS M ARTÍN
M IGUEL Á NGEL M ARTÍNEZ RUBIO
Unidad de satélites, AEMET
J OSÉ Á NGEL N ÚÑEZ M ORA
Delegación territorial (DT) en Valencia, AEMET
No pretendas apagar con fuego un incendio, ni

remediar con agua una inundación.
C ONFUCIO
En el área mediterránea se dan a menudo episodios de precipitaciones intensas. Hemos elegido dos episodios de
este tipo en el este y sureste de la Península para estudiarlos en detalle en este capítulo, uno en torno al 18 de
diciembre de 2016 (examinado desde otros puntos de vista en el capítulo 50 en la página 763 de este volumen)
y el otro centrado en el 13 de marzo de 2017. En ambos se registraron precipitaciones muy fuertes, incluso
torrenciales. Analizamos el comportamiento de los sistemas de predicción del Centro Europeo de Predicción a
Medio Plazo (ECMWF, cap. 19 en la página 289), tanto el modelo de alta resolución ECHRES (sec. 19.2 en la
página 291) como el sistema de predicción por conjuntos ECENS (sec. 19.3 en la página 293).
probabilista, precipitaciones intensas en el este y sureste peninsular diciembre 2016 y marzo 2017.
Imagen parte superior: temporal en Torrevieja el 13 de marzo de 2017, Cala Cornuda, en el entorno de la Playa de Los Locos. Fotografía
de J OAQUÍN C ARRIÓN a través de Proyecto Mastral Torrevieja http://www.eltiempoentorrevieja.es/.
Física del caos en la predicción meteorológica Capítulo 51. Precipitaciones intensas este y sureste peninsular
776 (Dic-2016 y Mar-2017)
Figura 51.1: Precipitación en 24 horas, 00 a 24 UTC, para el 18-12-2016 (izquierda) y el 13-03-2017 (derecha).
51.1 Introducción 51.2 Diagnóstico de los episodios

En este trabajo analizamos el comportamiento del mo-
delo de alta resolución y del sistema de predicción por 51.2.1 Episodio A del 18-12-2016: caracte-
conjuntos (SPC) del ECMWF: ECHRES (sec. 19.2 en rización sinóptica
la página 291) y ECENS (sec. 19.3 en la página 293),
respectivamente, en la predicción de precipitaciones
intensas en el este y sureste peninsular. Hemos elegi- El diagnóstico de niveles medios y altos se caracteriza
do dos episodios, uno en torno al 18 de diciembre de por una depresión aislada de niveles altos (DANA),
2016 y el otro centrado en el 13 de marzo de 2017, con varios centros de vorticidad, V1 y V2, presencia
que a partir de ahora denominaremos A y B, respec- de un núcleo frío de hasta -26 ºC en 500 hPa y zona
tivamente. En ambos se registraron precipitaciones difluente sobre el este peninsular y Mediterráneo occi-
muy fuertes, incluso torrenciales (ver Figura 51.1). dental, Figura 51.2 (izquierda). En niveles bajos, en
Para llevar a cabo este estudio se ha seleccionado un la imagen IR se observa una muy larga banda nubosa
periodo de 24 horas (00 a 24 UTC) para cada episodio, que se ha interpretado como un frente ocluido y que
coincidente aproximadamente con los días naturales: recorre desde el Mediterráneo central hasta el noreste
18-12-2016 y 13-03-2017. de Baleares, Figura 51.2 (derecha).
Figura 51.2: Diagnóstico para el día 18-12-2016 a las 12 UTC en niveles medios y altos junto con la imagen de
vapor de agua (WV, izquierda, ver capítulo 7 en la página 83) y en niveles bajos junto con la imagen infrarroja (IR,
derecha).
51.2 Diagnóstico de los episodios 777
Figura 51.3: Diagnóstico niveles bajos para el día 16-12-2016 a las 12 UTC (izquierda) y para el día 18-12-2016 a
las 00 UTC (derecha).
La humedad, según reflejan las imágenes WV 51.2.2 Episodio B del 13-03-2017: caracte-
(sec. 7.4.3 en la página 92), es alta; y es aportada, rización sinóptica
por una parte, por un flujo intenso del E, con gran
recorrido marítimo, inducido por la presencia de una
baja extensa en el norte de África y, por otra, por el El diagnóstico de niveles medios y altos se caracteriza
viento del SW en niveles medios y altos, asociado a por una DANA, con dos centros de vorticidad, pre-
la DANA. Es lo que a veces se denomina chorro de sencia de un núcleo frío de hasta -26 ºC en 500 hPa y
humedad o río atmosférico. zona difluente sobre el este peninsular y Mediterráneo
occidental. En superficie, en la imagen IR se observa
Inicialmente el 16-12-2016 a las 12 UTC, el flujo del una banda nubosa al norte de África, que se ha inter-
E (de levante) es menos marcado pero en las 36 ho- pretado como un frente frío y una zona nubosa, que
ras siguientes, la ciclogénesis del golfo de Cádiz y la cubre la mitad este peninsular, resultado de la ciclogé-
reorientación del anticiclón europeo, han intensificado nesis en niveles bajos que progresivamente intensifica
significativamente el flujo del E sobre el este y sureste el flujo persistente y húmedo del E y NE sobre la
peninsular (ver Figura 51.3). Comunidad Valenciana y Murcia (ver Figura 51.4).
Figura 51.4: Diagnóstico de niveles altos junto con la imagen de vapor de agua (izquierda) y en superficie junto con
la imagen infrarroja (derecha) del día 13-03-2017 a las 12 UTC.
778 (Dic-2016 y Mar-2017)
Figura 51.5: Evolución desde el día 12 a las 18 UTC (izquierda) hasta el 13 a las 06 UTC (derecha). Arriba imagen
WV. Abajo imagen IR.
En la Figura 51.5 se muestra una evolución previa de 51.2.3 Episodio A del 18-12-2016: estudio
las imágenes WV e IR cada 6 horas. En las imágenes mediante teledetección y datos ob-
WV se observa el proceso de aislamiento de la DANA servados
y como el máximo de viento delantero va adquirien-
do mayor protagonismo. Paralelamente tiene lugar A últimas horas del día 15 y primeras del día 16 de di-
una ciclogénesis en niveles bajos que progresivamen- ciembre, ya se empieza a ver con nitidez la formación
te intensifica el flujo del E y NE sobre la Comunidad de un río de humedad que recorre el sur del mar Me-
Valenciana y Murcia. Como consecuencia se reorienta diterráneo en toda su longitud con ayuda del producto
y densifica la nubosidad sobre la zona. MIMIC, que hace estimaciones de agua precipitable
total en la columna (TPW) a partir de datos en fre-
cuencias microondas tomados desde satélites polares.
Figura 51.6: Productos MIMIC (© 2017 Space Science & Engineering Center; University of Wisconsin - Madison)
(izquierda) y HRW (NWCSAF © 2016 EUMETSAT) (derecha) ambos a las 00 UTC del día 16-12-2016
Complementando esta información tenemos el pro-

ducto HRW (High Resolution Winds), desarrollado
dentro del proyecto NWCSAF de EUMETSAT, que
estima la intensidad y dirección del viento basándo-
se en el movimiento de las estructuras nubosas y de
humedad detectadas desde satélite geoestacionario.
Dicho producto nos muestra un flujo del SE que trans-
porta la humedad hacia el Levante peninsular. (Ver
Figura 51.6 en la página anterior). Con esta informa-
ción ya se puede intuir un probable episodio de lluvias,
más o menos intensas, en esta zona. En este momento,
la posible evolución del evento habría que contrastarla
con la previsión del modelo numérico.
A lo largo del día 16 dicho río de humedad sigue to-

mando forma e intensificándose. A primeras horas del
día 17 el eje del río de humedad impacta contra las
costas de Valencia y empieza un recorrido hacia el
sur de la península ibérica hasta alcanzar las costas
de Almería al final del día, dejando precipitaciones
importantes a lo largo de su recorrido. El día 18 el
eje del río de humedad hace un recorrido en sentido
inverso, es decir, hacia el norte (Figura 51.7). A la vez
que ocurre esto vemos en el producto HRW como los
vientos giran a E y se intensifican (Figura 51.8). Esto Figura 51.7: Evolución del producto MIMIC (© 2017
hace que aumente la formación de precipitación en la Space Science & Engineering Center; University of Wis-
costa con la formación de nuevas tormentas. consin - Madison) a lo largo del día 18-12-2016.
Figura 51.8: Producto HRW (NWCSAF © 2016 EUMETSAT) a las 00 UTC del día 18-12-2016
780 (Dic-2016 y Mar-2017)
Los efectos en cuanto a precipitación de estas altas página 83), arriba a la derecha y las mediciones de
cantidades de humedad impactando sobre las costas precipitación de algunas estaciones de la red de ob-
del sur y Levante español se pueden monitorizar casi servación de AEMET, abajo a la derecha. En la Figu-
en tiempo real gracias a las herramientas de teledetec- ra 51.9, que muestra la situación sobre las 00:50 UTC
ción. En las Figuras 51.9, 51.10 y 51.11 en la página del día 18, se puede ver una banda de precipitación
siguiente podemos ver una composición de imágenes que cubre la costa sureste peninsular dejando altas
con las reflectividades del mosaico nacional de la red cantidades de precipitación en las provincias de Mála-
de radares de Agencia Estatal de Meteorología (AE- ga, Granada y Almería. Un ejemplo de la evolución
MET) (ver capítulo sobre radar ), a la izquierda y el horaria de la misma se presenta para la estación de
producto CRR (ver capítulo sobre satélites 7 en la Almería-Aeropuerto.
Figura 51.9: Mosaico de la red de radares de AEMET (izquierda) a las 00:50 UTC del día 18. Producto CRR
(NWCSAF © 2016 EUMETSAT) (derecha arriba) a las 00:45 UTC. Registro de precipitaciones en la estación
Almería/Aeropuerto desde las 11:00 UTC del día 17 a las 11:00 UTC del día 18.
Cartagena Ciudad desde las 18:00 UTC del día 17 a las 18:00 UTC del día 18.
Seis horas más tarde, en la Figura 51.10 en la página (Figura 51.11), la banda de precipitación ya se en-
anterior, se puede ver como la banda de precipitación cuentra a la altura de Valencia y las islas de Ibiza y
se ha desplazado hacia el norte, tal como se vio en el Mallorca. Alrededor de esa hora, la estación de Oliva
producto de agua precipitable MIMIC, y se encuen- registra precipitaciones de más de 15 mm en 10 minu-
tra posicionada a la altura de Murcia. A esas horas tos. La Figura 51.12 muestra las descargas eléctricas
se están recogiendo en la estación de Cartagena del producidas durante el episodio.
orden de 7 mm en 10 minutos. Trece horas más tarde
Cartagena Ciudad desde las 23:00 UTC del día 17 a las 23:00 UTC del día 18.
Figura 51.12: Descargas eléctricas registradas por la red de rayos de AEMET durante el día 18/12/2016
782 (Dic-2016 y Mar-2017)
51.2.4 Episodio B del 13-03-2017: estudio precipitación se encuentra en el interior peninsular,
mediante teledetección y datos ob- sobre Cuenca y Albacete aproximadamente y viaja en
servados dirección este hacia Valencia, donde llega sobre las
19:30 UTC debido al movimiento de la baja. Simultá-
Tanto el radar como el producto CRR ya detectan neamente el producto RDT detecta las tormentas en la
precipitación cerca de la zona de estudio sobre las misma zona desplazándose de manera similar a como
18:00 UTC del día 12 de marzo (Figura 51.13). Dicha lo hace la precipitación en el CRR (Figura 51.14).
Figura 51.13: Campos de precipitación según el mosaico de la red de radares de AEMET a las 17:50 UTC (izquierda)
y según el producto CRR (NWCSAF © 2016 EUMETSAT) a las 18:00 UTC (derecha) del día 12-03-2017.
Figura 51.14: Detección de tormentas según el producto RDT (NWCSAF © 2016 EUMETSAT) a las 19:30 UTC del
día 12-03-2017
Figura 51.15: Evolución del viento según el producto HRW (NWCSAF © 2016 EUMETSAT) de las 23:00 UTC del
día 12-03-2017 y a las 10:00 y 23:00 UTC del 13-03-217
784 (Dic-2016 y Mar-2017)
En el producto HRW vemos cómo el flujo, que a úl- recogieron 112.2 litros en la estación de Alicante en el
timas horas del día 12 de marzo es del W, durante el día 13 (día pluviométrico), siendo este el máximo de
día 13 de marzo cambia a E y luego a S, perfilando precipitación recogido en dicha estación para un día
el movimiento de la baja (Figura 51.15 en la página de un mes de marzo de toda la serie. La Figura 51.16
anterior). muestra la evolución de la precipitación en la estación
de Alicante. La Figura 51.17 muestra cómo detecta la
La zona más afectada por este temporal y donde mayo- precipitación el producto CRR en torno a las horas de
res acumulaciones de precipitación se recogieron fue máxima intensidad.
la ciudad de Alicante y alrededores. En concreto se
Figura 51.16: Precipitación en 10 minutos recogida en la estación del Observatorio de Alicante a lo largo del día
13-03-2017
Figura 51.17: Estimación de precipitación instantánea del producto CRR (NWCSAF © 2016 EUMETSAT) el
13-03-2017 a las 18:30 UTC
51.3 Comportamiento del ECMWF: ECHRES Y ECENS 785
Figura 51.18: ECHRES y Control para D+10 (izquierda). Grupos para D+10 (derecha).
51.3 Comportamiento del este sobre el área mediterránea; lo que contrasta con
la predicción de Control que prevé la circulación del
ECMWF: ECHRES Y ECENS
W en todos los niveles.
En este apartado queremos responder a la pregunta:
¿con qué antelación se puede predecir este tipo de En los grupos del ECENS aparecen tres escenarios:
situaciones meteorológicas? En los últimos 17 años, (a) Grupos 1 y 2; circulación meridiana con baja en el
periodo en el que se está utilizando el ECENS de for- entorno del mediterráneo occidental o norte de Áfri-
ma operativa en AEMET, los modelos han mejorado ca; realmente el grupo 2 es el único que se parece a
vertiginosamente y, en particular, el ECENS [509]. De ECHRES (22 %), (b) Grupos 4 y 5; circulación zo-
forma que no es descabellado analizar la predecibili- nal (30 %) y (c) Grupo 3; dorsal (20 %); el grupo
dad de estas situaciones desde unos 10 días antes. En 6, muy minoritario, no está muy definido sobre la
primer lugar, realizaremos un estudio subjetivo, anali- Península. En este caso de fuerte discrepancia entre
zando la consistencia de ECHRES y del ECENS, y los ECHRES y Control se complica la labor del predictor
diferentes escenarios proporcionados por el ECENS. pues el ECENS posiblemente subestime el escenario
Posteriormente nos centraremos en los mapas de pro- de ECHRES.
babilidad de precipitación y campos específicos para
fenómenos extremos, tales como el EFI (sec. 27.7.2 en Durante los días siguientes, con las nuevas pasadas
la página 420) y el SOT (sec. 27.7.3 en la página 422). disponibles, se observa un gradual aumento de la pro-
babilidad asociada a los escenarios susceptibles de
51.3.1 Episodio A del 18-12-2016: escena- producir precipitaciones intensas en la costa medite-
rios rránea, hasta el día 11 a las 12 UTC y días sucesivos,
cuando TODOS los escenarios pueden producir llu-
El modelo ECHRES muestra (Figura 51.18) a D+10 vias intensas. En la Tabla 51.1 se muestra este incre-
una DANA y en niveles bajos un flujo húmedo del mento:
Tabla 51.1: Evolución de las probabilidades de escenarios susceptibles de producir precipitaciones intensas en la
costa mediterránea.
786 (Dic-2016 y Mar-2017)
De la tabla se pueden extraer dos rasgos del ECENS principalmente en el flujo de niveles bajos que focali-
para esta situación: 1. Consistencia y 2. Aumento gra- zará la convección intensa. De momento toda la costa
dual de las probabilidades. Realmente es un caso de mediterránea, desde Alborán hasta Cataluña, puede
comportamiento ideal de ECENS: desde 10 días antes, verse afectada.
con probabilidades crecientes, aparece el escenario
de las lluvias fuertes hasta 7 días antes, cuando dicha A partir del día 15 (D+3) y día 16 (D+2) ECHRES
probabilidad es máxima. No obstante los diferentes y ECENS (Figura 51.20) recuperan la consistencia,
grupos no son idénticos (Figura 51.19), se diferencian focalizando en el este y sureste peninsular las lluvias
fuertes.
51.3.2 Episodio A: mapas de probabilidad sobre Cataluña. En las dos pasadas del día 14 (D+4)
de precipitación en 24 h se observa un desplazamiento de las precipitaciones
intensas hacia el mar, tanto por parte de ECHRES co-
Desde el día 11 a las 12 UTC (D+7) y hasta el 13 a las mo por el ECENS. Este seguidismo del ECENS es un
12 UTC, los mapas de probabilidad de precipitación rasgo negativo que afortunadamente sólo permaneció
en 24 h (Figura 51.21) muestran una focalización en dos pasadas.
torno al golfo de Valencia, disminuyendo los valores
Figura 51.21: Mapas de probabilidad de precipitación mayor que 40 mm válidos para el día 19 a las 00 UTC,
generados cada 12 horas, desde el día 11 a las 12:00 UTC (arriba izquierda) hasta el día 16 a las 00:00 UTC
(abajo).
788 (Dic-2016 y Mar-2017)
51.3.3 Episodio A: Extreme Forecast Index na 422) donde las probabilidades de lluvias intensas
(EFI) y Shift Of Tail (SOT) son altas (Figura 51.22), lo que indica el alto grado
de rareza de unas precipitaciones tan intensas para la
Se observan valores muy altos de EFI y SOT época del año.
(secs. 27.7.2 en la página 420 y 27.7.3 en la pági-
Figura 51.22: Mapas de EFI y SOT de precipitación en 24 horas válidos para el día 19 a las 00 UTC, generados
cada 12 horas, desde el día 11 a las 12:00 UTC (arriba izquierda) hasta el día 16 a las 00:00 UTC (abajo).
Figura 51.23: Predicción para el día 13-03-2017. Pasada: 06-03-2017 a 12 UTC. ECHRES y control (izquierda) y
grupos (derecha).
51.3.4 Episodio A: predicción operativa y En las siguientes pasadas las probabilidades de esce-
avisos narios asociados a lluvias intensas en el Mediterrá-
neo occidental (prob-1) crecen de forma consistente.
La alta predecibilidad de este episodio nos permitió Sin embargo, si nos limitamos al área mediterránea
emitir avisos de color naranja por precipitaciones in- peninsular (nuestro interés), la evolución de las pro-
tensas en el D+2; e incluso se podrían haber emitido babilidades (prob-2) es desigual hasta 4.5 días antes
con mayor antelación. (Tabla 51.2).
51.3.5 Episodio B del 13-03-2017: compa- Llama la atención la fuerte inconsistencia en el D+5
(Figura 51.24 en la página siguiente), pues ningún
ración ECHRES y ECENS, escala si-
escenario era similar al análisis. En el gráfico de los
nóptica
“espaguetis” se intuye que ninguno o casi ninguno es
compatible con un viento del E o NE sobre el este y
Resulta llamativo que ni el ECHRES ni el ECENS
sureste peninsular.
predijeran ningún escenario similar al que realmente
ocurrió hasta el día 6 a las 12 UTC (Figura 51.23),
cuando por primera vez el ECHRES y el 12 % del A partir del día 9 la dispersión disminuye de forma
ECENS muestran un escenario de lluvias intensas en consistente y podemos hablar de una situación más
el Mediterráneo. predecible.
Tabla 51.2: Evolución de las probabilidades de escenarios adversos en el Mediterráneo occidental (prob-1) y área
mediterránea peninsular (prob-2).
790 (Dic-2016 y Mar-2017)
Figura 51.24: D+5: grupos (izquierda); espaguetis de presión, isolínea de 1014 hPa. ECHRES: línea azul a trazos.
Control: línea roja a trazos. ECENS: líneas grises (derecha)
51.3.6 Episodio B: predicción de la baja sas; conforme la baja se va situando más próxima al
mesoescalar. ECHRES y ECENS SE peninsular mayor es la componente este del viento
y, por consiguiente, mayor la humedad aportada y las
La Figura 51.25 nos muestra la posición de la baja y precipitaciones. El tamaño de la baja es pequeño (diá-
la precipitación en 24 horas prevista para el día 13 a metro de centenares de km), típico de la mesoescala
las 12 UTC, en las pasadas sucesivas desde el 9 a las y, por ello, su predicción suele ser bastante incierta.
12 UTC hasta el 10 a las 12 UTC, cada 12 horas. El Se observa como ECHRES es inconsistente en estas
viento en superficie focaliza las precipitaciones inten- pasadas.
Figura 51.25: Predicción del campo de presión a nivel del mar y nubosidad del 10-03-2017 a las 00 UTC (arriba), y
del 10-03-2017 a las 12 UTC, precipitación y nieve en 24 horas (abajo) para el 13-03-2017 del ECHRES.
Figura 51.26: Espaguetis del campo de presión al nivel del mar, ECHRES y ECENS, verificando el 13-03-2017,
pasadas cada 12 horas desde el 09-03-2017 a las 12 UTC (arriba izquierda) hasta el 12-03-2017 a las 00 UTC
(abajo derecha). Isolínea de 1014 hPa. ECHRES: línea azul a trazos. Control: línea roja a trazos. ECENS: líneas
grises.
Para analizar el comportamiento del ECENS en la El uso de la media del ECENS y su dispersión es otra
predicción de la baja mesoescalar, más útil que los forma de evaluar la incertidumbre de la posición de
campos medios de la presión de los miembros de cala baja (Figura 51.27). De cualquier forma, podemos
da grupo son los espaguetis (Figura 51.26). De esta concluir que solo a partir de la pasada del 10 a las
forma estamos viendo de forma explícita todos los 12 UTC, la dispersión comenzó a reducirse y, por ello,
miembros junto con ECHRES. a aumentar la predecibilidad.
Figura 51.27: Media del campo de presión al nivel del mar del ECENS y su dispersión (sombreado), verificando el
13-03-2017, pasadas cada 12 horas desde el 09-03-2017 a las 12 UTC (arriba izquierda) hasta el 12-03-2017 a las
00 UTC (abajo derecha).
792 (Dic-2016 y Mar-2017)
51.3.7 Episodio B: mapas de probabilidad, mostrando altos valores de EFI y SOT cuando las pro-
EFI y SOT babilidades de lluvias intensas son también altas. De
nuevo se observa como la pasada del 10 a las 12 UTC
Los mapas de probabilidad de precipitación (Figu- es la primera que muestra una predecibilidad alta.
ra 51.28), EFI y SOT (Figura 51.29) son concordantes,
Figura 51.28: Probabilidades de pcp > 50 mm/24 horas, verificando el 13-03-2017, pasadas cada 12 horas desde el
09-03-2017 a las 12 UTC (arriba izquierda) hasta el 12-03-2017 a las 00 UTC (abajo derecha).
Figura 51.29: EFI y SOT de precipitación en 24 h, verificando el 13-03-2017, pasadas cada 12 horas desde el
09-03-2017 a las 12 UTC (arriba izquierda) hasta el 12-03-2017 a las 00 UTC (abajo derecha).
Figura 51.30: Avisos previstos el día 12-03-2017 para el 13-03-2017 (D+1).
51.3.8 Episodio B: predicción operativa y En el mapa de avisos (Figura 51.30) se puede observar
avisos como en el litoral sur de Alicante (donde se encuentra
la ciudad de Alicante, una zona de las zonas más afec-
Teniendo en cuenta que el ECENS con la pasada del tadas como se ha mencionado anteriormente) el aviso
día 10 a las 12 UTC no está disponible hasta la ma- es amarillo; la mañana del día 12 se emitió aviso P1
drugada del día 11 y que era adecuado comparar con (30 mm/h) de 0 h a 15 h del día 13; y, por la noche,
las siguientes pasadas para contrastar la información, con las nuevas pasadas de los modelos, se alargó a
los avisos de color naranja en las zonas del litoral sur todo el día 13 y se dio también de P2 (80 mm/12 ho-
de la provincia de Valencia y norte de Alicante no ras). El día 13 por la mañana las inconsistencias entre
se emitieron, con una probabilidad media, hasta el ECHRES y HARMONIE-AROME (sec. 20.4 en la
día 12 (D+1). El fuerte gradiente de probabilidad de página 310) propiciaron rebajar los umbrales del ama-
precipitación justifica los avisos naranjas en dichas zo- rillo de precipitación (a 20 mm/h y 60 mm/12 h). Para
nas y la ausencia de los mismos al sur. Dichos avisos esta zona no se llegó a emitir el aviso naranja, ni si-
se podrían haber difundido antes pero con una baja quiera observado. En este caso el ECHRES tuvo un
probabilidad. mejor comportamiento que HARMONIE-AROME.
51.4 Conclusiones Sin embargo, para el episodio B el comportamiento

de los modelos es muy diferente, pues aunque em-
Los fenómenos observados de los dos episodios ana- pieza a preverse a D+7, en las sucesivas pasadas los
lizados son muy similares, sobre todo en intensidad modelos son inconsistentes, especialmente ECENS
y acumulación de la precipitación y, sin embargo, su que a D+5 no muestra ningún escenario compatible
predecibilidad es bastante diferente. El episodio A co- con las lluvias intensas. Las causas están asociadas a
mienza a ser previsto a D+10 y, en sucesivas pasadas, las diferentes estructuras meteorológicas responsables
de forma consistente y con probabilidades crecien- del viento húmedo de levante sobre el este y sureste
tes, de forma que para D+7 y rangos más cortos la peninsular. Mientras para el episodio A se trata de
dispersión es mínima, pues sólo hay un escenario. grandes estructuras de presión (anticiclón en el conti-
794 (Dic-2016 y Mar-2017)
nente europeo y borrasca en el norte de África), para Hay una costumbre bastante generalizada en AEMET
el episodio B la baja mesoescalar en el entorno del de no emitir avisos con probabilidades bajas y de es-
Mediterráneo occidental es clave para la focalización perar a que los fenómenos tengan mayor probabilidad
de las precipitaciones. para hacerlo. Este tipo de criterios debería revisarse
en el futuro.
La consecuencia más importante, en predicción ope-
rativa, de la escasa predecibilidad es la dificultad en Se observan valores altos de EFI y SOT cuando las
la emisión de avisos de fenómenos adversos (ver fe- probabilidades de precipitaciones intensas son tam-
nómeno meteorológico adverso (FMA)). El episodio bién altas. En los dos episodios hay una relación entre
B sólo fue avisado con un nivel naranja a D+1 con los mencionados valores y la adversidad de la situa-
una probabilidad media (exceptuando el litoral sur de ción pero hemos de tener en cuenta que no siempre es
Alicante donde hubo una clara subpredicción) mien- así y que es necesario interpretar el EFI y SOT como
tras que el episodio A pudo serlo a D+3/D+2 con un lo que son, índices de rareza y no, necesariamente, de
nivel alto de probabilidad. La probabilidad es la varia- adversidad.
ble que cuantifica la incertidumbre de la predicción y,
con mucha frecuencia, los fenómenos adversos están La Figura 51.31 muestra imágenes de algunos de los
asociados a probabilidades bajas, como el episodio B. impactos del episodio de diciembre de 2016.
Figura 51.31: Impactos producidos por el episodio de diciembre de 2016 (día 18) en Torrevieja, fotografías de
J OAQUÍN C ARRIÓN (izquierda) y R ICARDO G RANADOS (derecha), cedidas a través de Proyecto Mastral Torrevieja
http: // www. eltiempoentorrevieja. es/ .
Temporal mediterráneo de lluvia, nieve y viento (Ene
2017) 52
DOI: 10.31978/014-18-009-X.52
AGUSTÍ JANSÀ C LAR
En Valencia, la nieve cubrió playas en la Costa Blanca como las alicantinas de Denia, Orihuela y Campoamor,
donde cuajó, y dejó incomunicada la localidad costera de Jávea. Ese paisaje no se veía en el municipio desde
1983. También en Torrevieja se dejaron ver los copos 103 años después.
La nieve llega a playas del Mediterráneo, 19-01-2017 – M ERCEDES L ODEIRO, La Voz de Galicia
(en esta noticia se cometió un pequeño error con los años, ya que en Torrevieja la ultima nevada registrada,
según consta en los registros de AEMET, fue en diciembre de 1926, por lo que la nieve se volvió a ver en
Torrevieja 91 años después y no 103 como se indicaba)
,
Lo que se había iniciado como una fuerte irrupción fría entre los días 16 y 17 de enero de 2017, derivó hacia la
formación de una borrasca mediterránea, bastante intensa y de compleja evolución, que dio lugar a un temporal
importante de lluvia, nieve, viento y oleaje alto, afectando principalmente a la Comunidad Valenciana y a las Illes
Balears. Algunas cantidades de precipitación fueron muy notables, sobre todo teniendo en cuenta la época, que
en el Mediterráneo no es la de mayores lluvias. El viento fue también fuerte y el oleaje batió récords de altura en
la zona afectada, incluso generando daños estructurales. Las predicciones basadas en sistemas de predicción por
conjuntos apuntaron en la dirección correcta, orientando adecuadamente para la toma de decisiones, con claras
diferencias según el plazo y con ciertas insuficiencias, incluso a plazos relativamente cortos. Este episodio se
estudia también, desde otro punto de vista, en B ERMEJO [45].
probabilista, temporal mediterráneo de lluvia-nieve-viento enero 2017.
Imagen parte superior: nevada en Torrevieja el 18 de enero de 2017. Fotografía de J OSÉ G ÓMEZ a través de Proyecto Mastral Torrevieja
http://www.eltiempoentorrevieja.es/.
Física del caos en la predicción meteorológica Capítulo 52. Temporal mediterráneo de lluvia, nieve y viento (Ene
796 2017)
52.1 Un episodio con lluvia muy apenas hay desarrollo y la duración es de horas, sola-
mente, desapareciendo pronto la modesta depresión
copiosa, nieve, viento fuerte,
formada. Desde las 06 UTC del día 20 a las 06 UTC
mar alta y ciclogénesis impor- del 21, en cambio, la ciclogénesis es importante, con
tante una caída de la presión central de 10 hPa en 24 horas.
La depresión se mantiene potente durante el día 21 y
Un año después de una insólita sequía invernal en va decayendo a lo largo del 22, aunque todavía será
el Mediterráneo español (noviembre y diciembre de reconocible durante un tiempo.
2015 y enero de 2016), en diciembre de 2016 y enero
de 2017 se produjeron varios temporales mediterrá-
neos de gran intensidad, con lluvias y vientos, si no
insólitos, sí al menos inusuales, por fuertes, sobre todo
teniendo en cuenta la época.
Uno de esos temporales tuvo lugar en dos fases, entre

los días 19 y 24 de enero de 2017. El día 19 hubo,
sobre todo, lluvia fuerte, particularmente en la Comu-
nidad Valenciana, aunque también las Illes Balears se
vieron afectadas. El día 20 hubo una cierta transición.
El día 21, con amortiguamiento progresivo después,
la lluvia intensa y el fuerte viento afectaron a Illes
Balears y a toda el área marítima comprendida entre
el Archipiélago y la península ibérica. El día 22 las
lluvias más importantes se habían desplazado al norte
de Catalunya.
Figura 52.1: Evolución temporal de la presión central
Como ocurre con muchos temporales mediterráneos
en la depresión mediterránea de enero de 2017, rela-
importantes, éste estuvo ligado a la formación, o inten- cionada con el temporal de lluvia y viento del 19 al
sificación autóctona, de una depresión en el Mediterrá- 24 del citado mes. La gráfica ha sido obtenida a partir
neo. En realidad, a la vista de las Figuras 52.1 y 52.2, de análisis y/o campos previstos a corto plazo de pre-
podríamos hablar de una depresión pulsante, centrada sión al nivel del mar, del modelo Global Forecasting
entre la Península y la costa africana. El día 19 hay System (GFS) de la National Oceanic and Atmospheric
un primer intento de formación de depresión, pero Administration (NOAA) [572, 573].
Figura 52.2: Previstos GFS, en superficie, a 12 horas, vía OGIMET (www. ogimet. com ), para el día 19 a 12 UTC
(izquierda) y el día 21 a 12 UTC (derecha).
Figura 52.3: Análisis Agencia Estatal de Meteorología (AEMET) de precipitaciones totales en el día civil (de 00
a 24 horas). De izquierda a derecha y de arriba abajo, días 19, 20, 21 y 22 de enero de 2017. Cortesía de César
Rodríguez Ballesteros, AEMET.
De acuerdo con lo expuesto en general sobre simul- vias ese día son incluso superiores a las de los días
taneidad entre lluvias fuertes y depresiones en el Me- 21 y 22, salvo en algún punto muy concreto. El día
diterráneo (cap. 32.2 en la página 535), las dos fases 20, en cuanto a lluvias, supone una pausa relativa, si
más claramente ciclónicas se corresponden con dos exceptuamos las primeras horas del mismo día 20.
fases distintas de la lluvia intensa, que afectan al día
19 y a los días 21 y 22. El día 20 no es que no haya El viento fuerte (y el oleaje alto), en cambio, se corres-
cierta circulación ciclónica, pero es menos clara y las ponden bien con la profundidad de la depresión y son
precipitaciones parecen tener menos organización (ver máximos desde la segunda parte del día 21, cuando la
Figura 52.3). depresión es realmente una profunda borrasca.
En la Comunidad Valenciana, en concreto, en este
episodio no hay proporcionalidad entre la intensidad y Las precipitaciones recogidas en algunas zonas de la
organización de la depresión y la copiosidad de las llu- Comunidad Valenciana son muy importantes, en par-
vias. Se cumple aquello de que una depresión incluso ticular en las comarcas alicantinas de La Marina Alta
débil puede ser suficiente para organizar un efectivo y La Marina Baixa y en la valenciana de La Safor,
flujo cálido y húmedo, alimentador de la lluvia fuerte típicas zonas mediterráneas de precipitación intensa
e inestabilizador de la atmósfera. En efecto, a pesar ocasional y en las que se localizan los máximos pe-
de la moderación de la depresión del día 19, las llu- ninsulares en 24 horas [212].
798 2017)
Según datos de la organización privada AVAMET las Illes Balears, Sistema de Observación Costero de
(http://www.avamet.org/mx-meteoxarxa. las Illes Balears (SOCIB), lo que constituye récord en
php), en algunas estaciones meteorológicas de su varias de esas boyas. En la boya del Canal de Eivissa
red se superaron ampliamente los 600 mm durante el (SOCIB), se registraron alturas máximas de oleaje de
episodio. En Tàrbena (La Marina Baixa), en particular, más de 10 m, lo que también es récord, aunque hay
se acumularon 668 mm, más de 200 mm el día 19 que decir que la serie es corta. Da idea de la fuerza del
y también más de 200 mm el día 21. También fue- oleaje que en Cala Rajada, por ejemplo, al nordeste
ron importantes las precipitaciones en Illes Baleares, de Mallorca, las olas rompieron el dique del puerto
pudiéndose destacar el Santuario de Lluc (Serra de (ver Figura 52.4).
Tramuntana, Mallorca), donde el total del episodio
(del 19 al 24) arrojó 296 mm, de los que 127 cayeron En cuanto a la depresión en sí, no queda claro cómo
en un día, el 21. se originó la primera fase, ni por qué se frustró. Desde
luego la región en la que se estableció el mínimo de
Llama la atención que muchas de las primeras pre- presión estaba situada bajo una amplia depresión fría
cipitaciones del episodio y las que se produjeron en en altura, que entre los días 16 y 17 había invadido el
los días inmediatamente anteriores fueron en forma Mediterráneo, generando una profunda ciclogénesis,
de nieve, incluso a cotas bajas, en particular en las en una zona más bien lejana de la que nos ocupa, hacia
comarcas de Alacant i València, donde AEMET tuvo el Tirreno.
vigente, durante un tiempo, un aviso rojo por nevadas.
La Figura 52.3 en la página anterior, obtenida de aná- La ciclogénesis principal dentro de este episodio, ocu-
lisis AEMET, basados en estaciones de AEMET, per- rrida a lo largo del día 20, hasta el 21, parece haber
mite ver la distribución de las precipitaciones de un tenido un carácter muy baroclino, es decir, su energía
modo más global que local. Los mapas corresponden vendría de la yuxtaposición de masas de aire diferen-
al día civil, de 00 a 24 horas, concretamente a los días tes, fría y cálida, enroscándose en espiral una sobre la
19, 20, 21 y 22. Hay diferencias si se consideran los otra, lo cual no significa que no haya habido contribu-
días pluviométricos (de 08 a 08 horas; no mostrados); ciones de otros factores, como la liberación de calor
en particular, el día 20 hay menos lluvia en la Comu- latente o los efectos orográficos.
nidad Valenciana en el día pluviométrico que en el
día civil, lo que confirma la disminución relativa de
lluvias a lo largo de día, en esa zona, si exceptuamos
la madrugada.
Pese a la moderada magnitud de la depresión impli-

cada, el viento, de componente este, ya fue fuerte el
día 19, pero lo fue más los días 21 y 22, cuando la
depresión adquirió toda su intensidad. Tomando como
referencia los datos horarios de velocidad media en
10 minutos en la Boya de Dragonera (de Puertos del
Estado), situada al suroeste de la isla de Mallorca, el
día 19 se llegó a 13,4 m/s y el día 21, 16,6 m/s (alcan-
zándose la fuerza 8 de la escala Beaufort). El oleaje
fue notablemente alto, registrándose alturas significa- Figura 52.4: Rotura del dique del puerto de Ca-
tivas superiores a los 6 m, no sólo en Dragonera, sino la Rajada, el 21 de enero de 2017. Fotografía
en diversas boyas de la zona comprendida entre Illes Diario de Mallorca, 21-01-2017, http: // www.
Balears y la península ibérica (Maó, Dragonera, Va- diariodemallorca. es/ part-forana/ 2017/
lencia y cabo de Palos, de Puertos del Estado, y Canal 01/ 21/ temporal-rompe-dique-cala-rajada/
de Eivissa, del Sistema de Observación Costero de 1182946. html .
Figura 52.5: Origen de las masas de aire que han entrado en la borrasca mediterránea desde el 19 de enero de 2017
a las 12 UTC, hasta las 12 UTC del día 21. Resultados obtenidos con el método HYSPLIT, de NOAA Air Resources
Laboratory [Stein2015].
Mediante el análisis de retrotrayectorias, en la Figu- Las imágenes de satélite, en canal de vapor de agua
ra 52.5 puede verse cuál es el origen de las masas de (Canal 5), a las 12 UTC y a las 21 UTC de día 21,
aire que han ido entrando en la borrasca, en formación visualizan el enroscamiento de las masas de aire; el
y ya madura. Aire africano cálido ha entrado hacia el aire frío seco, en descenso, se corresponde con zonas
norte de la borrasca, por el sur y el este, mientras aire oscuras, mientras el aire cálido, húmedo, en ascenso,
frío de procedencia europea (resultado de la entrada se ve en tonos claros, blancos. La borrasca llega a
fría que había habido desde los días 16 y 17) gira, tener un aspecto incluso amenazador (Figura 52.6).
desde el oeste, hacía el sur de nuestra borrasca.
Figura 52.6: Imágenes MSG (sec. 7.3 en la página 86), en canal 5 (vapor de agua), día 21 de enero de 2017, a
las 12 UTC (izquierda) y a las 21 UTC (derecha). European Organisation for the Exploitation of Meteorological
Satellites (EUMETSAT), vía Universidad de Dundee, UK.
800 2017)
Figura 52.7: Predicciones de precipitación y temperatura en 850 hPa, iniciadas el 13 (arriba) y el 19 (abajo) de
enero de 2017, en 39 ºN 0 ºE (izquierda) y en 40 ºN 3 ºE (derecha), procedente del sistema GEFS-NOAA [573,
626, 627] de predicción por conjuntos. Línea azul turquesa: media climatológica; negra: media del conjunto, rosa
fucsia: pasada de control, verde claro: pasada determinista principal. (Adaptado de la presentación online de
http: // www. wetterzentrale. de/ ).
52.2 Predicciones probabilistas 850 hPa, con muy poca incertidumbre, tanto en Valen-
cia, como en Illes Balears. En Valencia es, además, re-
lativamente probable lluvia fuerte en la zona el día 19,
52.2.1 Penachos GEFS lo que sería una indicación válida, a cuatro días vista.
La media del conjunto de predicciones no da mucha
La Figura 52.7 muestran resultados de la predic- agua para día 19, pero algunos elementos del conjunto
ción por conjuntos basada en el SPC GEFS [627] sí, particularmente la pasada de control y la determi-
de NOAA, en una de las formas en que los presenta nista del GFS. Desde entonces, la precipitación en
http://www.wetterzentrale.de/, en puntos de Valencia es ruidosa y relativamente poco importante,
rejilla (malla) seleccionados. Los puntos selecciona- incluido el día 21: no hay apenas información útil. En
dos son 39 ºN 0 ºE, cerca de la costa sur de la provincia Illes Balears, alguna idea de lluvia importante día 21 sí
de Valencia, y 40 ºN 3 ºE, en el nordeste de Illes Ba- la hay, aunque todo el período de predicción sufre bas-
lears. Son predicciones de temperatura a 850 hPa y tante dispersión (ver sección 27.5.1 en la página 412).
precipitación, cada seis horas, con inicio día 13 (Figu- Las predicciones iniciadas el día 19 dan indicaciones
ra 52.7, arriba) y día 19 (Figura 52.7, abajo). claras del comportamiento de las precipitaciones, tan-
to en Valencia, como en Illes Balears, para los días 19,
Analizando la Figura 52.7, se puede decir que, a dos 20 y 21. Al acercarse el período de tiempo revuelto,
días vista, es muy clara la caída de temperatura en la incertidumbre ha ido disminuyendo.
Figura 52.8: Probabilidad de precipitación acumulada en 24 horas superior a 20 mm, según ECENS, para los días
18, 19 y 20 de enero de 2017 (de izquierda a derecha). AEMET 2017.
52.2.2 Mapas de probabilidad ECENS Hay que reconocer que decir que hay una alta probabi-
lidad de más de 20 mm tampoco es afirmar que vayan
a caer 100 o 200 mm, pero sí debe destacarse que la
Otra manera de analizar el comportamiento de las pre-
superación de umbrales altos es más significativa que
dicciones de precipitación es a través de los mapas
la de umbrales bajos, dadas sus diferentes distribucio-
de probabilidad de sobrepasar un umbral determinado
nes climatológicas. En cualquier caso, es interesante
(sección 27.6.1 en la página 416). Para ello se han
comparar las Figuras 52.8 y 52.9 con la Figura 52.3 en
usado las predicciones por conjuntos del Centro Eu-
la página 797, con las reservas necesarias en cuanto a
ropeo (ECENS; no tendrían por qué coincidir con las
la interpretación de la información mostrada en cada
del GFS en pequeñas escalas) y se ha considerado el
figura.
umbral de 20 mm en 24 horas, en el día civil corres-
pondiente.
En la Figura 52.8 aparecen las probabilidades de llu-

via superior a 20 mm para los días 18, 19 y 20, según
predicción del 16 de enero de 2017 a las 00 UTC,
del sistema de predicción por conjuntos del Centro
Europeo (ECENS). A 84 horas vista hay una clara
indicación, con muy poca incertidumbre, de precipita-
ción fuerte el día 19 (sábado), entre el sur de Valencia
y Alicante. También hay una disminución clara de
precipitación en esa zona concreta para el día 20 (do-
mingo).
En la Figura 52.9 se analizan las predicciones proba-

bilistas de precipitación para día 21 (sábado), a 132
horas vista (incluyendo los días 22 y 23) y a 84 horas
vista (incluyendo los días 20 y 22). Al plazo más largo
la indefinición de la predicción de precipitación para
día 21 es mucha: hay una amplia zona con una misma
probabilidad de superar los 20 mm, que, además, no Figura 52.9: Probabilidad de superar 20 mm, según pre-
es alta, entre el 10 y el 40 %. Al aproximarse la fecha, dicciones ECENS iniciadas el 16 (arriba) y el 18 (abajo)
como es de esperar, la incertidumbre disminuye cla- de enero de 2017 a 00 UTC, para el sábado 21 y los
ramente y la predicción probabilista se hace más útil días inmediatamente próximos. (ECMWF; elaboración,
y, además, bastante congruente con lo sucedido luego. AEMET).
802 2017)
nes de viento. Ver Figura 52.10. Recuérdese que se
observaron alturas superiores a 6 m en boyas situadas
entre las Illes Balears y las costas de Valencia, hasta
Murcia (cabo de Palos). La probabilidad de superar
los 6 m es nula en las predicciones del ECENS. En
buena parte de la zona citada, la probabilidad de supe-
rar, no los 6, sino los 4 m es aún muy baja, atendiendo
a las predicciones a 132 horas vista. Con predicciones
a plazo más corto (84 horas) la probabilidad aumenta,
pero no en toda la zona, ni de un modo muy rotundo:
la predicción se hace más indicativa, más útil, pero no
llega a ser plenamente satisfactoria.
Cabría interpretar que la predicción de vientos ha sido

insuficiente y ello podría ser debido a que la ciclogé-
nesis principal que define buena parte de ese episodio,
no ha sido plenamente prevista por el ECENS, o, al
menos, no ha sido bien prevista por un porcentaje
Figura 52.10: Probabilidad de superar los 4 m de altura importante de los elementos del conjunto.
significativa de olas, según predicciones ECENS inicia-
das el 16 (arriba) y el 18 (abajo) de enero de 2017 a Considerando las predicciones a 84 horas, la Figu-
00 UTC, para el sábado 21 y los días inmediatamente
ra 52.11 compara los mapas medios asociables a dos
próximos. (ECMWF; elaboración, AEMET).
grupos (ver sección 27.4.1 en la página 406) de ele-
mentos de la predicción por conjuntos ECENS (agru-
pación por semejanza). En el grupo 2 (13 miembros)
La utilidad de la predicción de vientos y mar se consi- hay más gradiente de presión, más viento, que en el
dera aquí analizando las predicciones de oleaje direc- grupo 3 (11 miembros), pero quizás el gradiente sea
tamente, ya que las predicciones de oleaje son, como insuficiente en ambos grupos de predicciones; quizás
es sabido, totalmente dependientes de las prediccio- también en el primero, no mostrado.
Figura 52.11: Dos grupos de predicciones a 84 h del ECENS, vaĺidas para el 21 de enero de 2017 a las 12 UTC,
con 13 y 11 elementos respectivamente. En cada grupo (pareja de mapas) puede verse la predicción media de
geopotencial a 500 hPa (izquierda) y presión en superficie (derecha) (ECMWF; elaboración, AEMET).
Más débil es la borrasca que dibujan las predicciones satisfactorios en las escalas necesarias.
de grupo 2 (12 miembros) de la predicción a 132 horas
(Figura 52.12). Las diferencias de la predicciones de
presión en superficie parecen asociables a diferencias
en la predicción de geopotencial al nivel de 500 hPa.
Parece claro que en la ciclogénesis de 20-21 de enero

de 2017 los factores orográficos, que serían los que
más podrían aumentar la predecibilidad en casos de
formación de borrascas, no han sido los más impor-
tantes.
Una ciclogénesis mediterránea como la considerada,

relevante por su intensidad, más bien baroclina en
cuanto al mecanismo de formación, con contribución
probable de la liberación de calor latente de conden- Figura 52.12: Grupo de predicciones a 132 h del ECENS
sación y que tiene lugar a una escala espacial bastante con 12 miembros, válidas para el 21 de enero de 2017
menor que las ciclogénesis oceánicas más habituales a las 12 UTC. En cada grupo (pareja de mapas) puede
tiene una limitada predecibilidad. Una herramienta verse la predicción media de geopotencial a 500 hPa
como ECENS puede dar una orientación útil, pero no (izquierda) y presión en superficie (derecha)(ECMWF;
se puede esperar que aporte resultados plenamente elaboración, AEMET)
Borrasca con baja predecibilidad (Feb 2017)
53
DOI: 10.31978/014-18-009-X.53
A LEJANDRO ROA A LONSO Y Á LVARO S UBÍAS D ÍAZ -B LANCO
Área de Técnicas y Aplicaciones de Predicción (ATAP), Agencia Estatal de Meteorología (AEMET)
Hacer predicciones es muy difícil, especialmente

cuando se trata del futuro.
N IELS H ENRIK DAVID B OHR
El fin de semana del 10 al 12 de febrero de 2017 una baja fría se situó sobre la península ibérica
provocando importantes precipitaciones en su mitad occidental, especialmente destacadas en el sistema
Central, donde se recogieron precipitaciones con valores superiores a 100 mm en 24 horas durante
el domingo 12. La predecibilidad de la situación fue baja, no tanto a nivel sinóptico, como a nivel
mesoescalar. La localización y la intensidad de las precipitaciones fueron difíciles de determinar,
incluso en el corto y hasta en el muy corto plazo. En este estudio comparamos el uso de la nueva
técnica de agrupamiento (clustering) [195, 277, 449] que se está desarrollando el ATAP de AEMET,
basada en el modelo probabilista del ECMWF, ECENS, descrita en la sec. 27.14 en la página 441, con
la técnica que se ha venido usando en los últimos veinte años (sec. 27.4 en la página 406).
probabilista, borrasca con baja predecibilidad febrero 2017.
Imagen parte superior: altocumulus lenticularis, tomada el 20-01-2018 a las 13 horas desde El Espinar, sierra de Guadarrama. Fotografía
de L ETICIA M ILLA D ÍEZ
806 Física del caos en la predicción meteorológica Capítulo 53. Borrasca con baja predecibilidad (Feb 2017)
Figura 53.1: Precipitación entre las 00 y las 24 UTC del día 12. Agencia Estatal de Meteorología (AEMET).
53.1 Observaciones destacadas y la estación de Piornal, en el valle del Jerte, provincia

de Cáceres, a 1 175 m sobre el nivel del mar, entre
efectos
las 00 y las 24 UTC (que aumenta hasta 187.6 mm si
consideramos desde las 05 UTC del domingo 12 y la
Aunque las precipitaciones afectaron a la mayor par- misma hora del lunes 13), y hubo otros valores desta-
te de la mitad occidental de la Península, fue en el cados en la estación de esquí de Cerezo-La Pinilla, en
sistema Central donde se recogieron las máximas pre- Segovia, a 1 860 m (137 mm entre las 00 y las 24 y
cipitaciones del episodio durante el domingo 12, con 196.2 mm entre las 11 del día 12 y las 11 del 13) y en
valores superiores a 100 mm en numerosos puntos. El San Rafael, Segovia, 1 260 m (128.6 mm de 00 a 24 y
máximo entre las 00 y las 24 UTC fue de 153.6 mm en 154.0 mm entre las 06 y las 06).
Figura 53.2: Precipitación entre las 06 UTC del día 12 y las 06 UTC del día 13. AEMET.
53.1 Observaciones destacadas y efectos 807
Precisamente, en San Rafael y en la vecina lo- terrupción del servicio ferroviario, tal y como
calidad de La Estación de El Espinar (que for- se recoge en la siguiente noticia: http://www.
man parte del mismo municipio de El Espinar), elnortedecastilla.es/segovia/201702/13/
las inundaciones debido a las intensas lluvias lluvia-provoca-noche-riadas-20170213090512.
caídas provocaron importantes destrozos y la in- html
Figura 53.3: Destrozos causados por las inundaciones en San Rafael. Fotografías de C AROLINA H ERNANDO
G ÓMEZ.
Figura 53.4: Gráfica de la estación automática de San Rafael. AEMET.

Figura 53.5: Izquierda: Temperatura y geopotencial en 500 hPa el día 12 a las 12 UTC, según análisis del modelo
ECHRES. Derecha: Presión en superficie con nubosidad el día 12 a las 18 UTC, según previsión a 6 horas del
modelo ECHRES del día 12 a las 12 UTC.
Figura 53.6: Convergencia de humedad en 850 hPa a las 00 UTC del día 13, según modelo ECHRES del día 12 a las
12 UTC.
53.2 Análisis de la situación divergente sobre la Península.
En cuanto a la presión en superficie, en el mapa pre-

Vemos, en primer lugar, el análisis de geopotencial visto del ECHRES del día 12 a las 12 UTC para las
y temperatura del día 12 a las 12 UTC (Figura 53.5 18 UTC (casi un análisis, Figura 53.5 derecha), se
izquierda), es decir, la situación que finalmente se observa que la baja ocupa un área similar a la de
produjo, según el modelo determinista del ECMWF, 500 hPa, con un mínimo sobre el golfo de Cádiz y una
ECHRES. El centro de la baja se sitúa aproximada- circulación intensa sobre la Península. La Figura 53.6
mente sobre 45º N 20º W, con un centro secundario muestra la convergencia de humedad en 850 hPa a las
al norte de Madeira, y un flujo húmedo del sur algo 00 UTC del día 13.
53.2 Análisis de la situación 809
Figura 53.7: Análisis de viento y de presión a nivel del mar según modelo HIRLAM de alta resolución del día 12 a
las 18 UTC para el área central de la Península. AEMET.
Figura 53.8: Análisis de viento según modelo HIRLAM de alta resolución del día 12 a las 18 UTC para toda la
Península Ibérica. AEMET.
En el análisis del modelo determinista HIRLAM de los sistemas Béticos hasta la cordillera Cantábrica
alta resolución (Figuras 53.7 y 53.8) se observa la y Pirineos, pero es sobre el sistema Central, donde
convergencia de vientos sobre el sistema Central y la convergen los flujos del Atlántico, desde el golfo de
formación de una mesoalta a barlovento, en el lado Cádiz hacia el norte, con los del Mediterráneo, donde
de la meseta Sur, y una mesobaja a sotavento, en la la convergencia de humedad es máxima. El ascenso
meseta Norte, dentro de una zona de bajas presiones orográfico, importante factor al tratarse de elevaciones
generalizadas, con el centro de la baja en el golfo de superiores a 2 000 metros, contribuye a reforzar aún
Cádiz y valor de 992 hPa y un fuerte gradiente de más las precipitaciones.
presión en toda la Península, pues en el extremo no-
reste se alcanzan 1 017 hPa. El modelo conceptual Por tanto, la clave para la predicción adecuada de la
de dipolo se observa realmente en todas las cadenas situación de intensas lluvias en el sistema Central está
montañosas que discurren en sentido zonal, desde más en la posición y profundidad de la baja en super-
ficie que en la posición de la baja en niveles altos.
Figura 53.9: Diferencia de precipitación entre pasadas sucesivas del modelo ECHRES para el periodo de las 18 UTC
del día 12 a las 00 UTC del día 13. Conjunto superior de cuatro mapas: área sinóptica. Conjunto inferior de cuatro
mapas: área Península y Baleares. AEMET.
53.3 Diferencia entre las pasadas del modelo determinista 811
53.3 Diferencia entre las pasadas horas del mismo día 12, aunque no demasiado en el
área de máximas precipitaciones del sistema Central.
del modelo determinista
Las sucesivas pasadas del modelo determinista del
Centro Europeo ECHRES muestran grandes diferen- Veamos a continuación la cantidad total de precipita-
cias en cuanto a la cantidad y la localización de la pre- ción prevista por el modelo ECHRES para el periodo
cipitación, incluso en el caso de pasadas muy cercanas de 24 horas que incluye todo el día 12, según las
a la validez de la predicción. Lo podemos comprobar, pasadas de las 00 UTC de los días 9, 10, 11 y 12 (Fi-
a escala sinóptica, comparando las pasadas que van gura 53.10). El día 9, arriba a la izquierda, se observa
desde las 00 UTC del día 10 hasta las 12 UTC del día cómo las precipitaciones abarcan la totalidad de la
11, cada 12 horas, cada pasada con la anterior, para el Península, y aún llegan a Baleares. Los máximos se
periodo de validez de 6 horas que va desde el día 12 a dan en el sistema Central y sierras de Cádiz y Málaga.
las 18 UTC hasta el día 13 a las 00 UTC (Figura 53.9 El día 10 el Mediterráneo prácticamente queda libre
en la página anterior, arriba). Donde los colores son y se marca un máximo destacado en el entorno del
cálidos, la pasada del último modelo pronostica valo- golfo de Cádiz. El día 11 el máximo se extiende por
res mayores que la del penúltimo, y donde son fríos, casi todo el cuadrante suroeste peninsular, y el 12 se
lo contrario. refuerza la precipitación sobre el sistema Central y a
lo largo del límite entre España y Portugal, que es lo
Aumentando la escala, hasta el área peninsular (Figu- que se observa en los datos de precipitación recogida.
ra 53.9 en la página anterior, abajo), comprobamos Los valores, en todo caso, fueron inferiores a los ob-
que incluso para las pasadas que van desde las 00 UTC servados posteriormente. Concretamente, el modelo
del día 11 hasta las 12 UTC del día 12, y para el mostraba unos máximos de 60-80 mm en 24 horas
mismo periodo y alcance, las diferencias en la locali- en la zona de la sierra de Gredos, que sí que se reco-
zación e intensidad se mantienen. Es decir, la pasada gieron, pero el entorno de la sierra de Guadarrama,
de las 12 UTC del día 12 (abajo a la derecha) difiere donde se superaron los 100 mm sólo mostraba valores
sustancialmente de la de las 00 UTC para las últimas de 40-60 mm.
Figura 53.10: Precipitación según las pasadas de las 00 del ECHRES de los días 9, 10, 11 y 12 para el periodo de
24 horas comprendido entre las 09 UTC del día 12 y las 00 UTC del día 13
53.4 Salidas del ECENS o ENS-IFS ción de los miembros del ECENS, hecha en AEMET
según la técnica antigua, desde el día 2 hasta el 9 de
febrero para los días 10 al 12 de febrero. La Figu-
53.4.1 Grupos según la técnica antigua ra 53.11 muestra un extracto de todo el seguimiento
habitual desde más de una semana antes, seleccionan-
Para evaluar la predecibilidad de la situación, su dis- do los grupos para el sábado 11, a 6 días vista y a 5
persión, etc., mostramos, en primer lugar, la agrupa- días vista.
Figura 53.11: Grupos con técnica antigua de los días 6 (arriba) y 7 (abajo) para el día 12 a mediodía. AEMET.
53.4 Salidas del ECENS o ENS-IFS 813
Figura 53.12: Grupos con técnica nueva de los días 6 (izquierda) y 7 (derecha) para el día 12 a mediodía. AEMET.
53.4.2 Nueva técnica de clustering de AE- En la fila segunda se dibujan la presión en superficie
MET, pasadas de los días 6 y 7 y temperatura en 850 hPa para esos mismos miem-
bros representantes de cada uno de los grupos, y en
la tercera la probabilidad de precipitación mayor que
En las siguientes imágenes (Figura 53.12, parte iz- 1 mm para cada cluster, para las 24 horas del día 12.
quierda) se muestran las agrupaciones (clusters) a que Por último, en la cuarta fila, se muestra la cantidad de
da lugar la nueva técnica que se está desarrollando precipitación durante las 24 horas del día 12 para los
en el ATAP para la pasada del día 6 a las 12 UTC, miembros representantes, es decir, para los miembros
previsto a 144 horas, es decir para las 12 horas del 12, 8 y 23, que son los más cercanos a la media de
día 12. En la fila superior se muestra el geopotencial cada grupo. Se observan importantes diferencias entre
en 500 hPa, que es la variable sobre la que se hacen los miembros representantes de cada grupo, tanto en
los cálculos, del mismo modo que se hace con la téc- la ubicación de la baja en altura y en superficie co-
nica antigua, aunque es posible hacerlos sobre otras mo en la precipitación resultante, no muy similar a la
variables.Vemos que se crean tres grupos, el 1 con 22 observada finalmente.
miembros, el 2 con 15 miembros y el 3 con 14 miem-
bros. A diferencia del método antiguo, en el que se A continuación (Figura 53.12, parte derecha) vemos
calcula y dibuja el promedio de los miembros de cada los gráficos correspondientes a la pasada del día 7 a
cluster, con el nuevo método se dibujan los contornos las 12 UTC, previsto a 120 horas, es decir para las 12
de geopotencial de uno de los miembros, el llamado horas del mismo día 12. La nueva técnica de clustering
representante, por ser el más cercano a la media del nos muestra de nuevo tres grupos, el primero con 22
grupo, que en este caso es el miembro 12 para el pri- miembros, representado por el número 27, el segundo
mer grupo, el 8 para el segundo y el 23 para el tercero. con 16 miembros, representado por el 9, y el terce-
En el mismo gráfico se representa la temperatura en ro con 13 miembros, siendo el 48 el representante.
500 hPa también para el representante de cada grupo. Observamos que las diferencias entre los grupos o
sus representantes son ahora menores que el día 6, y no puede aún establecerse de modo incuestionable
que el segundo grupo se asemeja mucho al análisis cuáles son sus ventajas respecto del antiguo, emplea-
de la situación del día 12, tanto en la posición, forma do en AEMET durante los últimos veinte años. Lo que
y profundidad de la baja en 500 hPa y en superficie sí podemos afirmar es que se trata de un método que
como, muy notablemente, en la precipitación prevista, tiene más sentido teórico al no representar campos
al menos en su distribución (no es de esperar que un calculados a partir de la media de los distintos miem-
modelo de la resolución del ECENS pueda reprodu- bros para cada grupo, sino los campos referidos a un
cir valores tan altos como los que se produjeron). A miembro representante de cada uno de esos grupos, el
partir del día siguiente las distintas salidas del nuevo más cercano a su centro. La ventaja de hacerlo así es
método de «clustering» se van aproximando aún más algo que está pendiente de evaluar sistemáticamente.
al análisis del día 12, con miembros representantes
prácticamente idénticos a dicho análisis.
Por otra parte, la nueva técnica, a diferencia de la
Se puede observar que el representante del segundo
antigua, no produce un número fijo de grupos (seis)
grupo, que es el miembro 9, se encuentra en el grupo 1
sino un número variable, entre uno y seis, en función
calculado según la técnica antigua, grupo que incluye
de la dispersión de la muestra. De este modo se evita
18 miembros, entre ellos el de control. Sin embargo,
aplicar al procedimiento objetivo una corrección sub-
los mapas de geopotencial en 500 hPa y de presión en
jetiva consistente en la creación de supergrupos de
superficie, que son promedios de dichos 18 miembros,
modo interactivo por parte del predictor de medio pla-
no se asemejan tanto al análisis del día 12 como lo
zo. Con la nueva técnica los supergrupos tienen que
hacen los asociados al grupo 2 en la nueva técnica. La
salir de modo objetivo, en un solo paso. Igualmente,
baja en superficie, concretamente, tiene su centro más
las ventajas de esto están pendientes de ser evaluadas
alejado del golfo de Cádiz. Además, estos mapas di-
de modo objetivo, y aún subjetivo.
bujados según la técnica antigua presentan un aspecto
«redondeado» y suavizado, poco realista, consecuencia
de promediar un número grande de miembros.
Lo que resulta indudable es la conveniencia de ac-
tualizar la técnica de clustering respecto de la que se
53.5 Conclusiones ha estado utilizando durante las últimas décadas, tal
y como se ha hecho en el ECMWF, y explorar sus
Dado que la nueva técnica de clustering se encuentra posibilidades de adaptación para nuestras latitudes, un
en proceso de estudio y desarrollo en estos momentos, campo de investigación con infinidad de posibilidades.
Temporal marítimo en Galicia (Feb 2017)
54
DOI: 10.31978/014-18-009-X.54
F RANCISCO JAVIER D ÍAZ BÁRCENA

Área de Predicción Operativa (APRO), Agencia Estatal de Meteorología (AEMET)
J OSÉ H IERRO C ARNICERO
Delegación territorial (DT) en Galicia, AEMET
Asubían os ventos,
brúan as raucas olas,
ráchanse as brancas velas,
fungan as tesas cordas.
Quexumes dos pinos e outros poemas – E DUARDO P ONDAL
Se presenta a continuación el proceso de predicción del estado de la mar en las aguas costeras de Galicia con
ocasión de un temporal atlántico ocurrido en los primeros días de febrero de 2017. Este proceso comienza de
forma temprana en el medio plazo estudiando, con un enfoque probabilista, los diferentes escenarios posibles que
podrían dar lugar a situaciones de aviso de fenómenos adversos (ver fenómeno meteorológico adverso (FMA)),
tal y como los contempla el plan Meteoalerta (cap. 41 en la página 627) vigente en AEMET. Ya en el corto
plazo, entre 48 y 72 horas antes de la ocurrencia de los fenómenos previstos, y con un enfoque crecientemente
determinista, se plantea la decisión de emitir avisos, en este caso bajo la responsabilidad del Grupo de Predicción
y Vigilancia de A Coruña. Finalmente se contrasta brevemente la predicción realizada con algunos de los datos
registrados.
Imagen parte superior: fotografía de R AMÓN L EIRO, La Voz de Galicia.
816 Física del caos en la predicción meteorológica Capítulo 54. Temporal marítimo en Galicia (Feb 2017)
probabilista, temporal marítimo den Galicia febrero 2017.
54.1 Descripción de la situación 817
Figura 54.1: Predicción de la presión al nivel del mar para el día 3 a las 06 UTC correspondientes a las pasadas del
29 y el 30 de enero de 12 UTC. Agencia Estatal de Meteorología (AEMET) 2017.
54.1 Descripción de la situación 54.2 Problemática de la predicción

Desde el día 1 hasta el 5 de febrero de 2017, bajo El aviso rojo en las zonas costeras de Galicia y el
una fuerte circulación zonal en altura con máximos de Cantábrico se debe emitir por AEMET cuando se pre-
viento sobre la latitud 45 N aproximadamente, se fue- vea alguna de las dos siguientes condiciones: altura
ron produciendo sucesivas ciclogénesis en el Atlántico significativa de olas de mar compuesta o combinada
central que se profundizaban y desplazaban rápida- superior a 8 metros y/o viento medio superior a fuerza
mente al acercarse al noroeste de la península ibérica, 10. En lo sucesivo toda referencia que se haga a altura
para después recorrer el golfo de Vizcaya con rumbo de ola, prevista u observada, se referirá a la altura sig-
NE hacia el norte de Francia. nificativa que se define como el valor medio del tercio
Estas ciclogénesis, asociadas a profundización de va- de las olas más altas en el espectro del oleaje. Por
guadas en altura a la salida de fuerte circulación del otro lado, tradicionalmente se distinguen dos tipos de
oeste sobre el Atlántico, no llegaban a cumplir el re- oleaje que contribuyen al oleaje de mar compuesta o
quisito de explosivas (24 hPa en 24 horas) aunque sí combinada que es el objeto de los avisos: olas por mar
cuando se limitaba el criterio a la profundización en de viento y olas por mar de fondo. Las primeras se dan
12 horas. en una determinada zona debidas al viento que en ese
momento sopla en esa zona. El oleaje de mar de fondo
Esta situación produjo episodios de temporal en las sin embargo lo ha producido viento que ha soplado du-
costas de Galicia y en menor medida en las del Can- rante cierto tiempo sobre una extensión de mar (fetch)
tábrico. Nos fijaremos en particular en las dos bajas propagándose posteriormente hasta la zona objeto de
que pasaron en las madrugadas del 3 y el 4 de febrero la predicción. En la situación que tratamos, ambas
cerca del norte de Galicia, que denominaremos L1 contribuciones son importantes. Sin embargo, tienen
y L2 (ver Figura 54.1), y en las dificultades de su una diferencia a efectos de la predicción: su diferente
predicción. predecibilidad, menor para la mar de viento. Véanse
como ejemplo en la Figura 54.2 en la página siguiente
Aunque las rachas de viento durante este episodio en
los mapas de probabilidad (sección 27.6.1 en la pági-
muchas zonas de la Península alcanzaron valores muy
na 416) del SPC del ECMWF (ECENS, sec. 19.3 en
fuertes y las precipitaciones fueron importantes en
la página 293) [509] del 29 de enero previstos para
algunas zonas, prestaremos atención en este estudio
los días jueves 2, viernes 3 y sábado 4 de febrero.
fundamentalmente al estado de la mar y las dificulta-
des en la toma de decisión para la emisión de avisos
Las dos bajas que tratamos producen vientos muy fuer-
de nivel rojo en las zonas costeras.
tes y la consiguiente mar de viento, pero sus efectos
Los avisos de fenómenos meteorológicos adversos concretos sobre el litoral gallego y cantábrico van a de-
se describen con detalle en el capítulo dedicado al pender de sus características particulares: trayectoria,
plan Meteoalerta (cap. 41 en la página 627) vigente cronología de su evolución, profundidad y gradiente
en AEMET. de presión producido.
Figura 54.2: Mapas de probabilidad previstos para la altura de olas de mar de fondo y de viento. Para los umbrales
2.5 y 4 m los intervalos de probabilidad son blanco=0-10 %, celeste=10-40 %, azul1=40-70 %, azul2=70-90 %,
azul3=90-100 %; para los umbrales de 6 y 9 m son blanco=0-5 %, celeste=5-10 %, azul1=10-40 %, azul2=40-70 %,
azul3=70-100 %). Comparativamente, los mapas correspondientes al mar de viento muestran distribuciones de
probabilidad de superación de umbrales más dispersas geográficamente. AEMET 2017.
Pequeñas diferencias en su evolución sinóptica da- plazo, las pasadas sucesivas discrepaban lo suficiente
rán lugar a diferentes efectos sensibles (altura de ola y para sugerir predicciones marítimas en Galicia bas-
fuerza del viento) en diferentes zonas, lo que cambiará tante diferentes. Véase como ejemplo la predicción
la predicción que se emita y el correspondiente nivel de la presión en superficie (Figura 54.1 en la página
de aviso. Las dudas que acompañan a una situación anterior) con la posición de las bajas estudiadas L1
como la estudiada a la hora de decidir la emisión de y L2 para el día 3 a las 06 UTC de las pasadas del
avisos de nivel naranja o rojo provendrán en buena me- modelo de los días 29 y 30 de enero ambas de las
dida de la incertidumbre que acompañe a la predicción 12 UTC; la del día 30 de enero hace evolucionar L1
de estas bajas y del mar de viento que producirán. mucho más al norte que la del día 29 e incluso que
la evolución real (véase la imagen de satélite en la
Figura 54.14 en la página 825).
54.3 Inconsistencia de las pasa-
das sucesivas del modelo Se hace pues imprescindible en el medio plazo, para
ECMWF de alta resolución empezar, utilizar los recursos de la predicción proba-
ECHRES bilista para abordar esta situación. La primera herra-
mienta de alerta ante una situación adversa que valora
Aunque en este episodio el modelo de alta resolución la extrañeza del fenómeno es el Extreme Forecast In-
tuvo un buen comportamiento incluso en el medio dex, EFI (sección 27.7.2 en la página 420) que ya el
54.3 Inconsistencia entre pasadas sucesivas ECHRES 819
día 29 ofrecía un valor llamativo para la altura de mar de los días 2 y 3 de febrero (Fig. 54.3).
Figura 54.3: Extreme Forecast Index (EFI) previsto el día 29 de enero para los días 2 de febrero (izquierda) y 3 de
febrero (derecha). ECMWF 2017.
Por otro lado, los mapas climatológicos de percentiles del día 3 en las proximidades de Galicia. El campo
(sec. 27.7.1 en la página 419) 90 y 99 de altura de ola medio mean sea level pressure -presión reducida al
(Figura 54.4) muestran la rareza de que se alcancen en nivel medio del mar- (MSLP) del ECENS (izquier-
estas fechas los 8 metros necesarios para la emisión da) muestra un surco en la presión cerca de Galicia
de un aviso rojo en nuestras costas. con valores de desviación estándar (derecha) superio-
res a 7 hPa dando cuenta de la incertidumbre de su
Los mapas de promedio y dispersión (sección 27.5.1 posición y profundidad. El modelo ECHRES (dere-
en la página 412) de presión en superficie del día 29 a cha, sec. 19.2 en la página 291) muestra ya una baja
las 00 UTC (Fig. 54.5 en la página siguiente) comien- cerrada al noroeste de Galicia.
zan a situar la primera baja L1 en torno a las 00 UTC
Figura 54.4: Percentiles 90 y 99 de la climatología de altura de ola correspondiente a estas fechas. ECMWF 2017.
Figura 54.5: Mapas previstos el día 29 de enero para el 3 de febrero a las 00 UTC (H+120) de la presión al nivel del
mar: a la izquierda, media del ECENS (Ensemble Mean) y a la derecha, predicción del modelo de alta resolución
ECHRES con la desviación estándar del ECENS sombreada. ECMWF 2017.
48 horas más tarde, el día 31 de enero, (Fig. 54.6) se las aguas costeras de Galicia.
reduce la indeterminación que el ECENS atribuye a
L1 sugiriendo ya el promedio un mínimo cerrado de Respecto a la baja L2, las Figuras 54.7 y 54.8 en la
presión al noroeste de Galicia y previendo el ECHRES página siguiente muestran los correspondientes mapas
una mayor profundidad de la baja L1 aunque en una previstos por las pasadas del 29 y 31 de enero respec-
posición diferente a la prevista 48 horas antes. tivamente para el día 4 de febrero a las 00 UTC. Es
evidente la disminución de la desviación estándar en
A la vista de ello, el día 31 se emite aviso naranja por torno a L2 a medida que se reduce el alcance de la
olas superiores a 7 metros para la tarde del día 2 en predicción.
Figura 54.6: Similar a la Figura 54.5 pero con la previsión (H+72) realizada el 31 de enero. ECMWF 2017.
54.3 Inconsistencia entre pasadas sucesivas ECHRES 821
Figura 54.7: Similar a la Figura 54.5 pero con la previsión (H+144) para el día 4 de febrero a las 00 UTC. ECMWF
2017.
A partir del día 1 los mapas de probabilidad de altura Esto se debe principalmente a que el predictor dispo-
de mar de viento y de mar compuesta o combinada ne de más campos y de sus valores con una mayor
(Figura 54.9 en la página siguiente) muestran un gra- resolución espacial (9 km sobre 18 km en 2017). En
diente de probabilidad más reducido, indicando una consecuencia el ECHRES puede dar valores de algu-
dispersión en los miembros del ECENS lo suficien- nas variables más extremos de los que aparecerían con
temente baja como para utilizar el modelo ECHRES una resolución más baja, e.g. mínimos de presión o
de alta resolución con un enfoque más determinista máximos de viento.
al tiempo que aporta más información a la predicción.
Figura 54.8: Similar a la Figura 54.6 pero con la previsión (H+96) para el día 4 de febrero a las 00 UTC. ECMWF
2017.
Figura 54.9: Mapas de probabilidad de la altura de mar de viento y de mar compuesta correspondientes a la pasada
de 00 UTC del 1 de febrero para los días 2, 3 y 4. Para los umbrales 2.5 y 4 m los intervalos de probabilidad son
blanco=0-10 %, celeste=10-40 %, azul1=40-70 %, azul2=70-90 %, azul3=90-100 %; para los umbrales de 6 y 9 m
son blanco=0-5 %, celeste=5-10 %, azul1=10-40 %, azul2=40-70 %, azul3=70-100 %). AEMET 2017.
54.4 Emisión de avisos siguiente.
El comportamiento del modelo ECHRES en el corto

Si tomamos como base el modelo ECHRES de alta plazo se puede examinar tomando como ejemplo el
resolución del ECMWF del día 1 de febrero de 2017 a alcance H+42 de dicho modelo y comparándolo con
las 00 UTC, podemos comprobar que el/la predictor/a el análisis posterior para ese alcance, como se muestra
ya tenía datos suficientes para la emisión de avisos en las Figuras 54.11, 54.12 y 54.13 en la página 824.
de color rojo por oleaje (> 8m de mar combinada) en De esa forma, se puede comprobar que su previsión
distintas zonas de la costa de Galicia. Otra variable se aleja poco de su propio análisis lo que, a su vez,
que contribuye a la decisión en la emisión de avisos es avala la decisión tomada de emitir los avisos rojos.
la potencia del oleaje; valores de 700 Kw/m cercanos
a la costa nos dan idea de la importante energía que Este episodio no coincidió con valores significativos
acompañaba a este oleaje, algo que apoya la decisión de los coeficientes de marea. Cuando dichos valores
de emitir avisos de nivel rojo. Un resumen de avisos son altos (mareas vivas) deben ser tenidos en cuenta
emitidos se muestra en la Figura 54.10 en la página para la determinación del nivel de aviso.
54.4 Emisión de avisos 823
Figura 54.10: Resumen de los avisos rojos emitidos desde el día 1 de febrero hasta el día 3 de febrero.
Figura 54.11: Análisis del día 2 a las 18 UTC y predicción (H+42) del modelo ECHRES del día 1 para el día 2 a las
18 UTC. Altura (isolíneas contorneadas cada metro) y dirección (flechas) de mar combinada.
Figura 54.12: Análisis y predicción como en la Figura 54.11. Mar de viento.
Figura 54.13: Análisis y predicción como en la Figura 54.11. Potencia.

54.5 Evolución observada de la situación 825
Figura 54.14: Imágenes infrarrojas (canal 4 del AVHRR) de las bajas L1 y L2 captadas por los satélites de órbita
polar NOAA19 a las 04.04 UTC (izquierda) y MetOp-B a las 20.58 UTC (derecha) el día 3 de febrero. Dundee
Satellite Receiving Station, Dundee University, UK.
54.5 Evolución observada de la si- Utilizando los datos extraídos de las boyas disponi-
bles de Puertos del Estado (Ministerio de Fomento)
tuación
podemos evaluar en parte la validez de los avisos
emitidos y verificar las predicciones de los modelos.
En la Figura 54.14 se muestran dos imágenes infra- La situación de las boyas utilizadas se muestra en la
rrojas captadas, con unas 17 horas de diferencia, por Figura 54.15.
satélites de órbita polar el día 3 de febrero con la posi-
ción aproximada de las bajas L1 y L2 y que permiten Potencia del oleaje.
apreciar la rapidez de sus desplazamientos.
1
φ ≈ Tp Hs2 calculada en kW/m (54.1)
2
Periodo de Pico Tp : periodo del grupo de ondas
con más energía
Altura significativa Hs : altura media del tercio de
las olas más altas en el espectro del oleaje
Watio / m = Julio / m seg ⇒ energía por unidad de
tiempo y longitud
En las figuras 54.16 y 54.17 en la página siguiente se

muestran la altura de oleaje y su potencia, registradas
por las cuatro boyas y los valores correspondientes al
análisis del modelo ECHRES (ECMWF en la figura)
en esos puntos así como sus diferencias. También apa-
rece destacada la altura correspondiente a los 8 metros
Figura 54.15: Situación de las boyas utilizadas. Puertos de mar combinada correspondiente al umbral de aviso
del Estado, Ministerio de Fomento. rojo.
Figura 54.16: Altura de mar combinada. Análisis del modelo frente a boya y diferencia.
Figura 54.17: Potencia del oleaje (ver caja de texto). Análisis del modelo frente a boya y diferencia.
Con el paso de la baja L1 se observan registros que do (L2) en que los datos son similares. Respecto a la
superaron los 10 metros. El paso de L2 produjo medi- validez de los avisos, con la limitación que supone el
das cercanas a los 8 metros. De los datos mostrados pequeño número de registros disponibles, se puede
se deduce que en el primer episodio el modelo sub- concluir que se alcanzaron los umbrales previstos para
estima claramente los valores de altura y periodo, y el nivel rojo en las zonas correspondientes y en los
por lo tanto de la potencia (diferencias superiores a dos episodios (L1 y L2), aunque más claramente en
300 Kw/m en Silleiro y Vilano). No así en el segun- el primero.
Lluvias torrenciales en Málaga (Feb 2017)
55
DOI: 10.31978/014-18-009-X.55
L UIS H ONTORIA H ERNÁNDEZ

DAVID M ANCEBO ATIENZA
http: // objetivotormenta. blogspot. com. es/
@objtormentas
Uno debe conocer la llamada “lección de un aguacero”. Un hombre, atrapado en una

lluvia repentina en el camino, corre para no mojarse ni empaparse. Una vez que uno
da por sentado que en la lluvia, naturalmente, se moja, puede estar en un estado de
ánimo tranquilo, incluso cuando su piel esté empapada. Esta lección se aplica a todo.
YAMAMOTO T SUNETOMO
El domingo 19 de febrero de 2017 Málaga sufrió un episodio de lluvias torrenciales. En el área de la capital cayó
una fuerte tromba de agua, registrando más de 150 mm acumulados, la mayoría caídos de madrugada. El episodio
tenía una difícil predecibilidad, con mucha variabilidad espacial, propia de los casos en los que la convección
juega un papel primordial. En Almería, uno de los puntos donde podían esperarse también precipitaciones
intensas, no llovió nada. Realizamos en este capítulo un ensayo de predicción de precipitación acumulada en
24 horas para ese domingo día 19 de febrero de 2017 en esa zona, usando la pasada de las 00 UTC del día 16 de
febrero de los sistemas de predicción del European Centre for Medium-range Weather Forecasts (ECMWF),
tanto el modelo ECHRES como del ECENS.
probabilista, lluvias torrenciales en Málaga febrero 2017.
Imagen parte superior: lluvias torrenciales en Málaga el 19 de febrero de 2017. Un colosal relámpago ilumina el cielo nocturno sobre la
ciudad. Fotografía de DAVID M ANCEBO.
828 Física del caos en la predicción meteorológica Capítulo 55. Lluvias torrenciales en Málaga (Feb 2017)
Figura 55.1: Situación sinóptica desarrollada el 19-02-2017, a las 03 UTC (izquierda) y a las 15 UTC (derecha).
Campos previstos a 3 horas por el modelo ECHRES (sec. 19.2 en la página 291), prácticamente un análisis, de ahí
que las horas no sean 00 y 12 UTC sino 03 y 15 UTC. Arriba, vorticidad potencial y altura geopotencial en 300 hPa
y abajo temperatura y altura geopotencial en 500 hPa. En conjunción con la Figura 55.2 en la página siguiente
puede identificarse una depresión aislada de niveles altos (DANA), con valores muy altos de vorticidad potencial
(8 VPU) y embolsamiento frío en el núcleo, claramente aislada en niveles medios y altos.
55.1 Descripción meteorológica e noroeste a suroeste de la península ibérica provocan-

do un aumento gradual de la inestabilidad a su paso
impactos
(Figura 55.1).
DAVID M ANCEBO ATIENZA
http://objetivotormenta.blogspot.com.es/ En la provincia de Málaga el viento giraría a levante
@objtormentas de cara a la madrugada del 19 de febrero, adquiriendo
intensidad con el paso de las horas con una clara zona
de convergencia que los modelos situaban próxima
55.1.1 Situación sinóptica a la capital. El levante es un viento húmedo que, en
determinadas ocasiones, como es el caso estudiado en
En este capítulo, para hacer la predicción del 19 de fe- el presente capitulo, provoca un aumento acusado de
brero de 2017, usaremos la pasada de las 00 UTC del la inestabilidad en puntos del valle del Guadalhorce o
día 16 de febrero de los sistemas de predicción del Eu- en el entorno de la capital.
ropean Centre for Medium-range Weather Forecasts
(ECMWF, sec. 19.2 en la página 291), tanto el modelo Bajo un fuerte contraste térmico, convergencias lo-
determinista ECHRES (sec. 19.2 en la página 291) cales y un panorama que los modelos mesoescalares
como el sistema(s) de predicción por conjuntos (SPC) presentaban una y otra vez como peligroso, se desa-
ECENS (sec. 19.3 en la página 293) [509]. Durante rrolló este episodio en el que era hasta cierto punto
las últimas horas del 18 de febrero de 2017 y prime- previsible la formación de células de tormenta muy
ras del día siguiente, una DANA fue descendiendo de estáticas en torno a la capital de la Costa del Sol.
55.1 Descripción meteorológica e impactos 829
Figura 55.2: Como en la Figura 55.1 en la página anterior, desplegamos ahora arriba presión reducida al nivel del
mar con cobertura nubosa en superficie y, abajo, viento medio representado con barbas, resaltando con colores la
velocidad. Puede distinguirse cómo en las costas de Málaga se pasa en 12 horas de un viento flojo del este a un
viento medio de Levante de 25 nudos.
55.1.2 Principales impactos tierra que afectaron a muros de contención, con des-
prendimientos y hundimientos de la calzada. Hasta
La tormenta comenzó en la zona occidental de la capi- 200 incidencias tuvo que atender el 112, destacando
tal, alcanzando su mayor virulencia en las zonas cen- el rescate de dos mujeres, una de ellas embarazada,
tro y este de la misma, tornándose estática y agravando por parte del Real Cuerpo de Bomberos en la subida
los impactos. Es probable que muchas infraestructuras a la citada zona. Así mismo, dos jóvenes cayeron 25
no tuvieran resistencia adecuada para eventos de este metros en un tremendo socavón (Figuras 55.3 y 55.4
tipo, infrecuentes pero no tan raros. en la página siguiente) por la misma zona pero sin
lamentar afortunadamente mayores problemas. Este
Aunque esta tormenta se produjo de madrugada, ese socavón se «tragó» hasta tres vehículos.
día era sábado, con muchas personas acudiendo a los
locales de ocio del centro (discotecas, pubs. . . ), en
algunos de los cuales brotaron grandes goteras por la En la misma área muchos cascotes fueron arrastrados
intensidad de la precipitación. por la fuerza del agua por numerosas calles y varios
vehículos fueron desplazados y se empotraron contra
Los principales problemas se produjeron en la zona el mobiliario urbano. Las alcantarillas saltaron, con
del Cerrado Calderón donde hubo corrimientos de gran peligro para la circulación.
Figura 55.3: Garaje de la Plaza de la Marina inundado (izquierda) y carretera socavada en Cerrado Calderón
(derecha), área metropolitana de Málaga, el 17 de febrero de 2017, fotografías de DAVID M ANCEBO.
Los arroyos de la zona sufrieron una espectacular cre- La zona centro fue una zona particularmente afec-
cida, como el Arroyo de la Caleta, que se desbordó tada, con inundaciones en muchas calles y garajes,
poco antes de la desembocadura y provocó la inunda- destacando el garaje de la Plaza de la Marina donde
ción de varias calles y garajes de la zona, convirtién- quedaron atrapados más de 30 vehículos, en algunos
dola en un lodazal, sobre todo el Pasaje de Sancha. de los cuales el agua alcanzó una altura muy con-
Por desgracia, estos arroyos suelen estar muy olvida- siderable. Por otro lado, el sanatorio de Gálvez vio
dos en cuanto a limpieza y mantenimiento e incluso afectada su sala de radiología.
algunos vecinos aparcan, inconscientes del peligro,
en sus cauces, mayoritariamente secos, lo que puede Algunos conductores se vieron atrapados en sus
provocar más desgracias en situaciones como ésta. vehículos en varias calles, como la zona de Ollerías y
la antigua N340 en la zona de El Palo.
La fuerte granizada que acompañaba a la tormenta
tiñó de blanco la zona centro y este de la capital, afec- La tromba de agua dejó al menos una veintena de des-
tando por ejemplo a la estructura del techo de los alojados [380], en varias calles de la citada zona de
Baños del Carmen. Cerro Calderón, así como en Pedregalejo y La Mosca.
Figura 55.4: Inundaciones en las inmediaciones de la calle Ramos Carrión (izquierda) y perspectiva del socavón
mostrado anteriormente (derecha), por donde cayeron hasta tres coches, fotografías de DAVID M ANCEBO.
55.2 Predicción de medio plazo 831
Figura 55.5: En los mapas previstos para el domingo 19 de febrero de 2017 puede apreciarse una DANA centrada
sobre el área del Estrecho (ver texto). Agencia Estatal de Meteorología (AEMET) 2017.
55.2 Predicción de medio plazo 19 de febrero de 2017 por la pasada de las 00 del día
16 del ECHRES, a las 00 (izquierda) y a las 12 UTC
L UIS H ONTORIA H ERNÁNDEZ (derecha). Se muestra temperatura (colores) y altura
CNP, AEMET geopotencial (isohipsas). Tal como se describe en la
Con una perspectiva de 3 días vista, se estudia la si- sección 55.1.1 en la página 828, la situación viene
tuación tanto con el modelo determinista ECHRES condicionada por la presencia de una DANA centrada
(sec. 19.2 en la página 291) como con el sistema de sobre el área del Estrecho con un ńucleo de -28 ºC
predicción por conjuntos ECENS (sec. 19.3 en la pá- sobre el sur de Portugal.
gina 293).
La Figura 55.6 muestra la situación prevista en super-
ficie para el domingo 19 de febrero de 2017 por la pa-
55.2.1 Modelo determinista ECHRES sada de las 00 del día 16 del ECHRES. A la izquierda
presión reducida al nivel del mar (isobaras) con nubo-
La Figura 55.5 muestra la situación prevista en niveles sidad compuesta (colores) a las 00 UTC. A la derecha,
medios de la troposfera (500 hPa) para el domingo precipitación acumulada prevista de 00 a 24 UTC.
Figura 55.6: A la izquierda, anticiclón atlántico al noroeste de la península ibérica y una baja amplia y poco
profunda sobre el norte de África, lo que genera un flujo de vientos de levante poco intensos sobre la Península. A la
derecha, precipitación acumulada prevista para este día (ver texto). AEMET 2017.
Se puede apreciar cómo domina el anticiclón atlántico Castilla-La Mancha, Murcia y Valencia. Se observan
al noroeste de la península ibérica y una baja amplia y señales de precipitación débil en zonas aisladas del
poco profunda sobre el norte de África, lo que genera norte peninsular, resto del litoral mediterráneo oriental
un flujo de vientos de levante poco intensos sobre la y Baleares.
Península.
La presencia de la DANA descrita más arriba pro-

55.2.2 ECENS: consistencia con ECHRES
picia un campo de precipitación acumulada en las
24 horas del domingo previsto por el modelo en la
figura de la derecha. Con este entorno sinóptico son En cuanto a la pasada del ECENS de las 00 UTC del
previsibles precipitaciones persistentes en Andalucía día 16, puede observarse que el núcleo de la DANA
oriental, acumulándose en comarcas del área litoral es ligeramente más frío en el miembro de control que
cantidades que pueden superar los 40 mm y en co- en el determinista ECHRES (ver sección 27.3.1 en la
marcas del prelitoral y en Melilla los 20 mm. Las página 405). No obstante, la similitud entre ECHRES
precipitaciones, con menor persistencia, afectarán al y el control presupone un razonable grado de predeci-
resto de Andalucía, Ceuta, sur de Extremadura y de bilidad al menos a nivel sinóptico. Figura 55.7.
Figura 55.7: Comparación de ECHRES (columna izquierda) con el miembro de control del ECENS (columna
derecha). Las filas muestran niveles medios-altos, niveles bajos-superficie y precipitación acumulada en 24 h
(ECMWF). AEMET 2017.
55.2 Predicción de medio plazo 833
Figura 55.8: Grupos del ECENS. AEMET 2017.
55.2.3 ECENS: escenarios en la Figura 55.8.
Los grupos (ver sección 27.4.1 en la página 406) que

ofrece esta pasada del ECENS se muestran en la Fi-
gura 55.8. Puede observarse que los grupos 1 y 3, con
16 y 9 miembros respectivamente, configuran dos es-
cenarios muy parecidos, por lo que pueden agruparse
en un supergrupo (ver supergrupos, sección 27.8 en la
página 409). De igual forma se pueden agrupar en un
segundo supergrupo los grupos 2 y 4, que configuran
otros dos escenarios similares con 16 y 8 miembros
respectivamente, quedando el miembro de control en
el grupo 2. Quedan dos grupos más (el 5 y el 6) con
configuraciones muy diferentes pero que solo cons-
tan de un miembro; su probabilidad es, en principio,
irrelevante y podemos agruparlos en un tercer super-
grupo.
En resumen, obtendríamos un conjunto de tres super-

grupos (Figura 55.9). El A, con 49 % de probabilidad,
el B con un 47 % de probabilidad e incluyendo el
miembro de control y un tercer supergrupo, el C, con
una probabilidad de 4 % y muy discrepante respecto
a los supergrupos A y B. La Figura 55.9 muestra los
supergrupos generados por el meteorólogo predictor
de AEMET (autor de este capítulo), basándose en los Figura 55.9: Supergrupos generados por el meteorólogo
grupos correspondientes del ECENS que se muestran de AEMET (ver texto). AEMET 2017.
Figura 55.10: Probabilidades de precipitación del ECENS sobre la Península y Baleares por encima de umbrales, de
arriba abajo y de izquierda a derecha, 1, 5, 10 y 20 mm. AEMET 2017.
55.2.4 Probabilidades aparecen señales entre 50 % y 70 % en puntos del li-

toral de Cádiz, Málaga, Almería y en las ciudades
Pasemos ahora a estudiar la probabilidad (ver mapas de Ceuta y Melilla. Incluso pueden observarse dos
de probabilidad, sección 27.6.1 en la página 416) de pequeños puntos, en el litoral de Málaga y al norte del
precipitación acumulada en las 24 horas que se obtie- Parque Natural del cabo de Gata, donde existe una pro-
ne de la media de los 51 miembros de la pasada del babilidad entre 40 % y 50 % de que se acumulen más
ECENS. En la Figura 55.10 se presentan los mapas de de 20 mm. Las probabilidades para acumulaciones
probabilidad superior a 1, 5, 10 y a 20 mm. A la vista presentan valores muy bajos. Comparando el mapa de
de estos datos se pueden prever precipitaciones que precipitación acumulada ofrecido por el modelo deter-
acumularán al menos 1 mm en las provincias de Cá- minista, es consistente con la salida del ECENS. Esta
diz, Málaga, Almería, Murcia, Valencia y las ciudades consistencia ya se puso de manifiesto al comparar el
autónomas de Ceuta y Melilla, con una probabilidad campo operativo con el de control, pero la cantidad de
superior al 80 %. Con una probabilidad menor (en- precipitación está claramente subestimada en el caso
tre 40 % y 70 %), estas precipitaciones se extenderían del ECENS.
también el resto de las provincias andaluzas, suroes-
te de Badajoz, Ciudad Real, Albacete y resto de la
Comunidad Valenciana. Aparecen también señales de 55.2.5 Predicción
precipitación en puntos del litoral cantábrico y en el
nordeste de Cataluña, con una probabilidad entre 40 % En conclusión, con la información que nos ofrecen el
y 60 %. En el resto de la mitad sur peninsular y en ECHRES y el ECENS, pueden predecirse precipita-
Baleares, la probabilidad de precipitación está ya por ciones a tres días vista en Andalucía con probabilidad,
debajo del 40 %. aunque baja, de que sean intensas en los litorales del
mar de Alborán, especialmente en Málaga, Almería,
En cuanto a precipitaciones que superan los 10 mm, Cádiz, Ceuta y Melilla.
55.3 Predicción de corto plazo 835
Figura 55.11: Mapa de líneas de corriente en niveles bajos previsto por la pasada de ECHRES de 12 horas antes del
episodio, en el que se aprecia una clara línea de convergencia sobre la ensenada donde se sitúa el área urbana de
Málaga, que junto con el paso de la DANA en altura, parece ser la responsable del fenómeno. AEMET 2017.
55.3 Predicción de corto plazo de madrugada) y que en Almería, uno de los puntos
donde había ligera probabilidad de precipitaciones su-
En las siguientes pasadas tanto del ECENS como del periores a 20 mm en 24 horas, no lloviera nada. Fuera
ECHRES, se podía seguir manteniendo esta predic- de estas dos zonas, la predicción del ECENS resultó
ción. Podemos afirmar que en este caso la predicción aceptable.
de corto plazo es consistente con la de medio pla-
zo, según se va acercando el evento. Usando campos En la Figura 55.12 en la página siguiente se presentan
predictivos más potentes, propios del corto plazo, se el análisis a las 12 UTC en 500 hPa y la correspon-
muestra en la Figura 55.11 el mapa de líneas de co- diente imagen de satélite. En el análisis de 500 hPa
rriente en niveles bajos previsto por el ECHRES de se observa que el núcleo de la DANA se sitúa a las
12 horas antes del episodio, en el que se aprecia una 12 UTC justo en la embocadura atlántica del Estrecho,
clara línea de convergencia sobre la ensenada donde la zona de máxima advección de vorticidad queda
se sitúa el área urbana de Málaga, que junto con el sobre el mar de Alborán. En el canal visible de la
paso de la DANA en altura, parece ser la responsable imagen de satélite ya puede verse la parte delantera de
del fenómeno. la DANA sobre el área del Estrecho, zona susceptible
de gran actividad convectiva, lo cual confirmarán los
datos de observación.
55.4 Comparación con observacio-
nes En la Figura 55.13 en la página 837 puede verse, por
un lado, la acumulación de precipitación en 24 horas
Recopilada la información relativa a la observación registrada por las estaciones automáticas y, por otro, el
del día 19 de febrero, llama la atención la tromba de campo de precipitación acumulada en 24 horas obser-
agua que cayó en el área de Málaga capital, donde vada, construido mediante interpolación de los datos
se acumularon más de 150 mm (la mayoría caídos registrados.
Figura 55.12: Análisis en 500 hPa a las 12 UTC del día 19 de febrero de 2017 y la correspondiente imagen de satélite
en el canal visible. AEMET 2017.
Figura 55.13: A la izquierda precipitaciones acumuladas en 24 h registradas en las estaciones el día 19 de febrero
de 2017. A la derecha, correspondiente interpolación conformando un mapa espacial continuo de precipitación
estimada a partir de las observaciones para el mismo día. AEMET 2017.
En la Figura 55.14 pueden verse las imágenes de ra- tan pequeña escala, ya que escapa a su resolución ho-
dar, mostrando reflectividad en el área de interés. El rizontal (unos 18 km en 2017). Para ello el predictor
fenómeno de Málaga fue puramente convectivo. En debe de actualizar su predicción con pasadas poste-
las primeras horas de la madrugada del 19 de febrero riores del ECENS, y contrastarla con la información
ya se podían observar señales radar de fuerte reflec- que proporcionan los modelos deterministas de mayor
tividad sobre la ciudad. La actividad convectiva fue resolución, por ejemplo el ECHRES, mostrado en este
extendiéndose y organizándose durante las horas si- capítulo, o el HARMONIE-AROME (sec. 20.4 en la
guientes. página 310). Es precisamente en estos casos extre-
mos donde sería ideal una predicción lo más afinada
y detallada posible para la sociedad. No obstante, el
55.5 Conclusiones comportamiento del modelo y del sistema de predic-
ción por conjuntos a escala sinóptica y a tres días vista
Es evidente que el ECENS por sí solo no es suficiente fue, a nuestro juicio, aceptable para realizar una buena
para predecir este tipo de fenómenos extremos y de predicción.
Figura 55.14: Imágenes de reflectividad del radar de Málaga correspondientes al desarrollo del episodio. AEMET
2017.
Lluvias y vientos intensos en Canarias (Feb-Mar
2017) 56
DOI: 10.31978/014-18-009-X.56
C RISTO J. A LEJO H ERRERA , P INO G ONZÁLEZ S ANTANA , I RENE P EÑATE DE LA ROSA Y DAVID Q UINTERO
P LAZA
Delegación territorial (DT) en las islas Canarias, Agencia Estatal de Meteorología (AEMET)
Mas yo que al turbio elemento

Tendí ya mis alas bellas
No vivo sino oigo en ellas
Crujir el vagoroso viento.
El bergantín “Sin rival” – I. N EGRÍN N ÚÑEZ
En este capítulo analizamos el comportamiento del Sistema de Predicción por Conjuntos (SPC) del
European Centre for Medium-range Weather Forecasts (ECMWF), el ECENS, en las islas Canarias en
dos situaciones: lluvias intensas los días 18 y 19 de marzo de 2017 y una situación de viento intenso
los días 11 y 12 de febrero de 2017. La predicción probabilista no ha llegado a ser explotada del
todo en Canarias, ello se debe probablemente a la baja resolución horizontal que el ECENS tiene
frente a modelos como el determinista del Centro Europeo (ECHRES) o el HARMONIE-AROME
(HARM). En Canarias la resolución es un factor crítico, ya que muchos de los fenómenos, sobre todo
de precipitación, tienen lugar en una escala muy local, por efectos de importantes convergencias, y
suponen un reto incluso para los modelos que hoy por hoy tienen más resolución. Por supuesto, la idea
es introducir cada vez más las herramientas probabilistas, ya que complementan a las deterministas.
probabilista, lluvias y vientos intensos en Canarias febrero-marzo 2017.
Imagen parte superior: viento con fuerte oleaje en Lanzarote el 12 de febrero de 2017, fotografía de Lancelot Medios.
Física del caos en la predicción meteorológica Capítulo 56. Lluvias y vientos intensos en Canarias (Feb-Mar
840 2017)
56.1 Lluvias intensas 18 marzo 2017
56.1.1 Introducción
El 18 de marzo tuvieron lugar lluvias importantes

en todo el archipiélago que fueron razonablemente
bien captadas por los modelos de más alta resolución,
ECHRES (sec. 19.2 en la página 291) y HARMONIE-
AROME (sec. 20.4 en la página 310, abreviadamente
HARM) y en general bien (aunque con matices debido
a cómo subestima la precipitación) por parte del SPC
del ECMWF (cap. 19 en la página 289), el ECENS
(sec. 19.3 en la página 293) [509]. En la Figura 56.1
vemos un registro de los valores más importantes y su Figura 56.1: Precipitación observada el día 18 de marzo
representación gráfica. de 2017, de 07 a 07 horas.
Figura 56.2: Grupos, realizados en la Agencia Estatal de Meteorología (AEMET) para nuestras áreas, del ECENS
del día 14 de marzo (pasada de las 00 UTC), válidos para el 18 de marzo de 2017.
56.1 Lluvias intensas 18 marzo 2017 841
56.1.2 Análisis 1 mm con muy alta probabilidad, principalmente so-

bre las islas occidentales (Figura 56.2 en la página
En el día 14 de marzo de 2017 se empezó a hacer la anterior).
predicción del 18 de marzo (el D+4, en ese momento).
Los grupos (sec. 27.4.1 en la página 406) mostraban Con más detalle, la precipitación acumulada en 24 ho-
altas presiones relativas con poco viento en superficie, ras para el sábado 18 daba valores superiores a 5 mm,
pero una depresión aislada de niveles altos (DANA) con menor probabilidad superiores a 10 mm e incluso
importante en el nivel de 500 hPa. Todos los grupos con muy baja probabilidad y solo en las islas de La
daban precipitación sobre Canarias por encima de un Palma y Tenerife a los 20 mm (Figura 56.3).
Figura 56.3: Mapas de probabilidad del día 14 de marzo (pasada de las 00), válidos para los días 16, 17 y, recuadrado
en rojo, 18 de marzo de 2017.
842 2017)
Figura 56.4: Precipitación válida para el día 18, procedente de diferentes modelos. Arriba izquierda: ECHRES día
17 pasada 00 D+1, arriba derecha ECENS miembro control día 16 pasada 00 D+2, abajo izquierda HARM día 17
pasada 18 H+36, abajo derecha HARM día 18 pasada 00 H+30.
Esto es realmente significativo en Canarias, ya que es del ECENS (y también, aunque en menor medida, del
sabido por los predictores que el ECENS subestima ECHRES) frente a la observación.Nótese que para el
mucho la precipitación [527], así que estos valores miembro de control del ECENS no es posible mos-
fueron toda una llamada de atención. El día 15 de trar la precipitación a las 06 horas para las 24 horas
marzo no hubo cambios significativos más allá de las anteriores, hay que mostrarla a las 00. Entre pasadas
habituales fluctuaciones para un medio plazo. podemos decir que no hubo cambios significativos. En
cuanto al HARM, sí difería un poco más con respecto
A partir del día 16 de marzo la situación entraba en al ECHRES y al ECENS, ya que mostraba importantes
el corto plazo. El uso de los SPC aumenta con el al- núcleos de precipitación en Lanzarote y Fuerteventu-
cance de la predicción y, aunque en Canarias para el ra, algo que ECHRES y ECENS apenas consideraron,
corto plazo el ECENS se usa poco, se comentan aquí lo cual es consistente con su menor resolución. Con-
algunos resultados para comparar con los modelos deviene también hacer notar que el HARM, al menos en
terministas de alta resolución. El miembro de control Canarias, tiende a fluctuar más en estas situaciones
pasó al grupo con menos miembros, señal clara de convectivas, como se puede ver en las imágenes que
incertidumbre (incertidumbre por otro lado habitual adjuntamos (Figura 56.4, abajo), predicciones que por
en situaciones con convección), no obstante, a primera supuesto pueden compararse con los datos interpola-
vista, todos los grupos mantuvieron cierta coherencia dos de las estaciones (Figura 56.1 en la página 840).
con las pasadas anteriores y entre ellos. La diferencia
principal es que algunos miembros mostraron que la
DANA tendría un reflejo en superficie con una baja 56.1.3 Conclusiones
relativa. Como podemos ver en los campos de preci-
pitación a las 06 horas y 00 horas acumulada en las Si nos preguntamos qué modelo se comportó mejor
24 horas anteriores (Figura 56.4, arriba, izquierda y en esta situación no parece que haya una respuesta
derecha respectivamente) había coincidencia espacial clara ni directa. El HARM captó precipitación en Lan-
entre el modelo del ECHRES y el ECENS, aunque en zarote y Fuerteventura, pero la sobrestimó; también
cuanto a valores tenemos la habitual subestimación parece que sobrestimó la lluvia en algunos puntos de
las islas de mayor relieve (o al menos si se dieron situación de Lanzarote y Fuerteventura; en las islas
esos valores tan altos fueron muy localizados y no de mayor relieve fue mejor con alguna subestimación,
los captaron nuestras estaciones). Como se comen- como en Gran Canaria. En cuanto al ECENS, sirvió
tó en una reciente nota técnica [527], al menos en para hacer una llamada de atención a los predictores,
Canarias hay que tener cuidado con los valores ele- dado que como hemos comentado, el hecho de ver
vados de precipitación del HARM cuando son muy valores con probabilidad superior a 5, 10 e incluso
puntuales, pues si bien en ocasiones pueden captar casi 20 mm es verdaderamente significativo en Cana-
bien una situación, en otras ocasiones hay sospechas rias; para hacer una predicción más precisa no fue de
de que sobrestiman. El ECHRES no arrojó valores utilidad, aunque realmente tampoco puede exigirse,
tan elevados de lluvia pero subestimó claramente la dada su resolución.
844 2017)
56.2 Lluvias intensas 19 marzo 2017
En niveles altos, el centro de una DANA se desplaza-

ba lentamente desde Canarias hacia África. En niveles
bajos, apenas había reflejo en superficie y predomi-
naban los vientos flojos sobre las islas. La tendencia
del viento era que a partir de la tarde se volvía a ins-
talar el alisio gradualmente, de nordeste a suroeste
(no mostrado aquí). Tanto los modelos deterministas
como el ECENS reflejaban inestabilidad, pero las sa-
lidas de precipitación no mostraron una intensidad de
precipitación significativa, como veremos.
Figura 56.5: Precipitación observada el día 19 de marzo

de 2017, de 07 a 07 horas. 56.2.2 Análisis
Las tormentas se originaron por convergencia de vien-

56.2.1 Introducción tos. Por un lado, aparece una línea nubosa (estructura 1
en la Figura 56.6 izquierda) orientada NW-SE y que
Nos vamos a detener un poco más en la situación de se desplaza norte a sur (líneas de inestabilidad que
este día ya que los modelos disponibles no aportaron marcan la frontera entre los vientos débiles y la irrup-
el valor necesario para el predictor. Hubo convección, ción del Alisio). Por otro lado, en Fuerteventura se
tormentas, una muy importante actividad eléctrica e aprecian pequeñas líneas nubosas (estructuras 2 y 3
incluso se registró granizo en varios puntos de las islas. en la misma figura) que podemos identificar como
En Fuerteventura se formaron tormentas con granizo convergencias de flujo a nivel local.Cuando la banda
y precipitación fuerte. Se llegaron a registrar más de 1 interacciona con estas pequeñas estructuras se pro-
60 litros en apenas 2 horas. En las predicciones se duce una intensificación de la convección y se forma
incluía la posibilidad de tormentas localmente fuertes, una primera tormenta que se desplaza hacia el istmo
aunque no se esperaba que se alcanzaran los umbrales de La Pared y precipita intensamente (estructura 3 en
para emitir avisos previstos. Posteriormente se envió la Figura 56.6 derecha). Al sur de esta tormenta se
un aviso observado. Los valores de precipitación reco- aprecia frente de racha (estructura 4 en la Figura 56.6
gidos dan idea de una situación diferente a la del día derecha) que presumiblemente puede ser el mecanis-
anterior, una situación con una naturaleza convectiva mo de disparo de la tormenta del norte (estructura 2
más pura, con chubascos intensos más localizados y en la misma figura), que es la que deja más de 60 mm
lluvias en general menos repartidas (Figura 56.5). de precipitación en apenas 2 horas.
Figura 56.6: Imágenes de satélite del 19 de marzo a las a las 10:45 (izquierda) y 12:45 UTC (derecha).
Figura 56.7: Sondeos de las 00 (izquierda) y 12 UTC (derecha) del día 19 de marzo de 2017 sobre el municipio de
Güímar, este de Tenerife.
En la Figura 56.7 mostramos por completitud dos available potencial energy (CAPE). Es posible que
sondeos tomados desde el municipio de Güímar el estos valores de los índices no resulten tan elevados
día 19 de marzo de 2017 a las 00 UTC (izquierda) y como se comenta en los libros, pero la experiencia
12 UTC (derecha), en la costa este de Tenerife, en los de la predicción en nuestra zona, en Canarias, nos
que se ve que de un ambiente ligeramente inestable y ha enseñado que no hacen falta valores exagerados
convectivo a las 00 horas pasamos a uno claramente de estos índices para tener episodios de convección
convectivo e inestable a las 12 horas. Nótese por ejem- intensa.
plo el aumento del índice LI o del índice convective
Figura 56.8: Agrupación AEMET de las salidas del ECENS del día 15 de marzo (pasada de las 00 UTC), válidos
para el 19 de marzo de 2017.
846 2017)
Para el día 15 (D+4), aunque Control estaba en el caso del día anterior, una llamada de atención sobre
grupo con más miembros, se ve a simple vista más el potencial de lluvia que tenía la situación. Según
variabilidad en la posición de la DANA y en la distri- pasadas y según grupos, se marcaba o no lluvia sobre
bución de lluvias (Figura 56.8 en la página anterior) Lanzarote y Fuerteventura, pero teniendo en cuenta
que en el día anterior. que en África había señal de precipitación, que el
ECENS tiene una resolución muy baja y que estaban
Esta situación se mantuvo el 16, quizá disminuyendo las típicas incertidumbres asociadas a los procesos
algo la incertidumbre, pero no demasiado (no mostra- convectivos, es difícil (por no decir imposible) afirmar
do). En los mapas de probabilidad del día 15 (Figu- rotundamente que en esas dos islas o en otras no fue-
ra 56.9), vemos como ejemplo que para la jornada del se a llover. El ECENS actuó como un semáforo para
19, domingo, se marcaban valores importantes no solo avisar del potencial de la situación, pero difícilmente
para 1 mm, sino también para 5 mm, 10 mm e incluso se podía utilizar para hacer una predicción concreta.
algo en 20 mm, lo cual es, como comentamos en el
Figura 56.9: Mapas de probabilidad del día 15 de marzo (ECENS pasada de las 00), válidos para el 19 de marzo de
2017.
Figura 56.10: Precipitación válida para el día 19, procedente de diferentes modelos. Arriba izquierda: ECHRES
día 18 pasada 00 H+54, arriba derecha ECHRES día 18 pasada 12 H+42, abajo izquierda ECENS control día 16
pasada 00 H+96, abajo derecha HARM día 18 pasada 06 H+48.
Los mapas de probabilidad de los días siguientes al situaciones convectivas y ser más específico en sus
aquí mostrado no cambiaron demasiado: las señales predicciones.
de 20 mm en 24 horas se retiraron en los mapas del
día 16 (no mostrado aquí), aunque volvieron a apare- Mostramos el miembro de control del ECENS, como
cer para el día 17 (no mostrado para no sobrecargar en el caso anterior, de las 00 a las 24 horas, detalle a
de imágenes el texto); eso sí, siempre sobre Tenerife tener en cuenta (Figura 56.10). El miembro de control
y Gran Canaria; Fuerteventura, que acumuló valores dio precipitaciones en general bastante bajas salvo en
muy importantes, quedaba al margen. Curiosamente, esta pasada del día 16 a las 00 horas, en la que mostró
fueron los valores del mapa de probabilidad de preci- valores bastante importantes para la poca resolución
pitación del día 15 (Figura 56.9 en la página anterior) que tiene. Lamentablemente estos valores los situó
los que se quedaron más cerca de captar la situación en las islas occidentales, cuando los grandes regis-
real, ya que fue el día en que más cantidad y proba- tros se los llevó la parte oriental (Figura 56.5 en la
bilidad de lluvia aparecía en las islas orientales. Por página 844).
supuesto, esto cae en el rango de incertidumbres es-
tadísticas típicas, realmente la pauta que enseña la El HARM pareció captar la zona de convergencias
experiencia en predicción es que cuanto más cerca es- de Fuerteventura (Figura 56.11 en la página siguiente
temos del periodo de predicción mejor tienden a ir los superior derecha) e incluso la zona sur de Tenerife; en
modelos. En definitiva, parece que el ECENS actuó Gran Canaria aumentó la precipitación en las últimas
como un semáforo para indicar potencial convectivo pasadas, aunque se quedó algo corto; en ocasiones
importante, pero no servía para dar más detalle. Otra ubicó un segundo núcleo en el mar hacia el sureste de
cosa sería si se dispusiese de sistema(s) de predicción Lanzarote, que no sabemos si se cumplió o no. Por
por conjuntos (SPC) de corto plazo con modelos de su parte, el ECHRES mostró unos valores de lluvias
mucha más alta resolución, e. g. cuando esté operativo dispersas (Figura 56.10 superior derecha), en general
el futuro AEMET-γSREPS, actualmente en desarro- por todo el archipiélago, sin mostrar valores realmente
llo (cap. 22 en la página 333). Un sistema de esas elevados en ningún punto; no parece que haya sido
características podría arrojar algo más de luz en estas capaz de captar los clásicos núcleos aislados de un
proceso típico de convección.
848 2017)
Figura 56.11: Precipitación válida para el día 19 de 06 UTC a 06 UTC del día siguiente, procedente de diferentes
pasadas del modelo HARM. Arriba izquierda: día 18 pasada 06 H+48, arriba derecha día 18 pasada 12 H+42,
abajo izquierda día 18 pasada 18 H+36, abajo derecha día 19 pasada 00 H+30.
56.2.3 Conclusiones al predictor. Tanto ECHRES como ECENS han sufri-

do optimizaciones en los últimos años (2013-2016)
En Canarias, los predictores del tiempo estamos ha- muy enfocadas en latitudes medias-altas, a costa de
bituados a que la inestabilidad que aporta un centro su rendimiento en latitudes inferiores, subtropicales
de bajas presiones en la vertical de las islas puede o con clara influencia mediterránea, donde el papel
disparar convección en cualquier parte. Los modelos del calor latente marino es fundamental [259, 260].
nos permiten anticipar el movimiento de la baja e Podría decirse que el HARM captó razonablemente
intentar prever las zonas más inestables. Las líneas la situación, pero como eran valores puntuales tan
de convergencia son muy habituales en las islas: es altos y sabemos que en alguna ocasión el HARM ha
un mecanismo de disparo provocado por la orografía. sobrestimado la precipitación, era difícil asegurar que
La escala tan pequeña de estas líneas nubosas hace lo que el HARM daba iba a ser cien por cien real.
muy impredecible este tipo de situaciones, si bien el Por otro lado, en ocasiones el propio HARM se ha
HARM y el ECHRES de alta resolución a veces dan quedado corto, como por ejemplo pasó en el caso de
indicio de su existencia, aunque también parecen arro- Gran Canaria.
jar falsas zonas de convergencia debido a la pobre
orografía de las islas que manejan los modelos.
Las situaciones convectivas generan desarrollos pun-
El ECENS se vio quizá desbordado en esta situación: tuales muy efectivos que para predecir con precisión
tuvo lugar un evento de características claramente con- suponen un verdadero desafío. Por tanto, además de
vectivas, en las que la resolución es crítica, más aún la predicción habitual, parece claro hacer hincapié en
si cabe en Canarias, donde el relieve juega un papel una predicción base más probabilista que determinis-
clave y el terreno experimenta cambios bruscos en ta y una intensificación de la vigilancia para intentar
pocos centenares de metros. Podemos decir que el detectar estructuras como estas líneas nubosas y la po-
ECENS cumplió con su cometido de avisar que la sibilidad de que desarrollen convección significativa.
situación tenía potencial para lluvias de importancia, Este nowcasting activo puede añadirse a un contacto
pero poco más. El ECHRES tuvo un comportamiento telefónico estrecho con los servicios de Protección
tibio, poco incisivo para resultar una verdadera ayuda Civil.
56.3 Vientos intensos 12 febrero 2017 849
Figura 56.12: Efectos del evento del 12 de febrero de 2017. Árbol derribado sobre la carretera en la zona norte de
Gran Canaria (izquierda) y viento con fuerte oleaje en el paseo marítimo de Playa Blanca, en el sur de Lanzarote
(derecha). Ambas fotografías se tomaron en la mañana del día 12 de febrero de 2017 y han sido cedidas por Pedro
Hernández / LA PROVINCIA-Diario de Las Palmas y por Lancelot Medios, respectivamente.
56.3 Vientos intensos 12 febrero 2017
56.3.1 Introducción oleaje.
Los aeropuertos de Tenerife Norte, La Palma, El Hie-

Los días 11 y 12 de febrero de 2017 las islas Canarias rro y La Gomera resultaron afectados con desvíos y
estaban bajo la influencia de una amplia borrasca lo- cancelaciones de más de una decena de vuelos. La
calizada al nordeste de Madeira (Figura 56.14). Esta situación afectó también al estado de la mar en el en-
perturbación generó varios frentes fríos que afectaron torno de Canarias, con fuertes vientos de hasta fuerza
de forma generalizada al archipiélago, con chubascos 8, que soplaron del oeste o suroeste.
localmente fuertes, acompañados de tormentas y pre-
cipitaciones en forma de nieve en cumbres centrales El presente estudio se va a centrar en el comportamien-
de Tenerife, por encima de unos 2400 metros. No obs- to de los modelos a la hora de predecir las rachas de
tante, lo más significativo de esta situación fueron las viento del día 12 de febrero de 2017, desde el medio
rachas de viento que tuvieron lugar, principalmente plazo hasta el muy corto plazo.
en la primera mitad del día 12, y cuyos valores figuran
en la Tabla 56.1 en la página 853.
56.3.2 Análisis
En dicha tabla podemos apreciar que en casi el 50 %
de las estaciones se registraron rachas máximas de En la Figura 56.13 en la página siguiente (izquierda),
viento que superaron los 90 km/h e, incluso en zo- se representan las probabilidades de racha máxima
nas altas de El Hierro, La Gomera, Tenerife y Gran de viento a 10 m del ECENS del 8 de febrero a las
Canaria llegaron a sobrepasar los 120 km/h, con va- 00 UTC previsto para el día 12 (entre 00 y 24 horas),
lores de 126 km/h, 144 km/h, 141 km/h y 122 km/h, donde podemos apreciar que ya a D+5 debemos con-
respectivamente (Tabla 56.1 en la página 853). Entre siderar que las rachas de viento pueden superar los
los incidentes ocasionados por este temporal de llu- 38 kt (nudos), lo que equivaldría a un nivel de alerta
via y viento destacan caídas de árboles y de tendido amarillo, según el Plan Nacional de Predicción y Vi-
eléctrico y desprendimientos que en algunos casos gilancia de Fenómenos meteorológicos adversos (ver
obligaron a cortar carreteras, sobre todo en Tenerife, fenómeno meteorológico adverso (FMA)) METEOA-
Gran Canaria, La Palma y Fuerteventura. Las fotogra- LERTA (cap. 41 en la página 627).
fías mostradas en la Figura 56.12 reflejan los efectos
del viento en la zona norte de Gran Canaria y en el pa- En el Plan Meteoalerta el nivel de riesgo se representa
seo marítimo de Playa Blanca, en el sur de Lanzarote, en un modo similar a las señales luminosas de tráfi-
donde además del viento hay que unir los efectos del co: verde, amarillo, naranja y rojo según aumenta el
850 2017)
riesgo. Para la CCAA de Canarias los umbrales esta- que bastante débil, de que se puedan superar los 51 kt
blecidos para cada nivel son: amarillo, vientos entre (nivel naranja). A D+3 (Figura 56.13, derecha) la pro-
60 y 90 km/h; naranja, entre 90 y 130 km/h; y rojo, babilidad de vientos que superen los 51 kt aumenta
superiores a 130 km/h. Hay también una señal, aun- ligeramente y afecta a todo el archipiélago.
Figura 56.13: Mapas de probabilidad válidos para el 12 de febrero de 2017, del día 8 de febrero, pasada de las 00
(izquierda) y del día 9 de febrero, pasada de las 12 (derecha).
Figura 56.14: Guías técnicas de diagnóstico para el 12 de febrero de 2017 a las 00 UTC. Izquierda: niveles
medios/altos. Derecha: superficie.
Si analizamos el entorno sinóptico (Figura 56.14) que consistencia temporal de los modelos (Mapas de pro-
generan estos escenarios de vientos extremos, desde babilidad en la Figura 56.13 en la página anterior y
D+5 hasta corto plazo, podemos observar que hay una supergrupos en la Figura 56.15).
Figura 56.15: Agrupaciones hechas en AEMET de las salidas del ECENS. Arriba: pasada del 8 de febrero 00 UTC,
válida para el 12 de febrero de 2017 a las 12 UTC. Abajo: pasada del 9 de febrero 00 UTC, válida para el 11 de
febrero de 2017 a las 12 UTC.
852 2017)
Figura 56.16: Rachas instantáneas de viento en superficie (km/h). Arriba: ECHRES pasada de las 00 UTC del día
10, previstas para el 12 de febrero a las 06 UTC (izquierda) y las 11 UTC (derecha). Abajo: HARM pasada de las
00 UTC del día 11, previstas también para el 12 de febrero a las 06 UTC (izquierda) y las 11 UTC (derecha).
En la Figura 56.16 se muestran las salidas de los mo-

delos deterministas de corto-medio plazo (ECHRES,
arriba) y corto-muy corto plazo (HARM, abajo). Só-
lo se han representado los vientos previstos a las 06
y a las 11 UTC para reflejar cómo los vientos afec-
tan inicialmente a la parte occidental y, a medida que
transcurre la mañana, son las islas orientales las más
afectadas.
También podemos apreciar que, según nos acercamos

al día de predicción, ambos modelos recogen muy
bien las intensidades de viento registradas. Pueden
compararse las salidas en diferentes pasadas de los
modelos ECHRES y HARM en la Figura 56.16, por
un lado, y los valores registrados en la red de esta-
ciones automáticas de AEMET en Canarias, tanto en Figura 56.17: Observaciones de rachas máximas entre
la Figura 56.17 como en la Tabla 56.1 en la página las 00 y 23 UTC del día 12 de febrero de 2017 proceden-
siguiente. tes de estaciones automáticas de AEMET en Canarias.
Tabla 56.1: Tabla de rachas de viento correspondiente al día 12 de febrero de 2017.

854 2017)
56.3.3 Conclusiones (cap. 42 en la página 633), es un ejemplo de que este
tipo de cooperación se puede llevar a cabo con éxito.
Por la experiencia en el trabajo en predicción en Cana-
rias, aunque no está documentado con detalle, dentro Este proyecto fue cofinanciado por la Comisión Eu-
de los parámetros de tiempo sensible el viento es uno ropea de Ayuda Humanitaria y el departamento de
de los que mejor predicen los modelos en general. Co- Protección Civil (ECHO) y liderado por el servicio
mo hemos visto en este ejemplo, ya con casi 5 días meteorológico austríaco, y contó con la colaboración
de antelación, el EPS del ECWMF (ECENS) mostra- de los servicios meteorológicos nacionales de Austria
ba probabilidades inferiores al 10 % de rachas viento y Hungría y protección civil de los distritos de la Baja
que superarían los 51 kt (nivel naranja, alrededor de Austria y el condado de Somogy. En el boletín de
94 km/h) que, aunque se trata de una probabilidad la OMM vol. 66(1)-2017, se detalla este proyecto y
muy baja, sí que nos brinda información relevante los resultados del mismo en el artículo «Predicciones
para el seguimiento del fenómeno adverso. Tres días Probabilistas y Protección Civil, de los avisos sin dis-
antes del episodio de vientos muy fuertes, el ECENS continuidad a las acciones» [669] y, con menor detalle,
daba una mayor probabilidad de rachas superiores a en el capítulo 42 en la página 633 de este libro. El
90 km/h e incluso daba una señal muy débil (muy papel del personal de meteorología como predictor del
baja probabilidad) de que incluso se superaran los tiempo se muestra fundamental en este tipo de toma
120 km/h, como luego se registró de forma aislada de decisiones, gestionando la información probabilista
en ciertos puntos. El día 10 de febrero se emitieron y actuando de interfaz más o menos determinista para
avisos de nivel naranja, salvo en Lanzarote y Fuerte- Protección Civil: a partir de información probabilista
ventura que fue de nivel amarillo. Al día siguiente, ha de decidir el tipo de aviso, según la zona y según
a D+1, estas islas más orientales también estaban en el periodo.
nivel naranja en el intervalo de tiempo que marcaban
ECHRES y HARM. En este estudio se pretende re-
saltar la importancia del ECENS en la anticipación 56.4 Conclusiones finales
de fenómenos adversos, sobre todo de viento, dada la
calidad de los modelos en este parámetro.
Hemos estudiado dos variables meteorológicas de es-
Quizás el siguiente paso sería trasmitir esta informa- pecial importancia: el viento y la precipitación. Han
ción a los agentes de Protección Civil para que ellos sido en total tres días los analizados, un número esca-
también puedan planificar con suficiente antelación so para extraer conclusiones rotundas. Sin embargo,
su trabajo para la toma de decisiones ante estos fe- estos estudios, sumados a las notas técnicas sobre Ca-
nómenos meteorológicos adversos. No obstante, para narias (como la reciente Nota Técnica 22 de AEMET
alcanzar este objetivo habría que familiarizar a Pro- [527]) y al conocimiento de los predictores basado
tección Civil con las predicciones probabilistas, lo en su experiencia, permiten ir aprendiendo más sobre
que a veces no resulta sencillo porque en la sociedad las situaciones meteorológicas adversas que afectan
estamos más acostumbrados a hablar en términos de a Canarias y cómo reaccionan a ellas los distintos
certeza que de incertidumbres. El aprendizaje en el modelos. Como hemos visto, el viento es en general
manejo de las predicciones probabilistas por parte de mejor modelado que la precipitación, lo cual no es
las autoridades de Protección Civil, requiere primero ninguna sorpresa, dada la dificultad de los modelos
un cambio en la forma en que actualmente se relacio- en la precipitación en Canarias por su defectuosa oro-
nan Protección Civil y Meteorólogos en el ámbito de grafía y resolución horizontal. Parece que el ECENS
los fenómenos meteorológicos adversos. Se necesita sirve para anticipar situaciones con potencial seve-
un intercambio continuo de información entre estos ro, algo que puede ser útil a efectos de coordinarse
dos grupos de profesionales que a medio/corto plazo con los agentes locales de Protección Civil y otros
redundará en un beneficio mutuo y, sobre todo, pa- organismos. Un SPC futuro de corto plazo y alta re-
ra la población en general. Aunque esta tarea podría solución, una de las líneas actuales de AEMET, el
parecer ardua al principio y que conllevaría un gran llamado gamma-SREPS, actualmente en desarrollo
esfuerzo por ambas partes, sería posible a base de en- (cap. 22 en la página 333), sería probablemente una
trenamiento. En este sentido el proyecto PROFORCE gran ayuda.
Posibles nevadas generalizadas en la Península (Mar
2017) 57
DOI: 10.31978/014-18-009-X.57
F ELISA AGUADO M ARTÍN Y O LINDA C ARRETERO P ORRÍS
Área de Predicción Operativa (APRO), Agencia Estatal de Meteorología (AEMET)
Estudia el pasado si quieres pronosticar el futuro.

C ONFUCIO
La nieve es uno de los fenómenos meteorológicos de mayor impacto sobre las infraestructuras de la península
ibérica, en especial sobre las vías de comunicación. Tan solo 2 cm de espesor son suficientes para ser considerada
como fenómeno adverso por AEMET y dar lugar a un aviso dentro del plan Meteoalerta (Plan Nacional de
Predicción y Vigilancia de Fenómenos Meteorológicos Adversos, cap. 41 en la página 627). Con los valores
adecuados de temperatura y humedad, cantidades mínimas de precipitación, en torno a 2 litros / m2 , pueden
llegar a acumular el espesor de nieve requerido para la emisión de un aviso meteorológico. En las precipitaciones
en forma de lluvia equivocaciones en la predicción de ±2 litros / m2 suelen ser irrelevantes, pero sucede que la
nieve es un fenómeno en el que simplemente su ocurrencia ya tiene un impacto social de suma importancia.
probabilista, posibles nevadas generalizadas en la Península marzo 2017.
Imagen parte superior: “Creo que es un halo” y “Carretera en Austria o Alemania”, fotografías de O. C ARRETERO.
Física del caos en la predicción meteorológica Capítulo 57. Posibles nevadas generalizadas en la Península (Mar
856 2017)
Los días previos al fenómeno el sistema(s) de pre- capítulo se aborda este importante error.
dicción por conjuntos (SPC) ECENS (sec. 19.3 en
la página 293) [509] venía mostrando durante varias El estudio se realiza para el sábado día 4 utilizan-
pasadas la probabilidad de que tuvieran lugar nevadas do las pasadas de las 00 UTC del SPC ECENS y el
extensas sobre la península ibérica durante el viernes modelo determinista ECHRES (sec. 19.2 en la pá-
3, sábado 4 y domingo 5 de marzo de 2017. Estas dos gina 291), ambos sistemas del European Centre for
características, la extensión y la ocurrencia durante Medium-range Weather Forecasts -Centro Europeo de
el fin de semana, periodo vacacional en el que tienen Predicción a Plazo Medio- (ECMWF) (cap. 19 en la
lugar numerosos desplazamientos, hace que sea es- página 289). Se mostrará la evolución desde los 5 días
pecialmente importante la elaboración de una buena previos del geopotencial en 500 hPa a escala sinóptica
predicción de nevadas con la mayor antelación posi- y, a escala peninsular, de las zonas de ocurrencia de
ble. El apoyo a los organismos competentes para que nevadas. Se mostrará a través de los análisis lo que
se puedan anticipar y tomar las medidas oportunas realmente ocurrió y se harán algunas reflexiones so-
para minimizar, en la medida de lo posible, los efectos bre cómo abordar este tipo de predicciones de alto
sobre las vías de comunicación, debe ser prioritario a impacto y muy sensibles a pequeñas variaciones en
la hora de abordar la predicción de nevadas. La gran los modelos.
dificultad que entraña es un reto que solo se puede
abordar a través de predicciones probabilistas, aunque
teniendo en mente que es muy complicado transmitir 57.1 Evolución de la situación pre-
este concepto al usuario, que en gran parte de los ca-
vista a escala sinóptica
sos solo quiere un «Sí» o un «No», y más en el caso
de la nieve.
La escala sinóptica se estudia a través de los mapas de
A escala sinóptica la situación meteorológica comen- promedio-dispersión (ver sec. 27.5.1 en la página 412)
zaría el viernes 3 de marzo con el paso, de oeste a este, con la altura geopotencial para las 00 UTC del día 04-
sobre la Península de un frente frío con un descenso 03-2017 en el nivel de 500 hPa. Se usarán por un lado
térmico postfrontal significativo. Una vez establecida las salidas de la desviación normalizada junto con la
la masa fría, una nueva borrasca atlántica con gran media del geopotencial del ECENS, y por otro lado
contenido de humedad penetraría el día 4 por el oeste, la desviación estándar del ECENS junto con el valor
afectando de lleno a la Península y dando lugar a ne- de la altura geopotencial del ECHRES. Todo ello en
vadas generalizadas en el interior. Sin embargo, esta 5 periodos de predicción anteriores al día 4, desde el
predicción falló de forma muy significativa. En este día 27-02-2017 hasta el día 03-03-2017.
Figura 57.1: Predicción D+5 (T+120) para las 00 UTC del 04-03-2017. Panel de la izquierda: Las líneas continuas
representan el geopotencial en 500 hPa del valor medio de los miembros del ECENS, cada 6 dam. Las áreas
coloreadas muestran la desviación estándar normalizada. Panel de la derecha: las líneas continuas representan
el geopotencial en 500 hPa del ECHRES, cada 6 dam. Las áreas coloreadas muestran la dispersión del ECENS a
través de la desviación estándar. Agencia Estatal de Meteorología (AEMET).
57.1 Evolución de la situación prevista a escala sinóptica 857
Figura 57.2: Predicción D+4 (T+96) para las 00 UTC del 04-03-2017 (campos ídem Figura 57.1 en la página
anterior). AEMET.
57.1.1 Predicción D+5, elaborada el 57.1.2 Predicción D+4, elaborada el

27.02.2017 28.02.2017
El D+4 (Figura 57.2) no aporta mucha información en

En las proximidades de la península ibérica se distin- cuando al grado de intensificación de la vaguada atlán-
guen en el D+5 dos vaguadas (Figura 57.1 en la página tica, ya que la desviación estándar (panel derecho) es
anterior): una atlántica que se aproxima a Portugal por muy homogénea sobre ella. La única ayuda quizás
el oeste y otra sobre el nordeste de la Península que sea considerar que la zona tiende a ser más predecible
llamaremos vaguada mediterránea. por el modelo que el día anterior, según nos indica la
desviación normalizada del ECENS (panel izquierdo).
Respecto a la vaguada atlántica el ECHRES ya mues-
En cuanto a la vaguada mediterránea, el ECHRES pro-
tra su presencia, pero el ECENS nos indica claramente
fundiza la vaguada y la dispersión del ECENS muestra
que lleva asociada una incertidumbre muy alta. Por
una señal muy intensa (panel derecho) desde el eje ha-
un lado, según la desviación normalizada (panel de la
cia la circulación de salida, que podría asociarse a que
izquierda), la vaguada se encuentra embebida en un
el eje de la vaguada estaría más adelantado y/o que
área de muy baja predecibilidad y, por otro, la señal
existe una vaguada secundaria por delante de la prin-
de la desviación estándar (panel de la derecha) refleja
cipal. En la misma línea, la desviación normalizada
una dispersión muy elevada coincidiendo con la posi-
(panel izquierdo) muestra valores excepcionalmente
ción del eje, indicando gran incertidumbre acerca de
altos en toda la zona, por lo que el grado de confianza
su grado de profundización.
en el modelo para este rango de predicción por ahora
debe ser muy bajo.
La vaguada mediterránea se refleja también claramen-
te en el ECHRES. Está mucho menos definida en
la media del ECENS, cuya desviación normalizada 57.1.3 Predicción D+3, elaborada el
nos indica que estamos en una zona de relativamen- 01.03.2017
te baja predecibilidad (panel izquierdo). Respecto a
la dispersión de la media del ensemble la señal es Para el D+3 (Figura 57.3 en la página siguiente) la zo-
muy homogénea (panel derecho) por lo que el campo na asociada a la vaguada atlántica sigue la tendencia,
no nos aporta pistas sobre qué características de la ya iniciada en el D+4, con una mejora en la predecibi-
vaguada serían menos predecibles. lidad del modelo (panel izquierdo).
858 2017)
Figura 57.3: Predicción D+3 (T72) para las 00 UTC del 04-03-2017 (campos ídem Figura 57.1 en la página 856).
AEMET.
La vaguada, según la media del ensemble, es de muy Respecto a la vaguada mediterránea, el ECHRES
poca amplitud, pero existe y además debe estar bien muestra una posible división de la vaguada en dos,
localizada en cuanto a latitud, ya que, en caso con- una más amplia al noroeste, sobre el golfo de Vizcaya,
trario, la señal de la desviación estándar (panel dere- (vaguada principal) y otra mesoescalar al sureste de
cho) debería ser mucho mayor. Se observa algo de la primera (vaguada secundaria). Considerando este
dispersión sobre el eje, por lo que existe aún cierto escenario, la principal estaría dentro de un entorno
grado de incertidumbre respecto a su profundización. mucho más predecible, mientras que la secundaria
El ECHRES muestra que es mucho menos profunda se encuentra embebida dentro de un área de disper-
que lo que señalaba en los periodos anteriores y está sión elevada y homogénea (panel derecho) y además
situada ligeramente más al sur. en una zona de excepcionalmente baja predecibilidad
(panel izquierdo).
Figura 57.4: Predicción D+2 (T+48) para las 00 UTC del 04-03-2017 (campos ídem Figura 57.1 en la página 856).
AEMET.
57.1 Evolución de la situación prevista a escala sinóptica 859
57.1.4 Predicción D+2, elaborada el 57.1.5 Predicción D+1, elaborada el 03-

02.03.2017 03-2017
El D+2 (Figura 57.4 en la página anterior) refleja

claramente que la vaguada atlántica se encuentra en El D+1 (Figura 57.5) refleja claramente, al igual que
una zona de alta predecibilidad, según la desviación en el D+2, como la débil vaguada atlántica se encuen-
normalizada del ECENS (panel izquierdo). tra en una zona de alta predecibilidad (panel izquierdo)
y con desviación estándar (panel derecho) de valores
La dispersión presenta valores muy bajos (panel dere- muy pequeños. Se mantiene la alta confianza en el
cho) y, además el geopotencial del ECHRES y el del modelo determinista.
ECENS parecen idénticos, por lo que podemos con-
siderar, con un alto grado de confianza, al ECHRES
como modelo de referencia en nuestra predicción des- En cuanto a la vaguada mediterránea el escenario que
de el D+2. Observamos cómo la vaguada se ha ido señala el ECHRES es el mismo, una vaguada de pe-
debilitando en 500 hPa a medida que se acortaba el pe- queña longitud de onda se desarrolla en la zona de
riodo de predicción, hasta hacerse apenas perceptible salida de la vaguada principal. El valor medio del
a escala sinóptica. ECENS ya la muestra también, con dispersión muy
pequeña por delante, indicando todavía algo de in-
Lo más significativo de la vaguada mediterránea es certidumbre inherente a la pequeña vaguada. Puede
que la dispersión (panel derecho) se localiza en el llamar la atención los valores tan altos que muestra la
ramal de salida (nordeste peninsular), nos indica que desviación normalizada (panel izquierdo), señalando
la vaguada puede tener otra más pequeña por delante, que la vaguada se encuentra en una zona geográfica
o quizás tener una longitud de onda mayor en su parte en la que el modelo para el D+1 se está comportando
delantera. La configuración que dibuja en este periodo mucho peor que la media de los 30 últimos días. En
el ECHRES es una vaguada más amplia precedida de un alcance tan corto de predicción la dispersión del
una vaguada más pequeña y es en ésta donde reside la ensemble tiende a reducirse sensiblemente, por lo que
dispersión más alta. La zona sigue teniendo valores de en zonas de perturbaciones muy pequeñas, como es el
dispersión normalizada muy elevados, se desarrolla caso de esta vaguada, no es extraño que desviaciones
pues en un entorno que, según esta nueva pasada del estándar mínimas lleven asociados valores muy altos
modelo, es muy poco predecible. en la dispersión normalizada.
Figura 57.5: Predicción D+1 (T24) para las 00 UTC del 04-03-2017 (campos ídem Figura 57.1 en la página 856).
AEMET.
860 2017)
Figura 57.6: Predicción D+5 para las 00 UTC del 04-03-2017. Panel izquierdo: ECENS probabilidad de neva-
da > 1 mm durante las 24 horas del día 4. Panel derecho: ECHRES, nieve total (agua equivalente en mm) acumulada
en las 24 horas del día 4. AEMET.
57.2 Evolución de la predicción de ta el día 03-03-2017 (D+1), en cantidades acumuladas

durante las 24 horas del sábado día 4.
nevadas
En este apartado se muestra cómo los modelos tra-
ducen en predicción de nevadas la evolución de las 57.2.1 Predicción D+5, elaborada el
estructuras estudiadas a escala sinóptica en el apartado 27.02.2017
anterior. Estudiamos en los correspondientes mapas
de probabilidad (ver sección 27.6.1 en la página 416) El ECENS (Figura 57.6, panel izquierdo) da una señal,
de precipitación y mapas de precipitación la consis- con mayor o menor probabilidad, de nevadas generali-
tencia de las diferentes pasadas de los dos sistemas, zadas en gran parte del interior peninsular. Señala una
ECENS y ECHRES, y la posible convergencia de probabilidad muy alta (de 80 % a 100 %) en los gran-
ambos a corto plazo. des sistemas montañosos de la mitad norte, aunque lo
más interesante por su mayor impacto social, son las
Se presentan las salidas del ECENS de probabilidad nevadas en cotas más bajas: probabilidades altas en la
de nevada superior a 1 mm junto a la predicción del meseta Norte (40 % a 60 %) y bajas probabilidades en
modelo ECHRES, desde el día 27.02.2017 (D+5) has- la meseta Sur (20 % al 40 %).
57.2 Evolución de la predicción de nevadas 861
También señala con una probabilidad intermedia (40 % norte, especialmente Pirineos. En cuanto a la meseta
al 70 %) las montañas del sureste. El ECHRES (pa- Norte, únicamente señala nieve en el sur de la zona
nel derecho) apoya al ECENS prediciendo nevadas mientras que el ECENS mantiene la misma probabi-
generalizadas en la mitad norte peninsular. Llama la lidad. Se ha perdido la similitud con el ECENS. En
atención la gran similitud entre ambos sistemas, si estos casos, aunque el ECENS pudiera presentar poca
bien el ECHRES apenas da nieve en la mitad sur. dispersión, se considera en el proceso de predicción
que hay baja predecibilidad, dado este desacuerdo
entre modelo determinista y su correspondiente en-
57.2.2 Predicción D+4, elaborada el semble (sec. 27.3.1 en la página 405).
28.02.2017
El ECENS (Figura 57.7 en la página anterior, panel 57.2.3 Predicción D+3, elaborada el
izquierdo) mantiene un patrón de nevadas muy similar 01.03.2017
al día anterior, como cabe de esperar de un sistema
ensemble que tiende en general a suavizar cambios El ECENS (Figura 57.8, panel izquierdo) continúa con
bruscos en la predicción. el mismo patrón de señal de nevadas generalizadas en
el interior peninsular, aunque sí hay un cambio en las
Continúa reflejando una situación de probables neva- probabilidades. En esta pasada aumenta de nuevo la
das generalizadas en el interior peninsular, si bien, ha probabilidad en los grandes sistemas montañosos del
rebajado algo la probabilidad en los grandes sistemas norte y centro (80 % a 100 %), pero reduce la probabi-
montañosos de la mitad norte, 70 % a 90 %, salvo en lidad en las zonas más bajas de la meseta Norte, 30 %
Pirineos, donde mantiene la casi certeza, 80 % a 100 %. al 40 %, y también desciende algo la probabilidad en
También se mantiene la probabilidad media, 40 % al zonas de la meseta Sur, 10 % al 40 %.
70 %, en las montañas del sureste. Y en cuanto a lo
más relevante en este estudio, las nevadas en zonas El ECHRES (panel derecho) insiste en dar más señal
más bajas, mantiene prácticamente la misma proba- en la zona centro-sur, aunque restringiendo bastante
bilidad en ambas mesetas, 40 % a 60 % en la meseta el área de nevadas respecto a la pasada anterior. El
Norte y 20 % al 40 % en la meseta Sur. modelo determinista señala nevadas en las zonas don-
de el ECENS prevé certeza o muy alta probabilidad,
Por el contrario, el ECHRES (panel derecho) sí pre- por lo que podríamos hablar de cierta similitud en-
senta un cambio muy importante; en lugar de focalizar tre ambos, con una significativa excepción. Hay una
las nevadas en la mitad norte peninsular las traslada marcada discordancia en la zona centro: la lengua de
al centro-sur, manteniendo las zonas de montaña del nieve que señala el ECHRES en la meseta Sur.
862 2017)
En relación a la meseta Norte, el ECENS rebaja la nevadas del ECHRES parece un calco de las zonas de
probabilidad y el ECHRES restringe aún más la zo- probabilidad superior al 60 % del ECENS.
na de nieve al sur. Se aprecia un cierto acercamiento
entre ambos sistemas en la zona. Es lógico que para un D+2 el patrón de nevadas de
ambos sea ya bastante similar; el ECENS apoya al
ECHRES, con probabilidades prácticamente de certe-
za 90 % a 100 %, en las zonas de montaña, ampliando
57.2.4 Predicción D+2, elaborada el el área de los Pirineos y restringiendo, por el contrario,
02.03.2017 la zona en el sistema Central. Continúa la incertidum-
bre en zonas llanas aunque ambos marcan como la
En esta nueva pasada (Figura 57.9) es relevante el zona más probable áreas restringidas de la meseta Sur.
cambio mostrado tanto en el ECENS (panel izquier- En la meseta Norte el ECENS marca ya una zona bas-
do) como en el ECHRES (panel derecho), especial- tante amplia con probabilidades por debajo del 10 %
mente en la zona centro, «bandazo» poco esperable y el ECHRES ha eliminado la nieve incluso del sur de
a un D+2. Muy significativo es también el aumento la zona; parece que ambos modelos tienen a eliminar
de similitud entre ambos modelos. La predicción de la nieve en la meseta Norte.
Figura 57.10: Predicción D+1 para las 00 UTC del 04-03-2017. Panel izquierdo: modelo ECENS probabilidad
de nevada > 1 mm durante las 24 horas del día 4. Panel derecho: modelo ECHRES, nieve total (agua equivalente
en mm) acumulada en las 24 horas del día 4. AEMET.
57.3 Reflexiones sobre la elaboración de la predicción 863
57.2.5 Predicción D+1, elaborada el 03- 1. Sobre el Pirineo, poca confianza en el ensemble
03-2017 pero probabilidades de ocurrencia muy elevadas
en todos los periodos. La baja predecibilidad
Para D+1 (Figura 57.10 en la página anterior) la simi- en este caso va asociada a la posición y profun-
litud entre el ECENS (panel izquierdo) y el ECHRES didad de la pequeña vaguada que precedía a la
(panel derecho) es muy grande; se confirma la exten- vaguada principal. Este hecho ha influido en la
sión e intensidad de las nevadas en el área de Pirineos extensión del área de precipitación y muy pro-
y, con menor intensidad y extensión, en el resto de bablemente también en la intensidad, aunque
zonas montañosas del interior peninsular (muy escasa este factor queda fuera de este estudio que se
en el sistema Central). centra sólo en la ocurrencia del fenómeno. Por
otro lado la consistencia en las predicciones del
Por el contrario, y siguiendo la tendencia de las últi-
modelo determinista en la zona del Pirineo es
mas pasadas, se descartan las nevadas en la meseta
un factor a favor de elevar la confianza en las
Norte; el ECENS mantiene una pequeña probabilidad
nevadas en dicha zona.
en las zonas del sur próximas al sistema Central. En
2. En las Mesetas, alta confianza en el ECENS
esta última pasada, quizás lo más significativo sea el
pero gran variabilidad en sus predicciones. De
hecho de que parecen confirmarse las nevadas en zo-
nuevo parece llevar a confusión. En ese caso
nas de la meseta Sur (probabilidad del ECENS entre
el casi imperceptible descenso en latitud de la
el 50 % y el 80 %).
vaguada parece ser el motivo de los cambios del
ensemble y de los «bandazos» que experimentó
57.3 Reflexiones sobre la elabora- el determinista. Esta inconsistencia de ambos
modelos nos lleva a bajar la confianza en la pre-
ción de la predicción dicción que puedan dar los modelos para estas
zonas.
El ECENS no ha mostrado una gran consistencia, tam-
poco el ECHRES, que se ha caracterizado por giros
Para visualizar de forma sencilla los resultados del
bruscos en sus diferentes actualizaciones. Con la iner-
estudio sinóptico y mesoescalar utilizamos una tabla
cia y suavización propia de un ensemble daba la im-
(Figura 57.11, panel izquierdo) donde se combinan la
presión de que la evolución del ECENS iba a la zaga
probabilidad de ocurrencia y el grado de confianza
de la del determinista. Salvo en el D+5, donde la con-
que depositamos en los modelos.
fianza en el ECENS era muy baja en todas las zonas,
el ensemble mostraba claramente mayor predecibili-
dad en las áreas asociadas a la vaguada atlántica que
a las de la vaguada mediterránea. Llama la atención:
Figura 57.11: Panel izquierdo: tabla «grado de confianza» vs «probabilidad de ocurrencia». Panel derecho: Aplica-
ción de la tabla anterior al periodo de predicción D+2.
864 2017)
La probabilidad de ocurrencia es objetiva, ya que se ensemble en estas zonas, hay menos confianza
utiliza la salida directa del campo de probabilidades en la predicción que en las zonas de montaña
del ensemble, y viene representada por el color: rojo, etiquetadas con el punto 2.
azul o negro. El grado de confianza tiene componen- Zona 4: La meseta Norte en negro sólido. Se tiene
te de subjetividad ya que se consideran las salidas casi certeza de que no nevará en esta zona, en
de desviaciones y valores medios del ECENS, pero cada actualización modelo y ensemble han ido
modulados por elementos más subjetivos como las bajando drásticamente la probabilidad.
inconsistencias entre las diferentes pasadas, con po- Zona 5: La meseta Sur en negro punteado. Es la zona
sibles bandazos o giros bruscos en la predicción, el donde más dudas existen. Modelo y ensemble
grado de similitud entre ambos sistemas o las tenden- han dado giros bruscos en su predicción y aun-
cias en las predicciones. Este parámetro se representa que parecen indicar que no debemos descartar
con el relleno: sólido, rayado o punteado. que en alguna zona, más o menos extensa, pue-
de nevar, no podemos asegurar dónde.
A modo de ejemplo se muestra el mapa de trabajo que
resulta de aplicar la tabla anterior para el periodo D+2
(Figura 57.11 en la página anterior, panel derecho), en
el que las zonas similares se etiquetan con el mismo
57.4 Análisis del día 04/03/2017
número:
El análisis objetivo del ECHRES del día 4 a las
Zona 1: Área del Pirineo en rojo sólido salvo la parte 00 UTC (Figura 57.12) muestra las dos vaguadas es-
más oriental rayada. Tenemos casi certeza de tudiadas. La atlántica está situada algo más al sur de
que nevará pero la extensión hacia el este es más lo que inicialmente se preveía y apenas tiene señal en
dudosa por la incertidumbre en la evolución de altura (panel izquierdo); la estructura se refleja como
la pequeña vaguada. una mesobaja en superficie (panel derecho) al oeste
Zona 2: Zonas de montaña del interior en rojo sólido de Portugal. En cuanto a la vaguada mediterránea,
reflejando la gran confianza que tenemos en que tanto el ECENS como el ECHRES fueron marcando
nevará. una tendencia al desarrollo de una pequeña vaguada
Zona 3: Zonas de montaña de la zona centro en azul por delante de la principal (panel izquierdo) a la vez
rayado. Teniendo en cuenta los cambios en la que profundizaban la mesobaja en superficie (panel
predicción que han mostrado el modelo y el derecho) sobre el extremo nordeste peninsular.
Figura 57.12: Análisis del ECHRES para las 00 UTC del día 04-05-2017. Panel izquierdo: Geopotencial en 500 hPa.
Panel derecho: Presión reducida al nivel medio del mar. ECMWF.
Figura 57.13: Panel izquierdo: Análisis subjetivo de niveles bajos realizado por AEMET el día 04-03-2107 a 12 UTC.
Panel derecho: Precipitación total en mm recogida durante las 24 horas del día 4 (datos AEMET).
En el análisis subjetivo de superficie de 12 UTC rea- La predicción para el día sábado día 4 de marzo falló
lizado por AEMET (Figura 57.13, panel izquierdo) de forma notoria. No sólo con 5 días de antelación,
se observa la mesobaja atlántica entrando por el sur sino prácticamente hasta el día anterior fueron bai-
peninsular. En consecuencia, la precipitación corres- lando las zonas donde se esperaban nevadas. Tanto
pondiente se localiza en el tercio sur (panel derecho), el ECENS como el ECHRES pusieron de manifiesto
y no en la mitad norte o en la zona centro, como fue- una importante sobrepredicción para el D+5, preveían
ron apuntando los modelos. Dado que la cota de nieve nevadas generalizadas en la mitad norte peninsular
en la zona estaba más alta, las nevadas sólo afectaron que al final se produjeron tan sólo de forma local en
a áreas limitadas de la meseta Sur. la mitad sur. Cabe señalar que fueron nevadas signi-
ficativas en el sentido de que afectaron a zonas poco
Las nevadas en la mitad norte y centro (asociadas a la habituales de la meseta Sur. El fallo se achaca a que la
baja mediterránea y a la inestabilidad en la descarga vaguada atlántica penetró en la Península más al sur
fría) se registraron únicamente en zonas altas, ponien- de lo esperado.
do de manifiesto un fallo importante en la predicción
del ECENS, al menos hasta el D+3. Llama la atención el hecho de que el ECHRES co-
mienza a «ver» las nevadas en zonas llanas del centro-
sur peninsular antes que el ECENS y cómo cada ac-
57.5 Conclusiones tualización del ECENS, «busca» parecerse a la pasada
anterior del ECHRES.
Cuando los modelos y ensembles anuncian nevadas
No hubo dudas en cuanto a las nevadas copiosas en
generalizadas y abundantes ¿cómo debe abordarse la
Pirineos; ambos sistemas, tanto el ECENS como el
predicción con una antelación de 5 días? En condi-
ECHRES, lo reflejaron muy bien desde el D+5 y fue-
ciones ideales se debería intentar ir modificando el
ron aumentando la intensidad y el área afectada a
lenguaje a medida que nos acercamos al periodo de
medida que se reducía el alcance.
ocurrencia del fenómeno, pasando de terminología
probabilista a determinista, sin embargo, no siempre Se han utilizado en este estudio campos de dispersión
esto es fácil. ¿Qué ocurre si los modelos no son consis- del ECENS con el objetivo de valorar la confianza
tentes en sus diferentes actualizaciones? ¿Qué ocurre que depositamos en el modelo. Puede sorprender que
si hay diferencias notorias entre el ensemble y el de- áreas con alta incertidumbre en la predicción (Pirineo)
terminista? ¿Cuándo consideramos que una pasada de muestren consistencia en las diferentes pasadas, siem-
un modelo no es creíble? Las respuestas a estas y mu- pre con altas probabilidades de ocurrencia, mientras
chas más preguntas que pueden surgir condicionarán que áreas en las que se podía depositar una alta con-
la redacción de las predicciones, en las que siempre fianza (las Mesetas y zona centro) las predicciones
nos moveremos en la estrecha banda entre no alarmar variaban sensiblemente.
al usuario pero manteniéndolo suficientemente infor-
mado para que pueda tomar medidas de anticipación. Se pone de manifiesto la importancia de no considerar
866 2017)
las diferentes pasadas del ECENS de forma aislada, En situaciones de fenómenos adversos, más que hacer
sino que hay que tener en cuenta la evolución del en- hincapié en los diferentes escenarios posibles, interesa
semble durante los días anteriores. En esta situación simplificar la comunicación al usuario. Una posible
de nevadas ha sido fundamental el estudio de las in- herramienta que nos ayudaría a la hora de elaborar
consistencias entre las diferentes pasadas de ambos la predicción sería el uso de mapas de trabajo como
sistemas, el grado de similitud o diferencias entre ellos el propuesto en el punto 4, en el que se combinan
y la tendencia mostrada por el ensemble a apoyar la la probabilidad de ocurrencia y el grado de confian-
evolución del determinista. Todo ello nos ayudará a es- za. Mapas de trabajo que conllevan una componente
tablecer el nivel de confianza que podemos depositar importante de subjetividad que forma parte del valor
en la predicción del modelo. añadido del predictor.
Predicción Semana Santa 2017: desde el largo hasta
el corto plazo 58
DOI: 10.31978/014-18-009-X.58

¿Es verdad que siempre llueve en Semana Santa?

Título de artículo en elPeriódico, 11-04-2017 – L AURA E STIRADO
El motivo de este ejercicio de predicción es el de mostrar la utiliza-

ción de las herramientas disponibles en las páginas web del ECMWF
moviéndonos desde la predicción mensual, al medio plazo y finalmen-
te al corto plazo. Todos los productos que componen este ejercicio,
provienen de la citada web con excepción de las series de datos de
verificación que tienen un tratamiento diferente que se explicará más
tarde.
probabilista, predicción Semana Santa 2017, proceso de predicción en cascada.
Imagen parte superior: onda de montaña. Paracuellos del Jarama (Madrid), hacia el oeste 10 de abril de 2005, a las 20:23. Fotografía de
Física del caos en la predicción meteorológica Capítulo 58. Predicción Semana Santa 2017: desde el largo hasta
868 el corto plazo
Figura 58.1: Anomalías de precipitación y temperatura a 2 metros (siempre respecto al clima del modelo), 4 y 3
semanas antes (arriba) y 2 y 1 semanas antes (abajo), en la predicción mensual del ECMWF.
58.1 Predicción mensual 869
Figura 58.2: Climatología del ECENS, percentil 50, tanto de precipitación como de temperatura a 2 metros para el
periodo 9 a 14 de abril de 2017.
58.1 Predicción mensual matología del modelo para la semana que es nuestro
objetivo.
Un mes antes del comienzo de la Semana Santa co-
mienzo a mirar la predicción mensual del ECMWF La Figura 58.2 muestra la climatología del modelo
[509]. La Figura 58.1 en la página anterior, arriba, (sección 27.7.1 en la página 419) para el percentil 50
muestra las anomalías de precipitación y temperatura tanto de precipitación como de temperatura a 2 metros
a 2 metros (siempre respecto al clima del modelo), 4 para el periodo 9 a 14 de abril de 2017.
y 3 semanas antes. A este plazo solo cabe esperar in-
dicaciones débiles y en muchos casos contradictorias,
a no ser que se esperen situaciones con desviaciones 58.2 Consistencia: ¿qué hay que
grandes respecto a los valores climáticos. De hecho,
en la figura para la semana 4 (paneles de la izquierda) mirar?
solo se aprecian condiciones neutras. Tres semanas
antes, aparecen indicaciones débiles de déficit de pre- Llegados a este punto, nos enfrentamos a los típicos
cipitación y temperaturas por encima de los valores problemas relacionados con la consistencia de los mo-
climáticos en el interior peninsular. delos numéricos para plazos superiores a cinco días.
Aquí es donde la operación del ECENS muestra el
Dos semanas antes (Figura 58.1 en la página anterior, camino a seguir a los predictores operativos. Antes
abajo), el promedio de la predicción semanal para de la aparición operativa del ECENS, los predictores
precipitación, vuelve a mostrar condiciones neutras tendían a utilizar el SPC del «hombre pobre» [23, 171,
tanto en términos de anomalías como de probabilida- 526] (sec. 13.2.2 en la página 168y sec. 34.3). Esto es,
des de anomalías en el tercil inferior del clima. Más mirar distintos modelos, comprobar cualitativamente
consistente parece la temperatura a 2 metros, tanto las la dispersión y después o bien utilizar un promedio o
anomalías como la probabilidad de estas anomalías de decantarse por el modelo en el que el predictor confia-
situarse en el tercil superior del clima así lo indican. se más. En definitiva, todo entreverado por una dosis
No hay que olvidar que por regla general, la predeci- muy alta de subjetividad y que podía funcionar más o
bilidad en términos de temperatura es mayor que para menos bien, dependiendo de las habilidades persona-
la precipitación. Conviene en este punto mirar la cli- les de los predictores.
870 el corto plazo
Figura 58.3: Predicciones Z500 del ECENS válidas para 6 y 7 de abril (ver texto).
La Figura 58.3, arriba, muestra predicciones de altura sobre el sur de la Península. La media del ECENS pre-
geopotencial a 500 hPa con base en cuatro días conse- senta una conducta más consistente. La Figura 58.3,
cutivos, 29, 30 y 31 de marzo y 1 de abril, todas ellas abajo, muestra predicciones basadas en los mismos
válidas para el 6 de abril de 2017. Se trata por tanto días pero válidas para el 7 de abril de 2017 a 00 UTC
de predicciones H+180, H+156, H+144 y H+120. Los (H+204, H+180, H+168 y H+144). La conducta osci-
mapas de promedio-dispersión (ver sección 27.5.1 en lante de la predicción determinista sigue siendo clara
la página 412) están compuestos por promedio del y también la mayor consistencia del EM. Conviene
ensemble (ensemble mean, EM, isolíneas rojas), la resaltar aquí que no estamos ante un caso con disper-
dispersión (sombreado) y espaguetis para la isolínea sión elevada. Este tipo de conducta ocurre con mucha
de 570 dam de los miembros del ECENS. El control frecuencia, por regla general el EM muestra mucha
es la línea rota roja y el modelo determinista la linea mejor consistencia que las salidas deterministas. Tam-
rota azul. poco conviene olvidar que las verificaciones sobre
un gran numero de casos en áreas amplias indican
Las predicciones deterministas presentan una conduc- que el EM verifica mejor, estadísticamente hablando,
ta saltarina sobre el sur peninsular, oscilando entre que el modelo determinista desde el D+3 en adelante
una vaguada en el Mediterráneo suroccidental y una (secs. 15.7 en la página 221 y 13.6.3 en la página 178).
posible depresión aislada de niveles altos (DANA)
58.3 Escenarios, probabilidades, ECENS y corto plazo 871
Figura 58.4: Promedios de precipitación y temperatura a 2 metros de la predicción mensual para el periodo 10 a 16
de abril de 2017.
Volviendo a la predicción mensual, la Figura 58.4 na 411) para el área europea con base en el 3 de abril
muestra los promedios de precipitación y temperatura de 2017. Lo que se representa para cada cluster es el
a 2 metros para el periodo 10 a 16 de abril de 2017. De miembro del ECENS más próximo al centroide del
nuevo estos promedios se presentan aquí en términos cluster. Las predicciones entre el D+5 y el D+7 mues-
de anomalías y probabilidades de que estas anomalías tran cuatro escenarios con un numero de miembros
se sitúen en el tercil inferior para la precipitación y muy similar distribuidos entre los 4 escenarios. Estos
en el tercil superior para la temperatura. Lo que se 4 escenarios pueden en realidad reducirse a dos opcio-
aprecia en esta figura son anomalías secas con alta nes, a saber, bloqueo anticiclónico sobre la Península
probabilidad de encontrarse en el tercil inferior del cli- o aproximación de una vaguada por el norte peninsu-
ma para la precipitación y anomalías cálidas con altas lar. Esta última es precisamente la opción que sigue
probabilidades de encontrarse en el tercil superior del el modelo determinista. Las predicciones entre D+8 y
clima para la temperatura. D+10 reducen los escenarios a tres, nuevamente con
una distribución parecida de miembros. De nuevo el
modelo determinista apoya al cluster con la versión
58.3 Escenarios, probabilidades, más pesimista en términos de precipitación para la
ECENS y corto plazo Península.
Las Figuras 58.5 y 58.6 en la página siguiente mues-

tran los escenarios o clusters (sec. 27.10 en la pági-
872 el corto plazo
Figura 58.5: Grupos para el área europea con base en el 3 de abril de 2017, D+5..D+7 (ver texto).
Figura 58.6: Grupos para el área europea con base en el 3 de abril de 2017, D+8..D+10 (ver texto).
Figura 58.7: Probabilidades ECENS de precipitación superior a 1 mm en 24 horas basadas en el 4 de abril y válidas
desde el Domingo de Ramos 9 de abril (H+144) hasta el Miércoles Santo (H+216).
Llega el momento de muestrear las probabilidades a mitad de la semana.

(ver sección 27.6.1 en la página 416) sobre los niveles
de precipitación y temperatura para varios umbrales. Las predicciones a partir del día 5 de abril, comien-
La figura 58.7, muestra las probabilidades de preci- zan a apuntar hacia una configuración omega con el
pitaciones superiores a 1 mm en 24 horas basadas en aislamiento de una DANA en el Atlántico central y
el 4 de abril y válidas desde el Domingo de Ramos 9 oriental, una dorsal clara sobre la Península y otra
de abril (H+144) hasta el Miércoles Santo (H+216). DANA sobre el Mediterráneo central. La Figura 58.8
Las probabilidades no son extremas pero sí indican muestra mapas de EM, dispersión y espaguetis basa-
una tendencia a incrementarse en el oeste peninsular das en el 5 de abril (izquierda) y 7 de abril (derecha),
ambas con validez para los días 11 y 12 de abril.
Figura 58.8: Promedio del ECENS, dispersión y espaguetis con validez para los días 11 y 12 de abril. Izquierda:
basadas en el 5 de abril. Derecha: basadas en el 7 de abril.
874 el corto plazo
Figura 58.9: Probabilidades ECENS de precipitación superior a 2 mm en 24 horas para el periodo desde el Domingo
de Ramos y el Miércoles Santo basadas en el 7 de abril.
Las probabilidades de precipitación superior a 2 mm en el suroeste peninsular. Esto se refleja en el EFI

en 24 horas que muestra la Figura 58.9 para el periodo (sección 27.7.2 en la página 420) y el SOT90 (Shift
desde el Domingo de Ramos y el Miércoles Santo of Tails para el percentil 90 del clima, sección 27.7.3
basadas en el 7 de abril señalan un panorama clara- en la página 422) con valores significativos en todo el
mente optimista para el sector turístico y lúdico en cuadrante suroccidental peninsular para el 12 de abril
general. Es más, las predicciones basadas en el 10 y extendiéndose hacia el norte y este peninsulares el
de abril (Figura 58.10) muestran altas probabilidades día siguiente.
de temperaturas máximas excediendo los 28 grados
Figura 58.10: Probabilidades ECENS de precipitación superior a 2 mm en 24 horas y de temperatura superior a 28

grados para el periodo desde el Domingo de Ramos y el Miércoles Santo basadas en el 7 de abril.
Figura 58.11: CDF (ver texto) de Madrid para la temperatura media a 2 metros basadas en la pasada del 11 de abril
de 2017 y con validez para el 13, 14, 15 y 16 de abril (H+48, H+72, H+96 y H+120).
Las Figuras 58.11 y 58.12, muestran las CDF (sec. 13 cha de la curva del clima del modelo. Esto apunta a
en la página 188) de Madrid y Sevilla para la tempera- valores altos del EFI. Las pendientes de las distintas
tura media a 2 metros basadas en la pasada del 11 de pasadas indican también poca dispersión. Cuanto más
abril de 2017 y con validez para el 13, 14, 15 y 16 de verticales son estas líneas menor es la dispersión. La
abril (H+48, H+72, H+96 y H+120). En ambos casos presencia de SOT90 superiores a cero también puede
se aprecian las distribuciones de las pasadas sucesivas apreciarse en estos gráficos.
del ECENS con valores significativamente a la dere-
Figura 58.12: CDF (ver texto) de Sevilla para la temperatura media a 2 metros basadas en la pasada del 11 de abril
de 2017 y con validez para el 13, 14, 15 y 16 de abril (H+48, H+72, H+96 y H+120).
876 el corto plazo
Figura 58.13: Clima del modelo, percentiles 50, 90 y 99, de las temperaturas máximas con validez para el 13 de
abril de 2017.
Como referencia, la figura 58.13 muestra el clima del 58.5 Resumen final
modelo (sección 27.7.1 en la página 419) para las
temperaturas máximas con validez para el 13 de abril El procedimiento realizado ha seguido el método de
de 2017. En la figura se muestra la distribución del predicción en cascada.
clima para los percentiles 50, 90 y 99. Aquí puede
observarse como, por ejemplo para el percentil 90, La prediccion mensual proporciona una visión ge-
valores de Tmax entre 25 y 30 grados sólo aparecen neral al menos con dos semanas de anticipación (en
en el valle del Guadalquivir y Extremadura. casos de situaciones extremas hasta tres semanas).
Para la prediccion a medio plazo el uso de escena-
rios alternativos y la dispersión de el ECENS nos
58.4 Datos de observación ayuda a evaluar las distintas opciones a vigilar.
La utilización de Meteogramas (en particular los
Las Figuras 58.14, 58.15 en la página siguiente, 58.16
que llevan superpuesto el clima del modelo) nos
y 58.17 en la página 878 muestran datos de obser-
ayuda a evaluar la predicción para diferentes pará-
vación extraídos de los informes sinópticos de las
metros meteorológicos y localizaciones. La utiliza-
estaciones de La Coruña, Santander, Sevilla, Málaga,
ción de las distribuciones CDF aportan información
Cáceres, Madrid, Valencia y Palma de Mallorca.
muy útil en cuanto a dispersión, EFI y la visuali-
zación de valores significativos de SOT en caso de
El código surface synoptic observations (SYNOP) fenómenos extremos.
se manipula y procesa usando scripts Perl y después El modelo determinista puede considerarse como
utilizando scripts en R para producir los gráficos. un miembro más de el ECENS a más resolución.
Para el corto plazo y la predicción inmediata es
donde los Limited Area Model (LAM) de alta reso-
Las series temporales indican claramente la ausencia lución, las imágenes de satélite, el radar y la red de
de precipitaciones (excepto una traza débil en Palma descargas juegan un papel determinante.
de 0.5 mm el 16 de abril) y la evolución de las tempe-
raturas en alza comenzando por Andalucía occidental
y Extremadura para después extenderse hacia el centro
y este peninsular.
58.5 Resumen final 877
Figura 58.14: Datos de observación extraídos de los informes sinópticos de las estaciones de La Coruña y Santander.
Figura 58.15: Como en la Figura 58.14, ahora Sevilla y Málaga.

878 el corto plazo
Figura 58.16: Como en la Figura 58.14 en la página anterior, ahora Cáceres y Madrid.
Figura 58.17: Como en la Figura 58.14 en la página anterior, ahora Valencia y Palma de Mallorca.
DANA de principio de verano (Jul-2017)
59
DOI: 10.31978/014-18-009-X.59
JAIME R EY V IDAURRÁZAGA
DANA es el acrónimo meteorológico cuyo significado es "Depresión Aislada en Niveles Altos". Trata de ser
la traducción del término anglosajón de cut-off low (baja aislada) en 500 o 300 hPa. En la terminología
popular equivaldría a lo que el Meteorólogo D. M ANUEL L EDESMA J IMENO llamó "gota fría"(término que,
posteriormente, adoptó D. M ARIANO M EDINA), término popular y periodístico que ha degenerado a ser
sinónimo de lluvias intensas en el periodo otoñal en el área mediterránea. Una DANA es un seno de bajas
presiones aislada en niveles altos, preferentemente, del vórtice circumpolar. Lo que muchos no conocen es el
origen de esta palabra. Proviene en honor del apellido de un meteorólogo coetáneo y compañero de M ANUEL
L EDESMA y M ARIANO M EDINA: D. F RANCISCO G ARCÍA DANA, Meteorólogo del antiguo INM, que
falleció en 1984.
extracto de https://www.tiempo.com/ram/26947/de-donde-procede-el-nombre-meteorologico-de-dana/ –
F RANCISCO M ARTÍN L EÓN, Meteorólogo
Entre el 5 y el 9 de julio de 2017, la península ibérica se vio afectada por el paso de una depresión
aislada en niveles altos depresión aislada de niveles altos (DANA), con tormentas que se extendieron
por buena parte de la península, especialmente sobre el sistema Central y su entorno. Este episodio,
totalmente convectivo, tuvo una predecibilidad muy pobre y una variabilidad espacial muy elevada. En
este capítulo se pretende realizar un ensayo de predicción de medio plazo para el episodio, centrándonos
para ello en los días más adversos.
probabilista, depresión aislada en niveles altos, DANA de principio de verano julio 2017.
Imagen parte superior: inundaciones producidas en Aranjuez el 07-07-2017.

880 Física del caos en la predicción meteorológica Capítulo 59. DANA de principio de verano (Jul-2017)
Figura 59.1: Geopotencial en 300 hPa y precipitación acumulada en 24 horas, para las 12 UTC del 06-07-2017, a
partir de las pasadas de 12 UTC del 02-07-2017 y de 00 UTC del 03-07-2017 del ECHRES. Agencia Estatal de
Meteorología (AEMET).
59.1 Comportamiento de modelos 59.1.1 Consistencia entre pasadas de

y SPC ECHRES
Una forma de ilustrar esta problemática surge ana-

lizando el comportamiento de distintas pasadas del
Las depresiones aisladas en niveles altos, DANA (co- modelo determinista, en nuestro caso el ECHRES
nocidas por el término cut-off low en inglés), son un (sec. 19.2 en la página 291). Si observamos la Figu-
fenómeno bastante común en las proximidades de la ra 59.1, dos pasadas consecutivas, la del día 2 de julio
península ibérica, siendo especialmente frecuentes en a las 12 UTC y la del día 3 del mismo mes a las
los meses de verano [148]. Habitualmente suelen en- 00 UTC, muestran una evolución muy distinta de la
contrarse con mayor frecuencia en la franja latitudinal DANA. En la pasada de 12 del día 2, la DANA se
entre 35 ºN y 40 ºN, aunque en los meses de verano, desplazaría por el norte peninsular, dejando precipi-
debido al desplazamiento de la circulación atmosfé- taciones especialmente intensas en el tercio norte, de
rica hacia al norte, es más habitual encontrarlas en entre 30 y 40 mm el día 6 en Asturias y Huesca, sin
la franja entre 40 ºN y 45 ºN, justo en el norte de la afectar prácticamente al suroeste y centro peninsula-
península ibérica [148]. Así pues, vamos a analizar res. En cambio, la siguiente pasada sitúa la DANA
un tipo de situación típica sobre la Península, pero sobre Portugal, con un desplazamiento que llega a ser
cuyo comportamiento, debido a su pequeño tamaño retrógrado, afectando especialmente al centro penin-
y carácter dinámico especialmente caótico, continúa sular, con precipitaciones entre 40 y 60 mm en Madrid
siendo muy complicado de predecir. y el oeste de Castilla-La Mancha.
59.1 Comportamiento de modelos y SPC 881
Figura 59.2: Geopotencial en 500 hPa, para las 12 UTC del 06-07-2017, a partir de las pasadas de 12 UTC del
02-07-2017 del ECHRES y del miembro del Control del ECENS. AEMET.
Tal disparidad entre pasadas evidencia la baja predeci- página 412). Para el día 6 a las 00 UTC, utilizando la
bilidad (sec. 12 en la página 155) de estas situaciones pasada del día 3 a las 00 UTC, se puede observar en
en el medio plazo, lo que hace que debamos ser es- las Figuras 59.3 y 59.4 en la página siguiente cómo el
pecialmente cautos en el uso exclusivo de modelos valor medio refleja la existencia de una circulación ce-
deterministas, ya que puede llevarnos a grandes erro- rrada, si bien existe mucha incertidumbre en torno a la
res en la predicción. Por ello, pasamos a analizar el posición de la DANA, con dos máximos de la desvia-
comportamiento del modelo probabilista, en nuestro ción estándar normalizada situados respectivamente
caso el ECENS (sec. 19.3 en la página 293). al noreste y al suroeste de la DANA. Este patrón es-
tá asociado con una alta incertidumbre, no solo en
la intensidad de la perturbación (profundidad de la
59.1.2 Control vs determinista DANA), sino también en su posición y su evolución
temporal. Un importante número de miembros del
En un primer estadio es conveniente comparar el ensemble parece retrasado y/o más hacia el suroeste,
miembro de control del ECENS con el ECHRES. Co- mientras que otra fracción importante parece adelanta-
mo se puede ver en la Figura 59.2, aunque sinópti- da y/o hacia el noreste. En realidad, las discrepancias
camente describen situación parecidas, la posición temporales y espaciales irán ligadas, ya que cuanto
del núcleo frio se sitúa más al norte en el llamado más al sur se sitúe la DANA, menor será su interac-
miembro de control (parte derecha de la figura), lo ción con la fuerte circulación meridional y, por tanto,
que puede provocar que varíen significativamente las menor su velocidad de desplazamiento hacia el este.
zonas afectadas por la DANA.
Para el día 7 a las 00 UTC, la incertidumbre es aún
mayor y el valor medio no refleja la existencia de una
59.1.3 Dispersión del ECENS circulación cerrada. Además, la desviación estándar,
más allá de constatar la alta dispersión, nos da poca
Lo siguiente que haremos será analizar el geopoten- información respecto a la distribución de los miem-
cial en 500 hPa del valor medio del ensemble y su bros del ensemble y los posibles escenarios con los
desviación estándar normalizada (sec. 27.5.1 en la que podríamos encontrarnos.
Figura 59.3: Izquierda: altura geopotencial en 500 hPa del valor medio del ECENS y su desviación estándar
normalizada para las 00 UTC del 06-07-2017, a partir de la pasada de 00 UTC del 03-07-2017 del ECENS. Derecha:
altura geopotencial en 500 hPa del ECHRES y desviación estándar del ECENS, para las 00 UTC del 06-07-2017, a
partir de la misma pasada de 00 UTC del 03-07-2017 de ambos sistemas. ECMWF.
Figura 59.4: Como en la Figura 59.3, pero para el día 07-07-2017. ECMWF.
Para analizar más en detalle el comportamiento del Los seis grupos representan distintas situaciones que
ECENS y asegurarnos de tener en cuenta los 51 miem- se distinguen por el mayor o menor «descuelgue» de
bros del ensemble, es conveniente recurrir a otros tipos la DANA. Si vemos los supergrupos, tendríamos fun-
de representación. La técnica de clusters o agrupacio- damentalmente tres escenarios: un primer escenario
nes en grupos y supergrupos nos permite visualizar (A) en el que la DANA se sitúa sobre el noroeste pe-
los distintos escenarios que podrían darse y el número ninsular, escenario que engloba a más de la mitad de
de miembros que los apoyan (secs. 27.4.1 en la pági- los miembros y al control; un segundo escenario (B)
na 406 y 27.4.2 en la página 409). En la Figura 59.5 en el que la DANA se sitúa sobre el cantábrico y con-
en la página siguiente se puede observar su represen- tinúa bastante ligada al flujo zonal y, finalmente, un
tación para el día 6 a las 12 UTC, para la pasada del tercer escenario (C) que sinópticamente se parece al
día 3 a las 00 UTC. primero, aunque la DANA es más profunda y se sitúa
más hacia el suroeste.
59.1 Comportamiento de modelos y SPC 883
Figura 59.5: Paneles de la izquierda: Grupos del ECENS para las 12 UTC del 06-07-2017, a partir de la pasada de
00 UTC del 03-07-2017 del ECENS. Paneles de la derecha: Supergrupos escogidos a partir de los grupos. Fuente:
AEMET.
Figura 59.6: Mapas de probabilidad de superación de los umbrales de precipitación de 10 mm (arriba) y 20 mm

(abajo) en 24 horas, previstos para el 06-07-2017, a partir de las pasadas de 00 UTC del 02-07-2017 (izquierda) y
de 00 UTC del 03-07-2017 (derecha) del ECENS. Fuente: AEMET.
Debido a la presencia de una depresión aislada en niveles altos hay una considerable incertidumbre a pesar de la
proximidad del día. Es probable que en el entorno de Galicia, Cantábrico, alto Ebro y Pirineos, esté nuboso con
precipitaciones y tormentas, que podrán ser localmente fuertes en zonas de montaña. En gran parte del resto del
interior y del sur peninsular no puede descartarse que también esté nuboso con precipitaciones y tormentas, que
podrían ser localmente fuertes en zonas de montaña, de forma algo más probable en el centro este y algo menos
probable en el centro oeste. En el litoral mediterráneo oriental peninsular y en Baleares son probables los intervalos
de nubes medias y altas, así como intervalos de nubosidad de evolución. En las islas occidentales de Canarias estará
nuboso con lluvias débiles en el norte, y poco nuboso en el sur. Intervalos nubosos en las orientales.
Figura 59.7: Predicción general de medio plazo emitida por AEMET el día 3 de julio para el día del episodio, jueves
6 de julio (un D+3).
Volviendo atrás, si consideramos las pasadas del 59.2 Propuesta de predicción

ECHRES del día 2 a las 12 UTC y del día 3 a las
00 UTC, podríamos considerarlas dentro de los su- Según todo lo visto anteriormente, tratar de hacer una
pergrupos B y A respectivamente. Si observamos el predicción el día 3 de julio para el jueves 6 de julio
patrón de precipitaciones de ambos supergrupos, pode- (un D+3) utilizando únicamente las probabilidades
mos constatar que sitúan las precipitaciones en áreas parece insuficiente. Por ello, además de utilizar los
prácticamente disjuntas, lo que hace muy difícil preci- términos probabilistas habituales en la predicción de
sar, en el medio plazo, las zonas donde van a produ- medio plazo, es conveniente hacer mención de los dis-
cirse las precipitaciones más intensas. Esto se puede tintos escenarios y sus probabilidades. La predicción
ver claramente en la Figura 59.6 en la página anterior, general de medio plazo realizada por AEMET para
donde se representan los mapas de probabilidad de ese día puede verse en la Figura 59.7.
precipitación en 24 horas superiores a determinados
umbrales, en este caso 10 mm y 20 mm, observándose Como vemos, esta predicción recoge la impredecibili-
zonas muy extensas con probabilidades superiores al dad de la situación, pero debido a la rigidez de dicho
20 % (10 % para 20 mm), pero nunca superiores al producto (texto limitado en tamaño y terminología),
40 % (30 % para 20 mm). no permite transmitir al usuario toda la cantidad de in-
formación y riqueza conceptual que el predictor, con
su experiencia y saber hacer, saca de los modelos.
Figura 59.8: Izquierda: análisis del geopotencial en 500 hPa del valor medio del ECENS y su desviación estándar
normalizada entre las 12 UTC del 06-07-2017 y del 07-07-2017, a partir de la pasada 2017070612. Derecha: Análisis
del geopotencial en 500 hPa del ECHRES y desviación estándar del ECENS, entre las 12 UTC del 06-07-2017 y del
07-07-2017, a partir de la misma pasada. ECMWF.
Figura 59.9: Como en la Figura 59.8 en la página anterior, ahora con la pasada 2017070700 ECMWF.
Figura 59.10: Como en la Figura 59.8 en la página anterior, ahora con la pasada 2017070712. ECMWF.
59.3 Análisis de la situación Análisis subjetivo y satélite. En los análisis de super-

ficie de la Figura 59.11 en la página siguiente, sobre la
imagen de satélite se superponen símbolos asociados
Análisis objetivo usando ECHRES y ECENS. Para a discontinuidades dinámicas y térmicas o ligados a
la situación podemos considerar el análisis objetivo la estabilidad en la troposfera media-baja. La DANA
del ECHRES, en las Figuras 59.8 en la página ante- vino acompañada de chubascos tormentosos orienta-
rior, 59.9 y 59.10. A las 12 UTC del jueves 6 de julio dos de N a S dentro de la banda baroclina, represen-
la DANA se situó sobre el oeste peninsular, centrada tada como una banda cálida organizada. Por delante,
sobre el río Tajo y en las siguientes 24 horas se des- se dieron otras líneas de inestabilidad con convección
plazó zonalmente hacia el centro peninsular mientras de base elevada y posibles reventones cálidos en zo-
se rellenaba ligeramente. Volviendo a los supergrupos nas del SE peninsular. Además, se produjeron algunas
del jueves 6 de julio a las 12 UTC, podemos decir que tormentas con granizo dentro del núcleo frío de la
la situación real fue recogida entre los supergrupos A DANA. La convección, que no cesó por las noches,
y C, algo más al sur que en el supergrupo A y algo sí tuvo un aumento de la actividad asociado al ciclo
más al este que en el C. diurno.
Figura 59.11: Diagnosis de niveles medios-altos (arriba) y niveles bajos (abajo) para las 00 UTC y 12 UTC del
06-07-2017. AEMET
Las mayores acumulaciones de precipitación se pro- También destacan los 98 mm/ 24 horas registrados en
dujeron en el entorno del sistema Central, entre las Cuenca. Por otro lado, es llamativo el solape que se
provincias de Ávila y Madrid, con numerosas estacio- produce entre precipitaciones y rayos (Figuras 59.12
nes por encima de los 80 mm/24 horas, destacando los y 59.13 en la página siguiente), señal inequívoca del
102 mm/24 horas de la estación de Rozas de Puerto carácter tormentoso de todas las precipitaciones que
Real o los 80 mm/24 horas del observatorio de Ávila. se produjeron.
Figura 59.12: Precipitaciones acumuladas y rayos observados del día 06-07-2017.

Figura 59.13: Precipitaciones acumuladas y rayos observados del día 07-07-2017.
En cuanto al viento (Figuras 59.14, 59.15 en la página fueron generalizados, destacando el registro del ae-
siguiente y 59.16 en la página siguiente), los interva- ropuerto de Barajas, donde se llegaron alcanzar los
los fuertes y muy fuertes asociados a la convección 146 km/h durante una tormenta.
Figura 59.14: Rachas máximas observadas el día 06-07-2017.

Figura 59.15: Rachas máximas observadas el día 07-07-2017.
Figura 59.16: Temperatura/punto de rocío, precipitaciones diez-minutales, humedad relativa y velocidad media del
viento y máximo para el periodo entre las 20 UTC del 06-07-2017 y las 20 UTC del 07-07-2017, registradas en el
Aeropuerto de Madrid/Barajas.
En las figuras se puede apreciar que el máximo de la Si analizamos los impactos adversos asociados al pa-
racha coincide con un chubasco de 15 mm/ 10 min, so de la DANA, los más importantes fueron la rotura
dentro de un periodo en el que se produjo un brusco de una pesa en el municipio cacereño de Valverde de
descenso de la temperatura, de 10 ºC/ 1 hora. En la Fi- la Vera [179], y los que produjeron en Madrid y su
gura 59.17 en la página siguiente (izquierda) se puede área metropolitana, donde los bomberos de la Comuni-
observar un fotograma de un video de un aficionado dad de Madrid llegaron a realizar 140 intervenciones,
que captó el chubasco. sobre todo por retirada de ramas, saneamientos de
fachadas y achiques de agua [36, 162].
Figura 59.17: Izquierda: Fotograma de un video realizado en el Aeropuerto de Madrid/Barajas donde se aprecia
la entrada de agua en unos hangares debido al fuerte viento el 07-07-2017. Derecha: Inundaciones producidas en
Valverde de la Vera el 07-07-2017. Junta de Extremadura [162, 178].
Figura 59.18: Izquierda: Inundaciones producidas en la Estación de Metro de Marqués de Vadillo el 07-07-
2017 (https: // www. facebook. com/ oscar. ruiz. 5074644/ posts/ 10211980967152530 ). Derecha: Inundaciones
producidas en Aranjuez el 07-07-2017. El País [36].
59.4 Conclusiones rayos registrados no se dieron en el norte, la zona in-

dicada como la más probable, sino en el centro, donde
ya se avisaba que podrían también darse. Por tanto, en
Los episodios de lluvias intensas provocadas por de- situaciones tan poco predecibles, donde existe enor-
presiones aisladas en niveles altos presentan, a menu- me incertidumbre tanto en el medio como en el corto
do, mucha incertidumbre y por ende poca predecibili- plazo, el uso de SPC es fundamental, aun teniendo en
dad. En este episodio el examen de los tres escenarios cuenta que su resolución horizontal no alcanza a resol-
marcados por el sistema ECENS que marcaban zonas ver todos los fenómenos convectivos que puedan tener
de precipitación prácticamente excluyentes, así como lugar y, por ello, se puedan subestimar precipitaciones
los mapas de probabilidad correspondientes, muestran o rachas de viento que puedan llegar a producirse. A
una elevadísima incertidumbre. La predicción emiti- medida que el episodio se acerca, es de gran ayuda
da por AEMET en formato texto tres días antes del contrastar la predicción con las siguientes pasadas
evento (medio plazo) denota así mismo esa elevada de los modelos y, entrando en el corto plazo, apoyar
incertidumbre, dando alta probabilidad de lluvias in- con la información aportada por los modelos de alta
tensas y tormentas en el norte peninsular, pero sin resolución disponibles (e. g. HARMONIE-AROME,
descartar que se dieran en otras zonas del interior del sec. 20.4 en la página 310), para poder precisar las
centro peninsular. Las precipitaciones más intensas y zonas que se verán afectadas.
Peligro de aludes con vientos muy fuertes y copiosas
nevadas en la borrasca Hugo (Mar 2018) 60
DOI: 10.31978/014-18-009-X.60
T OMÁS J OSÉ G UTIÉRREZ C OBO Y M ARÍA J OSÉ M ARTÍN G ARCÍA
Delegación territorial (DT) en Aragón, Agencia Estatal de Meteorología (AEMET)
Contribuciones de: G ERARDO S ANZ A RAÚZ
DT en Aragón, AEMET
El saber orientado a la práctica posee un esquema diferente del saber cuyo único fin es el
conocimiento. Si queremos aplicar conocimientos científicos a la práctica, debemos modificar su
estructura y transformarlos (y no solamente simplificarlos).
3 x 3 Avalanchas. La gestión del riesgo en los deportes de invierno – W ERNER M UNTER
Entre finales de otoño y principios de primavera, existe un peligro inherente asociado a la nieve debido a la
inestabilidad que el manto nivoso puede alcanzar por factores meteorológicos y del propio terreno en que se
deposita. En la mayor parte de las ocasiones, se ven afectadas únicamente las actividades de los montañeros. En
casos excepcionales el fenómeno puede tener un impacto considerable en la población por afectar a la vialidad y
a las infraestructuras. Durante el fin de semana del 23 al 25 de marzo de 2018 la borrasca Hugo motivó la emisión
de numerosos avisos por fenómenos meteorológicos adversos debido a las nevadas, los vientos fuertes y el
oleaje en buena parte de España, principalmente el norte y el noroeste. En Picos de Europa cayeron importantes
cantidades de nieve, lo que motivó también la emisión de avisos, donde el peligro llegó a estimarse como
fuerte (4) en la Escala Europea, que va de 1 a 5. En este capítulo se analiza el proceso operativo en AEMET
de estimación del nivel de peligro de aludes que, a día de hoy, se realiza en base a criterios que siguen siendo
fundamentalmente cualitativos, y cómo la incertidumbre de una predicción a tres días añade dificultad a este
hecho.
Palabras clave: aludes, ensemble, CDF, Escala Europea de Peligro de Aludes, viento, nieve, Picos de Europa, episodio de
aludes en Picos de Europa marzo 2018.
Imagen parte superior: macizo Central de los Picos de Europa, fotografía de T OMÁS J OSÉ G UTIÉRREZ C OBO.
892 Física del caos en la predicción meteorológica Capítulo 60. Aludes en la borrasca Hugo Mar 2018
60.1 El boletín de peligro de aludes producir este pronóstico nivológico es convencional;

es decir, principalmente no cuantitativo, sin ayuda
(BPA)
de técnicas numéricas formales, consiste en asimilar
la información relevante y formular una predicción
El Boletín de Peligro de Aludes (BPA en adelante)
basada en el conocimiento teórico, la experiencia y
es un producto de predicción de la Agencia Estatal
el conocimiento local del nivólogo. Por otro lado, se
de Meteorología (AEMET)donde se pretende dar una
tendrían los sistemas de pronóstico computerizados
idea de la posibilidad de desencadenamiento de una
que, aunque usualmente son incapaces de asimilar
avalancha en una región determinada y requiere para
determinadas fuentes de datos, son más objetivos y
su implementación la combinación del conocimiento
rápidos (no debe olvidarse el tiempo que podría costar
meteorológico con el conocimiento nivológico.
dotar de experiencia a un nivólogo en el caso de la
Para el desarrollo del BPA se pueden tener en cuenta predicción convencional) [427]. No se dispone en la
diferentes escalas espaciales que abarcan desde una actualidad de reglas generales válidas en cualquier
pala concreta hasta una cordillera en su conjunto. En circunstancia sobre la manera de establecer un peligro
el caso que nos ocupa, se tratará de estimar la pro- de aludes a partir de un conjunto de datos. Para ayudar
babilidad de desencadenamiento de una avalancha y al establecimiento del peligro de aludes, se dispone de
su tamaño en una escala regional, esto es, a nivel de la Escala Europea de Peligro de Aludes y de la matriz
cordillera o un macizo de la misma, centrando el es- de la European Avalanche Warning Services (EAWS),
tudio en los aspectos meteorológicos del mismo y en Figuras 60.1, 60.2 y 60.3 en la página siguiente.
cómo la incertidumbre de la predicción puede condi-
cionar en alto grado el peligro final pronosticado. Un En primer lugar, se va a realizar una preparación pre-
BPA debe apoyarse igualmente en datos propios del via a la predicción en la que se estudiarán el clima, las
manto nivoso procedentes de estaciones de montaña avalanchas recientes, la descripción del manto nivoso,
(observación de aludes, test de estabilidad, espesor el tiempo pasado de la última semana y el tiempo pre-
de nieve, atlas de avalanchas, sondeos nivológicos, sente, incluyendo el análisis de los sondeos del manto
etc.) y un profundo conocimiento de la nieve y su nivoso realizados por los observadores el mismo día
evolución en el suelo. Generalmente, el método para de la elaboración de la predicción.
Figura 60.1: Escala de tamaño de aludes. Adaptado de www. avalanches. org .

60.1 El boletín de peligro de aludes (BPA) 893
Figura 60.2: Escala Europea de Peligro de Aludes. Adaptado de www. avalanches. org .
Figura 60.3: Matriz EAWS (ver texto). Adaptado de www. avalanches. org .
La siguiente parte del proceso de elaboración del BPA, 60.2 Preparación de la predicción
y en la que más nos detendremos, será la predicción
meteorológica de los parámetros que pueden afectar
al peligro de aludes. Las características geográficas y climáticas que defi-
nen los Picos de Europa se describen en el capítulo 45
En tercer lugar, se realizará la predicción del peligro en la página 689, donde se destaca una altitud modera-
de aludes asimilando todos los datos descritos en los da y marcados rasgos oceánicos con una precipitación
apartados anteriores. que puede superar los 2500 l/m2 al año por encima de
1500 metros en la fachada norte. Como suele ocurrir
Acto seguido se analizará, desde un punto estrictamen- en las zonas de montaña, la topografía hace que los
te meteorológico, lo sucedido entre los días 23 y 25 espesores de nieve se distribuyan de manera irregular.
de marzo para los que se ha estudiado el peligro de
aludes.
En el BPA emitido el jueves 15 de marzo se hablaba
de un manto estabilizado con costras de rehielo muy
Es preciso destacar el impacto social que tiene un
duras en su interior. Espesores variables de 60 cm en
pronóstico de estas características pues la montaña,
cotas medias y 150 cm en cotas altas (mayor en zonas
año tras año, atrae a mayor número de personas y el
de acumulación). Placas y cornisas en orientaciones
peligro condiciona las actividades que se realizan en
preferentemente norte y este. Para el fin de semana se
ella. Asimismo, algunos gestores de carreteras toman
predijeron temperaturas en descenso, nevadas mode-
decisiones respecto a su apertura en función del pe-
radas y vientos moderados de NW. Por lo tanto, para
ligro de aludes pronosticado. Dos ejemplos son las
el viernes 16 y el sábado 17 se estableció un peligro
carreteras por las que se accede a los Baños de Panti-
limitado (2) por nieve reciente y nieve venteada, espe-
cosa y a Llanos del Hospital, dos puntos neurálgicos
rándose aludes de tamaño 2. El domingo 17 el boletín
del turismo en el Pirineo aragonés.
predijo un peligro de aludes notable (3) y se esperaban
En este capítulo se va a exponer la realización del aludes de tamaño 3.
BPA que se emitió el jueves 22 de marzo de 2018 con
validez para el viernes 23, sábado 24 y domingo 25 Los datos meteorológicos de la semana comprendida
de marzo de 2018 en Picos de Europa, haciendo hin- entre el 15 y el 22 de marzo se obtienen de las Esta-
capié en la incertidumbre de una predicción en zona ciones Meteorológicas Automáticas (EMA) situadas
de montaña con una validez de 3 días. en la zona, figura 60.4.
Figura 60.4: EMA utilizadas para el tiempo pasado en Picos de Europa, mapa elaborado con SAGA. Fuente: AEMET.
60.3 Predicción meteorológica 895
Sintetizando la información del tiempo pasado: Debido al tipo de grano y a la temperatura, se estima
que en el sondeo de Jario la cohesión de los prime-
Precipitaciones continuas y abundantes, con acu- ros 40 cm no es muy elevada, pudiendo ser nieve
mulaciones que pueden ser cercanas a los 100 mm movilizable en caso de un episodio ventoso en los
en 5 días. días siguientes. El grano fino cifrado en la Canal de
Las nevadas han caído con vientos moderados o San Luis está mejor cohesionado y es más difícil de
fuertes del N y del W. movilizar. El gradiente de temperatura existente en
Temperaturas bajas, con heladas débiles a unos la Canal de San Luis, en caso de prolongarse en el
1000 metros en Picos de Europa, con lo que pro- tiempo (es decir, temperaturas frías), podría suponer
bablemente las heladas a mayores altitudes hayan el debilitamiento de la cohesión de la capa superior
sido de mayor entidad y con máximas negativas. de grano fino.
En Picos de Europa, el jueves 22 de marzo se reporta
el primer día de buen tiempo después del episodio Los test de estabilidad no manifiestan grandes inesta-
de nieve que tuvo comienzo el viernes 16 de marzo. bilidades en las zonas analizadas, quizás menor de la
Cielo despejado, viento en calma, heladas débiles y esperada tras valorar el tiempo pasado y apreciar acu-
temperaturas agradables al sol a mediodía. En la tarde mulaciones importantes con frío y viento. No obstante,
del miércoles 21 de marzo lloviznó por debajo de unos la observación de aludes hace estar alerta. Posiblemen-
1300-1500 metros de altitud. te, el peligro existente se encuentre entre limitado (2)
Respecto al manto nivoso, en vertiente sur es continuo y notable (3), pues tampoco parece que la nieve mo-
a partir de unos 800 metros, en vertiente norte desde vilizable tenga espesores de gran relevancia. El único
unos 600 metros. Por debajo de 1500 metros la lloviz- dato que a este respecto se reporta es el peligro limita-
na caída el miércoles 21 ha favorecido la formación de do (2) observado por los compañeros que realizaron
una costra de rehielo durante la noche. Por encima de el perfil de la Canal de San Luis, que además coincide
esa cota, nieve seca y venteada, con facetas en superfi- con el perfil aparentemente más estable de los tres que
cie en las umbrías (lo que constituye una capa débil), disponemos.
algo esperable por las heladas en cotas bajas que tuvi-
mos en cotas cercanas a los 1000 metros en Picos de
Europa (y que podemos suponer de mayor magnitud
en cotas más altas). Se describe el manto como bastan- 60.3 Predicción meteorológica
te estable en general. Grandes acumulaciones por el
viento en orientaciones E y SE, con cornisas blandas
en esas orientaciones, algo que está en concordancia Se analiza el panorama sinóptico. En la Figura 60.5 en
con los vientos señalados en el tiempo pasado. la página siguiente se presenta la situación en 300 hPa,
en la Figura 60.6 en la página siguiente la de 500 hPa
Respecto a los aludes observados, una de las señales y en la Figura 60.7 en la página 897 la de 850 hPa.
más importantes de la existencia de peligro de alu-
des, en el sector de la observación (SW del macizo
occidental) se observan purgas de bolas y salidas pun- En 300 hPa se pasa de una situación más o menos esta-
tuales pequeñas por caída de cornisas en orientaciones ble el viernes 23 a las 00 UTC a tener la formación de
E y SE. En el sector norte (Sotres) se reporta un alud una baja en el cantábrico el sábado 24 a las 00 UTC,
de placa natural en orientación NW de tamaño 3 y otro con una destacada anomalía fría de unos -32 ºC en ni-
por caída de cornisas en orientación SE de tamaño 2. veles medios (la borrasca que posteriormente se deno-
También se reportan aludes naturales de tamaño 3 de minaría Hugo) con una profundización de la vaguada
placa en la zona del Jierro en el Macizo Oriental y en que se atisbaba al oeste el día anterior, afectando ya de
ambas vertientes del Escamellau. lleno la zona de interés. El domingo 25 a las 00 UTC
se aprecia que esta baja ha recorrido el norte peninsu-
Se llevaron a cabo dos sondeos nivológicos (en la Ca- lar y la zona de interés queda aún bajo los efectos de
nal de San Luis y en Jario) y varios test de estabilidad la vaguada, con frío en niveles altos y flujo del norte,
en Picos de Europa el jueves 22 de marzo. A conti- aunque menor gradiente bárico y una anomalía fría en
nuación se señalan las consecuencias más importantes niveles medios menos intensa que el sábado 24 a las
extraídas de los mismos. 00 UTC.
Figura 60.5: Isohipsas y temperatura en 300 hPa previstas por el modelo ECHRES (sec. 19.2 en la página 291) para
los días 23, 24, 25 y 26 de marzo a las 00 UTC. Fuente: AEMET.
Figura 60.6: Como en la Figura 60.5, pero para 500 hPa. Fuente: AEMET.
Figura 60.7: Como en la Figura 60.5 en la página anterior, pero para 850 hPa. Fuente: AEMET.
Finalmente, se aprecia cómo el lunes 26 a las 00 UTC página 901. Sólo se muestran las CDF del sábado 24
el gradiente bárico en la zona se ha recuperado y, al y del domingo 25 de marzo de 2018.
igual que ocurría el sábado 24 a las 00 UTC, el flujo
de norte en 300 hPa es intenso, situación típica de En el EPSgrama de Fuente Dé, figura 60.8 en la pági-
importantes nevadas en la región cantábrica (aunque na siguiente, destacan las precipitaciones del sábado y
tiene algo de convergencia en este nivel). cómo el modelo determinista de alta resolución (línea
azul) es el que presenta un escenario más adverso.
Si se analizan conjuntamente la imagen de 300 hPa También destaca la enorme incertidumbre que hay
y la de 850 hPa se aprecia que, a lo largo del viernes, el domingo, día para el que se predicen en general
alcanzará la zona de interés un frente frío. Durante precipitaciones mucho menos cuantiosas que el sába-
el sábado este frente recorrerá la zona de interés y el do, pero con algunos miembros del EPSgrama que
resto del fin de semana permanecerá bajo la influencia dan cantidades similares a las del sábado. En la CDF
de la borrasca, con marcada inestabilidad que cabría del sábado 24, figura 60.9 en la página 899 a la iz-
esperar que dejara abundantes precipitaciones acom- quierda, se aprecia que prácticamente el 70 % de los
pañadas de viento y bajas temperaturas, ingredientes miembros dan precipitaciones por encima del máxi-
que pueden acentuar el peligro de desencadenamiento mo de la climatología del modelo, lo que avisa de
de aludes. un episodio singular. Respecto al viento, el EPSgra-
ma no da vientos medios muy intensos pero la CDF
Mirando la predicción probabilista del ECMWF prevé rachas comprendidas entre 25 y 30 m/s (90 a
(ECENS, cap. 19.3 en la página 293) podemos es- 108 km/h), que incluso excepcionalmente podrían su-
bozar una idea de la incertidumbre existente. Se mues- perarse. En cuanto a las temperaturas, el viernes se
tra Fuente Dé en representación de la vertiente sur, espera un aumento de las temperaturas, y el sábado
figuras 60.8 en la página siguiente y 60.9 en la pági- un descenso, intensificándose las heladas. El domingo
na 899; y Tresviso en representación de la vertiente las mínimas se esperan similares al sábado pero con
norte, figuras 60.10 en la página 900 y 60.11 en la mayores temperaturas a mediodía.
Figura 60.8: EPSgrama del ECMWF para Fuente Dé. Fuente: European Centre for Medium-range Weather Forecasts
-Centro Europeo de Predicción a Plazo Medio- (ECMWF).
Figura 60.9: CDF válidas el sábado 24 de marzo (izquierda) y el domingo 25 de marzo (derecha) de 00 UTC a
24 UTC para Fuente Dé. Fuente: ECMWF.
En Tresviso, la situación es algo diferente. En el caso general débiles pero con miembros del EPSgrama que
de las precipitaciones, figura 60.10, ahora es el miem- dan acumulados superiores a los 20 mm en 6 horas.
bro de control (línea roja, de menor resolución que el Destaca en ambos ejemplos la notoria diferencia entre
determinista pero con las mismas condiciones inicia- las salidas de precipitación del modelo determinis-
les) del EPSgrama el que predice precipitaciones más ta de alta resolución y del modelo de control, cuya
intensas el sábado. Nuevamente destaca la enorme diferencia principal es la resolución del modelo.
incertidumbre del domingo, con precipitaciones en
Figura 60.10: EPSgrama del ECMWF para Tresviso. Fuente: ECMWF.

Figura 60.11: CDF válidas el sábado 24 de marzo (izquierda) y el domingo 25 de marzo (derecha) de 00 UTC a
24 UTC para Tresviso. Fuente: ECMWF.
Recurriendo a la CDF del sábado en Tresviso, figu- y en torno al 70 % de miembros del ECENS están
ra 60.11, las precipitaciones esperadas, aunque son por encima de la racha máxima de la climatología
similares (o incluso superiores) a las previstas en Fuen- del modelo. Respecto a las temperaturas, éstas son
te Dé, no son tan singulares respecto a la climatología mucho más altas que en Fuente Dé (consistente con
del modelo. Lo que destaca sobremanera es el viento. los puntos de Fuente Dé y Tresviso en la orografía del
Ya el EPSgrama muestra vientos medios más intensos modelo, 1584 y 601 metros respectivamente, distan
en Tresviso que en Fuente Dé. Analizando la CDF casi 1000 metros en la vertical). El viernes se esperan
del sábado en Tresviso, figura 60.11 a la izquierda, temperaturas máximas más altas y mínimas más bajas
vemos que el 75 % de miembros del ECENS espera que el sábado y el domingo, que tendrán una amplitud
vientos en Tresviso por encima de 30 m/s (108 km/h) térmica mucho menor.
Se muestran a continuación los mapas deterministas por encima de 10 mm y de 40 mm de agua equivalente

del ECHRES previstos de precipitación en forma de del sábado y del domingo, figura 60.14 (el jueves y el
nieve en milímetros de agua equivalente del jueves, viernes la probabilidad de precipitación de nieve de
viernes sábado y domingo, figura 60.12; la precipita- más de 10 mm de agua equivalente está por debajo
ción máxima del ECENS del jueves, viernes, sábado y del 2 % por lo que no se muestran los mapas).
domingo, figura 60.13; las probabilidades de nevadas
Figura 60.12: Precipitación en forma de nieve (equivalente en agua en mm) prevista por el ECHRES, modelo
determinista de alta resolución del ECMWF en la salida del 22 de marzo a las 00 UTC para (a) jueves 22 de marzo,
(b) viernes 23 de marzo, (c) sábado 24 de marzo y (d) domingo 25 de marzo. Fuente: AEMET.
Figura 60.13: Precipitación en forma de nieve (equivalente en agua en mm), máxima del ECENS, en la salida del 22
de marzo a las 00 UTC para (a) jueves 22 de marzo, (b) viernes 23 de marzo, (c) sábado 24 de marzo y (d) domingo
25 de marzo. Fuente: AEMET.
Figura 60.14: Probabilidad de precipitación en forma de nieve según el ECENS, en la salida del 22 de marzo a las
00 UTC para (a) sábado 24 de marzo, precipitación superior a 10 mm de agua equivalente, (b) domingo 25 de marzo,
precipitación superior a 10 mm de agua equivalente, (c) sábado 24 de marzo, precipitación superior a 40 mm de
agua equivalente y (d) domingo 25 de marzo, precipitación superior a 40 mm de agua equivalente. Fuente: AEMET.
Figura 60.15: Racha máxima en nudos prevista por el ECHRES en la salida del 22 de marzo a las 00 UTC para (a)
jueves 22 de marzo, (b) viernes 23 de marzo, (c) sábado 24 de marzo y (d) domingo 25 de marzo. Fuente: AEMET.
Figura 60.16: Velocidad media en nudos y dirección del viento a 10 metros prevista por el ECHRES en la salida del
22 de marzo a las 00 UTC para (a) jueves 22 de marzo a las 12 UTC, (b) viernes 23 de marzo a las 00 UTC, (c)
viernes 23 de marzo a las 12 UTC, (d) sábado 24 de marzo a las 00 UTC, (e) sábado 24 de marzo a las 12 UTC, (f)
domingo 25 de marzo a las 00 UTC, (g) domingo 25 de marzo a las 12 UTC y (h) lunes 26 de marzo a las 12 UTC.
Fuente: AEMET.
Figura 60.17: Temperatura máxima prevista por el modelo ECHRES en la salida del 22 de marzo a las 00 UTC
para (a) jueves 22 de marzo, (b) viernes 23 de marzo, (c) sábado 24 de marzo y (d) domingo 25 de marzo. Fuente:
AEMET.
La racha máxima del jueves, viernes, sábado y do- 00 UTC, figura 60.16; y la temperatura máxima del
mingo, figura 60.15; la dirección del viento cada 12 jueves, viernes, sábado y domingo, figura 60.17.
horas entre el jueves a las 12 UTC y el lunes a las
Los vientos en Picos de Europa se esperan flojos va-
riables el jueves y con componente oeste el resto de las capas débiles sobre las que podrían asentarse las
días, destacando algo de componente sur el viernes nuevas nevadas o la nieve desplazada de nevadas ante-
y la adquisición de componente norte el sábado y el riores, el peligro puede alcanzar el grado de notable
domingo. Las temperaturas máximas tendrán un claro (3).
descenso el sábado y el domingo, con heladas que
persistirán durante toda la jornada. El sábado 24 de marzo el panorama se complica sobre-
manera. Las cantidades acumuladas pueden superar
A la vista de lo expuesto hasta ahora, ya que los dos los 50 cm y el viento los 90 km/h en Picos de Eu-
días más complicados serán el sábado y el domingo, ropa. De acuerdo con M UNTER , 2007 [458], esto
no se mostrarán imágenes del modelo HARMONIE- daría lugar a un peligro fuerte (4) de nieve reciente.
AROME (sec. 20.4 en la página 310) puesto que la Además, la acumulación de nieve en vertientes este
pasada del jueves a las 00 UTC alcanza únicamen- y sur podría hacer que hubiera pendientes en las que
te el sábado a las 00 UTC. En cualquier caso, visto el peligro fuera aún mayor. Debido al viento, habrá
el SPC del ECMWF, el ECENS, cabe esperar tanto que prestar atención a la formación de placas que, en
en precipitación como en viento un episodio singular caso de asentarse sobre capas débiles, podrían colap-
que puede dar lugar a un aumento importante en el sar y provocar aludes de tamaño 3 ó 4. Como factores
peligro de aludes y cuyas variables meteorológicas atenuantes a este posible peligro fuerte (4), habría
alcanzarán la mayor adversidad el sábado; parece que que tener en cuenta que las nevadas se producirán a
con bastante seguridad respecto al viento y con mayor temperaturas no excesivamente bajas (parece que sen-
incertidumbre respecto a la precipitación. siblemente por encima de -8 ºC, que es el límite que
cifra [458] para discernir entre condiciones favorables
y desfavorables) y que además, según [427], cuando
el viento supera los 80 km/h, se producen pérdidas por
60.4 Predicción nivológica
evaporación y el depósito de nieve puede darse más
allá de las zonas de comienzo de las avalanchas, con
Partiendo de un peligro de aludes limitado (2) obser- lo que la formación de placas resulta menos efectiva.
vado el jueves 22 de marzo de 2018, este día se espera Según [458] nos encontraríamos entre peligro notable
que sea un día de viento en calma y temperaturas rela- (3) y peligro fuerte (4) por nieve venteada, siendo más
tivamente altas a mediodía. No se esperan nevadas de alto en cotas altas, donde la nieve nueva se depositará
importancia. sobre un manto menos asentado que en cotas bajas,
donde el manto habrá sufrido humidificación por la
El viernes 23 de marzo se esperan acumulaciones en lluvia y las temperaturas del jueves y del viernes, y
torno a 10 cm en Picos de Europa, más probables al además los espesores acumulados son menores.
final del día. De hecho, hasta el final del día las preci-
pitaciones serán principalmente en forma de lluvia en Según [253], para nieve reciente una acumulación de
cotas medias y bajas, lo que unido al ascenso térmico 30 a 60 cm de nieve fresca y ligera (en nuestro caso, la
diurno puede dar lugar a la humidificación del manto temperatura no se espera excesivamente baja, con lo
y a la aparición del problema de nieve húmeda. Se van cual la nieve no será muy ligera) hace que el peligro
a asentar estas nevadas sobre capas débiles en cotas de aludes afecte especialmente a pendientes fuertes
altas, pues las temperaturas no habrán sido lo suficien- y de 60 a 90 cm el peligro alcanza a las pendientes
temente altas como para cohesionar la nieve caída en medias, siendo el umbral de los 90 cm el que este au-
el episodio que acabó el miércoles 21 de marzo. El tor establece para hablar de peligro general para todo
viento se espera que sople con bastante intensidad al el macizo. Si entráramos en la matriz de la EAWS,
final de este día, pudiendo haber rachas de más de figura 60.3 en la página 893, por la fila Zonas peli-
70 km/h. Estas rachas podrían acumular espesores y grosas en muchas pendientes y teniendo en cuenta los
formar placas en vertientes este y nordeste en aquellas siguientes umbrales con los que se trabaja en el Grupo
cotas y momentos en que las precipitaciones sean en de Predicción y Vigilancia de Zaragoza:
forma de nieve. Esto, unido a las posibles estructu-
ras de placa ya existentes, los aludes observados y el Hasta 30 cm: aludes de tamaño 2.
viento del tiempo pasado también da lugar al peligro De 30 a 60 cm: aludes de tamaño 3.
de nieve venteada. Debido a la intensidad de viento y Más de 60 cm: aludes de tamaño 4.
60.5 Evolución meteorológica 905
Se puede pensar en aludes de tamaño 3 ó 4 en Picos de espaciales a partir de los datos obtenidos de las EMA
Europa, lo que da lugar, según la matriz de la EAWS de AEMET. El método de interpolación funciona mal
(Figura 60.3 en la página 893), a peligro fuerte (4) por con la temperatura en altura, fundamentalmente en
nieve reciente en las zonas de máxima acumulación episodios de inversiones. No obstante, no se trata el
(cotas altas) de este macizo. actual de un episodio de inversión, a pesar de lo cual
se va a centrar el análisis en aspectos cualitativos en
Para el domingo, no se esperan grandes cambios en las el caso de la temperatura. En la figura 60.18 se pre-
temperaturas. Esto, unido a la continuación de las ne- sentan las temperaturas máximas. Se aprecia un claro
vadas y en contraposición el asentamiento del manto descenso de las mismas durante el fin de semana, con
debido a las importantes nevadas del día anterior, nos heladas persistentes tal como se esperaba del modelo
lleva a pensar en un nivel de peligro de aludes similar. numérico.
Las nevadas para este día se esperan débiles pero la
incertidumbre es muy alta: no hay más que analizar la
cantidad máxima de precipitación esperada en Picos En la figura 60.19 en la página siguiente se muestra
de Europa por el EPS, figura 60.13 en la página 902. la precipitación. Se ha decidido no incluir la preci-
El viento va a remitir bastante respecto al día ante- pitación en forma de nieve puesto que el número de
rior, lo que es un factor de mejora. No obstante, con puntos para la interpolación era escaso. Se insiste en
la cantidad de nieve que se espera que haya caído el el hecho de tener en cuenta la falta de observaciones
sábado acompañada por viento y al haber transcurrido en altura, que es realmente el entorno espacial para el
poco tiempo y ser bajas las temperaturas, es lógico que se realiza el BPA, lo que supone una gran limita-
mantener el peligro pronosticado para el sábado por ción de cara a comprobar la validez de los pronósticos
nieve reciente y nieve venteada. realizados (otra importante limitación es la carencia
de un método de validación del BPA). A pesar de ello,
se aprecia que la precipitación superó los 10 mm el
60.5 Evolución meteorológica viernes, los 30 ó 40 mm el sábado y, lo que es más
interesante, los 40 mm el domingo, que finalmente fue
Se presentan a continuación varios mapas de observa- en apariencia (en base a las estaciones disponibles, la
ciones entre el jueves 22 de marzo y el domingo 25 de más alta del entorno de Picos de Europa a 1100 me-
marzo. Hay que tener mucho cuidado a la hora de in- tros) el día de mayores precipitaciones en Picos de
terpretar estos mapas pues se trata de interpolaciones Europa.
Figura 60.18: Temperatura máxima. (a) Jueves 22 de marzo, (b) viernes 23 de marzo, (c) sábado 24 de marzo y (d)
domingo 25 de marzo. Fuente: AEMET.
Ya se ha comentado la gran incertidumbre existente en según los datos registrados.

la predicción de precipitación del domingo y lo que
se muestra en la Figura 60.19 es que finalmente los Las rachas máximas registradas, figura 60.20, han
miembros más adversos del EPSgrama son los que tenido intensidad débil el jueves, han ganado inten-
han mostrado mayor acierto en las precipitaciones. Un sidad el viernes, han sido muy intensas el sábado y
día que parecía que iba a ser relativamente seco, al finalmente han sido mucho más débiles el domingo,
final ha sido el que más precipitaciones ha acumulado respondiendo al patrón esperado en la predicción.
Figura 60.19: Precipitación. (a) Jueves 22 de marzo, (b) viernes 23 de marzo, (c) sábado 24 de marzo y (d) domingo
25 de marzo. Fuente: AEMET.
Figura 60.20: Racha máxima, en km/h, (a) jueves 22 de marzo, (b) viernes 23 de marzo, (c) sábado 24 de marzo y (d)
domingo 25 de marzo. Fuente: AEMET.
60.6 Conclusiones no descartaba precipitaciones importantes el domingo,

aunque sí que disminuía considerablemente el vien-
A lo largo de este capítulo se han podido apreciar al- to con mucha mayor certidumbre. Es indudable, por
gunas de las dificultades que puede entrañar la tarea tanto, que este SPC (o ensemble) de medio plazo ha
de realizar un pronóstico de peligro de aludes: dado un estimable valor añadido a la predicción que se
hubiera podido hacer basándose tan sólo en modelos
Definición cualitativa de los grados de peligro en la deterministas. A este respecto ha avisado fundamental-
Escala Europea de Peligro de Aludes. mente de dos hechos que se podrían haber pasado por
Ausencia de criterios objetivos en la bibliografía alto utilizando únicamente el modelo determinista:
que definan el grado de peligro de aludes.
Pocas medidas nivológicas y una periodicidad me-
nor de la deseable. La alta probabilidad de que se alcanzaran rachas
Falta de métodos adecuados para validar el BPA. en Tresviso y precipitaciones acumuladas en Fuen-
Además de no ser concluyente la bibliografía al reste Dé que superaran el máximo de la climatología
pecto, los métodos consultados (por ejemplo [95, del modelo el sábado, es decir, la excepcionalidad
458]) requieren de una amplia red de observación del episodio.
en campo. La probabilidad, aunque pequeña, de que se produ-
jeran copiosas nevadas el domingo.
En particular, podemos citar las siguientes dificultades
meteorológicas:
Se puede profundizar en algunos aspectos y encontrar
Falta de medios suficientes para validar la predic- más información sobre el tema en las referencias [61,
ción meteorológica debido a la ausencia de medidas 138, 204, 234, 437, 438, 482, 657].
sistemáticas en las altitudes para las que se hace
esta predicción de aludes.
Incertidumbre de las predicciones meteorológicas. Queremos expresar nuestro agradecimiento a todo el
Ésta se ve aumentada en montaña, donde además personal implicado en la obtención de los valiosos
la orografía del modelo se aleja más de la orografía datos del manto nivoso utilizados en este capítulo: los
del terreno. colaboradores de Picos de Europa A LBERTO M EDIA -
VILLA y F ERNANDO C ALVO y los compañeros de
En este caso, se ha apreciado como, si bien el ECENS AEMET de la DT de AEMET en Cantabria, M ARGA -
advertía de una probable mayor adversidad del sábado, RITA G ARVÍA y A NICETO VALLE.
Parte VIII
Conclusiones
Parte VIII Conclusiones
Resumimos, en el único capítulo que comprende esta parte, las ideas principales
desarrolladas en el libro. Respondemos, así mismo, a las preguntas con las que
abríamos en la introducción, preguntas que la sociedad formula a la comunidad me-
teorológica. El camino para ofrecer respuestas, en diversos niveles de profundidad,
seguido en este libro, esperamos que sea en sí mismo esclarecedor para muchos.
Exponemos también algunas de las principales preocupaciones de los profesionales
de la meteorología y, en particular, de la predicción en relación con el futuro de
estas disciplinas de ámbito científico y técnico. Esperamos, de corazón, haber dado
algunas respuestas o, por lo menos, haber ampliado el abanico de preguntas con
cuestiones motivadoras.
Página anterior: tormenta de polvo y arena, tras la que se produjo un fuerte chubasco de
lluvia en Hassilabied, una aldea en el sur de Marruecos, el 6 de mayo de 2014. Es de
las pocas veces que llueve en el desierto. Fotografía tomada por P EPE T ORRES, con un
Samsung Galaxy SII y posterior aplicación de un filtro de instagram.
Conclusiones y futuro
61
DOI: 10.31978/014-18-009-X.61
A large part of mathematics which becomes useful developed with absolutely no desire to be useful, and in a
situation where nobody could possibly know in what area it would become useful; and there were no general
indications that it ever would be so. By and large it is uniformly true in mathematics that there is a time lapse
between a mathematical discovery and the moment when it is useful; and that this lapse of time can be
anything from 30 to 100 years, in some cases even more; and that the whole system seems to function without
any direction, without any reference to usefulness, and without any desire to do things which are useful.
The Role of Mathematics in the Sciences and in Society (1954) – J OHN VON N EUMANN
No se obtiene reconocimiento por predecir

diluvios, sino por construir arcas.
L OU G ERSTNER, CEO en IBM 1993-2002
Finalizamos esta aproximación a la moderna predicción del tiempo y proyección del clima resumiendo
las principales ideas abordadas, respondiendo a las preguntas que se planteaban en el punto de partida
y, sobre todo, profundizando y ampliando las preguntas en un debate abierto que intenta, igual que los
sistemas de predicción por conjuntos, acotar las incertidumbres que manejamos.
Palabras clave: física del caos, predicción meteorológica, modelos atmosféricos, predecibilidad, sistemas de predicción
por conjuntos, predicción probabilista, proyecciones del clima, cambio climático, valor añadido del predictor, futuro de la
predicción del tiempo.
Imagen parte superior: onda de montaña (altocumulus lenticularis duplicatus) sobre la sierra de Guadarrama vista desde el cerro del Tío
Pío (Vallecas). En primer término la ciudad de Madrid. 21 de marzo de 2008 a las 19:34. Fotografía de J OSÉ A NTONIO Q UIRANTES
C ALVO.
912 Física del caos en la predicción meteorológica Capítulo 61. Conclusiones y futuro
61.1 Resumen de aspectos impor- la página 155) asociada a la evolución de un estado

atmosférico va a estar siempre limitada, en el espa-
tantes tratados y algunas con-
cio y en el tiempo, dependiendo en cada caso tanto
clusiones de la magnitud de la incertidumbre como del propio
estado atmosférico. Decimos entonces que la prede-
Desde los albores de la humanidad, los factores am-
cibilidad es dependiente del flujo. El meteorólogo
bientales han preocupado al ser humano, que ha in-
E DWARD N. L ORENZ estableció, en los años 60, el
tentado anticiparse a las inclemencias del tiempo y
límite genérico de predecibilidad de la atmósfera en
adaptarse a las mismas en la medida de lo posible.
2-3 semanas. De modo que los modelos atmosféricos
Hace relativamente poco tiempo, principios del siglo
deterministas (cap. 10 en la página 129) sufren estas
XX aproximadamente, que el enfoque científico dio
limitaciones, que condujeron a investigar sus fuentes
una base sólida a la predicción meteorológica: la pre-
de error e incertidumbre.
dicción del tiempo es reciente como ciencia o técnica
de aplicación científica (cap. 3 en la página 21). Las fuentes de errores e incertidumbres que limitan la
predecibilidad son principalmente: (1) inexactitudes
Las ciencias de la atmósfera ayudan a entender los
en la medición del estado atmosférico inicial, estima-
procesos que tienen lugar en la misma mediante el
do a partir de las observaciones disponibles, con su
método científico. En este libro hemos mostrado un
error observacional y su representatividad relativa, así
pequeñísimo panorama resumido de la radiación, ter-
como el error de los sistemas de asimilación; (2) im-
modinámica del aire y la dinámica atmosférica (cap. 6
perfecciones en los modelos de predicción numérica
en la página 67)
del tiempo, relacionados con la formulación del mo-
Dos factores críticos han impulsado la ciencia de la delo y las parametrizaciones físicas que describen los
predicción desde la mitad del siglo XX. El prime- procesos submalla; y (3) los modelos Limited Area
ro, es la aplicación de la supercomputación (cap. 11 Model (LAM) heredan aproximaciones y errores de
en la página 145) para resolver aproximadamente las las condiciones de contorno que utilizan, provenien-
ecuaciones con las que describimos la atmósfera para tes de otros modelos de dominio mayor. Para mues-
realizar un simulación de su evolución. El segundo, trear adecuadamente el espacio de posibles estados
es la observación cuantitativa del estado atmosférico, atmosféricos, debemos tener en cuenta estas fuentes
que desde el lanzamiento de los satélites meteoroló- de incertidumbre y error mediante el uso de diferentes
gicos (cap. 7 en la página 83) ha conseguido avances metodologías (caps. 16 en la página 243, 17 en la pá-
vertiginosos, aunque también los radares (cap. 8 en la gina 257 y 18 en la página 275). Algunos ejemplos de
página 103) y otras redes de observación son impor- técnicas de muestreo de esos errores e incertidumbres
tantes (cap. 9 en la página 117, en el cual contamos descritos en este libro son, respectivamente, (1) Singu-
algo de la ciencia de la climatología). Esos dos fac- lar Vectors (SV), Bred Vectors (BV), Local Ensemble
tores han revolucionado la predicción. Pero, aún hoy, Transform Kalman Filter (LETKF) y Ensemble Data
estamos lejos de acertar siempre. ¿Por qué? Assimilation (EDA); (2) multimodelo, multifísica o
multiparametrizaciones, parametrizaciones estocásti-
Profundizamos en estos puntos gracias a la teoría del cas; y (3) multicondiciones de contorno.
caos (cap. 5 en la página 49 para los fundamentos,
con una introducción histórica en el cap. 2 en la pá- Así pues, se hace necesario complementar a los mo-
gina 13). Como sistema dinámico, la atmósfera tiene delos atmosféricos deterministas con sistemas que
un carácter fuertemente no lineal, con hipersensibili- incluyan simulaciones sobre las incertidumbres, tanto
dad a las condiciones iniciales, lo que pone un límite en las condiciones iniciales como en el modelo. Este
físico a su predecibilidad (cap. 12 en la página 155). camino conduce a incluir la probabilidad de forma
Profundizando en este aspecto, podemos decir que en natural en nuestros sistemas predictivos. Las predic-
el contexto de los sistemas dinámicos, las ecuaciones ciones más fiables y hábiles a partir del estado observa-
no lineales con las que describimos la evolución de la do actual de la atmósfera pueden obtenerse mediante
atmósfera tienen comportamiento caótico: cualquier una función de distribución de probabilidad (Proba-
incertidumbre en el proceso de predicción, como por bility Distribution Function, PDF, sec. 13.6.11 en la
ejemplo la diferencia entre dos condiciones iniciales página 187) que describe, en teoría, un conjunto com-
ligeramente diferentes, puede crecer y conducir a dos pleto de posibles estados atmosféricos futuros. En la
estados de predicción muy diferentes. Como conse- actualidad (2018), la única metodología plausible, téc-
cuencia, la denominada predecibilidad (cap. 12 en nicamente hablando, para construir una PDF prevista
61.1 Resumen de aspectos importantes tratados y algunas conclusiones 913
es la técnica de sistema(s) de predicción por conjun- tica como, recientemente con el desarrollo de SPC
tos (SPC) o ensembles (cap. 13 en la página 165): se kilométricos, para la predicción a mesoescala.
genera una muestra de predicciones de modelos atmos-
féricos de predicción numérica del tiempo, diferentes La calidad y el valor de los SPC puede evaluarse ob-
pero igualmente plausibles todos ellos, a los que se jetivamente mediante procedimientos de verificación
denomina miembros del conjunto. Estos SPC han de- probabilista (cap. 15 en la página 207), que permiten
mostrado ser más fiables (fiabilidad, sec. 15.9.4 en la contrastar una serie de propiedades. La consistencia
página 226) y hábiles (habilidad o skill, sec. 15.2.4 estadística con las observaciones a gran escala puede
en la página 212), en el espacio de las probabilidades, ser evaluada mediante histogramas de rango o con la
que un sólo modelo determinista, aunque éste pueda relación dispersión-error. La respuesta frente a even-
disfrutar de mayor resolución. Como mínimo, los SPC tos binarios (e. g. llueve o no llueve) se plasma en
son un complemento indispensable para los modelos varias propiedades: la agudeza (sec. 15.9.3 en la pá-
deterministas y, poco a poco, el enfoque probabilista gina 225) representa la tendencia a dar probabilida-
va adquiriendo protagonismo. Hay una serie de aspec- des bajas o altas pero no intermedias; la fiabilidad
tos fundamentales que podemos destacar de los SPC, (sec. 15.9.4 en la página 226) mide la consistencia
algunos de ellos relacionados entre sí: entre probabilidades previstas y las correspondientes
frecuencias condicionales de observación; la resolu-
ción probabilista indica el grado de discernimiento
Podemos simular el efecto de las diversas fuentes entre distintas probabilidades con respecto a la clima-
de error en la predicción. tología muestral; la habilidad (skill, sec. 15.2.4 en
Nos permiten estimar la PDF (sec. 13.6.11 en la la página 212) es una medida de calidad relativa con
página 187) de los estados de predicción. respecto a un sistema predictivo de referencia, como
Proporcionan diferentes escenarios atmosféricos fu- pueden ser la persistencia, la climatología muestral o
turos y permiten al usuario estimar la probabilidad algún sistema predictivo con el que comparar. Estas
de esos escenarios. propiedades pueden verse gráficamente en los diagra-
Nos dan información explícita, cuantitativa y deta- mas de atributos, así como en los índices de B RIER o
llada sobre la dispersión atmosférica, que está muy Brier Skill Score. La discriminación mide la capaci-
relacionada con la incertidumbre y, por ende, con dad del sistema para discernir entre la ocurrencia o no
la predecibilidad. ocurrencia del evento, representándose en la denomi-
Permiten identificar áreas y/o alcances predictivos nada curva ROC y midiéndose con el índice Área bajo
con baja predecibilidad. la curva ROC. El valor económico relativo puede tam-
La predecibilidad es dependiente del flujo. Pode- bién evaluarse gráfica y numéricamente, mostrando
mos, con los SPC, calibrar esa dependencia, en- el valor de usar el sistema predictivo con respecto a
contrando relaciones entre la predecibilidad y los otros sistemas y, por tanto, mostrando la rentabilidad
patrones atmosféricos (distintas situaciones) con de estos SPC. La verificación, además de medir el
los que trabajamos. rendimiento de las predicciones orienta, tanto a los
Nos permiten evaluar el riesgo potencial de fenóme- modelizadores como a predictores y usuarios finales,
nos adversos (ver fenómeno meteorológico adver- para mejorar tanto los modelos como los SPC y sacar
so (FMA)). Predecir la predecibilidad es predecir máximo provecho de los mismos.
el riesgo meteorológico y climático, un elemento
esencial en cualquier sistema práctico cuantitativo Antes de utilizar directamente las salidas de los SPC
de predicción, especialmente en lo referente a estos y, con las potentes herramientas de verificación de dis-
fenómenos adversos. ponibles, es conveniente hacer pasar al sistema por un
El promedio del ensemble no es necesariamente proceso de calibración estadística (cap. 14 en la pági-
una situación meteorológica, ni debe ser tomado na 193), para filtrar los errores sistemáticos en la me-
como escenario atmosférico plausible. dida de lo posible. Algunas técnicas presentadas aquí
Los productos para la predicción que proveen los son el promediado bayesiano de modelo (Bayesian
SPC representan su carácter inherentemente proba- Model Averaging, BMA) y las regresiones Logística
bilista. y Logística Extendida (Logistic Regression, LR and
Los SPC se empezaron a utilizar en predicción Extended Logistic Regression, ELR). A pesar de que
operativa en la Agencia Estatal de Meteorología estas técnicas mejoran ostensiblemente el rendimiento
(AEMET) durante los años 90 y son una poderosa estadístico del sistema en periodos de tiempo deter-
herramienta, tanto para la predicción a escala sinóp- minados, los fenómenos extremos (entre los cuales
encontramos numerosos fenómenos adversos) siguen los SPC de altísima resolución que permiten elaborar
siendo un problema: el proceso de calibración tien- pronósticos de aeródromo con completísimos mues-
de a suavizar las salidas de los SPC, de modo que treos de incertidumbres (cap. 31 en la página 523). La
se les suele escapar la señal del fenómeno extremo aplicación de SPC en entornos específicos nos impor-
cuando éste va a tener lugar. Ésta es actualmente una ta especialmente pues en España tenemos, entre otras,
necesaria línea de investigación. el área mediterránea, que con su intrincada geografía
y la capacidad calorífica de un mar casi cerrado, lo
Hemos intentado mostrar, sabiendo que siempre nos convierten en un entorno endiabladamente poco pre-
quedaríamos cortos, una serie de SPC representativos decible. Es en estos entornos difíciles donde los SPC
del abanico de escalas en el espacio y en el tiempo, a pueden dar su do de pecho. Dedicamos un capítulo
la par que de varios ámbitos diferentes (parte IV en especial al Mediterráneo (cap. 32 en la página 531)
la página 288). El SPC global del European Centre y uno a un ejemplo concreto en ese entorno, los me-
for Medium-range Weather Forecasts -Centro Euro- diterranean hurricanes o medicanes (cap. 33 en la
peo de Predicción a Plazo Medio- (ECMWF) (cap. 19 página 551). Incluyendo la previsión de medicanes,
en la página 289) y el regional europeo Grand Limi- de rayos (cap. 34 en la página 563) y algunos otros, los
ted Area Model Ensemble Prediction System (GLA- fenómenos adversos han merecido nuestra atención
MEPS) del consorcio High Resolution Limited Area especial: son aquellos de más impacto socioeconómi-
Model (HIRLAM) (cap. 20 en la página 301). Dentro co. Por otro lado, los fenómenos extremos, aquellos
de los desarrollados en España, el de escala sinóptica que por su rareza están en las colas de las distribucio-
AEMET-SREPS (cap. 21 en la página 313) y el mo- nes climatológicas, se conocen poco. Los fenómenos
derno y mesoescalar AEMET-γSREPS (cap. 22 en la extremos no siempre son adversos y, viceversa, hay fe-
página 333). Como ejemplos en otros países, hemos nómenos adversos que no son extremos. Examinamos
descrito brevemente los MOGREPS de Reino Unido una herramienta operativa para la gestión de avisos de
(cap. 23 en la página 361), los SPC experimentales de fenómenos meteorológicos adversos. No podían faltar
México (cap. 24 en la página 367). Para no quedarnos las energías sostenibles, como la solar (cap. 38 en la
sólo en la atmósfera, el proyecto MyWave (cap. 25 página 599) y la eólica (cap. 39 en la página 607),
en la página 373) nos ha permitido mostrar SPC de ámbitos en los que los SPC pueden aportar un valor
otros ámbitos, en este caso el oleaje. En el capítulo económico que, por cierto, puede medirse cuantitati-
hacemos una ronda más amplia, pero también más es- vamente (sec. 15.10 en la página 234). Mostramos las
quemática, para poder mostrar una pincelada de otros aplicaciones de los SPC en otros países hermanos, co-
SPC operativos en otras partes del mundo. mo siempre quedándonos cortos, mostrando al menos
dos: Argentina (cap. 37 en la página 583) y Portugal
La aplicación directa de los SPC es lo que denomina- (cap. 36 en la página 579).
mos predicción probabilista (cap. 27 en la página 401).
Hemos presentado una buena cantidad de productos Los SPC se utilizan en la actualidad (2018) en casi
probabilistas para la predicción operativa que, como todas las escalas, desde la mesoescala hasta las proyec-
decíamos, reflejan la naturaleza, a su vez probabilista, ciones climáticas. Ambos extremos definen problemas
de los SPC. Permiten, por tanto, trabajar con el concep- de predecibilidad diferentes, desde el punto de vista
to de predecibilidad y sirven como guía probabilista teórico: la predicción del tiempo es un problema de
de predicción. Entre otros, están: mapas de dispersión- valor inicial y las proyecciones del clima un problema
promedio, agrupamiento, mapas de probabilidad y de de condiciones de contorno (sec. 12.2 en la página 157
percentiles, EPSgramas, Índice de Predicción Extre- y sec. 12.2.3 en la página 158). En el camino de menor
ma o Extreme Forecast Index (EFI) y, para terminar, a mayor escala, pasamos por la predicciones de largo
las trayectorias de ciclones tropicales. plazo, mensual, estacional, anual y decadal (cap. 28
en la página 447), hasta llegar, finalmente, a las pro-
Hay numerosas aplicaciones, además de la predic- yecciones del clima (cap. 29 en la página 477) donde
ción probabilista aplicada a la predicción del tiempo. hablamos de abanicos de incertidumbres específicos
La observación de la atmósfera, cuando está sujeta a para esas escalas. Ahí, el papel de los SPC es crucial
incertidumbres, puede describirse mediante técnicas para el muestreo y acotación de incertidumbres. De
parecidas y ponemos como ejemplo la observación ese modo podemos hablar de calentamiento global
radar en el capítulo 30 en la página 517. La predicción antropogénico con una base científica.
aeronáutica, de valor incalculable para la aviación co-
mercial y militar, puede disfrutar de las ventajas de Hemos dedicado una parte a algunos aspectos relacio-
61.2 Algunas respuestas a las preguntas del principio 915
nados con la sociedad. La percepción y entendimiento también intensas, de marzo de 2017, se expone en el
de los conceptos relacionados con la probabilidad, capítulo 51 en la página 775. En enero de 2017 otro
la comunicación de la información meteorológica de temporal dejó nieve en localidades como Torrevieja,
carácter probabilista y el reto que todo ello supone donde hacía 103 años que no nevaba (cap. 52 en la
para los medios, es un aspecto crucial abordado en página 795). Una borrasca con baja predecibilidad,
el capítulo 40 en la página 615. Si la sociedad de- en febrero de 2017, fue un caso especialmente difícil
manda predicciones mejores, los SPC las pueden dar, (cap. 53 en la página 805). En ese mismo mes tuvo
pero los servicios meteorológicos tienen que abrirse lugar un temporal marítimo en Galicia de bastante
a esa posibilidad, un proceso que no siempre lleva el impacto (cap. 54 en la página 815). Otra vez en el
ímpetu necesario. El programa europeo Meteoalerta mismo mes, se dieron lluvias torrenciales en Málaga,
de gestión y coordinación de avisos de fenómenos con un fuerte impacto socioeconómico en el área me-
meteorológicos adversos se describe con un cierto de- tropolitana (cap. 55 en la página 827). Dedicamos a
talle (cap. 41 en la página 627), así como el proyecto Canarias tres casos reunidos en el capítulo 56 en la
PROFORCE de aplicación de SPC para Meteoalerta página 839, tanto de lluvias como de vientos intensos.
(cap. 42 en la página 633). En esta parte añadimos un El fenómeno de la nieve lo abordamos con una pre-
capítulo que llama la atención sobre los malentendidos dicción probabilista ordinaria de un caso de posibles
en la comunicación de la información meteorológica nevadas generalizadas en la Península (cap. 57 en la
por un uso inadecuado de la terminología (cap. 43 en página 855). Otra predicción, ordinaria desde el punto
la página 639). de vista técnico, pero crucial desde el social, es la de
Semana Santa de 2017 (cap. 58 en la página 867). Ce-
rramos esta parte con una depresión aislada de niveles
La aplicación directa de la predicción probabilista co-
altos (DANA) de principio de verano de 2017 (cap 59
mo técnica de predicción del tiempo se expone en
en la página 879).
la parte de casos (parte VII en la página 654), que
aprovechamos para revisitar algunos casos notorios
o históricos, algunos más cotidianos, relacionados o
no con fenómenos meteorológicos adversos. El ré-
61.2 Algunas respuestas a las pre-
cord histórico de precipitación diaria en España de guntas del principio
Oliva-Gandía 1987 se aborda en el capítulo 44 en la
página 655, con una descripción de notable interés En la introducción de este libro comenzábamos for-
histórico y meteorológico, acompañada con la apli- mulando algunas preguntas habituales que la sociedad
cación de modernos SPC y predicción probabilista. plantea a la comunidad meteorológica, en relación con
Sobre predicción de aludes hay poca bibliografía en la predicción del tiempo y con el candente tema del
castellano; intentamos así en el capítulo 45 en la pá- cambio climático. Uno de los objetivos de este libro
gina 689 cubrir dos huecos: el de previsión de aludes es dar algunas respuestas a esas preguntas o, si las res-
y el de hacerlo con predicción probabilista. En el ca- puestas no son fáciles o no son definitivas, al menos
pítulo 46 en la página 717 mostramos dos casos de ampliar un poco la perspectiva en estos temas para,
ciclones tropicales atlánticos: Ike y Álex, cuya pre- tal vez, encontrar dentro de las preguntas conceptos
visión es probabilista (por la cuenta que trae a los interesantes con los que ampliar nuestro conocimiento.
países afectados); con este capítulo salimos del ámbi- Anticipábamos entonces un esbozo de las respuestas y,
to geográfico de España. Y seguimos fuera de España ahora, una vez recorrido, al menos en parte, el camino
en el capítulo 47 en la página 729, donde realizamos del libro podemos expresar las respuestas con mu-
un ejercicio de predicción probabilista de largo pla- cho más detalle y, seguramente, ampliar el abanico de
zo, ordinaria, en Myanmar. Volvemos a España con preguntas. Hemos intentado que las respuestas sean,
la influencia de la tormenta tropical Gastón en una hasta cierto punto, autodefinidas y, aunque enlacen a
ola de calor que tuvo lugar en septiembre de 2016 algunos capítulos del libro, no se enlacen excesiva-
(cap. 48 en la página 741). Las lluvias torrenciales en mente unas a otras. El resultado es, inevitablemente,
el Maresme, Barcelona, en octubre de 2016 ocupan el cierta redundancia en las respuestas, redundancia por
capítulo 49 en la página 753. Poco después, en diciem- la que pedimos disculpas de antemano a quien quiera
bre de 2016, tuvo lugar un temporal de Levante que seguir secuencialmente todas ellas. Añadimos, a las
azotó el Mediterráneo, explorado en el capítulo 50 preguntas iniciales, algunas otras que también pueden
en la página 763. Ese mismo caso, utilizando otras resultar interesantes y completar algunas de las ideas
herramientas y contrastándolo con las precipitaciones, esbozadas.
¿Hasta cuántos días son fiables las predicciones del de la atmósfera. Como representaciones de la realidad,
tiempo?. A la luz de los conceptos alumbrados en no son perfectos y el predictor corrige, añade y, en ge-
el libro, ya sabemos que la mejor respuesta, aunque neral, mejora la predicción del ordenador. Los citados
pueda sonar jocoso, es «depende». En el capítulo 15 modelos trabajan dividiendo el planeta en una malla
en la página 207 hemos visto el concepto de límite de o algo similar, con cajitas (gridbox) y resolviendo las
predecibilidad (sec. 15.3 en la página 216) y cómo gra- ecuaciones de la física en cada una de ellas, de modo
cias a él puede darse una respuesta aproximada a esta que cuanto más cerca estemos del centro de una cajita
pregunta, respuesta válida tanto para los científicos más fiable será, en principio, la predicción.
como para la sociedad abierta.
La predicción por localidades se realiza con un progra-
El límite de predecibilidad es el horizonte más largo ma aparte que interpola los datos desde el centro de la
en el que se puede dar una predicción con un mínimo cajita o cajitas más cercanas al punto de la localidad
de calidad, midiendo esa calidad mediante paráme- de interés. Ese proceso acentúa la imperfección del
tros concretos como son el coeficiente de correlación modelo, introduciendo ruido. Por tanto, las prediccio-
de anomalías, que miden de algún modo la consis- nes por localidades deben consultarse con precaución,
tencia entre la predicción y la posterior observación. sobre todo si se trata de localidades o puntos en luga-
Ese límite de predecibilidad es dependiente del flujo res montañosos o costeros.
(sec. 27.10 en la página 435), es decir, depende de
la situación atmosférica: cuando el tiempo es antici-
clónico el límite de predecibilidad puede prolongarse ¿Pueden hacerse predicciones con seis meses de
hasta más de diez días mientras que, en una situación antelación?. El meteorólogo E DWARD N. L ORENZ
muy inestable como puede ser una pequeña borrasca anticipó en 1963 que existe un límite superior en la
de desplazamiento rápido, el límite de predecibilidad predecibilidad de la atmósfera, que estableció en 2-3
puede ser inferior a 24 horas. De modo que cuando se semanas. Más adelante, en la década de los 90, cientí-
da un límite de predecibilidad general correspondien- ficos como E UGENIA K ALNAY introdujeron de forma
te a un año en una región grande del planeta, se trata natural la incertidumbre en el proceso de predicción
de algún promedio o ponderación y, por lo tanto, una numérica del tiempo, poniendo en marcha los prime-
generalización, a menudo en el margen de la validez. ros sistemas de predicción por conjuntos, que permi-
ten, entre otras muchas ventajas, evaluar la predecibi-
De cualquier modo, podemos resumir la respuesta di- lidad atmosférica.
ciendo que, en latitudes medias (por ejemplo, Europa),
la predecibilidad de la atmósfera ha venido mejorando
Tal como entiende la sociedad las predicciones del
a razón de un día (o un día y medio, según el paráme-
tiempo, de modo que informen con claridad y cierta
tro) por década. Por ejemplo, nuestras predicciones
exactitud sobre la temperatura, precipitación, viento
de la dinámica atmosférica (altura geopotencial en
que podemos esperar, las predicciones sólo pueden ha-
500 hPa) eran fiables (un coeficiente de correlación
cerse hasta un límite de unos quince días en el mejor
de anomalías de por lo menos un 80 %) hasta tres días
de los casos (tiempo anticiclónico).
y medio (D+3.5) a principios de los años ochenta y,
ahora en 2018, son fiables hasta algo más de unos seis
días y medio (D+6.5). Estas pautas pueden examinarse Más allá empieza otro juego distinto, en el que la exac-
con detalle en las Figuras 15.7 en la página 215 y 15.2 titud da paso a la estadística y a las pautas generales.
en la página 209. La precipitación o el viento son más En las llamadas predicciones mensuales y estacio-
difíciles de predecir, pero esta pauta orientativa puede nales, los centros meteorológicos podemos anticipar
aplicarse de un modo similar. ciertas pautas generales, expresadas en términos de
cercanía o alejamiento de la normalidad, normalidad
expresada como promedio de los últimos 20-30 años.
¿En qué se basa la predicción por localidades?. Las Así, podemos anticipar que el mes de mayo será más
predicciones del tiempo se apoyan básicamente en lluvioso de lo normal y más cálido de lo normal, pero
modelos atmosféricos, que son complejos programas anticipar qué sucederá el 15 de mayo o el 25 de ma-
de ordenador, alimentados por datos observados de yo con exactitud no es posible. Y así sucesivamente,
la atmósfera, sobre todo de satélite. Estos modelos cuanto más lejano el horizonte predictivo, más difu-
proveen a los meteorólogos predictores o a usuarios minada será la predicción. Las predicciones decadales
finales de una primera aproximación al estado futuro son aún más difusas que las anuales.
61.2 Algunas respuestas a las preguntas del principio 917
¿Cómo puede predecirse el cambio climático?. Con- atmósfera y que sirven de base a las simulaciones
tinuando el hilo de la respuesta anterior sobre si era computacionales que hacemos de la misma.
posible predecir el tiempo con seis meses de antela-
ción, recordemos que la respuesta es no, en los tér- Ahora bien, esa limitación fundamental no impide
minos habituales. La predicción estacional se expresa que, en otro sentido, las predicciones puedan mejorar.
en términos de pautas. Las llamadas proyecciones cli- El advenimiento de los SPC es un claro ejemplo de có-
máticas suponen unos cuantos pasos más allá en ese mo pueden hacerse predicciones «mejores», dado que
mismo razonamiento. no pueden ser más «exactas». La introducción de la
probabilidad como ingrediente natural del proceso de
El ejemplo del dado ilustra este concepto: al tirar un predicción es una muestra de crecimiento conceptual
dado, no puedo predecir el número que va a salir en en una ciencia-técnica como la predicción meteoro-
cada tirada, pero sí que puedo predecir estadísticas lógica; en cierto modo, una ciencia más sana, porque
de una serie grande de tiradas. Puedo saber que, si ha sabido reconocer sus limitaciones y, más allá de
tiro el dado 600 veces, saldrán aproximadamente (y eso, asumirlas y crecer en otras direcciones. Si los
si el dado no está trucado), 100 unos, 100 doses, etc. avances tecnológicos y los científicos siguen siendo
Las proyecciones climáticas funcionan de este modo. respaldados por la sociedad, el crecimiento está garan-
Nada podemos saber sobre lo que pasará el 26 de ju- tizado, aunque no siempre sea en la dirección pensada
lio de 2100. Sin embargo, podemos adelantar cómo inicialmente.
aumentarán la temperatura y el nivel medio del mar
en los próximos 100 años, dentro de un abanico de
incertidumbre que también conocemos. ¿Se usa la teoría del caos en la predicción del tiem-
po?. Sí. Los SPC se fundamentan en los estudios
Los modelos usados para proyecciones climáticas son, sobre la predecibilidad de la atmósfera (cap. 12 en
esencialmente, similares a los usados en predicción la página 155), los sistemas dinámicos no lineales
del tiempo, aunque el problema que han de resolver (cap. 5.1.5 en la página 54), su sensibilidad a las con-
es de diferente naturaleza. En términos de ecuaciones diciones iniciales y a la formulación del modelo.
diferenciales o en diferencias, la predicción del tiem-
po es un problema de valor inicial: las condiciones Los sistemas caóticos son un subconjunto de los siste-
iniciales son cruciales para la evolución del estado mas no lineales. La problemática de la predecibilidad
del sistema. Las proyecciones del clima, sin embar- de la atmósfera es un caso de caos determinista. Cono-
go, son un problema de forzamiento o condiciones de cemos las ecuaciones que describen la evolución del
contorno: cuánto CO2 vamos a seguir liberando, etc. estado atmosférico, sabemos que son deterministas
En ambos casos hay una herramienta común: los SPC, y que, en teoría, tienen solución única. Pero, dada la
que permiten evaluar las incertidumbres asociadas a naturaleza caótica de las mismas, en la práctica es
ambos procesos. imposible encontrar una solución exacta, pues sufren
de hipersensibilidad a las condiciones iniciales: Da-
das dos condiciones iniciales muy similares, con una
¿Se harán predicciones cada vez más exactas y pre- diferencia muy pequeña entre ambas y tomando esas
cisas?. ¿Pueden realmente hacerse predicciones cada condiciones como puntos de partida del estado atmos-
vez más precisas y a la vez exactas? En el sentido férico, la diferencia entre sus evoluciones deja de ser
tradicional y, por tanto, determinista, del concepto pequeña y puede amplificarse mucho.
de predicción, la respuesta es no. Se ha constatado
en el libro varias veces y en esta conclusión también, La misma hipersensibilidad se da con la formulación
que hay un límite de predecibilidad para la atmósfera. del modelo: pequeñas variaciones en parámetros del
Los modelos atmosféricos han mejorado y seguirán mismo pueden conducir a grandes diferencias en el
mejorando, gracias a los avances científicos en me- resultado. Este problema pone un límite físico a la pre-
teorología y a los avances tecnológicos en satélites y decibilidad de la atmósfera, límite que el meteorólogo
supercomputación, de modo que hacen predicciones E DWARD N. L ORENZ anticipó en 1963 y estableció
con una resolución más fina (más precisas) y con ni- en 2-3 semanas. En este sentido, estos descubrimien-
veles de exactitud al menos iguales a los anteriores tos relacionados con la física del caos fueron aplica-
(exactas). Pero hay límites físicos para esa progresión, dos más tarde, en la década de los 90, por científicos
debidos fundamentalmente al carácter caótico de las como E UGENIA K ALNAY, introduciendo de forma
ecuaciones subyacentes con las que describimos la natural la incertidumbre en el proceso de predicción
numérica del tiempo, poniendo de este modo en mar- Pero intentemos hacer una figuración realista de esta
cha los primeros SPC, con los que puede evaluarse la idea. Tal vez lo más adecuado para hablar de perfec-
predecibilidad atmosférica. ción sea una combinación de precisión y exactitud:
precisión es el grado de detalle con el que podemos
describir los fenómenos; si éstos son medibles, enton-
¿Qué es el efecto mariposa?. El efecto mariposa se ces sería el número de cifras significativas para medir,
relata con mucho detalle y profundidad en el capítu- por ejemplo, las distancias. Por otro lado, exactitud se
lo 5 en la página 49, en particular en la sección 5.5 refiere a la diferencia con la realidad; cuanto más exac-
en la página 64. Se trata de un símil atribuido al me- to, menor es esa diferencia con el valor real. Entonces,
teorólogo E DWARD N ORTON L ORENZ que acuñó la condiciones iniciales perfectas serían aquellas con una
frase «El aleteo de una mariposa en Brasil puede precisión lo más alta posible y con una exactitud per-
producir un tornado en Texas». Anteriormente, se ha- fecta. Pero, en última instancia, ambas concepciones
bía referido a una gaviota provocando una tormenta se plasman en un número significativo de cifras: nues-
[571]. tra capacidad de medir. Para medir el estado inicial
de la atmósfera, mediríamos presión, temperatura, hu-
La frase no es rigurosamente cierta desde el punto medad, viento, variables todas ellas con una cierta
de vista científico, pero resume de manera visual el precisión y exactitud en los instrumentos que, directa
fenómeno denominado sensibilidad a las condiciones o indirectamente, están midiendo distancias internas
iniciales: los sistemas dinámicos llamados no lineales, en procesos indirectos.
de los cuales la atmósfera es un ejemplo, sufren esta
sensibilidad. Cuando se simulan mediante ordenador, En cualquier caso, esa significación en la precisión y
pequeñas variaciones en las condiciones iniciales usa- la exactitud va siempre asociada a una escala: en esa
das, pueden convertirse en grandes variaciones en la cierta escala, la precisión y exactitud serán perfectas.
evolución del sistema. Pero siempre existirá una escala más fina en la que no
sean perfectas. Todo este razonamiento tan teórico, en
la práctica puede expresarse en términos de modelos
A la postre, este problema pone un límite superior a
atmosféricos: los modelos sinópticos han ido dejando
la denominada predecibilidad atmosférica. L ORENZ
paso a los mesoescalares y, en la historia de los mode-
no fue el primero en utilizar un símil de este estilo
los, diferentes escalas se han ido simulando cada vez
para ilustrar la limitación en la predecibilidad de la
mejor. Pero cuando conseguimos simular extraordina-
atmósfera o, tampoco, en preocuparse por el problema.
riamente bien una escala, por ejemplo, la sinóptica,
Anteriormente, N ORBERT W IENER en los años 50 ya
entonces pondremos nuestra meta en simular igual
expresaba su preocupación [677] y, a finales del si-
de bien la mesoescala atmosférica. Y así sucesiva-
glo XIX, W ILLIAM S UDDARDS F RANKLIN escribió
mente. En ese sentido, no habrá nunca condiciones
[571], metafóricamente, que el vuelo de un saltamon-
iniciales perfectas: siempre habrá una escala más fina,
tes en Montana podría trasladar una tormenta de
impensable en el pasado, en la que se puede mejorar.
Filadelfia a Nueva York. De todos modos, se atribuye
a L ORENZ la idea del efecto mariposa. Dicho efecto
es ideal para ilustrar numerosos conceptos relaciona- ¿Pero en un futuro se podrá traspasar el límite de
dos con la predecibilidad, véase e. g. el capítulo 12 en predecibilidad, verdad?. Decía A RTHUR C. C LAR -
la página 155. KE en su obra Perfiles del futuro que cualquier ma-
nifestación científica o tecnológica suficientemente
avanzada para su época es indistinguible de la ma-
¿Si tuviéramos condiciones iniciales perfectas po- gia. Si pensamos, guiados por la intuición y el sentido
dríamos evitar el problema del caos determinista y común, que a principios del siglo XX no existían la
traspasar el límite de predecibilidad de la atmósfe- mayoría de adelantos tecnológicos que disfrutamos
ra?. Es una idea que tiene cierta lógica interna, apta hoy en día, como por ejemplo la telefonía móvil, la
más para una novela o película que para llevarla real- radio y la televisión, los automóviles y aviones, los
mente a cabo. Para empezar, nos encontramos con ordenadores, internet, etc., entonces podrían ser posi-
el resbaladizo adjetivo de perfectas al referirse a las bles en un futuro otras ensoñaciones del ser humano
condiciones iniciales perfectas. Defina usted perfectas. como la telepatía, el teletransporte, la telequinesis o la
Por supuesto que es una idea muy natural y «perfecta- inmortalidad. Es difícil rebatir argumentos de este esti-
mente» definida, sobre todo en nuestras mentes. lo, al no prestar atención a los fundamentos científicos
61.3 Conclusiones de la experiencia en el desarrollo de SPC 919
en sí mismos. En principio, el uso combinado de diferentes metodo-

logías de muestreo de errores e incertidumbres parece
Si se les presta atención, las limitaciones son más se- dar los mejores rendimientos, al estar muestreando
veras. Piénsese, por ejemplo, en el Principio de incer- el espacio de fases de un forma algo más exhaustiva.
tidumbre de H EISENBERG: es una limitación natural a Gran parte de los SPC actuales padecen de subdis-
la que, en principio, la tecnología de toda época estará persión, problema que podría subsanarse con estas
sujeta. ¿o no? La tecnología puede evolucionar, pero combinaciones de tećnicas, teniendo siempre cuida-
la ciencia también. En este punto el debate se abre do en aumentar no sólo la dispersión, sino también
tanto que no podemos, realmente, anticipar mucho. la calidad, para mantener el balance dispersión-error
Lo que sí podemos decir es que, según tal principio, (sec. 15.8.2 en la página 223) adecuado. Otra fuente
la medida simultánea de posición y momento de las indudable de mejora viene de los progresos en asimi-
partículas elementales no puede realizarse y, por tanto, lación de datos (sec. 10.3 en la página 133 y cap. 16
siempre que la ciencia no cambie, cualquier adelan- en la página 243): por ejemplo, en el ECMWF, poco a
to tecnológico tendrá que realizarse respetando esa poco la tećnica de asimilación de datos por conjuntos
limitación. (EDA, sec. 16.2.5 en la página 248) va sustituyendo
a la técnica de vectores singulares (sec. 16.2.6 en la
En un sentido análogo podemos lanzar vaticinios so- página 249).
bre el límite de predecibilidad de la atmósfera que,
además, no está sujeto a un principio tan precisamen- Hay que señalar también que nuestra experiencia con
te definido como el de H EISENBERG. Podemos decir la técnica multimodelo nos ha permitido aprender al-
que, si las simulaciones de la atmósfera se siguen go del folklore que significa poner en operación un
realizando con los esquemas similares a los actua- sistema de esta envergadura: muchos modelos pueden
les, aunque se avance en resolución de los modelos usarse para investigación, pero no pueden usarse para
y en calidad de los satélites, etc., la atmósfera tendrá poner en operación un sistema predictivo; en ocasio-
siempre limitada su predecibilidad. nes hay que pagar licencias y no siempre hay claridad
suficiente al respecto de las mismas. Esta problemá-
tica nos condujo, en esta segunda época coincidente
61.3 Conclusiones de la experien- con la escala convectiva, a utilizar desde el princi-
cia en el desarrollo de SPC pio solamente modelos de los que tuviéramos licen-
cia por ser miembros del consorcio correspondiente
Una parte de los autores de este libro han participado (e. g. HARMONIE-AROME) o que fuesen completa-
o participan, directa o indirectamente, en la investiga- mente libres (e. g. WRF).
ción y desarrollo de SPC en AEMET. La experiencia
del Grupo de Predecibilidad así llamado y algunas
Impacto del tamaño del ensemble o número de
otras actividades, tanto en la gestación de sistemas
miembros. Durante los primeros años de desarrollo
puestos en operación como la participación en foros
de diferentes SPC por diversas partes del mundo, esta
internacionales, ha ido arrojando algunas conclusiones
cuestión generó numerosos e interesantes debates que,
sobre decisiones científicas y técnicas más o menos
aunque a día de hoy no tengan una respuesta teórica
acertadas, que plasmamos a continuación.
definitiva, sí que se tiene una pauta práctica funda-
mentada en resultados y rendimientos. Yendo aún más
Multimodelo y multianálisis frente a un solo modelo. profundo en los aspectos teóricos, esta cuestión está
Nuestra experiencia en AEMET y el grupo HIRLAM relacionada con otra más profunda que detallamos
en investigación y desarrollo de SPC con las técni- después: ¿si la PDF (sec. 13.6.11 en la página 187) su-
cas multimodelo (sec. 13.5 en la página 174), usando puesta del estado atmosférico es continua y nosotros
varios modelos LAM y multianálisis (sec. 13.5 en la muestreamos con un conjunto discreto, entonces
la página 174), procedentes de diferentes modelos estamos seguros de realizar un muestreo incomple-
Global Circulation Model (GCM), han mostrado me- to, no es así? Sin llegar necesariamente tan hondo, el
jor rendimiento que otras aproximaciones basadas en asunto del número de miembros óptimo para un SPC
un solo modelo. Esto demuestra que aún no tenemos se ha debatido desde muchos ángulos y expondremos
conocimiento suficiente sobre las diferentes incerti- aquí las conclusiones más relevantes. A bote pronto,
dumbres del modelo y que aún podría haber otras cuantos más miembros, mejor: más próxima estará la
fuentes de error. PDF simulada a un continuo.
Ahora bien, la primera y más importante limitación conjuntos. Ahora bien, el ECMWF ha anunciado en
es la de recursos computacionales: resulta mucho más su estrategia para la década 2015-2025, que volcará
caro integrar 1000 veces el modelo que integrarlo 50. sus recursos en el SPC, en la predicción probabilista.
Por otro lado, integrarlo sólo 5 veces parece, intuiti- Esto no quiere decir que se abandone el desarrollo
vamente, un muestreo pobre de los posibles estados del modelo determinista en absoluto: el modelo deter-
atmosféricos. Los grandes SPC del mundo, e. g. el minista es el ingrediente fundamental del ensemble
GEFS del NCEP con 21 miembros y el ECENS del y siempre será imprescindible la investigación y el
ECMWF con 51 miembros, han apostado por un orden desarrollo en el mismo.
de magnitud similar, en torno a 20-50 miembros, can-
tidad dada por la experiencia respectiva. En términos Por otro lado, un buen modelo determinista es condi-
prácticos enunciados conjuntamente por desarrolla- ción necesaria pero no suficiente para un buen SPC.
dores y usuarios de predicción probabilista, podemos Lo que sí puede cambiar es el balance en los recur-
afirmar que a partir de un número que oscila entre sos computacionales dedicados a uno y a otro. En
50 y 200, las mejoras en calidad, habilidad (skill) o cualquier caso, en la próxima década tendrá lugar
valor llegan a saturarse, de modo que invertir en más otro aumento crítico en las resoluciones horizontal y
recurso computacional a partir de 50 miembros parece vertical de los SPC ligado al de los modelos correspon-
no ser rentable. dientes. En los SPC regionales ya hemos traspasado
la barrera de los modelos no hidrostáticos, e. g. con
No obstante, el punto crítico lo ponen los fenómenos AEMET-γSREPS, y esa barrera se traspasará pronto
extremos (que no siempre son adversos y viceversa): para los SPC globales.
aquellos fenómenos que están en la cola de la distri-
bución climatológica, cuando vayan a tener lugar, a En los SPC regionales, que a menudo están ya en la
un SPC de 10 miembros probablemente se le escapen, escala meso-gamma (cloud-resolving) a 1-4 km, es
cosa que no sucederá con un SPC de 100 miembros. probable que se llegue a resoluciones inferiores al
En estos casos, sólo 1 ó 2 miembros de un SPC de kilómetro. La verificación de estos sistemas necesita
51 como el del ECMWF son los que vislumbran un nuevas metodologías (e. g. orientadas a características,
escenario extremo. Y puede ser suficiente para po- como SAL y MODE, sec. 15.5 en la página 219) y
ner sobre aviso a los predictores o usuarios finales del bases de datos de observaciones (como estimaciones
SPC. Esa es una de las claves. En el JMA apuestan por de precipitación mediante radar o satélite).
ensembles de gran tamaño, tienen muchos recursos
computacionales para ello. Predecibilidad de la convección. Debido a la natu-
raleza intrínseca y tremendamente caótica de la con-
vección, la predecibilidad en las escalas convectivas
Papel de la resolución. Durante esta primera era de
(sec. 22.1 en la página 334) crece más rápidamente
crecimiento de este paradigma, grandes centros co-
que en escalas mayores, como la escala sinóptica. Una
mo el ECMWF o el NCEP han dividido sus recursos
consecuencia de este hecho es que para realizar pre-
computacionales más o menos a la mitad: 50 % para el
dicciones del tiempo en esas escalas convectivas los
modelo determinista de mayor resolución y otro 50 %
SPC serán imprescindibles: sin el enfoque probabi-
para el ensemble, que funcionaba con una resolución
lista será muy difícil encontrar otros modos realistas
inferior, tradicionalmente con un tamaño de celda de
para abordar la predicción del tiempo.
aproximadamente el doble que el del determinista.
En relación con el número de miembros óptimo des- Alcance de este libro. Si los recursos en investiga-
crito anteriormente, algunas personas se preguntan ción acompañan a los, casi seguros, avances tecnoló-
por qué no usar un SPC con resolución equiparable gicos en satélites y en supercomputación, entonces
a la superior del modelo determinista, bajando si es el proceso de predicción del tiempo y proyección del
preciso el número de miembros? La resolución es clima mejorará en todas las escalas, llegando a operar
una característica ligada a la calidad determinista de en escalas cada vez más finas. Dentro de esas mejoras,
los miembros. El número de miembros va ligado a aunque es de esperar una reducción en los errores y
la calidad probabilista, a la capacidad de exploración las incertidumbres, siempre estará presente un límite
del espacio de fases de la atmósfera. El número de en la predecibilidad. Por tanto, todos los conceptos,
miembros no se va a reducir, al menos en principio, metodologías y técnicas presentados en este libro se-
en los grandes centros dedicados a la predicción por guirán siendo válidos en el futuro y útiles para las
61.4 Futuro de la predicción del tiempo 921
próximas generaciones. Así, algunas de las direccio- miembros que dan precipitaciones en diferentes zonas.
nes del futuro ya están trazadas. La contribución individual a la probabilidad total de
precipitación, si el número de miembros es N, es de N1 .
El resultado es que, espacialmente, los SPC tienden a
61.4 Futuro de la predicción del suavizar la señal de precipitación.
tiempo Como consecuencia, los predictores operativos, para

evaluar las zonas de mayor probabilidad de convec-
Tendencias de la modelización numérica hacia los ción (o precipitación intensa) no buscan directamente
SPC y la asimilación de datos. Como ya se mencio- en los mapas de probabilidad de 40 mm / 6 h, por-
na en la sección 19.4 en la página 297, en sus planes que éstos dan señales muy débiles en términos de
estratégicos para el periodo 2016-2025, el ECMWF probabilidad. Buscan, inicialmente, en los mapas de
tiene proyectado volcar sus recursos en la predicción probabilidad de 5 ó 10 mm / 6 h, que ofrecen señales
por conjuntos, es decir, en su SPC ECENS (sec. 19.3 más claras. Después, con una cierta idea de patrón
en la página 293). Como se explica en otro apartado de espacial y de dónde se podrían producir máximos
estas conclusiones, ni que decir tiene que el modelo locales, pueden buscarse señales en el mapa de proba-
determinista se seguirá investigando y desarrollan- bilidad de 40 mm / 6 h, sabiendo de antemano que una
do, pues evidentemente es el ingrediente fundamental señal en ese mapa tiene una significación diferente. En
para el SPC correspondiente, pero ya no será el pro- las situaciones que reúnan los ingredientes sinópticos
tagonista de este centro, uno de los centros punteros adecuados, sabemos que la precipitación intensa se va
mundiales. Los centros que disponen de recursos en a producir en algún lugar, el problema entonces es di-
diversas partes del mundo están apostando por los lucidar dónde, y ese punto es extremadamente difícil.
SPC en uno u otro sentido: EE. UU., Francia, UK, Descrito de otro modo, debido a la gran variabilidad
Alemania, Japón, China, etc. (ver cap. 26 en la pági- espacial de la previsión de precipitación entre diferen-
na 387). En la actualidad (2018), la tendencia en la, tes miembros del SPC (sobretodo en la mesoescala o
así denominada, modelización o predicción numérica en la escala convectiva), se pueden filtrar los episodios
del tiempo está orientada a la asimilación de datos de precipitación intensa y pasar desapercibidos.
(sec. 10.3 en la página 133) y a los SPC (cap. 13 en la Ahora que se están desarrollando SPC en la escala
página 165), dos grandes ramas que tienen aspectos convectiva, se están investigando productos de predic-
convergentes. ción probabilista nuevos. Por ejemplo, en cada punto
de malla puede darse la precipitación del miembro
Predicción probabilista de la precipitación. Las va- que prevea la máxima precipitación o, si ese campo
riables meteorológicas de superficie son más comple- es excesivo por contener a menudo valores atípicos
jas que las de altura: la atmósfera es más continua y (outliers), dar la precipitación del percentil 90 de la
suave en las alturas que cerca del suelo. En la llamada PDF (sec. 13.6.11 en la página 187) de la precipi-
capa límite planetaria (CLP) la influencia de la oro- tación prevista. Productos de este tipo no se deben
grafía, la rugosidad del terreno y el tipo de suelo, son usar solos y se deberían acompañar, por ejemplo, con
factores críticos que hacen que las variables de super- otros de probabilidad de umbrales más bajos. Pero,
ficie sean más complicadas de simular y de predecir. al menos, el predictor tendría idea de las máximas
Dentro de las variables de superficie, la precipitación cantidades que se pueden llegar a producir en cada
está entre las peores, sin lugar a dudas. Es tremen- punto, aún a sabiendas que su ubicación puede variar
damente discontinua, es difícil tanto de medir como significativamente. Este tipo de mapas son, desde hace
de simular o predecir, es afectada por la orografía, mucho, usuales en el NCEP y el NWS de EE. UU.,
pero en conjunción con el viento y otros factores que pero en España todavía no está implantado su uso
complican el efecto enormemente. operativo. 13.6.11 en la página 187
En el capítulo de predicción probabilista abordamos, Comunicación de la probabilidad y la incertidumbre

en un anexo (sec. 27.13 en la página 437), la dificultad en la predicción. La comunicación de la incertidum-
añadida que tiene la predicción probabilista de la pre- bre y la probabilidad en la predicción tiene importan-
cipitación cuando vamos aumentando la resolución cia capital, motivando numerosos estudios [1, 336,
de los SPC. Resumimos a continuación lo que allí se 355, 615] y, en este libro, el capítulo 40 en la pági-
describe. Los SPC arrojan salidas de un número de na 615. La sociedad se siente muy implicada en las
previsiones meteorológicas. El público general se sien- aquellas zonas, dentro del dominio de interés (e. g. pe-
te capaz de entender procesos de una complejidad que nínsula ibérica), en las que hay riesgo de los distintos
en el fondo está fuera de su entendimiento y, por otro umbrales de aviso, mediante mapas de probabilidad
lado, en esta sociedad del riesgo la prevención de pér- asociados. Para cada variable y cada umbral (amari-
didas socioeconómicas es capital. El ser humano, con llo, naranja, rojo) tendremos un mapa de probabilidad
su tendencia al ahorro cognitivo (generalizar) simpli- asociado.
fica mucho la información meteorológica, en el fondo
muy compleja, de modo que prefiere una información En este contexto, surge un problema relacionado con
determinista escueta, aunque sea más susceptible de los mecanismos de decisión: imaginemos que, en
error, que la riqueza de una información probabilista. una zona concreta de España definida en Meteoalerta,
El marco de la experiencia de cada individuo hace e. g. Rías Baixas, tenemos las siguientes probabilida-
que la valoración de las predicciones no pueda ser des de distintos umbrales de un FMA, e. g. tormentas:
objetiva. 50 % de probabilidad de superar el umbral amarillo,
pero simultáneamente 15 % de superar el naranja y,
Otro sesgo cognitivo es el efecto de encuadre: se- también, 8 % de superar el rojo (una cosa no quita la
gún se presente la información podemos interpretar otra). ¿Cómo puede gestionar el centro de emisión de
una cosa u otra. Por tanto, la forma de presentar y avisos esta situación? ¿Qué aviso es conveniente emi-
transmitir la información meteorológica plantea un tir? ¿Qué influencia tiene en la decisión el tamaño del
problema específico [144]. Por todo ello, es crucial área, la extensión geográfica del evento potencialmen-
para los comunicadores meteorológicos comprender te previsto? Desde luego, no es una decisión sencilla.
la psicología del usuario final, considerando el signifi- Si el área de la zona es importante, lo es aún más
cado de la predicción pero también cómo el usuario el impacto socioeconómico potencial: aquellas zonas
la «escucha» [336]. más pobladas, con grandes áreas metropolitanas, son
las más críticas y donde incluso una probabilidad pe-
Dos estudios del Centro de Investigaciones Socio- queña debe tenerse en consideración. Por otro lado,
lógicas (CIS) Percepción social de la ciencia y la la aplicación estricta de las normas Meteoalerta nos
tecnología (2006 [120]) y Percepción de la meteorolo- permite emitir avisos de un color determinado con
gía (2011 [121]) profundizan en estos aspectos, como una probabilidad asociada. Se argumenta mucho que
mostramos en las secciones 40.1.3 en la página 617 el usuario no mira esas probabilidades emitidas, pero
y 40.1.4 en la página 618. Dos grandes profesionales este argumento se puede discutir.
de la comunicación, J OSÉ M IGUEL V IÑAS y M Ó -
NICA L ÓPEZ , exponen su visión personal del reto Si se presta atención a una formación y coordinación
de comunicar probabilidad e incertidumbre, respec- rigurosas, el acompañar el aviso de una probabilidad
tivamente, en los medios en general (sec. 40.2 en la es una poderosísima herramienta para la toma de de-
página 621) y en la televisión (sec. 40.3 en la pági- cisiones, y no debe soslayarse su utilidad. Por último
na 625). debemos añadir que la experiencia e inteligencia del
predictor humano es factor clave en todo el proceso
de toma de decisiones en estas situaciones.
Fenómenos meteorológicos adversos. Los SPC son
herramientas muy poderosas e indispensables para la
predicción de fenómenos meteorológicos extremos y Canarias. La modelización de la atmósfera es par-
de fenómenos meteorológicos adversos (FMA), particularmente difícil en zonas costeras y, sobre todo,
ticularmente en escalas convectivas y especialmente en zonas de acusado relieve. Los fenómenos meteo-
para variables complejas como la intensidad de preci- rológicos en zonas de elevado gradiente de altitud
pitación o la precipitación acumulada. El plan Meteoa- son difíciles de simular, al igual que las prediccio-
lerta (cap. 41 en la página 627) define los umbrales nes correspondientes. Como se comenta en diversas
de peligrosidad de cada fenómeno adverso atendien- ocasiones en el libro, la orografía del modelo o SPC
do a los impactos potenciales en cada zona: amarillo, es crucial para el realismo de sus resultados: descri-
naranja y rojo. bir con cierto realismo la topografía del terreno es
condición necesaria para conseguir realismo en la me-
Con la ayuda de una buena herramienta de ordena- teorología. La orografía de los modelos y SPC ha
dor basada en las salidas de un SPC (cap. 35 en la mejorado ostensiblemente en los últimos años, más o
página 569), podemos tener una primer esbozo de menos a la par con su resolución horizontal. Se ofrece
61.4 Futuro de la predicción del tiempo 923
una perspectiva gráfica en el anexo A en la página 927, mejoras en las predicciones/proyecciones en escalas
donde podemos comprobar, como ejemplo, que en los o plazos mayores (ver sec. 28.1.8 en la página 458).
años 80 y 90 el Estrecho de Gibraltar no se tenía en
cuenta. Podemos, además, ampliar esa concepción extendién-
dola también a la observación en tiempo real. Así,
La región española que más dificultades plantea en desde la observación pasaríamos al nowcasting, lue-
este aspecto es el archipiélago canario. Con su acusa- go al muy corto plazo, al corto, al medio y al largo
dísimo relieve, con altitudes máximas muy elevadas plazo, con toda la información integrada en la misma
(Teide 3718 metros en Tenerife, Roque de los Mucha- plataforma y sin saltos aparentes entre distintos pla-
chos 2426 metros en La Palma, Pico de las Nieves zos. En el ámbito de Meteoalerta, en la emisión de
1956 metros en Gran Canaria, etc.), a escasos kilóme- avisos puede mejorarse todavía mucho la difusión de
tros del océano, convierten a estas islas en un auténtico los mismos, en tiempo y en contenidos, mejorando
reto, tanto para modelizadores como para predictores asimismo la coordinación con protección civil. Por
operativos. En 2014 Óscar García Colombo, por aquel ejemplo, numerosos usuarios especializados reciben
entonces Delegado de AEMET en Canarias, mani- información en tiempo real de la Dirección General
festaba en una entrevista al diario La Opinión, en de Tráfico (DGT) en formato visual e interactivo, pero
Tenerife, que «No hay ordenador capaz de simular el la información meteorológica les sigue llegando por
tiempo del Archipiélago» [328]. Hace una década era fax en formatos muy escuetos. Es preocupante que,
normal que, de los cuatro puntos de malla del modelo con los recursos disponibles y el esfuerzo dedicado
más cercanos al Teide, los cuatro estuviesen en el mar. a hacer predicciones de calidad, en ocasiones lo que
Obsérvese la «representatividad». llegue al usuario sea una información muy filtrada y
A día de hoy, la situación ha mejorado bastante, pe- degradada.
ro sigue habiendo aún mucho camino por andar. El
En la sección 4.4.6 en la página 45 hemos emitido
modelo HARMONIE-AROME (sec. 20.4 en la pá-
conclusiones acerca del futuro valor añadido del pre-
gina 310) se integra en un dominio específico para
dictor. Es de suponer que los modelos y SPC seguirán
Canarias, con una resolución horizontal de 2.5 km;
mejorando, de modo que el predictor tendrá progre-
pueden verse algunos resultados en el capítulo 56 en
sivamente menos margen para la corrección de ses-
la página 839. El SPC AEMET-γSREPS (cap. 22 en
gos sistemáticos (hace 15 años un predictor mejoraba
la página 333), se integra a esa misma resolución, en
enormemente las salidas de los modelos, ahora ya no
la actualidad en Península y Baleares y pronto en Ca-
tanto), aunque en aspectos como los fenómenos adver-
narias. Se tiene idea de que para obtener resultados
sos, es probable que todavía pueda seguir aportando
razonablemente realistas hay que integrar modelos a
mucho, sin olvidarnos de la predicción de la convec-
resoluciones de 1 km o, a ser posible, 500 m. Ya se han
ción y de la vigilancia meteorológica. En cualquier
hecho algunas pruebas con resultados prometedores,
caso, el valor añadido evolucionará, aunque todavía en
aunque aún queda un tiempo para poner en marcha
direcciones que no podemos vislumbrar con claridad,
algo sistemático.
encaminándonos hacia esa «predicción operativa 2.0».
El margen actual de mejora en los centros operativos
Papel del predictor en el futuro. Existe un desfase no está en la automatización de la predicción, sino en
entre el desarrollo de herramientas para la predicción muchos otros aspectos.
operativa y la propia operatividad, debido a cuestiones
de organización y de poco equilibrio en el reparto de Las nuevas tecnologías de la información y las comu-
los recursos. Este desfase debería ser cada vez menor. nicaciones son un primer referente de mejora. El plan
Por otro lado, se está vislumbrando un camino hacia Meteoalerta podría estar disponible en los teléfonos
lo que denominamos predicción sin costuras o sin dis- móviles, por ejemplo.
continuidades (seamless): una cadena de modelos y
SPC para cada escala y plazo (van relacionados), pero El papel de las redes sociales para la distribución
que enganchen unos con otros sin saltos bruscos. El de la información, así como para la obtención de
término seamless, aplicado a la modelización climá- nuevos datos (e. g. SINOBAS, el sistema de AE-
tica, también se refiere a un mismo modelo o SPC MET de recogida de información ciudadana https:
utilizado para diferentes escalas/plazos, permitiendo, //sinobas.aemet.es/), es crucial, y una parte del
por ejemplo, que la posibilidad de verificación en es- personal de meteorología puede dedicarse a la supervi-
calas o plazos menores, se pueda aplicar aportando sión. Los modelos conceptuales, fundamentales para
la escala sinóptica, no están tan presentes en la predic- Otro importante ámbito de cultivo del valor añadido
ción operativa para la mesoescala y aún menos para es la verificación de los modelos y SPC, así como
la escala convectiva, pero esos modelos conceptua- la monitorización de los mismos y de herramientas
les existen: falta ahí una labor de formación que se derivadas. Existen, por ejemplo, herramientas de se-
ha debilitado bastante. Podrían automatizarse algunas guimiento y extrapolación de fenómenos convectivos,
tareas mecánicas que continúan haciendo los predicto- que requieren esa monitorización.
res por razones diversas, principalmente por falta de
recursos.
El papel de relevancia creciente de la predicción pro- Es importante, tanto en el momento actual como en
babilista, aunque puede retrasarse por la renuencia de la evolución próxima, ir revisando el estado del arte
muchos usuarios, ofrecerá a los predictores la oportu- en predicción, sondear el tipo de servicios meteoro-
nidad de orientar una parte de sus tareas hacia aseso- lógicos demandados por la sociedad, reclamando así
ramiento técnico y consultoría sobre la interpretación la importancia de nuestra profesión. Es capital evitar
y uso de los productos probabilistas [473], tanto para la automatización a ciegas, motivada a menudo por la
usuarios especializados (e. g. protección civil, avia- presión externa de reducción de personal. Aquellos
ción, etc.) como generales. En esa línea los predictores que apuestan por la automatización completa del pro-
podrían participar activamente en el diseño de produc- ceso predictivo (apuesta que se lleva haciendo desde
tos específicos. La formación de los usuarios es un los años 70, por parte de ciertos sectores) demuestran
aspecto de vital importancia en este sentido, y los estar lejos de la realidad de dicho proceso. Intentemos
servicios meteorológicos debemos poner un poco de que, en el debate de estos temas sobre el futuro de
presión en el uso de la predicción probabilista, dado la predicción, tengan voz todos los eslabones de la
que es fiable y dado que es rentable. cadena. Así lo esperamos.
Parte IX
Anexos
Parte IX Anexos
Algunos aspectos que pueden complementar los contenidos expuestos en las distin-
tas partes del libro, se abordan ahora en estos anexos, que esperamos sean de interés,
al menos tanto como las partes principales. Una introducción a la probabilidad no
podía faltar en este volumen y, de hecho, hemos dudado mucho en integrarla en la
parte de fundamentos, que ya estaba muy abultada. Las orografías de los principa-
les modelos y sistema(s) de predicción por conjuntos (SPC) aparecidos en el libro
se enseña en una serie de mapas muy detallados, que pueden engrosar la lista de
referencias básicas de la predicción operativa o ilustrar a los no iniciados en la di-
ficultad de los modelos para “ver” muchos fenómenos de influencia orográfica. En
el cine y la literatura encontramos numerosos casos en los que el caos o los fenó-
menos meteorológicos adversos, sin olvidar el cambio climático, son protagonistas;
no hemos querido dejar pasar la ocasión de hacer una modesta reseña para algunas
películas o novelas seleccionadas en un anexo. La terminología particular derivada
de los SPC ocupa otro anexo. Dando un toque artístico precioso para el libro, al-
gunos capítulos presentaban pequeños retratos de personajes, históricos o actuales,
importantes en algunos de los aspectos abordados; todos esos retratos se recopilan,
a página completa, en un anexo que cierra esta parte.
Página anterior: cumulus sobre entorno cercano a Valdemorillo, fotografía tomada por
J UAN C ARLOS G ARCÍA C OLOMBO.
Orografías de los sistemas
A
DOI: 10.31978/014-18-009-X.A
::chapaginaini::A::927::
J OSÉ H IERRO C ARNICERO
Delegación territorial (DT) en Galicia, Agencia Estatal de Meteorología (AEMET)
El mapa no es el territorio.
Frase usada por A LFRED KORZYBSKI, desarrollador de la Semántica – E RIC T EMPLE B ELL, Matemático
Escocés
Los modelos atmosféricos y los sistemas de predicción por conjuntos correspondientes manejan un campo
llamado orografía, usualmente descrito mediante la altura geopotencial en superficie (sec. 10.1 en la página 130)
y que representa con una cierta precisión las elevaciones del terreno sobre el nivel medio del mar en el dominio
en el que el modelo resuelve sus ecuaciones. Es de vital importancia para una representación realista de los
fenómenos meteorológicos una orografía al menos tan fina como la propia resolución horizontal del modelo. En
décadas pasadas, en nuestras regiones los modelos manejaban orografías tremendamente simples donde, por
ejemplo, el estrecho de Gibraltar no existía y Europa estaba conectada con África, algunas de la islas Canarias
no estaban, etc. En este anexo queremos ofrecer dos enfoques. Por un lado, una perspectiva en cierto tiempo
del avance en la resolución del modelo ECHRES (sec. 19.2 en la página 291) y del sistema de predicción por
conjuntos (SPC) ECENS (sec. 19.3 en la página 293), ambos del Centro Europeo de Predicción a Medio Plazo
(ECMWF, cap. 19 en la página 289). Por otro lado, un panorama relativamente completo de las orografías
actuales de estos sistemas, recorriendo diferentes escalas: península ibérica y Baleares, Canarias, Galicia y Rías
Baixas. Este segundo enfoque se ofrece también para el modelo no hidrostático mesoescalar HARMONIE-
AROME (sec. 20.4 en la página 310), también usado en AEMET, orografía en este último caso equiparable a la
del SPC AEMET-γSREPS (sec. 22 en la página 333).
Palabras clave: orografía de los modelos y sistemas de predicción por conjuntos, ECHRES, ECENS, HARMONIE-
AROME.
Imagen parte superior: nubes orográficas. Chamonix (Francia), hacia el este, 20 de julio de 2009 a las 08:55. Fotografía de J OSÉ
928 Física del caos en la predicción meteorológica Anexo A. Orografías de los sistemas
Figura A.1: Orografías contorneadas de ECHRES y ECENS antes de 2000.

A.1 ECHRES y ECENS antes de 2000 929
Figura A.2: Orografías en puntos de malla (grid) de ECHRES y ECENS antes de 2000.
Figura A.3: Orografías contorneadas de ECHRES y ECENS desde noviembre de 2000.

A.2 ECHRES y ECENS 2000 931
Figura A.4: Orografías en puntos de malla (grid) de ECHRES y ECENS desde noviembre de 2000.
Figura A.5: Orografías contorneadas de ECHRES y ECENS desde febrero de 2006.

Figura A.6: Orografías en puntos de malla (grid) de ECHRES y ECENS desde febrero de 2006.
Figura A.7: Orografías contorneadas de ECHRES y ECENS desde enero de 2010.

Figura A.8: Orografías en puntos de malla (grid) de ECHRES y ECENS desde enero de 2010.
Figura A.9: Orografías contorneadas de ECHRES y ECENS desde marzo de 2016.

Figura A.10: Orografías en puntos de malla (grid) de ECHRES y ECENS desde marzo de 2016.
Figura A.11: Orografías contorneadas de ECHRES y ECENS desde marzo de 2016, para Canarias.
A.6 ECHRES y ECENS 2016: Canarias 939
Figura A.12: Orografías en puntos de malla (grid) de ECHRES y ECENS desde marzo de 2016, para Canarias.
Figura A.13: Orografías contorneadas de ECHRES y ECENS desde marzo de 2016, para Galicia.
A.7 ECHRES y ECENS 2016: Galicia 941
Figura A.14: Orografías en puntos de malla (grid) de ECHRES y ECENS desde marzo de 2016, para Galicia.
Figura A.15: Orografías contorneadas de ECHRES y ECENS desde marzo de 2016, para Rías Baixas.
A.8 ECHRES y ECENS 2016: Rías Baixas 943
Figura A.16: Orografías en puntos de malla (grid) de ECHRES y ECENS desde marzo de 2016, para Rías Baixas.
Figura A.17: Orografías contorneadas de HARMONIE-AROME, para Península y Baleares y Canarias.

A.9 HARMONIE-AROME 2016: Península y Baleares y Canarias 945
Figura A.18: Orografías en puntos de malla (grid) de HARMONIE-AROME, para Península y Baleares y Canarias.
Figura A.19: Orografías contorneadas de HARMONIE-AROME, para Rías Baixas.

A.10 HARMONIE-AROME 2016: Galicia y Rías Baixas 947
Figura A.20: Orografías en puntos de malla (grid) de HARMONIE-AROME, para Rías Baixas.
::chapaginafin::A::947::
Probabilidad: curiosidades B
DOI: 10.31978/014-18-009-X.B
::chapaginaini::B::949::
Another mistaken notion connected with the law of large numbers is the idea that an event is more or less
likely to occur because it has or has not happened recently. The idea that the odds of an event with a fixed
probability increase or decrease depending on recent occurrences of the event is called the gambler’s fallacy.
For example, if Kerrich landed, say, 44 heads in the first 100 tosses, the coin would not develop a bias towards
the tails in order to catch up! That’s what is at the root of such ideas as “her luck has run out” and “He is due”.
That does not happen. For what it’s worth, a good streak doesn’t jinx you, and a bad one, unfortunately , does
not mean better luck is in store.
The Drunkard’s Walk: How Randomness Rules Our Lives – L EONARD M LODINOW
¿Cómo osamos hablar de leyes del azar? ¿No es, acaso, el

azar la antítesis de cualquier ley?
Calcul des Probabilités – B ERTRAND RUSSELL
La teoría de la probabilidad, una parte de la teoría matemática denominada de la medida, nos puede ayudar a
entender el mundo que nos rodea y los acontecimientos que en él suceden de una forma más natural que otras
concepciones. Su aplicación en el dominio científico y técnico ha permitido conformar teorías importantes en
numerosas disciplinas y la meteorología no es una excepción: nuestro modo de describir y computar la evolución
de la atmósfera lleva asociada una incertidumbre, que se puede plasmar en términos de probabilidades. No
obstante, algunos de sus aspectos pueden desafiar el sentido común. En este anexo completamos algunas ideas de
probabilidad en los sistema(s) de predicción por conjuntos (SPC), mostrando unas pinceladas de esos aspectos
curiosos que salen de la experiencia cotidiana.
Palabras clave: probabilidad, teorema de BAYES, problema de M ONTY H ALL, problema del cumpleaños.
Imagen parte superior: nube bandera en el Cervino/Matterhorn (4478 m), Zermatt (Suiza), hacia el suroeste, 24 de julio de 2011, a las
950 Física del caos en la predicción meteorológica Anexo B. Probabilidad: curiosidades
B.1 Teorema de Bayes para tests ra la intuición: habiendo resultado positivo el test, la
probabilidad de que el individuo esté enfermo es sólo
no perfectos
de un 33 %, más pequeña que la probabilidad de es-
tar sano. Este hecho se debe a la baja proporción de
Imaginar un test de masculitis (enfermedad ficticia
enfermos (0.5 %). Si, por ejemplo, se aplica el test a
que aparece en la película El último varón sobre la
1000 individuos, esperamos encontrar a 5 enfermos
Tierra, de JAMES T INLING, 1933). Este test tiene una
y a 995 sanos. De los 995 sanos, esperamos unos
sensibilidad (propiedad estadística) del 99 %: dará un
0,01 × 995 ≈ 10 falsos positivos. De los 5 individuos
99 % de positivos en una muestra de enfermos. Por
enfermos, esperamos unos 0,99 × 5 ≈ 5 verdaderos
otro lado, su especifidad (otra propiedad estadística,
positivos. De modo que de los 15 resultados positivos
complementaria de la sensibilidad) es también del
del test, sólo 5 son verdaderos enfermos.
99 %: dará un 99 % de negativos en una muestra de
individuos sanos. El test solo es perfecto si tanto su
especificidad como su sensibilidad estadísticas son El factor especificidad juega un importante papel en
del 100 %, lo cual no se da habitualmente y se ha de este ejemplo paradigmático. Incluso elevando la espe-
asumir que estos tests no son perfectos. Se ha calcula- cificidad al 100 %, si la sensibilidad sigue siendo del
do que un 0.5 % de la población ha caído víctima de 99 %, la probabilidad de que la persona esté realmente
la extraña enfermedad. enferma tras un test positivo solo sube de 33.2 % a
33.4 %. Sin embargo, manteniendo la sensibilidad al
Si se selecciona un individuo al azar, se le hace el test 99 % y subiendo la especificidad al 99.5 %, entonces
de masculitis y da positivo, ¿cuál es la probabilidad la probabilidad citada sube de 33.2 % a 49.9 %.
de que realmente esté enfermo?
La aplicación del teorema de Bayes a este tipo de dis-

La intuición humana, sujeta a numerosos sesgos cogni- yuntivas puede ilustrarse y percibirse mejor mediante
tivos y otros condicionamientos (ver sec. 40.1.2 en la un diagrama de árbol como el de la Figura B.1. Este
página 616), a menudo comete grandes errores en es- diagrama corresponde a la denominada interpretación
tas estimaciones que, en ocasiones, pueden dar lugar a frecuentista del teorema de BAYES, que no coincide
tomar peores decisiones. Para dar una respuesta preci- con la interpretación bayesiana del mismo.
sa, podemos aplicar el teorema de BAYES (sec. G.1.7
en la página 1024). Usaremos la siguiente notación:
individuo enfermo de masculitis, im; individuo sano,
is; test positivo, t p; test negativo, tn.
La probabilidad de que, habiendo resultado positivo

el test, el individuo esté realmente enfermo de mascu-
litis, se expresa mediante probabilidad condicionada
P(im|t p), que podemos calcular mediante el teorema
de BAYES (ec. G.11 en la página 1024):
Figura B.1: Diagrama de árbol que ilustra el abanico
P(t p|im)P(im) de casos de enfermos de masculitis (im) e individuos
P(im|t p) =
P(t p) sanos (is), conjuntamente con los resultados positivos
(tp) y negativos (tn) del test de la extraña enfermedad (la
Con P(t p) = P(t p|im)P(im) + P(t p|is)P(is) resulta:
intersección ∩ se denota como &). Obsérvese que hay
P(t p|im)P(im) un 99.5 % de individuos sanos y un 0.5 % de afectados.
P(im|t p) = Cada grupo se desdobla según los factores, respecti-
P(t p|im)P(im) + P(t p|is)P(is)
vamente de especificidad y sensibilidad, propiedades
Sustituyendo los valores numéricos: estadísticas. Las cajas de la derecha son las probabili-
dades conjuntas de un tipo de test y un tipo de individuo.
0,99 × 0,005 A partir del diagrama pueden deducirse otras proba-
P(im|t p) = ≈ 33,2 %
0,99 × 0,005 + 0,01 × 0,995 bilidades. Por ejemplo, la probabilidad de que, dado
un test positivo, el individuo esté realmente enfermo,
es decir P(im|t p) que, con el teorema de BAYES, es
P(t p∩im) 0,495
P(im|t p) = = ≈ 0,332 ≈ 33 %
Esta probabilidad, a menudo, resulta sorprendente pa- P(t p∩im)+P(t p∩is) 0,495+0,995
B.2 El problema de Monty Hall 951
B.2 El problema de Monty Hall Reglas del juego de M ONTY H ALL. Se tienen tres
cajas cerradas (Figura B.2), en una de las cuales, se-
El de M ONTY H ALL es un problema de lógica y proba- leccionada al azar, se ha escondido un premio. En la
bilidad originalmente planteado y resuelto por S TEVE primera fase del juego, con el objetivo de encontrar
S ELVIN [574, 575], profesor de bioestadística en la el premio, el concursante ha de elegir una de las tres
Universidad de California, Berkeley. El problema se cajas (digamos la amarilla en la Figura B.2). Una vez
hizo famoso en los medios en EE. UU., en el programa elegida, ésta no se abre, sino que queda señalada. En
de televisión Let’s make a deal, originalmente del pre- la segunda fase del juego el presentador, para ayudar
al concursante, abre una de las dos cajas restantes,
sentador y productor M ONTY H ALL, dando nombre
mostrando que está vacía (la de la derecha en la Figu-
popular al problema y, posteriormente, en una carta ra B.2), de modo que sólo quedan dos cajas cerradas:
de C RAIG W HITAKER en el apartado Ask Marilyn la que eligió el concursante (amarilla) y otra caja (cen-
(M ARILYN VOS S AVANT) de la revista Parade [675]. tro). En la tercera fase del juego, el concursante tendrá
El problema tiene una solución relacionada con proba- la opción de plantarse con la caja que eligió al prin-
bilidades, para muchos una solución poco intuitiva e, cipio (amarilla), o bien cambiar y elegir la otra caja
incluso, controvertida. El problema está estrechamen- (centro).
te relacionado con el Problema de los tres prisioneros
Estrategia. Hay varios aspectos interesantes en este
[222, 223] y, también, con la más antigua Paradoja de
juego. Uno de ellos es: ¿hay alguna estrategia ga-
B ERTRAND [49, 153]. A continuación presentamos nadora? ¿Es mejor plantarse con la caja elegida al
el problema, o juego, en un contexto de juego de ca- principio? ¿Es mejor cambiar? ¿O es indiferente?
jas con premio en un concurso típico televisivo. Para
ilustrar convenientemente el proceso de razonamiento Probabilidades. Otro aspecto a tener en cuenta son
pondremos nuestra atención en la Figura B.2 mientras las probabilidades de conseguir encontrar el premio
vamos respondiendo a las preguntas y resolviendo el en cada fase del juego: ¿cuál es la probabilidad de
encontrar el premio en la primera fase? ¿cuál es la
problema.
probabilidad de encontrarlo en la tercera?
En la primera fase del juego el concursante debe ele-

gir, al azar, una de las tres cajas. La probabilidad de
elegir la caja con el premio es de:
casos favorables 1
=
casos posibles 3
En ese punto hay acuerdo general. Una vez elegida

la caja, en la segunda fase del juego, el presentador
ayuda al concursante abriendo una de las dos cajas
restantes, que no contiene el premio: está vacía. Ahí
empieza la tercera fase del juego: el concursante de-
berá elegir una de las dos cajas: bien plantarse con la
caja que había elegido al principio, o bien cambiar a
la otra caja que el presentador no ha abierto. Muchas
personas piensan que, en este punto, la probabilidad
de elegir la caja con el premio es de 12 . ¿Piensa usted
de este modo?
Figura B.2: Reglas del juego de M ONTY H ALL .

Figura B.3: Espacio muestral en el juego de M ONTY H ALL .
Fuera de contexto, es una respuesta lógica: tenemos a la caja no elegida al principio, en resumen, es mejor
dos cajas (eso sí que es vivir el presente) y, por tan- cambiar (flecha negra de ida). Por último, en la fila
to, la probabilidad de elegir la caja con el premio inferior también es mejor cambiar (flecha negra de
es: ida). Repasando y contando, resulta que en 1 de los 3
casos es mejor plantarse y en 2 de los 3 casos es mejor
casos favorables 1 cambiar. Por tanto, las probabilidades de encontrar el
casos posibles
=
2 premio, en la tercera fase del juego, no son 12 y 12 , sino
que son 13 y 23 si, respectivamente, nos plantamos o
cambiamos de caja. Empezamos así, respondiendo a
las preguntas de probabilidades. En la primera fase la
Que levante la mano quien piense así: mucha gente. probabilidad de encontrar el premio era de 13 y, en la
tercera fase, no es 12 , sino 13 y 23 si, respectivamente,
Examinemos el espacio muestral mediante la Figu-
nos plantamos o cambiamos de caja.
ra B.3, conceptualmente similar a los diagramas de
árbol tipo BAYES mostrados en la sección B.1 en la Es especialmente interesante, desde el punto de vis-
página 950. En la parte izquierda de la figura desplega- ta psicológico, el hecho de que mucha gente piensa
mos, para la primera fase del juego, las tres opciones inmediatamente en la probabilidad de 12 en la terce-
posibles. De las tres cajas, digamos que el concursante ra fase. ¿Porqué es así? La clave de la cuestión es
elige la de la izquierda. Este hecho es irrelevante pues, que considerar, en esa tercera fase, que «tenemos dos
por simetría, pueden construirse espacios idénticos cajas y ya está» es una descontextualización. No es
con el concursante eligiendo la del centro o la de la tan sencillo como decir «ya está», porque no está to-
derecha, sin alterar las conclusiones. De modo que, do: había una tercera caja, que el presentador, para
por simplicidad, estudiamos los casos en que la caja ayudar al concursante, ha abierto y descartado. Se ha
elegida (en amarillo) es la de la izquierda. Hay tres ca- añadido, de algún modo, información en el problema.
sos posibles: que el premio (pirámide roja) esté en la Hay una propensión, en la mente humana, tanto al
caja izquierda (ilustrado en la fila superior), que esté efecto de encuadre (ver sec. 40.1.2 en la página 616)
en la caja central (fila del centro) o que esté en la caja como a la descomposición analítica. Esta última es
derecha (fila inferior). En la segunda fase del juego, el una poderosa herramienta que, no obstante, en ocasio-
presentador ayuda al concursante abriendo una de las nes lleva a descontextualizar un problema, perdiendo
cajas que el concursante no había elegido, y que ha de así información relevante.
estar vacía. En el caso de la fila superior, puede abrir
indistintamente la caja central o la derecha, digamos Intentemos ahora abordar las otras preguntas, relacio-
que la derecha. En la fila central sólo puede abrir la de- nadas con la estrategia. En teoría de juegos se habla
recha y en la inferior sólo puede abrir la central. En la de estrategia ganadora (en juegos de longitud infinita)
tercera fase del juego, el concursante deberá decidir si cuando existen unas pautas que inclinan la victoria
plantarse o cambiar de caja. Veamos la mejor opción hacia algún jugador. ¿Existe estrategia ganadora en
en cada caso. En la fila superior es mejor plantarse, este juego de M ONTY H ALL? Hemos visto que, en la
quedarse con la caja elegida inicialmente (flecha negra tercera fase del juego las probabilidades son 13 y 23 si,
de ida y vuelta). En la fila del centro es mejor cambiar respectivamente, nos plantamos o cambiamos de caja.
B.2 El problema de Monty Hall 953
Es evidente que es mejor cambiar y ésa ha de ser la Ci el premio está en la caja i. Se cumple que
estrategia ganadora. Ahora bien, ¿garantiza esta estra- P(Ci ) = 13 . Ver Tabla B.1.
tegia ganar todas y cada una de las jugadas? Desde Bi el concursante, en la primera fase del juego, eli-
luego que no. Puedo jugar una vez y perder, la proba- ge la caja i. Podemos pensar en sucesos conjuntos,
bilidad de ganar es de 23 . Lo que sí sabemos es que, si como por ejemplo B1 ∩C1 que sería la probabilidad
jugamos un gran número de veces, ganaremos aproxi- de que que el concursante haya encontrado el pre-
madamente en 23 de las ocasiones: ganaremos de for- mio, siempre que éste estuviera en la primera caja,
ma estadística. Si jugamos, por ejemplo, 1000 veces, etc.
esperamos (valor esperado) ganar en 23 × 1000 ≈ 667 B el concursante, en la primera fase del juego, elige
ocasiones. Sabemos también que la realidad no se la caja donde está el premio, sea cual sea la caja.
adapta a nuestros modelos (por mucho que algunos lo Fi es la apertura, por parte del presentador, de una
intenten): puestos a jugar, ganaremos, por ejemplo, en cualquiera de las cajas no elegidas por el concur-
659 ocasiones, o en 651, o en 678, pero es difícil que sante, que debe estar vacía, digamos la caja i.
ganemos exactamente en 667 ocasiones. F es la apertura, por parte del presentador, de una
cualquiera de las cajas no elegidas por el concur-
Bien. ¿Y qué tiene este juego que ver con los SPC? sante, que debe estar vacía.
Pues tiene mucho que ver, sobre todo con la verifica-
ción de los mismos. Los SPC ofrecen predicciones En la Tabla B.1 podemos ver probabilidades asociadas
del tiempo en forma de probabilidades. De un modo al suceso Fi en diferentes casos.
similar al de este juego, la estrategia ganadora existe
porque hay ingredientes internos al juego que dan pro- En este punto es clave notar que B y F no son sucesos
babilidades de ganar superiores (o muy superiores) a independientes.
1
2 . Pero el precio a pagar es que nadie nos garantiza
ganar jugando una sola vez: hay que jugar muchas Fi C1 C2 C3
veces. En predicción probabilista, el hecho de dar, por B1 ∩C3 0 1 0
ejemplo, un 30 % de probabilidades de que llueva ma- B2 ∩C3 1 0 0
1 1
ñana en Almendricos, no será contrastable siquiera B3 ∩C3 2 2 0
con la precipitación observada al día siguiente. Pero
utilizando la predicción probabilista durante todos los Tabla B.2: Tabla de probabilidades en el juego de
M ONTY H ALL .
días del año, finalmente podremos hacer un balance
con sentido (ver, por ejemplo, sección 15.10 en la pá-
gina 234) y comprobar que usar predicciones de un
Normalizando las tres últimas filas de la Tabla B.2,
SPC es una estrategia ganadora lo que implica, en el
resulta la Tabla B.3. Los sucesos descritos tienen el si-
sentido del valor económico relativo (sección 15.10
guiente significado: D1 cambiamos la elección inicial
en la página 234), que es más rentable que otras estra-
de caja, D2 cambiamos la elección inicial de caja, D3
tegias.
nos plantamos con la caja que elegimos inicialmente.
C1 C2 C3
1 1 1
C1 C2 C3
3 3 3 1
D1 0 3 0
1
Tabla B.1: Tabla de probabilidades inicial en el juego D2 3 0 0
de M ONTY H ALL . 1 1
D3 6 6 0
Tabla B.3: Tabla de probabilidades normalizada en el

juego de M ONTY H ALL .
Profundicemos un poco más en el aspecto de la infor-
mación que aporta el presentador del juego al abrir
una de las cajas que no elige el concursante. Para ello,
vamos a definir sucesos asociados a cada fase del jue- La probabilidad de encontrar el premio cambiándose
go y, a continuación, construiremos unas tablas con viene dada por P(D1 ) + P(D2 ) = 31 + 13 = 23 , mientras
probabilidades individuales y marginales, asociadas a que la probabilidad de ganar el premio plantándose
dichos sucesos. viene dada por P(D3 ) = 31 . Recuperamos, con esta
notación, el resultado alcanzado anteriormente. Ahora
Consideremos los sucesos siguientes: introducimos la teoría de la información.
Teoría matemática de la información. La denomi- Para la tercera fase, la entropía vendrá dada por la
nada teoría matemática de la información (en inglés expresión:
Mathematical Theory of Communication) [74, 351],
3
estudia la cuantificación, el almacenamiento y la co- 1
H(X|Y ) = ∑ P(Ci ∩ D) log2 =
municación de la información. C LAUDE E. S HAN - i, j=1 P(Ci )
NON fue pionero en esta concepción en 1948 [576],
1
estudiando procesamiento de señales y aspectos co- +0 + P(C2 ∩ D1 ) log2 +0
mo compresión de datos. Entre sus numerosas apli- P(C2 )

caciones están la ya mencionada compresión de da- 1
+P(C1 ∩ D2 ) log2 +0+0
tos, tanto sin pérdida (lossless) como con filtrado de P(C1 )
información innecesaria (lossy), codificación de ca-

1
nales, etc. Se ha utilizado en las misiones Voyager, +P(C1 ∩ D3 ) log2 +
P(C1 )
inventos como el CD, telefonía móvil, desarrollo de
1
Internet, estudios de lingüística y de la percepción + P(C2 ∩ D3 ) log2 +0
humana y comprensión de los agujeros negros, entre P(C2 )
otras muchas. En teoría de la información se trabaja Sustituyendo:
con entropía. La entropía es una magnitud común en
física, asociada al desorden, en particular al número 1
H(X|Y ) = 0 + log2 2 +0
de estados posibles de un sistema. 3
1
+ log2 2 +0 +0
3
1 1
+ log2 2 + log2 2 +0 =
6 6
Entropía en teoría matemática de la información.
En este ámbito la entropía es una magnitud clave que Es decir:
cuantifica la cantidad de incertidumbre asociada al 1 1 1 1
valor de una variable aleatoria o al resultado de un H(X,Y ) = + + + =1
3 3 6 6
proceso estocástico. Por ejemplo, puede demostrarse
que el resultado de un lanzamiento de moneda al aire
(sin trucar) provee menos información (entropía más Ahora, la información mutua o balance de entropía
baja) que el resultado de una tirada de dado (asimismo viene dado por:
sin trucar). Para una variable con sucesos xi y proba-
bilidades asociadas p(xi ), la entropía viene dada por I(X,Y ) =H(X) − H(X|Y ) =
la expresión: = log2 (3) − 1 = log2 (3) − log2 (2) =

1
3
H(X) = ∑ p(xi ) log2 (B.1) = log2
p(xi ) 2
Para dos variables: Esta diferencia indica que ha habido una disminución

de incertidumbre, cuantificada como log2 32 , sobre
3
la variable aleatoria X, una vez que conocemos el re-
1
H(X|Y ) ∑ p(xi ∩ yi ) log2 (B.2) sultado sobre la variable aleatoria Y . El presentador ha
i, j=1 p(xi )
añadido información al abrir la caja y esa disminución

de incertidumbre está cuantificada en log2 23 .
Entropía e incertidumbre en el problema de
M ONTY H ALL. Sin profundizar demasiado en los
fundamentos de la teoría, vamos a calcular directa-
mente las medidas de entropía y de pérdida de incer-
tidumbre asociadas al problema de M ONTY H ALL.
Para la primera fase, la entropía correspondiente es:
3
1
H(X) = ∑ P(Ci ) log2 =
i=1 P(Ci )
!
3
1 1 1
=∑ log2 1
= 3 × log2 (3) =
i=1 3 3
3
= log2 (3)
B.3 El problema del cumpleaños 955
B.3 El problema del cumpleaños

364 363
P(3) = × ≈ 0,9918
Numerosos problemas aparentemente inocentes es- 365 365
conden conceptos de probabilidad relativamente sen- Así, la probabilidad de que los 23 alumnos hayan
nacido en días distintos es:
cillos que pueden desafiar el sentido común. Entre los
más conocidos hemos seleccionado el problema del 364 363 343
P(23) = × ×···× ≈ 0,4927
cumpleaños. 365 365 365
Problema del cumpleaños. ¿Cuál es la probabilidad La probabilidad de lo contrario, es decir, del suceso
de que en una clase de 23 alumnos haya algún cum- complementario, será pues:
pleaños repetido?
1 − P(23) = 1 − 0,4927 = 0,5073 ≈ 51 %
A priori y, sin experiencia en problemas y ejercicios

de probabilidad, mucha gente responderá que hay muy Curiosamente, la probabilidad de encontrar dos o más
poca probabilidad. Y estarán equivocados. Construya- cumpleaños repetidos en una clase de 23 alumnos es
mos una respuesta paso a paso. ligeramente superior al 50 %. Con 30 alumnos esa
probabilidad subiría al 70 %, con 50 hasta el 97 % y
con 100 alumnos ya llegamos, redondeando, al 100 %.
En primer lugar calculemos la probabilidad de que dos De forma exacta, hace falta llegar a 366 alumnos para
personas no repitan cumpleaños. Tomemos a la pri-
que resulte imposible la repetición de, al menos, un
mera persona como base y la segunda persona deberá
haber nacido cualquier día, excepto el del cumpleaños cumpleaños. A partir de 61 alumnos ya se supera el
de la primera. Por tanto: 99,5 % y, a partir de 83, se supera el 99,995 %.
364
P(2) = ≈ 0,9973
365
Calculemos, ahora, la probabilidad de que tres per-
sonas no repitan cumpleaños. Volvemos a tomar a la
primera como base, la segunda puede cumplir en 364365
y, siguiendo el razonamiento, la tercera en 363
365 La
.
probabilidad conjunta es, suponiendo que son sucesos
independientes:
::chapaginafin::B::955::
Temas relacionados en el cine y la literatura
C
DOI: 10.31978/014-18-009-X.C
::chapaginaini::C::957::
C ARLOS T ORCAL T ELLO
Analista de Sistemas TI, Coritel
Escritor de cuentos
J OSÉ M IGUEL G ALLARDO
Unidad de Teledetección Terrestre, Agencia Estatal de Meteorología (AEMET)
Escritor
I myself am deep green and very worried about the future of humankind due to what I see as devastating
climate impact events coming down the road in the next 500 years, if we as a world community do not stop
C02 emissions soon. So for me, cli-fi is a fiction genre that might be helpful in waking people up and serving
as an alarm bell.
Cli-fi: could a literary genre help save the planet? – DAN B LOOM, editor que acuñó el término Cli-fi,
entrevista del periodista DAVID H OLMES
Aunque la física del caos en la predicción meteorológica no es abordada como tal, en toda su magnitud, en el
cine o en la literatura, los fenómenos meteorológicos han puesto contexto a numerosas obras y, en menor medida,
la física del caos aparece en unas cuantas. Con no poco esfuerzo, hemos intentado encontrar un cierto número
de referencias en estas formas de arte donde se abordan temas afines a la meteorología o a la teoría del caos
y que pueden conectar con algunos aspectos mostrados en este libro. Presentamos así una primerísima y muy
sencilla aproximación a unas pocas películas y novelas que tocan, a mayor o menor distancia, temas relacionados
con el caos y la meteorología o la climatología y el cambio climático. Ofrecemos una sinopsis de estas obras
seleccionadas, así como nuestra modestísima impresión desde el punto de vista técnico-científico.
Palabras clave: meteorología, física del caos y cambio climático en el cine y la literatura, género literario cli-fi.
Imagen parte superior: sol de atardecer y parhelio, a la derecha, entre cirrus fibratus y otras formaciones nubosas. Collado Villalba,
hacia el oeste, 23 de enero de 2018. Fotografía de AURORA S ANTOS.
958 Física del caos en la predicción meteorológica Anexo C. Temas relacionados en el cine y la literatura
C.1 Cine de sus partes, se va hacia delante en el tiempo para

saber qué va a ser de nosotros.
C ARLOS T ORCAL T ELLO
Pero no sólo el género de la ciencia ficción se ha ocu-
Analista de Sistemas TI, Coritel
pado de problemas relacionados con la incertidumbre
Escritor de cuentos
y el caos. Películas como Atrapado en el tiempo, Caos
El cine, a lo largo de su historia, ha contado con fre- o Cuando todo está perdido cuentan historias en las
cuencia relatos que por lo general tenían la siguiente que un hombre racional y metódico, instruido y so-
línea argumental: nos presentaban a los protagonistas bradamente preparado para llevar a buen puerto sus
y sus proyectos. Todos aparentemente felices y tran- objetivos se ve, por una serie de circunstancias im-
quilos. Poco a poco iban pasando cosas que hacían que previsibles, irremediablemente abocado a situaciones
todo se torciese, incluso se fuera al traste. Pero al final diferentes a lo que esperaba y descubriendo que no se
los guionistas lo conseguían arreglar y ponían un final puede controlar el destino. Cuando todo está perdido
feliz para que los espectadores se fueran contentos y cuenta la historia de un viejo lobo de mar (ROBERT
volvieran a pasarse por las salas. R EDFORD) que navega en solitario por el océano Índi-
co y descubre una mañana al despertarse que el casco
En géneros como el fantástico o el de la ciencia fic- de su velero se ha agrietado debido a un choque con
ción, a veces la propia naturaleza era la causante del un contenedor que flotaba a la deriva. A partir de este
desvío del plan inicial, siendo muchas veces el me- momento, todo se tuerce para este hombre que deberá
teorológico un factor clave para estos casos (películas superar todo tipo de problemas si quiere sobrevivir.
como Twister o El día de mañana son claros ejem-
plos). Otras veces, el afán desmedido del protagonista Volviendo a la ciencia, como hemos destacado al prin-
en pasar a la posteridad a cualquier precio era la causa cipio, ésta ocupa muchas veces un importante lugar
del caos en que desembocaba todo. Vienen a la men- dentro del cine. Películas como Gravity, Interstellar,
te clásicos como Jekyll y Hide, La Isla del Doctor Apollo 13 y 2001 Una Odisea en el espacio son muy
Moureau, Los pasajeros del tiempo, El hombre con rigurosas a la hora de cuidar los detalles científicos.
rayos X en los ojos, El planeta de los simios, etc. Más Por ejemplo, en ellas no suena ningún ruido de explo-
recientemente, películas como Parque Jurásico o El siones, disparos ni nada parecido, ya que en el espacio
efecto mariposa, se han ocupado del problema de la no hay sonido porque no existe aire por el que puedan
imprevisibilidad. transmitirse las ondas sonoras. Por tanto tampoco hay
oxígeno, por lo que tampoco tienen cabida el fuego de
Los viajes en el tiempo son, en este ámbito, un lulas explosiones o los disparos. Pero no siempre los pro-
gar común. La película Timeline plantea un viaje al ductores y guionistas aportan todo el rigor científico
pasado en el que unos científicos interfieren en un que sería deseable. En contraposición a los anterio-
mundo medieval lleno de guerras. En El final de la res, filmes como Armageddon o Independence Day se
cuenta atrás, un portaaviones de la marina americana saltan a la torera estos detalles técnicos.
de maniobras por las costas de Hawaii es engullido
por una monumental tormenta y desaparece sin dejar Un ejemplo lo encontramos cuando entra en juego la
rastro alguno. Pasada la tormenta, descubren que han ingravidez. En Independence Day, los protagonistas
retrocedido en el tiempo hasta el 7 de diciembre de salen al espacio a combatir a unos extraterrestres pero
1941, el día del bombardeo japonés a la base de Pearl no les afecta en nada que no exista gravedad. Ellos
Harbour. ¿Se verán afectados el futuro y el presente? siguen caminando tranquilamente por el suelo como si
Parece lógico pensar que sí. Aunque podría ser un estuvieran en la Tierra. Por el contrario, en 2001 Una
desastre. ¿Qué pasaría si viajásemos al pasado y ma- Odisea en el espacio, se muestra a la perfección cómo
tásemos a nuestra madre antes de nacer nosotros? La el hombre ha sido capaz de diseñar naves que fun-
paradoja resulta inevitable: ¿Cómo habríamos podido cionan con gravedad artificial por medio de la fuerza
entonces viajar al pasado sin haber llegado a nacer? centrífuga. De esta forma, en la ingravidez del espa-
La película El sonido del trueno lleva al cine un relato cio, se ve cómo una nave actúa como el tambor de
corto de R AY B RADBURY abordado en la sección de una lavadora girando sobre sí misma para crear una
literatura de este capítulo y que plantea cuestiones gravedad artificial y así pegar al suelo los pies de los
similares. Otras películas plantean viajar en sentido tripulantes. Esa gravedad artificial, en el contexto de
contrario, es decir, hacia el futuro. En Los pasajeros la física, se llama aceleración centrífuga, una acele-
del tiempo, Terminator, o Regreso al Futuro en alguna ración debida al hecho de estar montados sobre un
C.1 Cine 959
sistema de referencia llamado no inercial [202, 368]. Desafío total, de Paul Verhoeven.
A continuación desglosamos algunas de las pelícu- Título original: Total Recall

las que directa o indirectamente tienen relación con el
caos, la meteorología o la climatología. Para alguna de Año: 1990
ellas hemos añadido el apartado de Aspectos técnicos
Director: PAUL V ERHOEVEN
para apuntar aquellos detalles que nos han llamado la
atención desde el punto de vista científico. Guión: DAN O’BANNON , G ARY G OLDMAN
(basado en el relato de P HILIP K. D ICK)
El efecto mariposa, de Eric Bress y J. Mackye Gru- Música: J ERRY G OLDSMITH
ber.
Reparto: A RNOLD S CHWARZENEGGER , S HA -
RON S TONE , M ICHAEL I RONSIDE
Título original: The Butterfly Effect
Género: Ciencia ficción. Acción
Año: 2004
Sinopsis Año 2084. Un hombre tiene un sueño
Director: E RIC B RESS , J. M ACKYE G RUBER recurrente donde aparece Marte. Decide
acudir a una agencia de viajes virtuales
Guión: E RIC B RESS , J. M ACKYE G RUBER para que le implanten en su cerebro una
experiencia virtual que se desarrolle en
Música: M ICHAEL S UBY dicho planeta. Pero durante el implante
algo falla que le hace darse cuenta de
Reparto: A SHTON K UTCHER , A MY S MART
quién es realmente, un agente especial
Género: Fantástico. Thriller. Drama | Viajes en el que en su pasado ya vivió en Marte.
tiempo
Aspectos técnicos: La presión atmosférica superficial
Sinopsis: Un joven con traumas de infancia, desde Marte es aproximadamente 1/100 de la de la Tie-
cubre una técnica que le permite viajar rra. Eso supone que la atmósfera de Marte puede ser
atrás en el tiempo y meterse en su cuerpo considerada, aproximadamente, un vacío. Un humano
de niño para poder cambiar el curso de desprotegido perdería el sentido en cerca de 20 segun-
su historia. Sin embargo también descu- dos y podría sobrevivir no más de un minuto en la
bre que cualquier mínimo cambio en el superficie de Marte sin un traje espacial. ¡¡Pero eso
pasado produce un gran impacto en su tampoco quiere decir que se te salgan los ojos de las
futuro. órbitas en pocos segundos!!
Aspectos técnicos: esta película plantea la idea de uni- El sonido del trueno, de Peter Hyams.
versos paralelos como alternativa a la idea clásica de
que solo exista una línea temporal absoluta. Cada vez Título original: A Sound of Thunder
que un viajero del tiempo viaja al pasado y cambia
algo, se crea un universo paralelo que transcurre por Año: 2005
su propia línea temporal. De alguna forma se conse-
Director: P ETER H YAMS
guiría evitar posibles paradojas que nos impidieran
viajar hacia atrás en el tiempo tal y como comentá- Guión: T HOMAS D EAN D ONNELLY (Historia:
bamos en la introducción. Sin embargo, plantea un R AY B RADBURY)
problema diferente, el protagonista puede viajar a su
pasado tantas veces como quiera pero el escenario de Música: N ICK G LENNIE -S MITH
muchos mundos que se generan da como resultado Reparto: E DWARD B URNS , B EN K INGSLEY, C AT-
que, cada vez, termina en una rama diferente de la HERINE M C C ORMACK
historia de la que salió. Desde un punto de vista muy
libre, se aborda el tema del efecto mariposa (sec. 5.5 Género: Ciencia ficción. Acción. Aventuras | Via-
en la página 64). jes en el tiempo
Sinopsis: Año 2054. Los viajes en el tiempo es- ya que se explica bastante bien al espectador cómo
tán a la orden del día. La empresa que funciona un tornado. No obstante, hay algún detalle
tiene la patente organiza safaris para ca- técnico no del todo preciso. Por ejemplo, la categoría
zar dinosaurios prehistóricos. El jefe de de un tornado (F3, F5, etc.) no se puede anunciar a
la expedición se ocupa de la seguridad priori como ocurre en algún momento de la película.
de los viajeros. Sin embargo, jugar con Por el contrario, una vez que ha pasado y que se ha
el tiempo es muy peligroso y cualquier medido la velocidad de los vientos y los destrozos que
error puede tener consecuencias devasta- ocasionados, sí que se puede clasificar. Además, la
doras en el presente. película transcurre en 1969 y la escala que tipifica los
tornados según la daños que provocan (escala Fujita),
Aspectos técnicos: B RADBURY se anticipa de alguna no se creó hasta dos años después.
manera a L ORENTZ (sec. 5.5 en la página 64) quien,
años después del relato, acuñó (o recuperó) el término
efecto mariposa aplicado a la meteorología. El escri- Sharknado, de Anthony C. Ferrante.
tor plantea en su relato que si se viaja al pasado hay
que tener cuidado de no dejar ningún objeto allí, no
traerse nada, no pisar nada. . . ya que la menor varia-
Título original: Sharknado
ción podría tener gran repercusión en el futuro. En
este caso el efecto mariposa provocará grandes cam-
bios en el futuro pero en forma de oleadas, mediante Año: 2013
lo que denomina como «ondas temporales»; es decir,
si algo se ha cambiado en el pasado, el futuro no se Director: A NTHONY C. F ERRANTE
verá afectado de inmediato. B RADBURY introduce la
atractiva idea de que los cambios llegarán a través Guión: T HUNDER L EVIN
de dichas ondas, como cuando tiras una piedra en un
estanque. Música: R AMIN KOUSHA
Twister, de Jan de Bont. Reparto: I AN Z IERING , TARA R EID , J OHN

H EARD
Título original: Twister
Género: Acción | Catástrofes
Año: 1996
Director: JAN DE B ONT Sinopsis: Un tremendo huracán llega a la ciudad
de Los Ángeles y provoca devastadores
Guión: M ICHAEL C RICHTON , A NNE -M ARIE tornados que extraen a los tiburones del
M ARTIN mar y los lanzan contra la población.
Música: M ARK M ANCINA
Reparto: H ELEN H UNT, B ILL PAXTON , P HILIP
Aspectos técnicos: La probabilidad de que grandes
S EYMOUR H OFFMAN
escualos como los que aparecen en esta película sean
Género: Acción | Catástrofes levantados por un huracán es francamente baja. Por
si fuera poco, se sabe que los tiburones son sensibles
Sinopsis: Una impresionante tormenta va a llegar a a los cambios en la presión, por lo que suelen aban-
Oklahoma y dos grupos de científicos ex- donar el área justo antes de una gran tormenta. Los
pertos en tornados se disponen a ser los tiburones pequeños o de medio tamaño migran a otras
primeros que obtengan resultados sobre latitudes y los tiburones de gran tamaño, como el toro
la misma. o el tiburón blanco, descienden a aguas profundas.
Sin embargo, un tornado puede ser el responsable de
Aspectos técnicos: Los tornados generados por orde- capturar animales pequeños y ligeros como peces o
nador que se muestran en esta película son absoluta- ranas y dejarlos caer a grandes distancias de su lugar
mente espectaculares y el guión es bastante didáctico, de origen [177, 639].
C.1 Cine 961
El final de la cuenta atrás, de Don Taylor. cerebro humano tienen memoria y que
han ido acumulando información desde
el principio de los tiempos. Su propósito
Título original: The Final Countdown
es viajar a su propia «memoria molecular»
Año: 1980 para llegar a descubrir su propia esencia
primigenia mucho más cercana a la de
Director: D ON TAYLOR los animales y al resto de los seres vivos.
Guión: DAVID A MBROSE
Aspectos técnicos: La película ofrece unos efectos
Música: J OHN S COTT especiales notables tendiendo en cuenta que se hizo
hace casi cuarenta años. Aunque ciertas imágenes que
Reparto: K IRK D OUGLAS , M ARTIN S HEEN , se intercalan puedan parecer confusas, es recomen-
K ATHARINE ROSS dable verla en más de una ocasión para entenderlas
en su contexto. Y es precisamente este trasfondo lo
Género: Ciencia ficción. Fantástico | Viajes en el
que destaca en la película por encima incluso de su
tiempo.
poderío visual. Lo que subyace tiene gran afinidad con
Sinopsis: Un portaaviones de la marina americana lo que plantea H. G. W ELLS en su obra Jekyll y Hide.
de maniobras por las costas de Hawaii es En ambas, el científico protagonista quiere descubrir
engullido por una monumental tormenta su propio yo, uno mucho más naturalista que satisfaga
y desparece sin dejar rastro alguno. Pasa- sus instintos más básicos y le proporcione la felicidad
da la tormenta, descubren que han viaja- que su opresiva sociedad no le ofrece. Huyendo así, en
do hacia atrás en el tiempo. Ahora están definitiva, de todos aquellos artificios que siempre han
a 7 de diciembre de 1941, el día del bom- condicionado su vida (la sensación continua de estar
bardeo japonés a la base de Pearl Harbor. pecando, entre otros) debido a su adoctrinamiento ca-
tólico. Por otro lado, la idea de que exista una especie
de subconsciente común de la especie humana, que
Aspectos técnicos: entre la fantasía y la ciencia- posea información relevante sobre nuestros orígenes,
ficción, el delicado tema del viaje al pasado para rea- es realmente vanguardista a la vez que sugerente.
lizar cambios en el presente se trata con poco rigor,
dando prioridad a la acción y el americanismo. No se
menciona el efecto mariposa en sí. El día de mañana, de Roland Emmerich.
Título original: The Day After Tomorrow

Viaje alucinante al fondo de la mente, de Ken Rus-
sell. Año: 2004
Director: ROLAND E MMERICH
Título original: Altered states Guión: ROLAND E MMERICH , J EFFREY NACH -
Año: 1980 MANOFF
Director: K EN RUSSELL Música: H ARALD K LOSER

Reparto: D ENNIS Q UAID , JAKE G YLLENHAAL ,
Guión: PADDY C HAYEFSKY
I AN H OLM
Música: J OHN C ORIGLIANO
Género: Ciencia ficción. Acción | Catástrofes.
Reparto: W ILLIAM H URT, B LAIR B ROWN , B OB Sinopsis: Un meteorólogo en una base de la Antár-
BALABAN , C HARLES H AID tida obtiene unos resultados alarmantes
Género: Ciencia ficción. Fantástico. de unas perforaciones y observa como un
gigantesco bloque de hielo del tamaño
Sinopsis: Un científico está dispuesto a llegar hasta de un pequeño estado se suelta y cae al
el límite en sus experimentos para des- mar. Inmediatamente alerta a las autori-
cubrir el «verdadero» origen del hombre. dades de que todo apunta una inminente
Está convencido de que los átomos del catástrofe a escala mundial. El planeta
está abocado a una nueva era glacial pro- volver al triásico. Los pocos humanos deben despla-
vocada por los efectos del calentamiento zarse en embarcaciones y sobrevivir con los escasos
global. Debido a que el hielo se ha derre- restos de civilización que pueden encontrar en los
tido en los polos, los océanos han incre- pisos más altos de los rascacielos ahora sumergidos.
mentado demasiado su nivel. Este exceso
de agua ha trastocado completamente las A continuación ofrecemos una síntesis de algunos
corrientes marinas de las que depende el títulos más de este género:
clima en la Tierra.
El final de la Tierra, de Frederik Pohl y Jack Wi-
Aspectos técnicos: El cambio climático que congela lliamson (1990). Dos maestros del relato han colabo-
el planeta no puede ocurrir en apenas cuatro sema- rado en una historia épica del desastre y del pueblo
nas. Se trata de un proceso que tendría lugar en otras heroico que triunfó sobre él. P OHL y W ILLIAMSON,
escalas de tiempo más largas, desde un par de siglos en esta interesante aventura acaecida en un futuro muy
hasta miles de años. Por eso llaman la atención las posible, han realizado lo que muy pocos son capaces:
corrientes de frío que congelan todo a su paso y que tejer un tapiz de acontecimientos y personajes vivo en
persiguen a los protagonistas como si de una avalan- los detalles y memorable por el heroísmo y el sacri-
cha de nieve se tratara. M ICHAEL S VOBODA, en la ficio de quienes sobrevivieron a un cataclismo y a la
sinopsis de su ensayo Cli-fi on the screen(s): patterns pesadilla de sus consecuencias.
in the representations of climate change in fictional
films [612] (2016), menciona explícitamente esta pelí-
Estado de miedo, de Michael Crichton (2004). Un
cula: «Fictional works about climate change, or cli-fi,
polémico y tenso thriller para el que el autor de Parque
have been hailed as a new genre [...] noting the recent
Jurásico se documentó cuidadosamente. C RICHTON
emergence of films that parody concerns about clima-
lanza una bomba de tiempo: tras las bondades de la
te change or that depict attempts to mitigate its causes
causa ecologista puede esconderse la mentira, la mani-
or ameliorate its effects as possibly more disastrous
pulación informativa y el miedo como arma infalible
than climate change itself, this study recommends that
para controlar a la humanidad: ¿Cuánto hay de cierto
researchers in the humanities and social sciences look
en lo que leemos sobre el deterioro del planeta?
beyond The Day After Tomorrow, which has received
far more attention than any other film.»
La carretera, de Cormac McCarthy (2006). Mereci-
do premio Pulitzer en el que, en medio de un paisaje
C.2 Literatura nevado y frío, un padre y su hijo buscan un lugar segu-
ro donde vivir y donde escapar de los pocos hombres
que han sobrevivido a lo que se supone una catástrofe
J OSÉ M IGUEL G ALLARDO bélica, medioambiental, o de cualquier otro tipo, lo
Unidad de Teledetección Terrestre, Agencia Estatal que ha provocado que el clima sea gélido en todo el
de Meteorología (AEMET) planeta.
Escritor
La meteorología es un tema que no suele ser muy El problema de los tres cuerpos, de Liu Cixin (2006).
recurrente en la literatura, aunque parece que última- Este es el primer libro de una trilogía de ciencia fic-
mente sí que está captando adeptos. Tanto es así que ción. A priori no guarda relación ni con la meteorolo-
ya se habla de un nuevo género en cine y literatura: gía ni con el clima, pero plantea una serie de conflictos
la ficción climática o cli-fi [107, 329, 612, 632]. Es que invitan a la reflexión. Empieza en el contexto de
cierto que este género hace referencia a posibles con- la Revolución Cultural china, cuando un proyecto mi-
secuencias catastróficas del cambio climático y una litar secreto envía señales al espacio para contactar
de las primeras obras que trata este tema es El mundo con extraterrestres. Pronto, una civilización alienígena
sumergido, de J. G. BALLARD (de 1962), en la que al borde de la destrucción capta la señal y comienza
mares, pantanos y lagunas cubren la mayor parte de a planear su desembarco en la Tierra. Durante las dé-
la Tierra. El aumento de la temperatura ha propiciado cadas siguientes, se comunica a través de un insólito
un clima tropical, de manera que la flora y la fauna método: un extraño videojuego virtual impregnado de
proliferan de forma extraordinaria y el mundo parece historia y filosofía. Pero a medida que los alienígenas
C.2 Literatura 963
empiezan a ganar a los jugadores terrícolas, se forman la combinación de adulterio en las clases ilustradas y
distintos bandos, unos dispuestos a dar la bienvenida esperpento científico deviene una negra comedia de
a esos seres superiores y ayudarlos a hacerse cargo de enredos, de intriga al más puro estilo de H ITCHCOCK,
un mundo tan corrupto y otros preparados para luchar con cadáver incluido, y aquí y ahora, en este mundo
contra la invasión. El resultado es una experiencia tan en los umbrales del gran cambio climático, del temido
auténtica como reveladora sobre nuestro tiempo. calentamiento global...
La chica mecánica, de Paolo Bacigalupi (2009). El ruido de un trueno, de Ray Bradbury (1952). Co-
A NDERSON L AKE es uno de los pocos occidenta- mo tal no trata el tema del cambio climático, pero sí
les que ha obtenido permiso de trabajo y residencia el del efecto mariposa. Es un cuento que transcurre en
en Tailandia. Sin embargo, la fábrica que dirige es el año 2055, donde un negocio llamado Safari en el
una tapadera: su misión es descubrir la reserva de se- tiempo S. A. promete llevar a sus clientes de viaje al
millas no modificadas de plantas desaparecidas hace pasado para que puedan cazar animales prehistóricos,
muchos años en el resto del planeta, que misteriosa- como el tiranosaurio. Al emprender el viaje, los caza-
mente se han conservado en el aislado reino asiático, dores son advertidos de que, para evitar la paradoja
y entregarla a la multinacional biotecnológica para del viaje en el tiempo, deben ser muy cuidadosos de
la cual realmente trabaja. PAOLO BACIGALUPI nos dejar todo como lo encontraron en un principio, pero
lleva al siglo XXII, un mundo donde el cambio climá- nada sale como esperaban. . .
tico ha dejado grandes estragos: casi se han agotado
el petróleo, el gas y el carbón, la tracción animal ha Otras obras no tratan directamente el tema de la cli-
reemplazado los motores de combustión, la ingenie- matología o la meteorología, pero una de estas dos
ría genética se aplica en cultivos, animales e incluso ciencias forma parte del hilo conductor de la trama
humanos, y las multinacionales biotecnológicas con- o bien la desencadena, como es el caso de «La últi-
trolan la principal fuente de alimentos: las semillas ma noche en Tremore Beach», de M IKEL S ANTIGO,
transgénicas. en la que una tormenta de colosales proporciones es
el arranque de una novela en la que un prestigioso
compositor de bandas sonoras que, tras un traumático
El año del diluvio, de Margaret Atwood (2010). La divorcio, se refugia en un rincón perdido de la costa
autora nos muestra en esta novela una visión posapoca- de Irlanda para recuperar la inspiración. La casa de
líptica del mundo tras una catástrofe global y describe Tremore Beach, aislada en una enorme y solitaria pla-
el horror de un mundo en el que la humanidad, en aras ya, parece el lugar indicado para lograrlo. Todo parece
del progreso científico y tecnológico, no sólo altera el perfecto... hasta que intuye lo contrario.
medio ambiente sino que se autodestruye.
2065 de José Miguel Gallardo (2017). La novela de
Solar, de Ian McEwan (2010). M ICHAEL B EARD la que soy autor, «2065», se ubica en el Madrid de
es un físico que recibió hace años el Premio Nobel dicho año. En sí, es una obra de ficción cuyo género es
por un descubrimiento que en los medios científicos la novela negra, aunque el hilo conductor de la trama
se conoce como la combinación B EARD -E INSTEIN es el cambio climático y está basado en proyecciones
-y aquí comienza la feroz e irresistible ironía de M C E- climáticas reales, en particular utilizo las caracterís-
WAN, porque combinación implica también simbiosis, ticas que definen el RCP 4.5 del quinto informe del
confusión-, y desde entonces se ha limitado a vivir IPCC para ambientar la novela (sec. 29.6.1 en la pá-
apoltronado en sus laureles. Desde hace años no es gina 513 y sec. 29.6.2 en la página 514). Una de esas
más que un burócrata de la ciencia, un científico para características es que la tecnología no progresas a pa-
quien la emoción y la aventura han quedado relegadas sos de gigante pero tampoco queda estancada. Dado
a la vida privada, la cabeza visible de un instituto esta- que un alto porcentaje de la evolución de la meteoro-
tal para la investigación de las energías renovables que logía va de la mano de los avances tecnológicos, tenía
es poco más que un artilugio político. Entre los jóve- que presentar una evolución realista de dicha ciencia,
nes becarios del instituto se encuentra T OM A LDOUS, por lo que estuve analizando cómo sería y cómo se
que aún se apasiona por lo que hace y tiene proyectos comunicaría la meteorología dentro de unos 50 años
mucho más ambiciosos que la insignificante turbina a aproximadamente. Sin duda, la inercia es que la me-
la que aspiran los políticos. Cuando una noche T OM teorología determinista vaya perdiendo fuerza en pro
lleva a B EARD a casa en su coche y conoce a PATRICE , de la probabilista, ya que aporta más información y
de mejor calidad. Baste decir que si la probabilidad

de lluvia es un 40 % para un partido de fútbol lo ló- La incertidumbre de que E OLO finalmente se decanta-
se por ese camino era media-baja. A DRIÁN encontra-
gico sería jugarlo, pero si una empresa puede perder
ba cierta ironía en esos datos, pues la posibilidad que
millones de euros si ese mismo día llueve, la probabi- tenía de morir en los próximos días era media-baja, y
lidad del 40 % seguro que se les antoja demasiado alta se le antojaba excesivamente grande tratándose de un
(sec. 15.10 en la página 234). juego a vida o muerte, por lo que siguió consultando
mapas con el fin de mejorar el pronóstico».
Lo lógico es pensar que con procesadores cada vez
más potentes lleguemos a tener predicciones probabi-
listas cada vez con mejor resolución.
En «2065» varios asesinatos se ocultan tras las muer-

tes que deja el cambio climático. Todos esos homi-
cidios ocurren siempre con fenómeno meteorológico
adverso (FMA) y ahora se acerca un huracán, Eolo, C.3 Lecturas recomendadas
a la península ibérica. El próximo al que van a matar
es un meteorólogo, A DRIÁN S ALOR, que tendrá que
pronosticar cuándo llegará el huracán para evitar su
muerte. Así que el protagonista utiliza los SPC para Además de las referencias ofrecidas que abordan el
calcular «cuáles son sus expectativas de vida». Su in- novedoso género de la Cli-Fi [329, 612, 632], Á NGE -
LA C ANTALEJO , en el suplemento Tentaciones de El
quietud queda reflejada en el siguiente párrafo de la
novela: País de 11-10-2015 presenta, con un lenguaje sencillo,
la Cli-Fi como la literatura que predice el cambio
climático [107].
«Llegó la noche y Adrián se fue a descansar a casa.
Sin ser capaz de concentrarse en nada, intentó distraer-
se mirando las previsiones de las posibles trayectorias
del huracán. Según lo que podía observar en los ma- El Portal CienciaYFicción de V ÍCTOR V ILA es un
pas, el anticiclón de las Azores —situado sobre las sitio web que, consiguiendo un equilibrio entre el ri-
islas que le prestaban su nombre— se desplazaría, con gor científico y la accesibilidad a un amplio público,
una incertidumbre media-alta, hacia el sur durante los informa de temas propios de la ciencia-ficción y de
próximos días, de forma que dejaba un espacio por el
los márgenes vanguardistas de la ciencia abordando,
que el huracán podría llegar a la península ibérica sin
obstáculos. desde el cine y la literatura, hasta las investigaciones
más recientes en nanorobótica [646].
::chapaginafin::C::964::
Terminología
D
DOI: 10.31978/014-18-009-X.D
::chapaginaini::D::965::

La terminología designa un conjunto de términos propios que pertenecen a un campo de extensión

variable, debidamente diferenciado de otros campos que pueden ser de diferentes tipos. La terminología
podría definirse también como el campo de estudio interdisciplinario que se nutre de un conjunto
específico de conocimientos conceptualizado en otras disciplinas (lingüística, ciencia del conocimiento,
ciencias de la información y ciencias de la comunicación); se emplea también con referencia a recolectar,
describir y presentar términos de manera sistemática.
20000lenguas.com – Mª T ERESA C ABRÉ Y J EAN -C LAUDE C ORBEIL,
https://20000lenguas.com/2015/06/21/terminologia-analizamos-la-palabra-de-la-semana/
Durante la experiencia del denominado Grupo de Predecibilidad de AEMET en el desarrollo de sistema(s)

de predicción por conjuntos (SPC) así como, después, la experiencia del autor en predicción operativa, la
terminología asociada a los SPC ha sido un tema abierto, vivo, no regulado y al que nunca se prestó atención
especial, principalmente por las grandes cargas de trabajo y prioridades profesionales. En el ámbito científico y
técnico es habitual, cuando se trabaja en proyectos internacionales y/o se maneja literatura en inglés, adoptar
terminología anglosajona, con una intención sencilla de comunicación eficaz. No obstante, nunca hemos dejado
de pensar que la terminología es un aspecto importante en el desarrollo profesional, especialmente cuando se
trata de comunicar y, a la hora de escribir textos en castellano, hemos recuperado cierto rigor terminológico. En
este breve anexo explicamos, en parte, la terminología utilizada en este libro.
Palabras clave: terminología en predecibilidad, terminología en sistemas de predicción por conjuntos.
Imagen parte superior: inestabilidad Kelvin-Helmholtz en nubes medias. Ciudad Universitaria (Madrid), hacia el noreste, 17 de diciembre
de 2012, a las 14:48. Fotografía de J OSÉ A NTONIO Q UIRANTES C ALVO.
966 Física del caos en la predicción meteorológica Anexo D. Terminología
D.1 Predecibilidad vs predictibili- Finalmente y, cerrando el círculo, la RAE, en su edi-

ción especial del tricentenario incluye el término pro-
dad
babilístico:
La Real Academia Española de la lengua (RAE) [528] probabilístico, ca: 1. adj. Perteneciente o relativo a
incluye en su diccionario algunos términos relaciona- la probabilidad.
dos con la cualidad de poder ser previsto. Advertimos
que, por abuso de terminología anglosajona, puede En este libro decidimos adoptar el término probabilis-
caerse en el anglicismo «predictabilidad», que pro- ta.
viene del término anglosajón predictability y no está
admitido por la RAE. Los términos que la RAE con-
templa son los siguientes:
D.3 Skill
Predictibilidad: 1. f. Cualidad de predictible. El término skill en inglés se traduce normalmente

Predictible: 1. adj. Que puede predecirse. como habilidad. Es un término muy utilizado en la
Impredecibilidad: 1. f. Cualidad de impredecible. jerga de la verificación de predicciones y tiene que ver
Predecible: 1. adj. Que puede predecirse. con la calidad relativa de un sistema predictivo con
Predecir (del lat. Praedicĕre): 1. tr. Anunciar por respecto a otro de referencia. En algunos ámbitos ha
revelación, ciencia o conjetura algo que ha de suce- sido popular el término pericia (cuya traducción más
der. directa es expertise) para referirse al skill, pero he-
mos preferido usar el término habilidad, que creemos
Dado que predecible está contemplado como correcto, está más cerca del significado citado. Otro término
el sustantivo de cualidad formado por construcción alternativo podría ser destreza.
es predecible que, por tanto, es correcto [217] y es En este libro decidimos adoptar el término habilidad,
el que hemos adoptado en este libro. Podemos seña- aunque se recalca numerosas veces que hay alternati-
lar que en algunas zonas de Latinoamérica se utiliza vas, como destreza o pericia.
previsibilidad.
D.4 Seamless
D.2 Probabilista vs probabilístico
En el ámbito de la predicción del tiempo se trabaja
El anglicismo probabilístico/a proviene del término in- en diversos plazos o alcances predictivos: muy corto
glés probabilistic y, aunque su uso está medianamente plazo, corto plazo, medio plazo, etc. Las herramientas
extendido, no está aceptado por la RAE. El término que usamos los predictores, a menudo, son específi-
que la RAE contempla como correcto es probabilista: cas de cada plazo, de modo que es también usual que
la información que proporcionan no siempre es del
probabilista: adj. Rel. Que profesa la doctrina del todo consistente al cambiar de un palzo al siguiente.
probabilismo. Apl. a pers., u. t. c. s. Poniendo un ejemplo sencillo, el corto plazo ocupa
hasta H+48 horas y el medio plazo empieza, digamos,
No obstante, el Diccionario María Moliner sí que re- en la hora 49. Un modelo atmosférico de corto plazo
serva una entrada para probabilístico, relacionándolo puede suministrar temperaturas previstas en Sevilla
con el cálculo de probabilidades: de hora en hora para el corto plazo (los próximos dos
días) y otro modelo diferente algo similar pero para el
probabilista: adepto al probabilismo medio plazo (los días siguientes). Imaginemos que la
probabilismo: doctrina ... temperatura prevista por el modelo de corto plazo para
probabilístico: adj. Se aplica al cálculo de probabi- H+45, H+46, H+47 y H+48 sea de 24.3, 24.4 , 24.5 y
lidades. 24.7, respectivamente. Esperamos que el modelo de
medio palzo nos provea de temperaturas para H+49,
El Diccionario de Manuel Seco también incluye el H+50 con valores de 24.7 ó 24.8 grados aproximados.
término probabilístico: Pero puede darse el caso de que las temperaturas da-
das por el modelo de medio palzo tangan valores para
El término probabilista se encuentra ya recogido H+49 y H+50 de 22.1 y 22.3 grados. Esta inconsis-
con idéntico significado a probabilístico. tencia o discontinuidad puede darse debido a que los
D.5 Conjuntos vs ensambles 967
modelos no son perfectos y suelen estar construidos fueron bautizados en inglés Ensemble Prediction Sys-
de modo algo diferente para plazos a su vez diferentes. tems (EPS). La traducción en uso actualmente (2018)
Por estas razones en el diseño en conjunto (a grandes es la que se adoptó en AEMET en la época de implan-
rasgos) de las herramientas de predicción, se suele tación de estos sistemas (años 90): sistemas de pre-
aspirar a unos modelos y SPC sin discontinuidades o dicción por conjuntos (SPC). Podría haberse optado,
sin costuras (del término usado en inglés seamless). tal vez, por ensambles. La RAE contempla el término
En el caso ideal podríamos disponer de un sistema de ensemble, advirtiendo que está en desuso, como jun-
predicción sin discontinuidades desde el muy corto tamente. Contempla, también, ensamble, sinónimo de
plazo hasta, en el otro extremo, las proyecciones del ensambladura, como acción o efecto de ensamblar
clima. (unir, juntar, ajustar, especialmente piezas de madera).
Vemos que tiene mucho sentido utilizar estos términos.
En este libro decidimos adoptar el término sin costu- De hecho, en las jergas de predicción, modelización o
ras para referirnos a seamless, aunque se suele mecio- de los usuarios de estos sistemas, se habla a menudo
nar sin discontinuidades o sin costuras. de ensembles, adoptando directamente terminología
en inglés o en francés.
En este libro decidimos adoptar el término oficial sis-

D.5 Conjuntos vs ensambles temas de predicción por conjuntos (SPC, y no SPCs,
a los acrónimos no se les añade s en plural), aunque
Los sistemas predictivos basados en combinar diferen- el criterio es laxo y pueden encontrarse por doquier
tes predicciones para formar un sistema probabilista teŕminos como ensemble, ensembles o ensambles.
::chapaginafin::D::967::
Retratos E
DOI: 10.31978/014-18-009-X.E
::chapaginaini::E::969::
V ICTOR B URGUETE A ZNAR O LGA S ANTOS

A NA C AMPOS M ANSO L UIGI S ANTINI
M ARÍA J OSÉ DE LA H ERA B RAVO JAVIER S ANZ G ARCÍA
M ANUEL L ÓPEZ C ABALLERO AURORA S ANTOS
J OSÉ L UIS C ASADO P EPE S OLERA
E LENA PADORNO A MELIA VALVERDE
T ONI RODRÍGUEZ
Todo retrato que haya sido pintado con sentimiento es un retrato del artista, no del modelo. Éste no
es más que el accidente, la ocasión. El modelo no es quien es revelado por el pintor; antes bien es
el pintor quien se revela a sí mismo en el lienzo pintado. La razón por la cual no quiero exponer
este cuadro es que temo haber mostrado en él el secreto de mi propia alma.
El retrato de D ORIAN G RAY – O SCAR W ILDE
Presentamos en este capítulo los retratos originales de las personalidades selecciona-

das por su importancia en relación con los temas de esta obra.
Palabras clave: retratos.
Imagen parte superior: cirrus fibratus + cirrus floccus + cirrus uncinus. Madrid, Ciudad Universitaria, hacia el noreste, 5 de octubre
de 2010, a las 10:58. Fotografía de J OSÉ A NTONIO Q UIRANTES C ALVO.
970 Física del caos en la predicción meteorológica Anexo E. Retratos
Ilustraciones
V ICTOR B URGUETE A ZNAR <victor.burguete.aznar@gmail.com>

A NA C AMPOS M ANSO <anita.campos.manso@gmail.com> <Instagram: @anita.campos.art>
M ARÍA J OSÉ DE LA H ERA B RAVO.
M ANUEL L ÓPEZ C ABALLERO <lopezcaballero.arte@gmail.com>
J OSÉ L UIS C ASADO .
E LENA PADORNO P RIETO .
T ONI RODRÍGUEZ.
O LGA S ANTOS <osburguete@gmail.com>.
L UIGI S ANTINI <luisrsantos@me.com>.
AURORA S ANTOS.
JAVIER S ANZ G ARCÍA.
P EPE S OLERA.
A MELIA VALVERDE <ameraba@hotmail.com>.
Personaje Ilustrador, técnica

V. I. A RNOLD L UIGI S ANTINI, MacIntosh sobre mesa.
V ILHELM B JERKNES V ÍCTOR B URGUETE, lápiz acuarelable.
M ARIO AUGUSTO B UNGE V ÍCTOR B URGUETE, lápiz acuarelable.
ROBERTO B UIZZA J OSÉ L UIS C ASADO, grafito sobre papel.
M ARY C ARTWRIGHT O LGA S ANTOS, lápiz y carboncillo sobre papel.
J ULE G REGORY C HARNEY V ÍCTOR B URGUETE, lápiz acuarelable.
M ITCHELL JAY F EIGENBAUM V ÍCTOR B URGUETE, acuarela.
PAUL K ARL F EYERABEND M ARÍA J OSÉ DE LA H ERA B RAVO, grafito sobre papel.
R AGNAR F JØRTOFT O LGA S ANTOS, lápiz y carboncillo sobre papel.
E UGENIA K ALNAY V ÍCTOR B URGUETE, lápiz acuarelable.
T. S. K UHN A MELIA VALVERDE, óleo diluido sobre papel para óleo.
A NDREY KOLMOGOROV E LENA PADORNO, lápiz sobre papel.
I MRE L AKATOS AURORA S ANTOS, grafito sobre papel.
J OSEPH L IOUVILLE V ÍCTOR B URGUETE, lápiz acuarelable.
J OHN E DENSOR L ITTLEWOOD A NA C AMPOS, técnica mixta, lápiz y acuarela.
E DWARD N. L ORENZ P EPE S OLERA, grafito sobre papel.
B ENOIT M ANDELBROT M ARÍA J OSÉ DE LA H ERA B RAVO, grafito sobre papel.
D EBORAH G. M AYO O LGA S ANTOS, lápiz y carboncillo sobre papel.
ROBERT M C C REDIE P EPE S OLERA, pastel sobre papel.
F RANCO M OLTENI J OSÉ L UIS C ASADO, grafito sobre papel.
E DGAR M ORIN T ONI RODRÍGUEZ, conté sobre papel.
E MMY N OETHER O LGA S ANTOS, lápiz y carboncillo sobre papel.
L ARS O NSAGER JAVIER S ANZ G ARCÍA, lapiz de grafito con carboncillo sobre papel.
T IM PALMER J OSÉ L UIS C ASADO, grafito sobre papel.
H ENRI P OINCARÉ J OSÉ A NTONIO S EGURA, plumilla sobre papel.
K ARL R. P OPPER M ARÍA J OSÉ DE LA H ERA B RAVO, grafito sobre papel.
I LYA ROMANOVICH P RIGOGINE M ANUEL L ÓPEZ C ABALLERO, grafito sobre papel.
L EWIS F RY R ICHARDSON V ÍCTOR B URGUETE, lápiz acuarelable.
I AN S TEWART V ÍCTOR B URGUETE, acuarela.
R ENÉ T HOM V ÍCTOR B URGUETE, lápiz acuarelable.
Z OLTAN T OTH O LGA S ANTOS, lápiz y carboncillo sobre papel.
J ON VON N EUMANN V ÍCTOR B URGUETE, lápiz acuarelable.
N ORBERT W IENER E LENA PADORNO, lápiz sobre papel.
971
Figura E.1: V LADIMIR I GOREVICH A RNOLD (Figura 2.2 en la página 20). L UIGI S ANTINI, MacIntosh sobre mesa.
Figura E.2: V ILHELM F RIMAN KOREN B JERKNES (Figura 11.11 en la página 153). V ÍCTOR B URGUETE, lápiz
acuarelable.
973
Figura E.3: ROBERTO B UIZZA (Figura 26.2 en la página 397). J OSÉ L UIS C ASADO, grafito sobre papel.
Figura E.4: M ARIO AUGUSTO B UNGE (Figura 2.1 en la página 15). V ÍCTOR B URGUETE, lápiz acuarelable.
975
Figura E.5: M ARY C ARTWRIGHT (Figura 2.1 en la página 15). O LGA S ANTOS, lápiz y carboncillo sobre papel.
Figura E.6: J ULE G REGORY C HARNEY (Figura 11.11 en la página 153). V ÍCTOR B URGUETE, lápiz acuarelable.
977
Figura E.7: M ITCHELL JAY F EIGENBAUM (Figura 2.2 en la página 20). V ÍCTOR B URGUETE, acuarela.
Figura E.8: PAUL K ARL F EYERABEND (Figura 2.2 en la página 20). M ARÍA J OSÉ DE LA H ERA B RAVO, grafito
sobre papel.
979
Figura E.9: R AGNAR F JØRTOFT (Figura 11.11 en la página 153). O LGA S ANTOS, lápiz y carboncillo sobre papel.
Figura E.10: E UGENIA K ALNAY (Figura 26.2 en la página 397). V ÍCTOR B URGUETE, lápiz acuarelable.
981
Figura E.11: T. S. K UHN (Figura 2.1 en la página 15). A MELIA VALVERDE, óleo diluido sobre papel para óleo.
Figura E.12: A NDREY KOLMOGOROV (Figura 2.2 en la página 20). E LENA PADORNO, lápiz sobre papel.
983
Figura E.13: I MRE L AKATOS (Figura 2.1 en la página 15). AURORA S ANTOS, grafito sobre papel.
Figura E.14: J OSEPH L IOUVILLE (Figura 2.1 en la página 19). V ÍCTOR B URGUETE, lápiz acuarelable.
985
Figura E.15: J OHN E DENSOR L ITTLEWOOD (Figura 2.1 en la página 19). A NA C AMPOS, técnica mixta, lápiz y
acuarela.
Figura E.16: E DWARD N. L ORENZ (Figura 26.2 en la página 397). P EPE S OLERA, grafito sobre papel.
987
Figura E.17: B ENOIT M ANDELBROT (Figura 2.1 en la página 19). M ARÍA J OSÉ DE LA H ERA B RAVO, grafito
sobre papel.
Figura E.18: D EBORAH G. M AYO (Figura 2.1 en la página 15). O LGA S ANTOS, lápiz y carboncillo sobre papel.
989
Figura E.19: ROBERT M C C REDIE (Figura 2.2 en la página 20). P EPE S OLERA, pastel sobre papel.
Figura E.20: F RANCO M OLTENI (Figura 26.2 en la página 397). J OSÉ L UIS C ASADO, grafito sobre papel.
991
Figura E.21: E DGAR M ORIN (Figura 2.2 en la página 20). T ONI RODRÍGUEZ, conté sobre papel.
Figura E.22: E MMY N OETHER (Figura 2.1 en la página 19). O LGA S ANTOS, lápiz y carboncillo sobre papel.
993
Figura E.23: L ARS O NSAGER (Figura 2.2 en la página 20). JAVIER S ANZ G ARCÍA, lapiz de grafito con carboncillo
sobre papel.
Figura E.24: T IM PALMER (Figura 26.2 en la página 397). J OSÉ L UIS C ASADO, grafito sobre papel.
995
Figura E.25: H ENRI P OINCARÉ (Figura 2.1 en la página 19). J OSÉ A NTONIO S EGURA, plumilla sobre papel.
Figura E.26: K ARL R AIMUND P OPPER (Figura 2.1 en la página 15). M ARÍA J OSÉ DE LA H ERA B RAVO, grafito
sobre papel.
997
Figura E.27: I LYA ROMANOVICH P RIGOGINE (Figura 2.1 en la página 19). M ANUEL L ÓPEZ C ABALLERO, grafito
sobre papel.
Figura E.28: L EWIS F RY R ICHARDSON (Figura 11.11 en la página 153). V ÍCTOR B URGUETE, lápiz acuarelable.
999
Figura E.29: I AN S TEWART (Figura 2.2 en la página 20). V ÍCTOR B URGUETE, acuarela.
Figura E.30: R ENÉ T HOM (Figura 2.2 en la página 20). V ÍCTOR B URGUETE, lápiz acuarelable.
1001
Figura E.31: Z OLTAN T OTH (Figura 26.3 en la página 396). O LGA S ANTOS, lápiz y carboncillo sobre papel.
Figura E.32: N EUMANN JÁNOS L AJOS o J OHN VON N EUMANN (Figura 11.11 en la página 153). V ÍCTOR
B URGUETE, lápiz acuarelable.
1003
Figura E.33: N ORBERT W IENER (Figura 2.1 en la página 19). E LENA PADORNO, lápiz sobre papel.
::chapaginafin::E::1003::
Parte X
Memorias
Parte X Memorias
Anunciábamos en el prefacio que dedicamos este libro a tres compañeros de Agen-
cia Estatal de Meteorología (AEMET) que estuvieron involucrados, directa o in-
directamente, en trabajos de investigación y desarrollo relacionados con los siste-
ma(s) de predicción por conjuntos (SPC). Estos colegas, tristemente, ya no están
con nosotros. A NTONIO M ESTRE BARCELÓ, meteorólogo todoterreno, experto en
climatología y predicción estadística, participó en la introducción de la predicción
probabilista en AEMET y estuvo presente en una primera reunión del Grupo de
Predecibilidad con E UGENIA K ALNAY. R AFAEL A NCELL T RUEBA, meteorólogo
cántabro y amigo, colaborador activo con la Universidad de Cantabria, experto en
análisis estadístico, climatología y predicción, colaboró también con el Grupo de
Predecibilidad. Ó SCAR G ARCÍA C OLOMBO , «C UCO », mente privilegiada, amigo
del alma, experto en supercomputación, predicción y modelos, participó un tiem-
po en el Grupo de Predecibilidad. Como memoria a estas tres personas, hemos
recuperado textos escritos o protagonizados por ellos para componer tres capítulos.
Amigos, un abrazo desde este lado.
Página anterior: atardecer atlántico desde la isla de La Palma. Fotografía tomada por
F ERNANDO B ULLÓN.
A NTONIO M ESTRE BARCELÓ en la ponencia Agrometeorología, del seminario con el título Gestión de
Riesgos Agrarios y Ambientales, el 25 de junio de 2013 (MAGRAMA,
https://www.mapa.gob.es/es/ministerio/servicios/informacion/MESTRE_tcm30-101746.JPG).
Es difícil escribir sobre A NTONIO M ESTRE, ya desde el recuerdo, porque cuesta creer que una persona con la que
tanto se ha compartido, se haya ido así, de pronto, como del rayo. Que no quede ya la posibilidad de volver a cambiar
impresiones, consultarle algo, o simplemente disfrutar de su charla siempre sensata, siempre relajada y cercana.
Antonio, oficialmente jefe del Área de Climatología y Aplicaciones de AEMET, era mucho más que eso. Tras su
sólida formación como ingeniero y meteorólogo, centró su actividad en la climatología operativa y en las aplicaciones
hidrológicas, agrícolas y ambientales. Llegó a ser un gran experto en todo ello y su contribución era siempre esperada
y valorada en distintos foros nacionales e internacionales. Esa sólida formación a la que antes me refería, junto con su
pasión por la atmósfera y su interacción con el medio natural, le convertía en un experto «todoterreno» que transitaba
con toda facilidad de la climatología a la predicción en uno u otro sentido y, desde ahí, a las distintas aplicaciones. A
ello se unía su gran capacidad para retener y recordar todo tipo de efemérides y récords meteorológicos, algo que le
convertía en el interlocutor necesario ante la predicción de cualquier fenómeno adverso o en el análisis global posterior
a su ocurrencia e impactos. Además Antonio sabía comunicar bien. Tenía la habilidad de proporcionar muchos datos
de interés en un marco de objetividad y de sencillez. Se le entendía perfectamente por muy complejo que fuera lo que
explicara, y por eso se hizo también muy querido -y muy buscado- por periodistas y comunicadores meteorológicos.
Por todo ello se convirtió también en un protagonista insustituible en las ruedas de prensa trimestrales de AEMET
y en las que tenerle al lado era un seguro de tranquilidad: no habría pregunta sobre climatología que Antonio no
supiera responder con toda concisión y sencillez. Muchas veces yo le comentaba que, ni profesionales ni aficionados,
podíamos quedarnos sin sus amplísimos conocimientos, y que tenía que regalarnos un libro donde se recogieran.
Le decía: «Antonio, llevas el clima de España en tu cabeza y nos lo tienes que contar como tú sabes». Me miraba
con una expresión entre incrédula y sorprendida, como si no fuera consciente de lo sumamente valiosa que podía
ser su aportación. Después me contestaba que, bueno, que a lo mejor cuando se jubilara. Ahora ya no será posible.
Era ante todo una persona sencilla, sensata y profundamente servicial. Siempre estaba disponible para cualquier
requerimiento. De ahí su magnífica trayectoria en la Asociación Meteorológica Española (AME), sus numerosas
colaboraciones en publicaciones como Tiempo y Clima, El Observador o Ambienta, por citar sólo algunas, y tantas y
tantas participaciones en reuniones y congresos. En todas ellas la presencia de Antonio siempre aseguraba rigurosidad,
amenidad... y aplicación práctica. Eternamente gracias, compañero.
Á NGEL R IVERA - Reseña aparecida en El Observador Nº 104, Marzo - Abril 2016

Agrometeorología
F
DOI: 10.31978/014-18-009-X.F
::chapaginaini::F::1009::
A NTONIO M ESTRE BARCELÓ †
Área de Climatología y Aplicaciones Operativas, Agencia Estatal de Meteorología (AEMET)
Recuerdo con cariño tantas y tantas charlas que mantuve con él -incluso tras mi jubilación- sobre muy
diversos temas, y muy en concreto sobre predicción probabilística. Su profunda formación estadística
me ayudaba a comprender e interpretar mejor los productos provenientes de los modelos “ensemble”.
Pero eso, o la valoración de la situación meteorológica de cada día, era el comienzo de una conversación
realmente agradable e instructiva que acababa derivando hacia las singularidades del clima de España o
hacia las señales o efectos del cambio climático.
http: // eneltiempo-angelrivera. blogspot. com/ 2016/ 02/
se-nos-fue-antonio-mestre. html – Á NGEL R IVERA, sobre A NTONIO
Dentro del ciclo de Seminarios de Análisis y Prospectiva que organizó la Subdirección General de Análisis,
Prospectiva y Coordinación, Subsecretaría, del Ministerio de Agricultura, Alimentación y Medio Ambiente (MA-
GRAMA), se celebró el 25 de junio de 2013 un seminario con el título Gestión de Riesgos Agrarios y Ambientales,
donde Antonio Mestre ofreció la ponencia Agrometeorología [434], cerrando así la Mesa temática número 2 Ries-
gos en la producción agraria. Reproducimos aquí íntegramente el contenido de dicha ponencia, acompañado por
una selección de las figuras mostradas en la misma. La importancia de los sistema(s) de predicción por conjuntos
(SPC) y la predicción probabilista queda patente en esta excelente exposición de la meteorología y la climatología
aplicadas a la gestión de riesgos en el sector agrícola. Puede observarse cómo se asigna el carácter probabilista al
medio plazo y determinista al corto, punto de vista que hoy en día se ha trascendido y tenemos funcionando SPC
de corto plazo (ver cap. 22 en la página 333). Para preservar la integridad del original, se ha reproducido la trans-
cripción del mismo, disponible en el enlace https://www.mapa.gob.es/es/ministerio/servicios/informacion/
plataforma-de-conocimiento-para-el-medio-rural-y-pesquero/seminarios-de-analisis-y-prospectiva/Antonio_
Mestre.aspx, retocando apenas algún término, por lo que el estilo es suelto, propio de una ponencia oral.
Palabras clave: meteorología agrícola, predicción probabilista aplicada a la meteorología agrícola.
Imagen parte superior: cumulonimbus mamma. Villaseca de Uceda (Guadalajara), hacia el sur, 25 de junio de 2006, a las 20:57. Fotografía
1010 Física del caos en la predicción meteorológica Anexo F. Agrometeorología
F.1 Ponencia sobre agrometeoro- modelos de predicción meteorológica. Estos modelos,

que he comentado antes, parten de unas condiciones
logía
observadas e integran las ecuaciones atmosféricas,
que se pueden resolver explícitamente1 o se pueden
F.1.1 Introducción aproximar.
Buenos días a todos, muchas gracias a J OSÉ M ARÍA

y a todos los organizadores por invitarnos a participar F.1.2 Modelos de predicción meteorológi-
en este seminario. ca
Sin duda, el clima y la meteorología son factores esen- Voy a presentar algunas de las características prin-
ciales en relación con los riesgos del sector agrario. cipales de los modelos de predicción meteorológica
He puesto alguna de las principales adversidades cli- que manejamos en la AEMET (Tabla F.1). Desde los
matológicas, y encima de ellas alguna referencia a la modelos de centro europeo2 , HIRLAM, que tiene una
escala temporal y espacial. Este es un tema relevante escala de 16 km y un alcance de 10 días. Estamos
en relación con la predicción de estas adversidades. hablando de modelos de una escala que pueden lle-
El granizo, por ejemplo, tiene una escala espaciotem- gar a 5 km pero se quedan en 36 horas, modelos de
poral muy breve, no hay ningún método de predicción muy corto plazo. El HARMONIE es un modelo que
eficaz más allá de una vigilancia meteorológica en el esta todavía en fase experimental, que tiene 2,5 km
muy corto plazo el nowcasting (media/una hora). Si se de resolución, pero que cubre 36 horas. Si lo que que-
trata de temperaturas demasiado altas o bajas, heladas remos son predicciones de detalle, escapa por debajo
o precipitación excesiva, fuertes vientos potencialmen- de nuestras escalas. Mas allá están los modelos proba-
te dañinos para el sector, y generadores de pérdidas, bilistas, EPS3 que a 32 km de resolución llega hasta
hablamos ya de una escala temporal corta-media, unos 15 días.
cuantos días. Este es el dominio de aplicación de los
modelos clásicos de predicción del tiempo determi-
nistas. Si nosotros integramos las ecuaciones de la
dinámica atmosférica, tenemos predicciones de unos
cuantos días. Más allá del cuarto-quinto día se empie-
za a abrir un abanico de incertidumbre que cada vez
es más amplio. Y este es el dominio de aplicación de
los modelos de medio plazo, de tipo probabilista.
La probabilidad es algo muchas veces, para el usuario

final, difícil de digerir, sobre todo cuando decimos
que la probabilidad de un evento es del 50 %. Pero la
información que transmite la predicción probabilista
es más rica que la determinista porque permite al usua-
rio de este producto seleccionar su propio umbral de
probabilidad para adoptar una medida, por ejemplo,
de tipo preventivo. Permite seleccionar ese umbral en
función de la relación entre el coste de prevención
y el daño evitado, y eso es algo que no da la predic-
ción, ya hecha, determinista categorizada, pues se le
hurta al usuario esa posibilidad. Luego todo tiene sus
pros y contras. Hay otro tipo de adversidades, como la Figura F.1: Características de los principales modelos
sequía, en las que entramos en el dominio de la predic- (arriba) y SPC (abajo) utilizados en Agencia Estatal de
ción estacional. En el corto-medio plazo tenemos los Meteorología (AEMET).
1 en realidad en muy pocos casos pueden resolverse explícitamente (nota del editor)
2 que en aquella época funcionaban a resoluciones o escalas más grandes (nota del editor)
3 en este libro denominado ECENS (nota del editor)
F.1 Ponencia sobre agrometeorología 1011
Figura F.2: Para la predicción de riesgos meteorológicos para los cultivos, se dispone de diferentes herramientas,
algunas de ellas en forma de mapa con la salida de algún modelo, en este caso HIRLAM a 5 km de resolución. Arriba
a la izquierda: temperaturas mínimas previstas, uno de los ingredientes necesarios para la previsión de heladas.
Arriba a la derecha, dirección e intensidad del viento medio, importante también, entre otros propósitos, para las
heladas. Abajo, precipitación acumulada.
Esto son algunos ejemplos de salidas del modelo (Fi- F.1.3 Escala estacional
gura F.2), uno de temperaturas, otro de viento y otro
de precipitación, de hace unos cuantos días. Y este
Si vamos a la escala estacional, es un tema importante
es el modelo operativo en la AEMET de más alta re-
para muchas de las adversidades agroclimáticas, en
solución que tiene unos 5 km de resolución. Para el
particular para la sequía. Lo único, que nos puede
granizo por ejemplo, si vamos a riesgos de tan peque-
dar un valor medio para un conjunto de tres meses
ña escala tenemos que ir a la vigilancia meteorológi-
respecto del clima, una predicción probabilista de la
ca. Tenemos productos experimentales de vigilancia
anomalía del comportamiento medio de la atmósfe-
meteorológica, de predicción de descargas. Son herra-
ra en los próximos meses. Nos permite saber si esa
mientas más orientadas como herramientas internas
anomalía se ha centrado en un periodo o en otro. Por
de vigilancia para predictores, a partir de un algoritmo
consiguiente, es una predicción afectada por una gran
que combina la inestabilidad atmosférica con otros
incertidumbre. Por otra parte, hay que considerar cuál
factores, etc. Empieza a haber algunos productos ex-
es la fuente de destreza (destreza, habilidad o skill, ver
perimentales en AEMET en relación con la predicción
sec. 15.2.4 en la página 212) de este tipo de predic-
a muy corto plazo. Hay que tener en cuenta que un
ciones, por ejemplo, si estamos en niño o en niña (ver
modelo como éste da una posibilidad de 10 - 15 %,
sec. 29.2.1 en la página 484), el estado de la oscilación
será una cuestión a tener en cuenta, si lo comparamos
austral, la temperatura de superficie del agua del mar,
con la propiedad climática de ocurrencia de granizo
etc.
que es muy pequeña.
Figura F.3: Algunas herramientas propias de la predicción estacional, basadas en el System 4 del European Centre
for Medium-range Weather Forecasts -Centro Europeo de Predicción a Plazo Medio- (ECMWF) (ver caps. 28.3.1 en
la página 464 y 19 en la página 289). Arriba a la izquierda: probabilidad de que la temperatura exceda el valor de
la mediana climatológica en el trimestre JAS 2013. Arriba a la derecha: lo mismo pero con la precipitación. Abajo a
la izquierda: el mismo caso, pero con la temperatura de la superficie del mar. Abajo a la derecha: probabilidad de
que la precipitación prevista caiga por debajo del cuartil más bajo (20 %) de la climatología.
Este tipo de variables del sistema climático, que no F.1.4 Fenómenos adversos
son variables atmosféricas sino que son variables de
retroalimentación entre los distintos componentes del Hay una segunda pata que es la vigilancia de los fenó-
sistema climático, son las que nos permiten esperar al- menos de las adversidades (ver fenómeno meteoroló-
gún tipo de destreza en estas predicciones. Las predic- gico adverso (FMA)), tanto en el corto plazo, como
ciones tienen bastante destreza en regiones tropicales; en la escala estacional, como en la anual, plurianual,
lamentablemente, en regiones templadas, dominadas la vigilancia requiere el seguimiento de las variables
por la circulación general de la atmósfera en paso meteorológicas, por consiguiente requiere disponer
corto, no se pueden esperar de momento grandes code una red de observaciones meteorológicas básicas.
sas, aunque tiene ciertas ventanas de oportunidad; por Cuantas más estaciones, mejor. Cuanto más largas
ejemplo, en las temperaturas del verano del sur de sean las series, mejor. Sobre todo, al estudiar los ries-
Europa, la destreza de estas predicciones es algo ma- gos agroclimáticos, la evaluación climática del riesgo.
yor que en otras épocas del año y para otras variables. Si nos fijamos en las redes de AEMET, las estaciones
Además, esta información se debe suministrar en for- automáticas, termométricas y pluviométricas de la red
ma probabilista y esto es un problema. En el cuadro secundaria tenemos cuál es nuestra base de informa-
(Figura F.3) se presenta una salida del modelo centro ción para llevar a cabo el seguimiento de las variables
europeo de predicción estacional para julio, agosto y climáticas que son importantes para el sector agrario.
septiembre.
Los productos se generan a partir de esta red; de las re-
des menos densas, generamos los productos en tiempo
real; de las redes más densas, pero de las que recibi-
mos la información con más demora, generamos los
F.1 Ponencia sobre agrometeorología 1013
productos de vigilancia a tiempo pasado. Aquí están F.1.5 La sequía

algunos ejemplos de vigilancia en tiempo casi real
que estamos generando todos los días (Figura F.4).
A partir de un modelo podemos hacer una estimación Quería dedicar un par de minutos a la vigilancia de
de la humedad del suelo, y compararla con el valor la sequía, porque la vigilancia de la sequía tiene dos
medio de un periodo de referencia, lo que nos permite cuestiones importantes. La primera de ellas es la difi-
estimar, de alguna forma, la humedad media aunque cultad de vigilar un fenómeno de tan difícil definición
sea un modelo a escala España. La vigilancia se puede operativa, porque cuando hay sequía en meteorología
hacer también a otra escala, mensual-estacional, don- es una cosa, la sequía agrícola es otra, la hidrológica
de integramos todas las instalaciones de nuestra red, es una tercera. Pero si hay sequía agrícola o hidro-
no solo las automáticas, de lo que resulta más resolu- lógica es porque previamente ha habido una sequía
ción espacial, pero menos temporal, algo habitual en meteorológica, así que lo primero es caracterizarla.
meteorología. Para cotejar, comparar o contextualizar Lo importante es definir un procedimiento, hacerlo
frente al clima, lo que esta pasando, son los mapas de operativo y establecer en qué momento hay sequía.
normalidad de una determinada variable agroclimá- Para eso estamos utilizando un índice que es el SPI
tica cuantificada en un intervalo de tiempo. A veces (Standardized Precipitation Index [12, 429]), con sus
interesa no solamente ésto, sino saber cómo se ha ido bondades e inconvenientes, la ventaja es que lo puedes
acumulando la precipitación, o las anomalías de tem- integrar en 1, 3, 6 meses, en 24 horas, etc. Y puedes
peratura respecto a los valores medios. Todo esto lo cubrir muchos requerimientos con un cálculo muy
podemos encontrar en la Web de la AEMET. simple.
Figura F.4: Herramientas de vigilancia para la sequía. Arriba a la izquierda: análisis diario (06 UTC - 06 UTC) de
la precipitación en el día 18-06-2013. Arriba a la derecha: igual pero para la evapotranspiración potencial. Abajo:
la anomalía correspondiente al análisis diario, es decir, la diferencia con la climatología del periodo 1997-2013,
desde 2006 en Canarias.
Con posibilidad de acercarnos un poco más a la reali- La vigilancia de las diversas variables climáticas
dad agraria, escoger un umbral, por ejemplo 10 % de permite anticipar determinadas condiciones de ries-
humedad del suelo y trabajar con la secuencia o serie go, en particular en el caso de la sequía y de las
de días consecutivos de humedad del suelo, y generar condiciones propicias a la aparición de ciertas pla-
un número de días consecutivos en los que la humedad gas y enfermedades.
ha estado por debajo de un determinado valor. Este Los análisis climáticos de riesgo constituyen una
tipo de producto es con el que estamos trabajando, que información básica en planificación a largo plazo.
puede ser de utilidad en relación con el seguimiento Para que se puedan mejorar los productos meteoro-
de las condiciones agrarias. lógicos y el apoyo que se presta, se requiere:
• Conocimiento preciso de las demandas de in-
El análisis de riesgos exige series largas de las varia- formación específica procedentes del sector
bles climatológicas y, de forma contradictoria4 , series agrario.
largas y homogéneas. Disponer de mapas de riesgo • Buena distribución espacial de las redes de
detallados, suponiendo clima estable, es una ventaja; observación meteorológica y una mayor in-
si a ésto le añadimos que el clima no es estable, las co- tegración de datos procedentes de distintas
sas se complican, y entonces tenemos unos mapas de fuentes, con introducción de estos datos en
riesgo que van evolucionando. Estos mapas de riesgo los esquemas de tratamiento espacial de la
se pueden generar a partir de condiciones específicas información.
que decida el usuario. En un proyecto agroasesor he- • Coordinación entre redes de distintos organis-
mos definido unos mapas de riesgo a partir de una mos.
serie de parámetros meteorológicos que superan deter-
minados umbrales trabajando año a año y generando La toma de decisiones es un elemento decisivo, las
probabilidades. condiciones meteorológicas adversas causan muchos
daños al sector agrario, los avances en los modelos de
predicción numérica del tiempo permiten mejorar la
gama de productos disponibles, sobre todo en corto y
F.1.6 Conclusiones
medio plazo. En el medio plazo, el enfoque probabi-
lista tiene esa ventaja respecto al usuario pero también
Y, para acabar, estas son las conclusiones: el inconveniente de cómo se traslada esa información
para que no lleve a tomar decisiones equivocadas. La
La información y predicciones meteorológicas vigilancia es fundamental, porque permite anticipar
constituyen elementos decisivos en la toma de deci- condiciones de riesgos, por ejemplo plagas y enfer-
siones en relación con las actividades agrarias. medades, sequía... se van generando poco a poco y se
Las condiciones meteorológicas adversas causan pueden anticipar aunque no haya una predicción es-
cada año importantes pérdidas al sector agrario. tacional. Los análisis climáticos son una herramienta
Los avances en los modelos de predicción numérica básica en planificación para que se puedan mejorar
del tiempo y su mayor resolución espacial permi- los productos meteorológicos. Es preciso, por parte
ten incrementar y mejorar la gama de productos de los meteorólogos, tener un mejor conocimiento
disponibles para su uso en un contexto de toma de las demandas del sector, tener una buena red de
de decisiones, en concreto en predicción a corto y observación, bien mantenida y distribuida, y que esta
medio plazo estas condiciones adversas. información se pueda tratar con esquemas de interpo-
En el medio plazo temporal es importante el desa- lación espacial complejos mejorando la coordinación
rrollo de predicciones con un enfoque probabilista. entre diferentes organismos.
Especial atención debe prestarse al tema de la dise-
minación de esta información al usuario final. Muchas gracias.
4 se refiere a la dificultad de que sean, simultáneamente, largas y homogéneas

F.2 Enlaces 1015
F.2 Enlaces
Enlace a la página del Ministerio de Agricultura, Pesca y Alimentación (MAPA) de la ponencia (actualizado 16-
10-2018): https://www.mapa.gob.es/es/ministerio/servicios/informacion/
plataforma-de-conocimiento-para-el-medio-rural-y-pesquero/seminarios-de-analisis-y-prospectiva/Antonio_
Mestre.aspx
Vídeo de la ponencia (consultado 16-10-2018):
https://www.youtube.com/watch?v=dlUx9BqfRh8&feature=youtu.be
En ambos casos con Licencia Atribución de Creative Commons (reutilización permitida).
::chapaginafin::F::1015::
R AFAEL A NCELL T RUEBA en la jubilación de un compañero en 2012. Fotografía cedida por la Delegación territorial (DT)
de Agencia Estatal de Meteorología (AEMET) en Cantabria.
En el pasado mes de julio falleció nuestro querido colega R AFAEL A NCELL T RUEBA. Su marcha nos ha sorprendido
a todos, pues esperábamos que se reincorporara al trabajo, tras recuperarse de la enfermedad que padecía desde hacía
un año. Trabajó en AEMET desde 1986, como observador de meteorología y meteorólogo. Era jefe de la Unidad
de Estudios y Desarrollos. Ha sido un gran profesional, inteligente y meticuloso en sus trabajos, sabía transmitir
con claridad y soltura sus conocimientos, participando en congresos, charlas y seminarios. Los becarios, de los que
ha sido mentor, dan buena cuenta de estas cualidades como también de su paciencia y cercanía. Su entusiasmo por
la meteorología le llevó además a instalar una estación pluviométrica en terrenos de su vivienda en la localidad de
Riosapero, en Cantabria. Este entusiasmo y pasión no se limitaban al campo profesional sino que afectaban a todos
los ámbitos de la vida: familia, amigos, aficiones. Entre éstas destacan el deporte del paddle y, sobre todo, la música.
No en vano, la construcción de instrumentos de cuerda era una de sus mayores pasiones, lo que le ha ayudado a
sobrellevar este tiempo en el que ha estado aislado por su enfermedad. Rafa siempre estaba lleno de proyectos, tanto
profesionales como en su labor como lutier. Todavía este verano, después de su marcha, han seguido llegando maderas
especiales de tierras lejanas para la fabricación de nuevas guitarras. Nos queda en el recuerdo su habitual sonrisa, buen
humor, ironía, optimismo y entusiasmo por la vida. Hasta siempre Rafa.
Tus compañeros de meteorología - Reseña aparecida en El Observador Nº 95, Septiembre - Octubre 2014
Introducción a la probabilidad
G
DOI: 10.31978/014-18-009-X.G
::chapaginaini::G::1017::
R AFAEL A NCELL T RUEBA †
Delegación territorial (DT) en Cantabria, Agencia Estatal de Meteorología (AEMET)
R AFAEL A NCELL T RUEBA empezó su trayectoria profesional en el año 1986 y desempeñó toda su
carrera en Santander. Primero en el observatorio de la ciudad y después en distintos puestos como
meteorólogo. Desde 2010 desempeñó la jefatura de la Unidad de Estudios y Desarrollos de la
Delegación de AEMET en Cantabria. Siempre manifestó su profundo arraigo a la tierra cántabra y fue
esta condición, junto con su inagotable inquietud científica, lo que orientó su trabajo desde la
comprensión y conocimiento del clima local, hasta los métodos de estudio del cambio climático a escala
regional. Reunía las cualidades del rigor científico con las del comunicador ingenioso, era paciente en
sus explicaciones y cercano en el trato. Los becarios a los que acompañó en su formación sabían que
compartía su afecto con la misma generosidad que su conocimiento. Su entusiasmo por la meteorología
le llevó también a instalar una estación meteorológica en su domicilio, y a formar parte así de la red
climatológica de colaboradores.
J UANJO RODRÍGUEZ V ELASCO, sobre R AFA
La teoría de la probabilidad nos ayuda a entender el mundo de una forma más natural que otras
concepciones y, aunque algunos de sus aspectos puedan desafiar el sentido común, su aplicación en
el dominio científico y técnico ha permitido conformar teorías importantes en numerosas disciplinas.
La meteorología, como pretende mostrar este libro, no es una excepción: nuestro modo de describir
y computar la evolución de la atmósfera lleva asociada una incertidumbre, que se puede plasmar en
términos de probabilidades. Presentamos en esta memoria una introducción sencilla a la teoría de la
probabilidad, que puede ayudar a los lectores no familiarizados con las «leyes del azar». Hemos recu-
perado para ello un texto de nuestro compañero R AFAEL A NCELL T RUEBA, escrito aproximadamente
en 2001, año del V Simposio Nacional de Predicción, que no llegó a publicarse.
Palabras clave: teoría de la probabilidad, distribuciones de probabilidad, probabilidad condicional, dependencia e indepen-
dencia, teorema de BAYES.
Imagen parte superior: altocumulus asperitas. Playa de Los Locos, Suanzes (Cantabria), hacia el oeste, 9 de septiembre de 2008, a las
1018 Física del caos en la predicción meteorológica Anexo G. Introducción a la probabilidad
G.1 Introducción a la probabilidad que planteó el problema de predecir una variable co-
nociendo los valores de otras relacionadas con ella,
formulando el primer modelo explicativo estadístico.
G.1.1 Perspectiva histórica En este línea, L EGENDRE inventó el método de los
Mínimos Cuadrados buscando la máxima precisión
Antiguamente se atribuían propiedades mágicas al para predecir la posición de un planeta en función
azar. De hecho, los oráculos y pitonisas tiraban dados de las posiciones conocidas de los planetas restan-
(hueso astrágalo de una oveja o ciervo) para adivinar tes. G AUSS, además, añadió que el método es óptimo
el futuro, e. g. la denominada combinación de Venus cuando los errores de medida siguen una distribución
1, 3, 4 y 6 al tirar 4 dados era muy apreciada por su normal (campana de G AUSS). Puede verse, por tanto,
significado favorable. En esa época determinista lo que después del juego el cálculo de probabilidades se
aleatorio, por inconcebible, era voluntad divina (pue- aplicó a la astronomía y a la física.
den encontrarse introducciones a la probabilidad y
La llamada aritmética política se desarrolló durante
abordaje de diferentes aspectos, por ejemplo, en las
los siglos XVII y XVIII tomando una carácter cuanti-
obras [49, 153, 223, 370, 510]).
tativo, aplicándose a tasas de mortandad y natalidad,
censo, comercio, etc. Al ser cuestiones de estado rea-
Fueron los jugadores del Renacimiento, siglo XVI,
lizadas por estadistas, la disciplina vino a llamarse
quienes primero abandonaron la explicación divina
estadística. En un principio, la estadística evolucio-
y comenzaron a interpretar empíricamente los resul-
nó como ciencia separada del cálculo de probabilida-
tados de lo que hoy conocemos como experimentos
des, aunque muy pronto se empezó a aplicar este últi-
aleatorios simples. C ARDANO en 1526 postuló la equi-
mo a datos demográficos. Por ejemplo, A. Q UETLET
probabilidad de aparición de las caras de un dado a
(1846), introdujo el concepto de hombre medio utili-
largo plazo. G ALILEO (1564-1642), respondiendo a
zando las estaturas de los reclutas de un reemplazo.
un jugador que le preguntaba por qué es más difícil
obtener 9 tirando 3 dados que obtener 10, razonó que, G ALTON (1822-1911) quien, entre otras cosas, fue
de las 216 combinaciones posibles y equiprobables, un fecundo meteorólogo (acuñó el término anticiclón)
25 conducen a 9 y 27 a 10. Puede notarse lo fino que y era primo de DARWIN, fue el primero en resaltar
hilaba el jugador, que por simple observación percibió la necesidad de abordar las entonces revolucionarias
una diferencia de probabilidad de 2/216, que es apro- ideas de su primo desde el punto de vista estadístico.
ximadamente un 1 %. Existía ya, por tanto, un análisis Según DARWIN, la selección natural responde a dos
empírico intuitivo y bastante preciso de ciertos experi- mecanismos relacionados, a saber, la variabilidad ge-
mentos aleatorios a finales del siglo XVI. nética que a su vez condiciona el éxito o fracaso en
la lucha por sobrevivir. G ALTON asoció la variabili-
Un origen posible del cálculo de probabilidades surgió dad genética al azar y, por tanto, era susceptible de
del problema planteado a PASCAL y F ERMAT en 1654 ser tratada mediante el cálculo de probabilidades y
por un jugador empedernido que quiso saber cómo además correlacionarse con el índice de superviven-
se repartiría el dinero apostado sobre la mesa si la cia. «Aquellos organismos que estén maś adaptados
policía interrumpía la partida antes de haber un gana- sobrevivirán más tiempo y tendrán más descendien-
dor. Parece ser que, durante este periodo, la teoría del tes, por lo que tiene que existir una correlación entre
cálculo de probabilidades se aplicaba principalmente determinadas características genéticas hereditarias
a los juegos de azar. y el índice de supervivencia de los individuos de una
especie». G ALTON es importante tanto por su enfoque
Tal vez la primera aplicación fuera del ámbito de los como por la enorme influencia que sus ideas tuvie-
juegos fue el tratamiento de los errores de medición. ron en W ELDON , K. P EARSON , R. A. F ISHER, etc.,
B ERNOULLI (1700-1782) dio una primera solución quienes fundamentaron la estadística moderna.
al problema de estimar una cantidad desconocida a
partir de una serie de mediciones que, por error expe- P EARSON, entre otras muchísimas contribuciones, pu-
rimental en su medida, presentaban variabilidad. Por blicó tablas estadísticas para facilitar la aplicación de
fin, L APLACE (1749-1827) introdujo la primera defi- los nuevos métodos, hecho que contribuyó enorme-
nición explícita de probabilidad y desarrolló la Ley mente a su rápida difusión. F ISHER, también entre
Normal como modelo para describir la variabilidad otras muchas contribuciones, publicó el Statistical
de los errores de medida. Fue el primero, además, methods for research workers, primer compendio de
G.1 Introducción a la probabilidad 1019
los métodos de investigación estadística de entonces. con su falta de aceptación de la física cuántica [678])
A partir de ahí el crecimiento es exponencial, se crean porque se aburre.
métodos estadísticos en ingeniería (control de cali-
dad, métodos de predicción...), en física (teoría ci- Los sucesos acaban ocurriendo o no ocurriendo, luego
nética, mecánica estadística), antropología, biología, su probabilidad final (a posteriori) siempre es 0 ó 1.
medicina, climatología, etc. En antropología, para dis- La gracia del caĺculo de probabilidades está precisa-
criminar entre diferentes tipos de cráneos, F ISHER mente en anticiparse (a priori) a ese final. Adoptando
inventó el denominado análisis discriminante. El aná- una concepción determinista de los hechos, hagamos
lisis factorial surgió tratando de resolver problemas un análisis del experimento del dado, pero al revés.
relacionados con la psicología y, en general, con las Supongamos que ha salido un 4, por tanto la probabi-
ciencias sociales. Cuando se aplica la estadística a lidad final de la clase 4 es 1 y la del resto de clases, es
la economía surge la econometría. la investigación decir {1,2,3,5,6} es cero. Si inicialmente las probabi-
estadística en problemas militares durante la segunda lidades empíricas eran 16 , ha de existir algún proceso
guerra mundial, junto con los nuevos métodos de pro- según el cual, mientras el dado da vueltas en el aire, las
gramación matemática, dan lugar a la investigación probabilidades empíricas se van transformando des-
operativa. de el { 16 , 16 , 16 , 16 , 16 , 16 } inicial al {0,0,0,1,0,0} final. De
algún modo, la estadística eleva nuestro conocimien-
to por encima de la razón. Lo ideal es poder decidir
G.1.2 Medida de probabilidad acumulando la información relevante más sencilla.
Cuando la información asociada a un suceso es sub- Los ejemplos mostrados en este capítulo plantean, en
jetiva, imprecisa, errónea o incompleta se habla de ocasiones, preguntas que se dejan como ejercicio para
incertidumbre (que literalmente quiere decir conoci- el lector. En algunos casos, además, se da respuesta
miento incierto). También surge cuando la relación detallada o, al menos, un esbozo.
causa-efecto no es determinista, es decir, cuando las
mismas causas pueden generar efectos distintos. Co- Ejemplo 1. Aunque no se trata de un ejemplo esta-
mo se comprende fácilmente, hay infinidad de fenóme- dístico, trata de ilustrar la importancia de la informa-
nos que se pueden catalogar de inciertos. Por ejemplo, ción privilegiada y de cómo a veces nuestra razón se
conduce por caminos estériles en vez de buscar vías
un pronóstico meteorológico, un diagnóstico médi-
alternativas que pueden resultar mucho más sencillas.
co, una tirada de dados, el resultado de un partido de Dada la serie, hállese la letra siguiente: OTTFFSS_
fútbol, el fallo de una central nuclear, etc. De ahí la im-
portancia de poseer un conocimiento y un tratamiento
adecuado de la incertidumbre.
Definición de probabilidad. Es la medida cuantitativa
Por ejemplo, si sostengo un dado en el aire y lo suel- de la incertidumbre asociada a un suceso o combina-
to, caerá con probabilidad 1, pues mediante las leyes ción de sucesos.
de la gravitación eliminamos toda la incertidumbre
asociada al suceso caer. Sin embargo, si quiero saber
Formalismo matemático. Ha de ser una función adi-
qué cara mostrará cuando pare de rebotar en el suelo,
entran en juego leyes tan complicadas que no tengo tiva y no negativa para tener categoría algebraica de
más remedio que recurrir al empirismo y asociar 16 co- medida y si, además, la suma de todas las posibi-
mo probabilidad para cada uno de los casos posibles. lidades es la unidad se dice que es una medida de
En este caso, la probabilidad y la estadística empie- probabilidad o estructura estocástica.
zan donde nuestro conocimiento de la física encuentra Concepción subjetiva.
limitaciones prácticas. Para quien conoce perfecta-
mente todas y cada una de las leyes que controlan
el suceso, su probabilidad podría, en principio, ser riesgo
Probabilidad =
siempre 0 ó 1 ya que no habría incertidumbre (aunque beneficio
sabemos que aún así existe incertidumbre, ver cap. 5
en la página 49). Podríamos decir aquí que Dios no
juega a los dados (frase de A LBERT E INSTEIN en una Se emplea cuando el fenómeno no es susceptible de
carta dirigida a su amigo M AX B ORN, relacionada ensayo.
Concepción laplaciana.
Axioma 2: aditividad.
casos favorables P(∪Ai ) = ∑ P(Ai ) (G.2)

Probabilidad =
casos posibles
Si las clases son mutuamente excluyentes, la probabi-
lidad de la unión de clases es igual a la suma de sus
probabilidades individuales.
Supone la equiprobabilidad de todas las posibilidades

y cumple las condiciones para ser medida de probabi-
lidad. Es objetiva cuando el número de ensayos tiende
Propiedades deducidas a partir de los
a infinito.
axiomas.
De ahora en adelante, aunque en algunos conceptos se 1. Si A es un subconjunto de Ω entonces:

pierda generalidad, trataremos de pensar en términos
P(A) ∈ [0, 1] (G.3)
meteorológicos.
2. Si A y B son subconjuntos de Ω entonces:
Población. Es el conjunto de todos los sucesos. Por P(A ∪ B) = P(A) + P(B) − P(A ∩ B) (G.4)
ejemplo: temperatura a las 12 UTC, cantidad de pre- 3. Si A ⊆ B ⊆ Ω entonces:
cipitación, tormenta, dirección del viento, velocidad
media, racha, etc. P(A) ≤ P(B) (G.5)
4. La probabilidad del suceso conjunto vacío es

nula:
Muestra. Es un subconjunto representativo de la po- P(0)/ =0 (G.6)
blación. Por ejemplo: serie diaria 1961-1990, casos
de tormenta, casos de lluvia fuerte, casos de nieve y
viento fuerte, serie mensual 1980-1998, días de ve-
rano, etc. En realidad es a menudo la muestra misma G.1.3 Distribuciones de probabilidad
la que define a la población, pues ya presupone una
clasificación.
Se encargan de asignar una medida de probabilidad
a todos y cada uno de los sucesos posibles. Puede
Espacio muestral. Es el conjunto de todas las posibili-
ser una función analítica: binomial, poisson, normal,
dades (clases de sucesos) según un criterio clasificador gamma, weibull, gumbel, etc. Por ejemplo, la distribu-
previo, es decir, el conjunto de todos los resultados ción de probabilidad de la temperatura diaria es una
posibles. Ha de ser excluyente y exhaustivo. Se denota normal univariante, la de la precipitación mensual, es
a menudo por Ω . Por ejemplo: {NE, SE, SW, NW, una gamma univariante, para los extremos se emplea
CALMA} para el viento, {ausente, posible, probable, la de gumbel, para los vientos la de weibull, etc.
segura} para una predicción de niebla , {despejado,
Cuando la distribución de probabilidad combina dos
poco nuboso, intervalos nubosos, nuboso, cubierto}
o más sucesos (con un enfoque formalmente más ri-
para la nubosidad, {mañana, tarde, noche, madrugada}
guroso hablaríamos de variables aleatorias en vez de
para el momento de ocurrencia de un evento.
sucesos, pero las conclusiones son las mismas), se
dice multivariante. Esta combinación de sucesos es
Axioma 1: normalización. útil cuando se trata de inferir el comportamiento de un
suceso a partir de otros supuestamente relacionados
P(Ω ) = 1 (G.1)
con aquél. Por ejemplo, el suceso lluvia sospecha-
Es decir, no existe ningún suceso de la población que mos que se encuentra fuertemente relacionado con
no pertenezca a una clase. los sucesos dirección del viento y estación del año.
La distribución de probabilidad que combina varias
variables meteorológicas se denomina conjunta.
Tabla G.1: Distribución trivariante de las variables (discretas) estación del año, dirección del viento (discretizada) y
presencia o no de lluvia, en el Aeropuerto de Parayas (Santander).
La variable que cuantifica todas las opciones del suce-

so puede ser discreta (dado) o continua (temperatura). Probabilidad condicional. La probabilidad de que
un suceso tome la opción x condicionada por que otro
Cuando no se conoce la función analítica que caracte-
suceso tome la opción y viene dada por:
riza a la función de probabilidad conjunta de un grupo
de variables continuas, es muy común discretizarlas P(x ∩ y)
P(x|y) = (G.7)
para simplificar su estudio. Por ejemplo, la precipita- P(y)
ción se puede discretizar las categorías {seco, débil,
Es decir, se trata de hallar la proporción de casos que
moderada, fuerte, muy fuerte, torrencial} o bien como son x de entre los y.
{seco, lluvia}.
Emplearemos una tabla real de distribución de fre-

cuencias (Tabla G.1) para ilustrar las definiciones y
Ejemplo 3. Por ejemplo, la probabilidad de que llue-
teoremas. Son datos reales de la serie 1986-1995 en
va un día de suroestes es la proporción de casos que
la estación meteorológica del Aeropuerto de Parayas son lluv de entre los sw:
(Santander). Es trivariante pues contiene las variables
(discretas) estación del año, dirección del viento (dis- P(lluv ∩ sw) 661
P(lluv|sw) = = = 0,746
cretizada) y presencia o no de lluvia en Parayas. Hay P(sw) 886
muchas formas de construir la tabla y la presentada es Y viceversa, ¿cuál sería la probabilidad de que so-
una de ellas. ple del suroeste un día de lluvia?, ¿y la probabilidad
de que sople del suroeste un día cualquiera?, ¿y la
Ejemplo 2. Según los datos de la Tabla G.1, la proba- probabilidad de registrar lluvia un día cualquiera?
bilidad de lluvia es: 661
P(lluv ∩ sw) = ≈ 0,181
2059 3650
P(lluv) = = 0,564 225 + 661
3650 P(sw) = ≈ 0,243
3650
Así mismo, la probabilidad de viento del suroeste es: 2059
P(lluv) = ≈ 0,564
(225 + 661) 3650
P(sw) = = 0,243
3650
¿Cuál es la probabilidad de que ocurran simultánea-
mente lluvia y suroeste? Extendiendo la definición a tres variables tendremos:
P(x ∩ y ∩ z)
P(x|y ∩ z) =
P(y ∩ z)
P(x ∩ y ∩ z)
G.1.4 Probabilidad condicional P(x ∩ y|z) =
P(y)
El conocimiento de la ocurrencia de un suceso pue- Por ejemplo, la probabilidad de que no llueva en pri-
de modificar las probabilidades de otros sucesos. Por mavera con viento del noroeste sería:
ejemplo, la probabilidad de que llueva puede cambiar P(seco ∩ primavera ∩ nw)
cuando se conoce la dirección del viento que soplará. P(seco|primavera, nw) =
P(primavera ∩ nw)
Por ello, según se va añadiendo información, las pro- 95
babilidades de los sucesos pueden, y suelen, cambiar. = = 0,255
(95 + 277)
Tabla G.2: Tabla similar a la G.1 en la página anterior, en este caso con una distribución trivariante de las variables
(discretas) fase de la Luna (discretizada), dirección del viento (discretizada) y presencia o no de lluvia, según los
datos de la serie diaria de la estación meteorológica del Aeropuerto de Parayas (Santander) en el periodo 1986-1995.
Ejemplo 4. ¿Cuál sería la probabilidad de que llueva Hay que demostrar la independencia para todas y cada
y además sople del nordeste en verano? una de las posibilidades. En primer lugar, las proba-
bilidades de lluvia condicionadas a cuarto creciente,
luna nueva, cuarto menguante y luna llena:
P(lluv ∩ cc) 490

Una forma alternativa de escribir la probabilidad con- P(lluv|cc) = = ≈ 0,557
P(cc) 490 + 389
junta de dos variables es:
P(lluv ∩ ln) 544
P(lluv|ln) = = ≈ 0,542
P(y ∩ z) =P(x1 ∩ y ∩ z) + P(x2 ∩ y ∩ z) + ... P(ln) 544 + 459
... + P(xn ∩ y ∩ z)
Por ejemplo, con la probabilidad de lluvia y noroeste P(lluv ∩ cm) 519
P(lluv|cm) = = ≈ 0,586
sería: P(cm) 519 + 366
P(lluv ∩ ll) 506
P(lluv|ll) = = ≈ 0,573
P(ll ∩ nw) =P(inv ∩ ll ∩ nw) + P(pri ∩ ll ∩ nw)+ P(ll) 506 + 377
+ P(ver ∩ ll ∩ nw) + P(oto ∩ ll ∩ nw) La probabilidad total de lluvia viene dada por:
2059
Ejemplo 5. Comprobar, con la Tabla G.1 en la página P(lluv) = ≈ 0,564
anterior que, efectivamente, se cumple la ecuación 3650
anterior. Y, a su vez, la probabilidad total de luna llena está
dada por:
377 + 506
P(ll) = ≈ 0,242
3650
G.1.5 Dependencia e independencia
El producto de ambas probabilidades:
Sucesos independientes. Se dice que dos sucesos P(lluv)P(ll) = 0,564 · 0,242 ≈ 0,137
son independientes cuando el conocimiento de uno no
agrega información sobre la ocurrencia del otro. Es Y la intersección de las mismas:
decir, cuando: 506
P(x|y) = P(x) (G.8) P(lluv ∩ ll) = ≈ 0,139
3650
para todas las posibilidades de x e y. Lo cual es equi-
Por otro lado, las probabilidades de tiempo seco con-
valente a:
dicionadas a las diferentes fases de la luna son:
P(x ∩ y) = P(x)P(y) (G.9)
P(seco ∩ cc) 389
P(seco|cc) = = ≈ 0,443
P(cc) 490 + 389
P(seco ∩ ln) 459
P(seco|ln) = = ≈ 0,458
Ejemplo 6. Comprobar, con los datos de la Tabla G.2, P(ln) 544 + 459
la ecuación G.9, es decir, que si x e y son indepen- P(seco ∩ cm) 366
P(seco|cm) = = ≈ 0,414
dientes, entonces P(x ∩ y) = P(x)P(y) para todas las P(cm) 519 + 366
posibilidades de x e y. P(seco ∩ ll) 377
P(seco|ll) = = ≈ 0,427
P(seco) 506 + 377
Y la probabilidad total de tiempo seco viene dada por: Ejemplo 7. Probar que I(x, y|z) equivale a:
1591 P(x, y|z) = P(x|z)P(y|z) ∀x, y, z
P(seco) = ≈ 0,436
3650
Con una precisión aproximada del 98 %, podemos
decir que el suceso lluvia y el suceso fase lunar son
independientes, lo que significa que, a priori, el cono- La independencia se puede tratar como un caso par-
cimiento de la fase lunar no aporta ninguna informa- ticular de la independencia condicional. Así, si x e y
ción relevante sobre la ocurrencia del suceso lluvia. son independientes, se puede poner I(x, y|Ø). Puede
Tenemos, por ejemplo, que: ocurrir que I(x, y|Ø) y, sin embargo, D(x, y|z), como
vamos a ver en el siguiente ejemplo.
0,139 = P(lluv ∩ ll) ≈ P(lluv)P(ll) = 0,137·
No ocurría lo mismo con el suceso dirección del vien- Ejemplo 8. Habíamos visto que el suceso lluvia y el
to, pues éste sí que contiene información relevante suceso fase lunar son independientes, lo que significa
sobre el suceso lluvia. Recordando el ejemplo 3: que, a priori, el conocimiento de la fase lunar no apor-
ta ninguna información relevante sobre la ocurrencia
661
P(lluv ∩ sw) = ≈ 0,181 del suceso lluvia, por lo que podemos decir:
3650
(225 + 661) I( f ase, lluvia|Ø)
P(sw) = ≈ 0,243
3650
2059 Ahora bien, ¿qué ocurre con la probabilidad de llu-
P(lluv) = ≈ 0,564
3650 via cuando conocemos, además de la fase lunar, la
dirección del viento?
De modo que:
P(lluv ∩ sw) ≈ 0,181

P(lluv)P(sw) = 0,564 · 0,243 ≈ 0,137
Para que lluvia y fase lunar sigan siendo independien-
Por tanto: tes tendría que ocurrir que:
0,181 ≈ P(lluv ∩ sw) 6=P(lluv)P(sw) ≈ 0,137 P(lluvia|direccion, f ase) = P(lluvia|direccion)
Es decir, los sucesos lluvia y viento del suroeste son para todas y cada una de las posibilidades de lluvia,
claramente dependientes. dirección y fase lunar.
Apoyándonos de nuevo en la Tabla G.2 en la página

anterior, escribimos:
G.1.6 Dependencia e independencia con- 825
dicional P(lluv|nw) = ≈ 0,74
825 + 288
192
Vamos a relacionar los conceptos de dependencia e P(lluv|nw, ll) = ≈ 0,79
192 + 51
independencia cuando se relacionan más de dos suce- 177
sos. P(lluv|nw, cc) = ≈ 0,69
177 + 78
Vemos cómo el conocimiento de la fase lunar puede
Sucesos condicionalmente independientes. Si llegar a modificar en un 10 % la probabilidad de preci-
se cumple que pitación cuando se conoce, además, la dirección del
viento, lo que resulta sorprendente. Por tanto:
P(x|z, y) = P(x|z) ∀x, y, z (G.10)
D(lluvia, f ase|direccion)
se dice que x e y son condicionalmente independientes
dado z. Se escribe I(x, y|z). De lo contrario se escribe
D(x, y|z). La expresión I(x, y|z) significa que la pro-
babilidad de ocurrencia de x es la misma dado z que
dados z e y. Visto de otra manera, diríamos que to-
da la información sobre x que podría aportar y está
contenida en z.
G.1.7 Teorema de Bayes

Ejemplo 9. Compruébese que, efectivamente, se cum-
ple el teorema de BAYES , con los datos de la Tabla G.1
Este teorema tiene gran trascendencia en la estadística en la página 1021.
moderna. Describe la probabilidad de un suceso, ba-
sado en el conocimiento a priori de condiciones que Ha de cumplirse que:
pueden estar relacionadas con el mismo. Por ejem-
plo, si el cáncer puede estar relacionado con la edad, P(lluv|ne, ve) =
usando el teorema de BAYES puede evaluarse la proba- P(lluv)P(ne, ve|lluv)
bilidad de que una persona tenga cáncer en función de =
P(seco)P(ne, ve|seco) + P(lluv)P(ne, ve|lluv)
su edad, con más precisión de lo que podría evaluarse
sin conocer la misma. Donde:
Teorema de Bayes. Dados los sucesos x, y, z, con P(lluvia) se denomina probabilidad a priori, ya
P(y, z) 6= 0, se cumple: que se puede calcular antes de conocer la estación
y el viento.
P(x)P(y, z|x) P(lluv|ne, ve) se denomina probabilidad a posterio-
P(x|y, z) = (G.11)
∑x P(x)P(y, z|x) ri y es la que se puede calcular después de conocer
la estación y el viento. Es la que nos interesa, ya
Donde: que incluye información adicional.
P(ne, ve|lluv) se denomina verosimilitud y es la
P(x|y, z) es la probabilidad condicionada de x dado probabilidad de que un día de lluvia sea de verano
que se cumpla y, z. y con viento del NE.
P(y, z|x) es la probabilidad condicionada de y, z da-
do que se cumpla x. Calculamos entonces:
P(x) es la probabilidad, llamada marginal, de que
se cumpla x. 2059 162
P(lluv)P(ne, ve|lluv) = = 0,04438
P(y, z) = ∑x P(x)P(y, z|x) es la probabilidad, tam- 3650 2059
bién marginal, de que se cumpla y, z. 1591 360
P(seco)P(ne, ve|seco) = = 0,09860
3650 1591
Por tanto, el segundo miembro vale:
P(lluv)P(ne, ve|lluv)
=
P(seco)P(ne, ve|seco) + P(lluv)P(ne, ve|lluv)
Demostración. Se obtiene fácilmente empleando
las fórmulas de probabilidad condicional. Dados tres 0,04438
= =
sucesos x, y, z: 0,04438 + 0,0986
≈ 0,31
P(x,y,z)
P(x|y, z) = P(y,z)
P(x,y,z) Y el primer miembro vale:
P(y, z|x) = P(x)
162
Por tanto: P(lluv|ne, ve) = = 0,31
162 + 360
P(x)P(y, z|x)
P(x|y, z) = Efectivamente, se cumple el teorema de BAYES.
P(y, z)
Recordando que:
P(y, z) = ∑ P(x, y, z) = ∑ P(x)P(y, z|x)

x x
y, combinando las últimas ecuaciones, resulta el teo-

rema denominado teorema de BAYES (ec. G.11).
::chapaginafin::G::1024::
Ó SCAR G ARCÍA C OLOMBO en el Parque Natural Marina de Cope en marzo de 2008.
Recientemente ha fallecido súbitamente nuestro compañero Ó SCAR G ARCÍA C OLOMBO. Creo que todos los que
hemos tenido la suerte de conocerle le hemos querido, respetado, admirado y disfrutado mucho con su presencia, su
trabajo y sus siempre inteligentes aportaciones a todas las conversaciones en las que participaba. Personalmente trabajé
muy cerca de él en los años de la migración del modelo HIRLAM del Cray C90 al Cray X1e. Recuerdo aquellos
meses con mucha añoranza. No siempre en AEMET se tiene la suerte de compartir tareas con gente inteligente y
motivada por los desafíos y ese era, claramente, el caso de Ó SCAR. La gente inteligente y motivada suele defender sus
opiniones con vehemencia y, valga la redundancia, con inteligencia y eso no siempre se valora adecuadamente. Creo
sinceramente que ese fue el caso de Ó SCAR y tal vez por ello su trayectoria profesional en AEMET no fue todo lo
brillante que debería haber sido y que él se merecía. No obstante, eso nunca empañó su dedicación y el entusiasmo
con el que afrontaba los desafíos técnicos que le surgían en el camino, y de eso podemos dar fe todos los que le
conocimos de cerca. Pero además de todo lo anterior, Ó SCAR era una buena persona, amigo de todos, buen compañero
y siempre dispuesto a ayudar a todo aquél que se lo pedía, tanto en el plano personal como el profesional. Siempre
estaba «maquinando» nuevos desafíos para mejorar el nivel tecnológico de AEMET y siempre los afrontaba y resolvía
con pasión, como todo lo que hizo en su vida, porque Óscar también era una persona apasionada. Se nos ha ido
demasiado pronto y le echaremos mucho de menos, pero siempre nos consolará saber que le llevaremos en nuestro
corazón y, que de vez en cuando, aún nos parecerá verle por los pasillos andando deprisa y pensando más deprisa aún.
Descanse en paz nuestro compañero Ó SCAR G ARCÍA C OLOMBO y nuestro más sincero pésame a su familia, hija,
padres y hermanos. ¡Hasta siempre amigo!
J OSÉ A NTONIO G ARCÍA -M OYA Z APATA - Reseña aparecida en El Observador Nº 107, Septiembre - Octubre 2016
No hay ordenador capaz de simular el tiempo del
Archipiélago H
DOI: 10.31978/014-18-009-X.H
::chapaginaini::H::1027::
O SCAR G ARCÍA C OLOMBO †
Área de Telemática, Agencia Estatal de Meteorología (AEMET)
J UANJO J IMÉNEZ
La Opinión de Tenerife
Creo que todos los que hemos tenido la suerte de conocerle le hemos querido, respetado, admirado y
disfrutado mucho con su presencia, su trabajo y sus siempre inteligentes aportaciones a todas los
conversaciones en las que participaba. [...] No siempre en AEMET se tiene la suerte de compartir tareas
con gente inteligente y motivada por los desafíos y ese era, claramente, el caso de Óscar. La gente
inteligente y motivada suele defender sus opiniones con vehemencia y, valga la redundancia, con
inteligencia y eso no siempre se valora adecuadamente. [...]
El Observador – J OSÉ A NTONIO G ARCÍA -M OYA Z APATA, sobre Ó SCAR
El diario La Opinión de Tenerife publicaba el 16 de agosto de 2013 una entrevista, realizada por
J UANJO J IMÉNEZ , a nuestro amado compañero Ó SCAR G ARCÍA C OLOMBO [328]. Encabezaba la
entrevista la frase «No hay ordenador capaz de simular el tiempo del Archipiélago». El subtítulo
rezaba «Los canarios viven en verano en torno a los 26 grados centígrados en las costas situadas al
norte de las Islas y a unos 28 en las que quedan al sur», destaca el Delegado de la Agencia Estatal de
Meteorología en Canarias. Reproducimos en esta memoria aquella entrevista íntegra, con el amable
permiso de La Opinión de Tenerife. En dicha entrevista Ó SCAR mencionaba interesantes aspectos
relacionados con la predicción del tiempo en el archipiélago, especialmente dificultosa, debido a una
combinación de factores, como son la insularidad, el acusadísimo relieve o el tamaño relativo de las
islas.
Palabras clave: meteorología en Canarias, dificultades de la predicción con la orografía canaria, supercomputación.
Imagen parte superior: mar de nubes de stratocumulus sobre el océano Atlántico con el Teide emergiendo en el horizonte sobre Tenerife.
Fotografía tomada hacia el este-sureste desde el avión el 5 de mayo de 2004, trayecto Madrid-La Palma, en la aproximación al aeropuerto
de La Palma. J OSÉ A NTONIO Q UIRANTES C ALVO.
Física del caos en la predicción meteorológica Anexo H. No hay ordenador capaz de simular el tiempo del
1028 Archipiélago
H.1 Entrevista usando. Tenemos una resolución de dos kilómetros

y medio (ver secs. A.18 en la página 945 y 20.4 en
O SCAR G ARCÍA C OLOMBO, de 47 años, nacido en la página 310), que es muy alta, y que en la mayoría
Madrid, es licenciado en Ciencias Físicas, en la es- de las situaciones del planeta es suficiente, pero para
pecialidad Física del Aire, y delegado de la Agencia aquí no existe en el mundo un ordenador capaz de
Estatal de Meteorología (AEMET) en Canarias. Como simular perfectamente el tiempo en las islas. Eso a
meteorólogo, asegura que Canarias es un «doctorado» pesar de que nuestro ordenador, un Cray Vectorial X1
para ejercer la profesión por las peculiaridades de un (ver sec. 11.4 en la página 150), es uno de los 150 más
clima que califica de ideal pero, a su vez, sumamente potentes fabricados en su momento y capaz de realizar
complicado de predecir por la confluencia de unos millones de operaciones matemáticas por segundo.
alisios en una geografía tan abrupta que se escapa de
– ¿Y eso que dicen de los alisios, que si son la joya de
los modelos estandarizados.
la corona...?
– ¿A cuántos grados vive un canario de verdad? – Sí que lo son. Los alisios combinados con el relieve
son los que otorgan esta disparidad de clima. Son unos
– El canario vive de media a 24 grados en las costas
vientos muy constantes todo el año, más en verano que
norte, o 26 en verano, 22 en invierno. El del sur tiene
en invierno, que al encontrarse con la costa ascienden.
algo más de variación, pero hasta los 28 en verano y
En ese momento se condensan al enfriarse, formando
en invierno a unos 26.
la nubosidad en el norte, y provocando las grandes
diferencias pluviométricas entre una cara de la isla
– ¿Y cuando al canario se sale de esta burbuja?
y la otra: nublado húmedo y despejado seco. Y hay
– Llama. En cuanto cambia un poco, la población se que tener en cuenta que esta inversión de temperatura
extraña. Hace un poco más frío o más calor y quiere actúa como una tapadera e impide que esta humedad
saber porqué. Y yo lo veo muy bien. se eleve a partir de un determinado nivel. En el norte,
se sube, se llega a la nube, y poco más arriba te pega
– ¿Canarias tiene el mejor clima del mundo, o eso se todo el sol encima.
lo dirá usted a todos?
– ¿Hay mucho alisio suelto o se trata de un exclusivo
– No sé si es el mejor del mundo, pero sí es un cli- hecho en Canarias?
ma ideal. Hoy mismo hace mucho calor, pero para – Los alisios afectan a las regiones subtropicales, pero
alguien de la meseta peninsular no es casi ni calor, y el asunto es que en Canarias encuentran tierra entre
para el que estaba acostumbrado, como yo, a quitar el el océano. Madeira y Azores están muy al norte pa-
hielo del coche para ir a trabajar, pues evidentemente ra tener alisios. Es un caso excepcional por la gran
sí que es un clima ideal. Es cierto que no existe una orografía, como el Teide a sus casi 4000 metros y
definición del mejor clima del mundo. Depende del su situación geográfica. Y si no lo tuviéramos el cli-
que lo viva, pero a mi personalmente me gusta mucho ma sería mucho más tórrido, no existiría el verde de
porque estoy cansado de extremos meteorológicos, y barlovento.
aquí se mantiene en unos límites muy agradables y
si no te gusta el de un lugar, con solo desplazarse 30 – ¿Un desierto?
kilómetros tienes el tuyo. En invierno, en la playa del
Cura, se está fantástico. – Un poco exagerado, pero observe la diferencia entre
las islas de orografía baja, como Lanzarote y Fuerte-
– El que atine con el tiempo en las Islas se doctora, si ventura, con La Palma, con el matiz de que las dos
se atiende al otro mito del continente en miniatura. primeras están más cerca de África. El alisio es una
bendición, a veces en la zona de Gando o Telde suena
– Sí, sí que se doctora. Es muy difícil porque además fuerte, pero bajas un poco por la autopista y ya se está
nuestra herramienta fundamental de predicción es el estupendo.
modelo matemático, que no puede simular con la ade-
cuada resolución espacial la orografía canaria, porque – ¿Por qué aquí con poquito que suba la temperatura
es demasiado abrupta para los modelos que estamos el personal aparenta algo asirocado?
H.2 Enlace 1029
– Quizá porque disfruten de un clima tan estable, que las siete de la mañana todos los días, rellenan la ficha
se desvía muy poco. El que haga mucho calor o mu- y nos la remiten a final de mes. Si no es por ellos no
cho frío es cuestión de a qué se compare. En Madrid podríamos mantener la red, porque las automáticas
ya a finales de julio te puedes morir de calor. Y en son muy caras.
invierno hace un frío que pela. En Teror también hará
frío, pero no escarcha. En la Cumbre puede llegar a ser – Lo que sí parece es que cada vez hay una mayor
extremo, pero ahí viven muy pocas personas. En Ca- afición. Se ve en foros, como Cazatormentas, Me-
narias no hay grandes temperaturas excepto en lugares teo7Islas..., y otros muchos, algunos de gran tino.
muy puntuales. Es casi imposible que encontremos
40 grados en la costa, que es lugar del gran grueso – Efectivamente, y enriquecen. Hay personas que no
de la población. Y si se produjeran sería algo muy serán físicos, pero que son grandes comunicadores y
puntual con una entrada de aire africano que llegue al llegan al público muy bien con este tipo de informa-
suelo, pero no es lo normal. En cuanto a las rachas de ción. Ahora, es como los futbolistas, unos juegan bien
calor, son episodios de días, o semanas, no como en y otros mal, y el aficionado puede que también juegue
Extremadura que empieza junio a 38 grados hasta sep- bien, con buenos accesos a los datos de los modelos
tiembre. En las islas las máximas se dan en medianías, que hacen sus predicciones. Unos más que otros.
que al quedar por encima de las nubes reciben una
insolación muy elevada y a resguardo de los alisios. – También estaba el señor de las cabañuelas...
– Luego... ¿estos termómetros callejeros a pie de playa – Se están perdiendo, porque cada vez hay menos vida
abonados a los 40 y pico grados? en el campo. Era un conocimiento muy acertado, pero
si al señor que hacía los barruntos lo cambiabas de
– No es una medida aceptable porque lo que marca zona se le caían los esquemas.
ese termómetro es la temperatura del propio termó-
– Hasta hace nada era deporte nacional meterse con
metro. Igual que el que se pega en una pared, mide la
el hombre del tiempo por sus fallos.
temperatura de la pared. Lo que vale para el criterio
de la observación es la temperatura del aire, que es la
– Ya se falla muchísimo menos, como no puede de
misma en la sombra que al sol, no la temperatura de
ser de otra manera por los avances de los sistemas de
una pared o de una carcasa metálica.
observación, los satélites, los modelos numéricos...
– Un defecto de fábrica por culpa de nuestra latitud – Y dígame, ya que estamos, ¿qué tiempo hará en los
son los rayos ultravioletas. próximos días?
– El trópico es la última línea donde el sol alcanza el – Pues el mismo que hemos tenido estas jornadas, con
cenit. Y por lo tanto la incidencia de los ultravioletas temperaturas en torno a los 38 grados en las media-
es mayor. En verano Canarias está casi siempre en el nías del sur, este y oeste, y más suave en el norte.
índice 11, frente al 9 de la Península. Ahora estamos Así seguirá la tónica con las previsiones de hasta el
algo más bajos, por la calima. Hay que tener mucho jueves y viernes. No realizamos modelos con muchos
cuidado con la radiación solar en verano porque cae días de antelación porque pueden variar en cualquier
el sol muy a plomo. El primer año me cogí una alergia momento y esto confunde.
al sol y los nórdicos no son conscientes del peligro.
Los ves en playa del Inglés, sin sombrilla, con su piel
blanca... y vaya si toman.
H.2 Enlace
– ¿De qué datos se nutre la AEMET en las Islas?
Enlace a la página web de la entrevista a Ó SCAR G AR -
– De una red de medio centenar de estaciones auto- CÍA C OLOMBO en el diario La Opinión de Tenerife:
máticas y de otra que mide la lluvia y, algunas, las
https://www.laopinion.es/sociedad/2013/
temperaturas, mantenida por unos 400 voluntarios. Es
08/16/hay-ordenador-mundo-capaz-simular/
una labor muy importante y totalmente desinteresa- 493152.html
da..., en escuelas, agricultores, que toman los datos a
Física del caos en la predicción meteorológica Anexo H. No hay ordenador capaz de simular el tiempo del
1030 Archipiélago
28 Gente y Culturas La Opinión de Tenerife

Viernes, 16 de agosto de 2013
Óscar García Colombo

se dan en medianías, que al que-
dar por encima de las nubes reci-
ben una insolación muy elevada y
Delegado de la Agencia Estatal de Meteorología en Canarias a resguardo de los alisios.
–¿Luego,estos termómetros ca-
“No hay ordenador en el mundo capaz

llejeros a pie de playa abonados a
los 40 y pico grados?
– No es una medida aceptable
porque lo que marca ese termó-
de simular el tiempo del Archipiélago”

metro es la temperatura del propio
termómetro. Igual que el que se
pega en una pared, mide la tempe-
ratura de la pared. Lo que vale pa-
ra el criterio de la observación es la
temperatura del aire, que es la mis-
“Los canarios viven en verano en torno a los 26 grados centígrados en las ma en la sombra que al sol, no la
costas situadas al norte de las Islas y a unos 28 en las que quedan al sur” temperatura de una pared o de
una carcasa metálica.
–Un defecto de fábrica por cul-
Juanjo JIMÉNEZ pa de nuestra latitud son los rayos
SANTA CRUZ DE TENERIFE ultravioletas.
–El trópico es la última línea
Oscar García Colombo, de 47 donde el sol alcanza el cenit.Y por
años, nacido en Madrid, es licen- lo tanto la incidencia de los ultra-
ciado en Ciencias Físicas, en la es- violetas es mayor. En verano Cana-
pecialidad Física del Aire, y dele- rias está casi siempre en el índice
gado de la Agencia Estatal de Me- 11,frente al 9 de la Península. Aho-
teorología en Canarias. Como ra estamos algo más bajos, por la
meteorólogo, asegura que Cana- calima. Hay que tener mucho cui-
rias es un “doctorado” para ejercer dado con la radiación solar en ve-
la profesión por las peculiaridades rano porque cae el sol muy a plo-
de un clima que califica de ideal mo. El primer año me cogí una
pero, a su vez, sumamente com- alergia al sol y los nórdicos no son
plicado de predecir por la con- conscientes del peligro. Los ves en
fluencia de unos alisios en una Playa del Inglés, sin sombrilla, con
geografía tan abrupta que se esca- su piel blanca... y vaya si toman.
pa de los modelos estandarizados. –¿De qué datos se nutre la Ae-
–¿A cuántos grados vive un ca- meten las Islas?
nario de verdad? – De una red de medio cente-
–El canario vive de media a 24 nar de estaciones automáticas y
grados en las costas norte, o 26 en de otra que mide la lluvia y, algu-
verano, 22 en invierno. El del sur nas, las temperaturas, mantenida
tiene algo más de variación, pero por unos 400 voluntarios. Es una
hasta los 28 en verano y en invier- labor muy importante y total-
no a unos 26. mente desinteresada..., en escue-
–¿Y cuando al canario se sale las, agricultores, que toman los
de esta burbuja? datos a las siete de la mañana to-
–Llama. En cuanto cambia un dos los días, rellenan la ficha y nos
poco, la población se extraña. Ha- la remiten a final de mes. Si no es
ce un poco más frío o más calor y por ellos no podríamos mantener
quiere saber porqué. Y yo lo veo la red, porque las automáticas son
muy bien. muy caras.
–¿Canarias tiene el mejor clima –Lo que sí parece es que cada
del mundo, o eso se lo dirá usted vez hay una mayor afición. Se ve
a todos? en foros, como Cazatormentas,
–No se si es el mejor del mun- Meteo7Islas..., y otros muchos, al-
do, pero sí es un clima ideal. Hoy gunos de gran tino.
mismo hace mucho calor, pero –Efectivamente, y enriquecen.
para alguien de la meseta penin- Hay personas que no serán físicos,
sular no es casi ni calor, y para el pero que son grandes comunica-
que estaba acostumbrado como dores y llegan al público muy bien
yo a quitar el hielo del coche pa- con este tipo de información. Aho-
ra ir a trabajar, pues evidente- Óscar García Colombo, durante la entrevista en la sede de la Agencia Estatal de Meteorología. / JUAN CARLOS CASTRO ra, es como los futbolistas, unos
mente sí que es un clima ideal. Es juegan bien y otros mal, y el aficio-
cierto que no existe una defini- un CrayVectorial X1, es uno de los mando la nubosidad en el norte, y están más cerca de África. El alisio nado puede que también juegue
ción del mejor clima del mundo. 150 más potentes fabricados en su provocando las grandes diferen- es una bendición, a veces en la zo- bien, con buenos accesos a los da-
Depende del que lo viva, pero a momento y capaz de realizar mi- cias pluviométricas entre una cana de Gando o Telde suena fuerte, tos de los modelos que hacen sus
mi personalmente me gusta mu- llones de operaciones matemáti- ra de la isla y la otra:_ Nublado hú- pero bajas un poco por la autopis- predicciones. Unos más que otros.
cho porque estoy cansado de ex- cas por segundo. medo y despejado seco.Y hay que ta y ya se está estupendo. –También estaba el señor de las
tremos meteorológicas, y aquí se tener en cuenta que esta inversión –¿Porqué aquí con poquito que cabañuelas...
mantiene en unos limites muy de temperatura actúa como una suba la temperatura el personal –Se están perdiendo, porque ca-
agradables y si no te gusta el de “No sé si Canarias tapadera e impide que esta hume- aparenta algo asirocado? da vez hay menos vida en el cam-
un lugar, con solo desplazarse 30 cuenta con el mejor dad se eleva a partir de un deter- –Quizá porque disfruten de un po. Era un conocimiento muy
kilómetros tienes el tuyo. En in- minado nivel. En el norte, se sube, clima tan estable, que se desvía acertado, pero si al señor que ha-
vierno, en la playa del Cura, se es-
clima del mundo, pero se llega a la nube, y poco más arri- muy poco. El que haga mucho ca- cía los barruntos lo cambiabas de
tá fantástico. sí que disfruta de unas ba te pega todo el sol encima. lor o mucho frío es cuestión de a zona se le caían los esquemas.
– El que atine con el tiempo en condiciones ideales” –¿Hay mucho alisio suelto o se qué se compare. En Madrid ya a fi- –Hasta hace nada era deporte
las Islas se doctora,si se atiende al trata de un exclusivo hecho en Ca- nales de julio te puedes morir de nacional meterse con el hombre
otro mito del continente en mi- narias? calor. Y en invierno hace un frío del tiempo por sus fallos.
niatura. “Los alisios combinados –Los alisios afectan a las regio- que pela. En Teror también hará –Ya se falla muchísimo menos,
–Si, sí que se doctora. Es muy con el relieve de cada nes subtropicales, pero el asunto frío, pero no escarcha. En la Cum- como no puede de ser de otra ma-
difícil porque además nuestra he- isla son los que hacen es que en Canarias encuentran bre puede llegar a ser extremo, pe- nera por los avances de los siste-
rramienta fundamental de predic- tierra entre el océano. Madeira y ro ahí viven muy pocas personas. mas de observación, los satélites,
ción es el modelo matemático, posible esta disparidad Azores están muy al norte para te- En Canarias no hay grandes tem- los modelos numéricos...
que no puede simular con la ade- de situaciones” ner alisios. Es un caso excepcional peraturas excepto en lugares muy –Y dígame,ya que estamos,¿qué
cuada resolución espacial la oro- por la gran orografía, como el Tei- puntuales. Es casi imposible que tiempo hará en los próximos días?
grafía canaria, porque es demasia- de a sus casi 4000 metros y su si- encontremos 40 grados en la cos- –Pues el mismo que hemos te-
do abrupta para los modelos que –¿Y eso que dicen de los alisios, tuación geográfica.Y si no lo tuvié- ta, que es lugar del gran grueso de nido estas jornadas, con tempera-
estamos usando. Tenemos una re- que si son la joya de la corona...? ramos el clima sería mucho más la población.Y si se produjeran se- turas en torno a los 38 grados en
solución de dos kilómetro y me- –Sí que lo son. Los alisios com- tórrido, no existirá el verde de bar- ría algo muy puntual con una en- las medianías del sur, este y oeste,
dio, que es muy alta, y que en la binados con el relieve son los que lovento. trada de aire africano que llegue al y más suave en el norte. Así segui-
mayoría de las situaciones del pla- otorgan esta disparidad de clima. –¿Un desierto? suelo, pero no es lo normal. En rá la tónica con las previsiones de
neta es suficiente, pero para aquí Son unos vientos muy constantes –Un poco exagerado, pero ob- cuanto a las rachas de calor, son hasta el jueves y viernes. No reali-
no existe en el mundo un ordena- todo el año, más en verano que en serve la diferencia entre las islas de episodios de días, o semanas, no zamos modelos con muchos días
dor capaz de simular perfecta- invierno, que al encontrarse con la orografía baja, como Lanzarote y como en Extremadura que empie- de antelación porque pueden va-
mente el tiempo en las islas. Eso a costa asciendes. En ese momento Fuerteventura, con La Palma, con za junio a 38 grados hasta sep- riar en cualquier momento y esto
pesar de que nuestro ordenador, se condensan al enfriarse, for- el matiz de que las dos primeras tiembre. En las islas las máximas confunde.
Figura H.1: Página original de la entrevista a Ó SCAR G ARCÍA C OLOMBO en el diario La Opinión de Tenerife.
::chapaginafin::H::1030::
Parte XI
Actualización
Parte XI Actualización
Para mantener la vigencia y actualidad de los contenidos de esta obra, incluimos un
anexo adicional, relacionado especialmente con el calentamiento global y el cam-
bio climático, que describe las conclusiones más recientes del Intergovernmental
Panel on Climate Change (Grupo Intergubernamental de expertos sobre el Cambio
Climático) (IPCC).
Página anterior: altocumulus lenticularis, tomada el 20-01-2018 a las 13 horas desde El

Espinar, sierra de Guadarrama. Fotografía tomada por L ETICIA M ILLA D ÍEZ.
Cambio climático: calentamiento global de 1,5 °C
DOI: 10.31978/014-18-009-X.I
I
A IDA V ELASCO M UNGUIRA
::chapaginaini::I::1033::
Oficina Española de Cambio Climático (OECC)

E RNESTO RODRÍGUEZ C AMINO
Si miramos cada problema por separado, ya sea la escasez de agua, el cambio climático o la
pobreza -y abordamos cada uno también del mismo modo-, las soluciones que se nos
ocurrirán serán de corto plazo, a menudo oportunistas, “remiendos” que no sirven para
solucionar los desequilibrios más profundos.
La revolución necesaria (2008) – P ETER S ENGE, Científico de sistemas
Este anexo presenta de una forma resumida los principales resultados del informe especial del In-
tergovernmental Panel on Climate Change (Grupo Intergubernamental de expertos sobre el Cambio
Climático) (IPCC) sobre los impactos de un calentamiento global de 1,5 ºC y las sendas de emisión
relacionadas. Los resultados aquí presentados forman parte del Sexto Ciclo de Evaluación (AR6) del
IPCC, actualizando así la los contenidos expuestos en el capítulo 29 en la página 477, al menos hasta
junio de 2019.
Palabras clave: cambio climático, calentamiento global, sendas de emisión, gases de efecto invernadero, IPCC, AR6.
Imagen parte superior: Composición de una viñeta de C HAPPATTE C ARTOONS aparecida en The New York Times y recogida para una
conferencia por VALERIE M ASSON -D ELMOTTE, primer autor del informe AR6 del IPCC sobre el calentamiento global de 1,5 ºC, con la
Figura 2 de este anexo que representa una reducción de las emisiones de CO2 (ver texto).
1034 Física del caos en la predicción meteorológica Anexo I. Cambio climático, calentamiento global de 1,5 °C
I.1 Introducción los países para combatir los impactos del cambio cli-
mático. Se prevé que el Acuerdo de París [635] entre
plenamente en vigor en 2020. Formando parte de la
Este anexo presenta de una forma resumida los princi-
decisión para adoptar el Acuerdo de París, el IPCC
pales resultados del informe especial del IPCC sobre
fue invitado a elaborar un informe especial sobre el
los impactos de un calentamiento global de 1,5 ºC y
calentamiento de 1,5 ºC sobre el nivel preindustrial y
las sendas de emisión relacionadas. En este contexto,
las sendas de emisión relacionadas. El IPCC aceptó
el término sendas se refiere a la evolución temporal
esta invitación añadiendo además que este estudio se
de los sistemas naturales y/o humanos hacia un estado
realizaría en el contexto del refuerzo de la respuesta
futuro. Las sendas de emisiones, en este caso particu-
global al cambio climático, el desarrollo sostenible y
lar, se refieren a las evoluciones de la emisiones de
los esfuerzos para erradicar la pobreza.
gases de efecto invernadero (GEI) compatibles con un
calentamiento global de 1,5 ºC. Los resultados aquí
presentados forman parte del Sexto Ciclo de Evalua-
ción (AR6) del IPCC y son los más recientes (octubre I.2 Diagnóstico de la situación
2018) producidos por el IPCC hasta el momento de actual
impresión de este libro ([416], [417]). El Acuerdo de
París alcanzado bajo la Convención Marco de Nacio- El calentamiento global inducido por el hombre ha
nes Unidas para el Cambio Climático (CMNUCC) alcanzado en 2017 aproximadamente 1 °C sobre el
fue adoptado en diciembre de 2015 en París, Francia, nivel preindustrial. El calentamiento es desigual, sien-
durante la 21ª sesión de la Conferencia de las Partes do mayor en muchas regiones, en particular, en la
(COP21) de la CMNUCC (UNFCCC 2015 [635]). El región Ártica este calentamiento se sitúa entre el do-
acuerdo, adoptado por 196 partes, entró en vigor en ble y el triple de la media global. El calentamiento
noviembre de 2016 y dos años después ya había sido está actualmente aumentando a un ritmo de 0,2 °C por
ratificado por 184 partes. El citado Acuerdo de París década debido a las emisiones pasadas y presentes de
[635] insta a mantener el aumento de la temperatura GEI. Considerando solamente las emisiones pasadas
media global por debajo de 2 ºC respecto a los nive- es improbable que se supere 1,5 °C de aumento de la
les preindustriales y hacer esfuerzos para limitarlo temperatura media global con respecto al nivel prein-
a 1,5 ºC, reconociendo que esto reduciría significati- dustrial. Si las emisiones continuasen al ritmo actual
vamente los riesgos e impactos del cambio climático. se alcanzaría un calentamiento de 1,5 °C entre 2030 y
El Acuerdo apunta también a reforzar la capacidad de 2052 (Figura I.1).
Figura I.1: Cambio de temperatura media anual observada relativa a la media entre 1850-1950 (línea gris fina).
También se incluye la extrapolación suponiendo el actual ritmo de emisiones (línea negra a trazos) y una estimación
de las incertidumbres, así como sendas que estabilizan el calentamiento por debajo de 1,5 °C (fuente: Figura 1 de
AEMET y OECC 2018 [7]).
I.2 Diagnóstico de la situación actual 1035
Figura I.2: Reducción de las emisiones de CO2 hasta que se alcanzan cero emisiones netas en sendas simuladas
compatibles con un calentamiento de 1,5 °C y 2 °C (fuente: Figura 3 de AEMET y OECC 2018 [7]).
El calentamiento causado por las emisiones antropo- que duplica las tasas de emisión compatibles con un
génicas persistirá durante siglos y milenios causando calentamiento de 1,5 °C.
cambios a largo plazo en el sistema climático, tales
como la subida del nivel del mar e impactos asociados.
La cantidad de carbono remanente (emisiones glo-
En las sendas simuladas que limitan el calentamiento
bales acumuladas de CO2 desde principios de 2018
a 1,5 °C las emisiones de CO2 se reducen en aproxima-
hasta el momento en el que las emisiones netas llegan
damente un 45 % desde 2010 hasta 2030, alcanzando
a cero) compatible con un calentamiento 1,5 °C es
emisiones netas cero alrededor de 2050. En las sendas
de 570 Gt CO2 con una probabilidad del 66 %. Estas
que limitan el calentamiento a 2 °C las emisiones se
estimaciones son mayores que las realizadas por el
reducen en aproximadamente un 20 % desde 2010 has-
AR5 y están sujetas a unas incertidumbres que son
ta 2030, alcanzando emisiones netas cero alrededor de
similares a las cantidades mismas. Se espera poder
2075 (Figura I.2). Las emisiones de otros forzamien-
actualizar estas estimaciones a medida que progresen
tos distintos del CO2 muestran fuertes reducciones
las investigaciones, pero con la actual tasa de emisio-
que son similares en las sendas de 1,5 °C y 2 °C.
nes (aproximadamente 42 GtCO2 eq/año) este carbono
El cumplimiento de los actuales compromisos de miti- remanente se consumirá en menos de dos décadas.
gación bajo el Acuerdo de París [635] no es suficiente
para limitar el calentamiento global a 1,5 °C, inclu- El CO2 equivalente es una medida normalizada del
so si viene complementado con medidas ambiciosas conjunto de todos los gases de efecto invernadero
y a gran escala después de 2030. Con las Contribu- (GEI) en el clima. Se define como la concentración
ciones Nacionalmente Determinadas (CND) bajo el de CO2 que produciría el mismo nivel de forzamiento
radiativo que una mezcla dada de CO2 y otros GEI.
Acuerdo de París, en las que cada país desarrolla sus
Resulta de transformar el efecto de cada GEI en la
planes para reducir las emisiones, se alcanzaría un cantidad de CO2 que tendría un efecto equivalente, e
calentamiento de alrededor de 3 °C en 2100 respec- integrarlo en una sola cifra. E. g.: 50-58 GtCO2 eq son
to al nivel preindustrial, ya que las emisiones serían 50-58 Gigatoneladas de CO2 equivalente.
de aproximadamente 50-58 GtCO2 eq (ver cuadro), lo
Figura I.3: Esquema del calentamiento global con y sin «overshooting» (fuente: Figura 2 de AEMET y OECC 2018
[7]).
I.3 Beneficios de limitar el calen- Existen dos tipos de sendas para limitar la subida de
temperatura global a 1,5 °C respecto al nivel preindus-
tamiento a 1,5 °C
trial: las que estabilizan el aumento de la temperatura a
1,5 °C y las que sobrepasan temporalmente (overshoo-
Aunque en el Acuerdo de París [635] se presenta co-
ting) el límite de 1,5 °C para alcanzar este aumento de
mo objetivo a largo plazo el de mantener el aumento
temperatura a final de siglo (Figura I.3). Las sendas
de la temperatura media mundial muy por debajo de
con overshooting implican alcanzar un máximo de
2 °C sobre los niveles preindustriales, se indica tam-
temperatura seguido de una reducción en el calenta-
bién la preferencia de limitar el aumento a 1,5 °C para
miento global conseguido mediante una eliminación
reducir considerablemente los riesgos y el impacto
antropogénica del CO2 de la atmósfera que supere a
del cambio climático. El informe del IPCC que aquí
las emisiones globales de GEI (emisiones negativas).
resumimos hace un exhaustivo repaso a los beneficios
de limitar el calentamiento a 1,5 °C frente a 2 °C.
I.3 Beneficios de limitar el calentamiento a 1,5 °C 1037
Esta eliminación de GEI de la atmósfera mediante durante el verano en el océano Ártico es sustancial-
actividades humanas es adicional a la eliminación que mente más baja con un calentamiento de 1,5 °C que
tendría lugar vía los procesos naturales del ciclo del con 2 °C. Con overshooting la pérdida de hielo ma-
carbono (Figura I.4 en la página siguiente b). Para el rino ártico tardará décadas en revertirse. Aproxima-
caso del CO2 , las emisiones negativas pueden conse- damente el 4 % de la superficie terrestre sufrirá una
guirse mediante captura del CO2 directamente del aire, transformación de los ecosistemas de un tipo a otro
bioenergía con captura y almacenamiento, aforesta- con un calentamiento de 1,5 °C. Esta transformación
ción (plantación de bosques donde históricamente no afectará al 13 % de la superficie con un calentamiento
los había), reforestación y biochar (carbón vegetal), de 2° C. Los riesgos asociados con el aumento del
entre otros. nivel del mar son mayores a 2 °C que a 1,5 °C de ca-
lentamiento. Un aumento del calentamiento amplifica
Los riesgos dependerán del ritmo, de la posible sula exposición de las islas pequeñas, las zonas costeras
peración temporal de la temperatura y de la duración someras y los deltas y, consecuentemente, los riesgos
del calentamiento global. Los riesgos serán mayores asociados a muchos sistemas humanos y ecológicos,
si el calentamiento excede temporalmente 1,5 °C para incluyendo el aumento de la intrusión salina, las inun-
después volver al nivel de 1,5 °C. Además, se pue- daciones y los daños en infraestructuras. El aumento
den sobrepasar umbrales de irreversibilidad (tipping del nivel del mar más lento asociado a un calenta-
points) con calentamientos situados entre 1,5 °C y miento de 1,5 °C (Figura I.4 en la página siguiente c)
2 °C. Esto implicaría pérdidas irreversibles de mu- reduce estos riesgos y favorece las oportunidades de
chos ecosistemas e inestabilidades del manto de hielo adaptación, incluidas la gestión y restauración de los
que podrían ocasionar aumentos del nivel del mar de ecosistemas naturales costeros y el reforzamiento de
varios metros en escalas de cientos a miles de años. las infraestructuras.
Los riesgos para los sistemas naturales y humanos son Limitar el calentamiento a 1,5 °C, comparado con
menores para un calentamiento de 1,5 °C que para 2 °C, se traducirá en menores reducciones en las cose-
uno de 2 °C, incluyendo la frecuencia e intensidad de chas de maíz, arroz, trigo y potencialmente de otros
extremos, impactos en la biodiversidad terrestre y ma- cereales, en particular en el África subsahariana, sud-
rina, en los ecosistemas y sus servicios, la ganadería, este de Asia y América del Sur y Central, así como en
suministros de agua y alimentos, salud y seguridad hu- la calidad nutricional del arroz y del trigo que depende
mana, infraestructuras y crecimiento económico. Los del CO2 . Las reducciones en la disponibilidad de ali-
arrecifes coralinos de aguas cálidas se reducirán entre mentos serán mayores con 2 °C que con 1,5 °C en el
70–90 % para 1,5 °C, con mayores pérdidas (>99 %) Sahel, sur de África, Mediterráneo, Europa central y el
para 2 °C. Con un calentamiento de 1,5 °C se proyecta Amazonas. La ganadería también se verá perjudicada
un desplazamiento de los rangos de muchas especies con un aumento de las temperaturas a través de la cali-
marinas hacia latitudes más altas, así como daños en dad de su alimentación, la extensión de enfermedades
muchos ecosistemas marinos, incluidas pérdidas de y la disponibilidad de agua.
recursos costeros y reducción de la productividad de
ecosistemas y acuicultura, especialmente en bajas lati- Se proyectan menores riesgos a 1,5 °C que a 2 °C de
tudes, con riesgos de impacto mayores para 2 °C que calentamiento global para la salud humana, particu-
para 1,5 °C. A partir de 105 000 especies estudiadas larmente en relación con el calor y con las concentra-
se proyecta que un 6 % de insectos, 8 % de plantas y ciones de ozono. También serán menores los riesgos
4 % de vertebrados perderán más de la mitad de su relacionados con las enfermedades de transmisión vec-
distribución geográfica determinada por el clima para torial, tales como la malaria y el dengue, incluidos
un calentamiento de 1,5 °C. Para un calentamiento de los potenciales desplazamientos en su distribución
2 °C sería un 18 % de insectos, 16 % de plantas y 8 % geográfica. Sin embargo, existen límites para la adap-
de vertebrados. Otros impactos asociados a la biodi- tación y pérdidas incluso para un calentamiento de
versidad, como los incendios forestales y el aumento 1,5 °C con implicaciones específicas para regiones
de especies invasoras, serán menores con 1,5 °C que y poblaciones vulnerables. Algunos impactos conti-
con 2 °C de calentamiento global. nuarán más allá de 2100, como el aumento del nivel
del mar, o serán irreversibles, incluso si se limita el
La probabilidad de la desaparición del hielo marino calentamiento a 1,5 °C.
Figura I.4: Diferentes sendas consistentes con un calentamiento de 1,5 ºC. Esquema de la relación entre (a) la
evolución del cambio de temperatura superficial media, con (b) la tasa de emisiones anuales y (c) el aumento del
nivel del mar que continúa ascendiendo después de la estabilización de la temperatura (fuente: Figura 4 de AEMET
y OECC 2018 [7]).
La región Mediterránea es un ejemplo de alta vul- Todas las sendas consistentes con un calentamiento de
nerabilidad al cambio climático. Esta región exhibe 1,5 °C implican rápidas reducciones de las emisiones
cambios sustanciales en la reducción de la precipi- globales de CO2 para situarse en cero alrededor de mi-
tación media entre 1,5 °C y 2 °C de calentamiento tad del siglo, conjuntamente con rápidas reducciones
global. Las observaciones muestran ya una tendencia de otras emisiones, en particular de metano y hollín.
hacia una menor precipitación para un calentamiento Cuanto mayores sean las reducciones para 2030 más
menor de 1 °C. La reducción de la escorrentía en el altas serán las probabilidades de amortiguar el calen-
área Mediterránea será casi el doble con un calenta- tamiento con un overshooting muy limitado (de entre
miento de 2 °C (-17 %) que con un calentamiento de 0 y 0,2 °C) o sin él.
1,5 °C (-9 %).
Limitar el calentamiento a 1,5 °C requerirá durante las
próximas dos décadas una transición rápida y de largo
I.4 Limitando el calentamiento alcance en los sistemas de energía, uso de la tierra,
urbano (transporte y construcción) e industrial. Una
global a 1,5 °C demanda baja de energía, bajo consumo material y un
consumo de alimentos poco intensivo en términos de
Las transformaciones requeridas para limitar el calen- GEI facilitarán este objetivo. También se requerirán
tamiento a 1,5 °C son muy similares a las requeridas importantes acciones en el corto plazo por parte de
para 2 °C pero más pronunciadas y rápidas durante las países y actores no gubernamentales, así como una
próximas décadas. Estas transformaciones no tienen transición del sistema sin precedentes en términos de
precedente e implican profundas reducciones en las escala, aunque no de velocidad, durante las próximas
emisiones en todos los sectores, una amplia gama de dos décadas.
opciones de mitigación y un aumento significativo de
las inversiones. Si las temperaturas subiesen por encima de 1,5 °C, se
I.5 Limitación del calentamiento global a 1,5 0 C y promoción simultánea del desarrollo sostenible 1039
necesitaría eliminar el CO2 de la atmósfera antes de 2015 en Nueva York, durante la 70ª Asamblea Gene-
final de siglo para volver a un aumento de temperatura ral de la ONU y constituyen una agenda ambiciosa y
de 1,5 °C. Las limitaciones en la velocidad, escala universal para el desarrollo sostenible, elaborada con
y aceptación social de un despliegue de acciones pala participación activa de la UNESCO (véase https:
ra la retirada del CO2 atmosférico determinarán las //www.un.org/sustainabledevelopment/es/
posibilidades de retornar a los 1,5 °C. Cuanto mayor objetivos-de-desarrollo-sostenible). Una
sea la superación de 1,5 °C, habrá que recurrir más a mitigación compatible con un calentamiento de 1,5 °C
tecnologías de retirada de CO2 que todavía no se ha se asocia con múltiples sinergias con los ODS, depen-
demostrado que funcionen a gran escala. diendo del ritmo y magnitud de los cambios y de la
gestión de la transición. El número total de posibles
Todas las sendas que limitan el calentamiento global a sinergias excede al de consecuencias negativas.
1,5 °C hacen uso de técnicas de retirada de CO2 para
eliminar 100–1000 Gt CO2 a lo largo del siglo XXI. El seguimiento de trayectorias que refuercen el desa-
Estas técnicas se utilizarían para compensar las emi- rrollo sostenible y las iniciativas para erradicar la po-
siones residuales y una superación temporal de 1,5 °C. breza y reducir las desigualdades, a la vez que promue-
El despliegue de las técnicas de retirada de CO2 para van una justa y transversal adaptación y resiliencia en
eliminar hasta varios cientos de Gt CO2 está sujeto a un clima cambiante, puede limitar el calentamiento a
múltiples limitaciones de sostenibilidad y factibilidad. 1,5 °C. La implementación política para limitar con
Una reducción significativa en las emisiones a corto éxito el calentamiento a 1,5 °C y para adaptarse a este
plazo y en la demanda de energía podrían limitar el calentamiento implica la cooperación internacional y
despliegue de las técnicas de retirada de CO2 a unos el refuerzo de las capacidades institucionales de las
pocos cientos de Gt CO2 sin tener que recurrir a la tec- autoridades nacionales y locales, así como de la so-
nología de bioenergía con captura y almacenamiento ciedad civil, el sector privado, ciudades, comunidades
de carbono. Esta tecnología elimina CO2 de la atmós- locales y grupos indígenas.
fera, si bien es necesario tener en cuenta las emisiones
totales del proceso. Las opciones de mitigación para cada sector pueden
asociarse con efectos positivos (sinergias) y/o negati-
vos (tradeoffs) sobre los ODS. Todo dependerá de las
I.5 Limitación del calentamiento opciones seleccionadas, de su gestión política y del
contexto y las circunstancias nacionales.
global a 1,5 0 C y promoción
simultánea del desarrollo sos- Las opciones de mitigación pueden agregarse en tres
tenible categorías:
Limitar el calentamiento a 1,5 °C en un contexto de El sector del suministro de energía comprende:

desarrollo sostenible y erradicación de la pobreza im- • renovables, incluyendo las de biomasa
plica transiciones que serán posibles mediante un au- • nuclear
mento de las inversiones en adaptación y mitigación, • captura y almacenamiento con biomasa
instrumentos políticos, aceleración de la innovación • captura y almacenamiento con combustibles
tecnológica y cambios en las conductas. Los impactos fósiles
del cambio climático sobre el desarrollo sostenible, El sector de la demanda de energía comprende:
la erradicación de la pobreza y la reducción de las • modificaciones del comportamiento
desigualdades serán menores para un calentamiento • eficiencia y cambio de combustible en el trans-
global de 1,5 °C que de 2 °C. porte, la industria y la construcción
• captura de carbono en el sector industrial
Las opciones de adaptación, específicas de los contex- El sector de usos del suelo comprende:
tos nacionales, pueden reducir la vulnerabilidad para • agricultura y silvicultura
un calentamiento de 1,5 °C y serán en su mayoría be- • dieta sostenible y reducción del desperdicio
neficiosas para el desarrollo sostenible y la reducción alimentario
de la pobreza. También puede haber consecuencias ne- • almacenamiento de carbono en el suelo
gativas sobre algunos de los Objetivos de Desarrollo • ganadería y gestión del estiércol
Sostenible (ODS) si las acciones no se gestionan cui- • deforestación y aforestación/reforestación
dadosamente. Los ODS se adoptaron en septiembre de • abastecimiento responsable
Figura I.5: Efectos potencialmente positivos (verdes) y negativos (rojos) de las medidas de mitigación del cambio
climático sobre los ODS. Las conexiones para cada ODS aparecen agregadas en barras para las tres categorías
de opciones de mitigación (véase las conexiones desagregadas en el informe original del IPCC: https: // www.
ipcc. ch/ sr15/ ) (fuente: Figura 8 de AEMET y OECC 2018 [7]).
I.6 Conclusiones 1041
I.6 Conclusiones En las sendas simuladas que limitan el calentamien-

to a 1,5 °C las emisiones de CO2 se reducen en
aproximadamente un 45 % desde 2010 hasta 2030,
El informe especial del IPCC (2018) sobre los impac- alcanzando emisiones netas cero alrededor de 2050.
tos de un calentamiento global de 1,5 ºC y las sendas La cantidad de carbono remanente compatible con
de emisión relacionadas establece como principales un calentamiento 1,5 °C es de 570 Gt CO2 con una
conclusiones: probabilidad del 66 %.
Limitar el calentamiento a 1,5 °C en lugar de a 2 °C
El calentamiento global inducido por el hombre ha reduciría sustancialmente los riesgos e impactos
alcanzado en 2017 aproximadamente 1 °C sobre adicionales relativos a los extremos meteorológicos
el nivel preindustrial. El calentamiento está actual- y climatológicos, la pérdida de especies, la escasez
mente aumentando a un ritmo de 0,2 °C por década de agua y alimentos, las muertes causadas por calor,
debido a las emisiones pasadas y presentes de ga- los impactos oceánicos y en las regiones polares,
ses de efecto invernadero (GEI). Si las emisiones etc.
continuasen al ritmo actual se alcanzaría un calen- Limitar el calentamiento a 1,5 °C requerirá durante
tamiento de 1,5 °C entre 2030 y 2052. las próximas dos décadas una transición rápida y
Con las actuales Contribuciones Nacionalmente De- de largo alcance en los sistemas de energía, uso
terminadas bajo el Acuerdo de París [635] se alcan- de la tierra, urbano (transporte y construcción) e
zaría un calentamiento de alrededor de 3 °C en industrial.
2100 respecto al nivel preindustrial. Una mitigación compatible con un calentamiento
El calentamiento causado por las emisiones antro- de 1,5 °C se asocia con múltiples sinergias con los
pogénicas persistirá durante siglos y milenios cau- Objetivos de Desarrollo Sostenible (ODS), depen-
sando cambios a largo plazo en el sistema climático, diendo del ritmo y magnitud de los cambios y de la
tales como la subida del nivel del mar e impactos gestión de la transición. El número total de posibles
asociados. sinergias excede al de consecuencias negativas.
I.7 Enlaces de interés

Puede consultarse el informe original del IPCC en: https://www.ipcc.ch/sr15/
También puede consultarse la guía resumida correspondiente en el sitio web del Ministerio para la Transición
Ecológica (MITECO): Cambio Climático: Calentamiento Global de 1,5 °C: https://www.miteco.gob.es/ca/
cambio-climatico/temas/el-proceso-internacional-de-lucha-contra-el-cambio-climatico/ipcc_
informe_especial_15pdf_tcm34-485656.pdf
Así mismo, se recomienda consultar UNFCCC 2015 [635], el Texto del Acuerdo de Paris (versión traducida al
castellano disponible en https://unfccc.int/sites/default/files/spanish_paris_agreement.pdf)
::chapaginafin::I::1041::
Parte XII
Bibliografía
Parte XII Bibliografía
Página anterior: encina en primer plano, con una nube cumuliforme en el fondo, en las in-
mediaciones de Valdemorillo. Fotografía tomada por J UAN C ARLOS G ARCÍA C OLOMBO.
Lecturas recomendadas

Hoy, antes del alba, subí a las montañas, miré los cielos llenos de luminarias y le dije a mi
espíritu: “Cuando conozcamos todos estos mundos y el placer y la sabiduría que contienen,
¿estaremos tranquilos y satisfechos?” Y mi espíritu dijo: “No, ganaremos esas alturas sólo
para seguir adelante”.
WALT W HITMAN
We must wholeheartedly believe in free will. If free will is a reality, we shall have
made the correct choice. If it is not, we shall still not have made an incorrect choice,
because we shall not have made any choice at all, not having a free will to do so.
E DWARD N ORTON L ORENZ
Con la esperanza de haber estimulado la curiosidad de los lectores, ofrecemos en este anexo una breve
lista de lecturas recomendadas para profundizar en algunos de los aspectos abordados. Los enlaces
conducen al capítulo de referencias generales.
Imagen parte superior: cirrus spisatus en las inmediaciones de Valdemorillo. Fotografía de J UAN C ARLOS G ARCÍA C OLOMBO.
1046 Física del caos en la predicción meteorológica Lecturas recomendadas
Sistemas dinámicos: [20, 22, 34, 116, 220, 568, 621].
Caos: [143, 181, 393, 405, 590].
Filosofía de la ciencia: [225, 520, 602, 603].
Predecibilidad: [80, 340, 491].
Módulos de enseñanza online de la serie «The Comet Program», MetEd - COMET

(son gratuitos pero requieren registrarse): [364, 435, 436, 439, 440, 441].
Referencias generales
[1] A , Shymali y col. “Do location-specific forecasts pose a new challenge for communicating
BRAHAM
uncertainty?” En: Meteorological Applications 22.3 (2015), páginas 554-562. DOI: 10.1002/met.
1487 (citado en páginas 622, 921).
[2] AEMET. Manual de uso de términos meteorológicos, edición 2015. Agencia Estatal de Meteorología,
2015, página 36. URL: http : / / www . aemet . es / en / zona _ portada _ destacada / manual _
terminos_met (citado en página 652).
[3] AEMET. Plan Nacional de Predicción y Vigilancia de Fenómenos Meteorológicos Adversos. Informe
técnico. Madrid: Agencia Estatal de Meterología (AEMET), 2015, página 56. URL: http://www.
aemet . es / documentos / es / eltiempo / prediccion / avisos / plan _ meteoalerta / plan _
meteoalerta.pdf (citado en páginas 570, 628).
[4] AEMET. Meteoglosario visual. 2018. URL: https://meteoglosario.aemet.es/index.php

(visitado 12-05-2018) (citado en página 1100).
[5] AEMET/IM. Atlas climático ibérico. Temperatura del aire y precipitación (1971-2000). Agencia
Estatal de Meteorología. Ministerio de Medio Ambiente y Medio Rural y Marino, 2011 (citado en
página 118).
[6] A EMISEGGER, Franziska, M ARTIUS, Olivia y W ÜEST, Marc. “An assessment of the ECMWF tropical
cyclone ensemble forecasting system and its use for insurance loss predictions”. En: 10th EMS Annual
Meeting, 10th European Conference on Applications of Meteorology (ECAM) Abstracts, held Sept.
13-17, 2010 in Zürich, Switzerland. 2010 (citado en página 718).
[7] AGENCIA E STATAL DE M ETEOROLOGÍA y O FICINA E SPAÑOLA DE C AMBIO C LIMÁTICO. Cambio

Climático: Calentamiento Global de 1,5 ºC. Informe técnico. 2018 (citado en páginas 1034-1036,
1038, 1040).
Imagen parte superior: bruma. La Najarra (2106 m), Sierra de Guadarrama (Madrid), hacia el sur, 16 de enero de 2011, a las 13:56.
1048 Física del caos en la predicción meteorológica REFERENCIAS GENERALES
[8] A HIJEVYCH, David y col. “Application of Spatial Verification Methods to Idealized and NWP-Gridded
Precipitation Forecasts”. En: Weather and Forecasting 24.6 (dic. de 2009), páginas 1485-1497. ISSN:
0882-8156. DOI: 10.1175/2009WAF2222298.1 (citado en páginas 218, 220).
[9] A LDECO, L S. Aplicación de la técnica de análogos a la generación de pronósticos probabilísticos de

precipitación sobre algunas estaciones de la Argentina. Tesis de Licenciatura. Buenos Aires, 2011
(citado en páginas 588, 590).
[10] A LEXANDER, L V y col. “Global observed changes in daily climate extremes of temperature and
precipitation”. En: Journal of Geophysical Research: Atmospheres 111.D5 (2006). DOI: 10.1029/
2005JD006290 (citado en página 584).
[11] A LMARZA M ATA, Carlos. “La Climatología en los organismos oficiales”. En: La climatología
española: pasado, presente y futuro. Prensas Universitarias de Zaragoza. 2007, páginas 61-102 (citado
en página 26).
[12] A LMARZA, Carlos, C HAZARRA, Andrés y P EDRAZA, Beatriz. “Adaptación del SPI para el análisis
de la variabilidad intra-anual de periodos secos”. En: La Climatología española en los albores del
siglo XXI 1 (1999), páginas 25-31 (citado en página 1013).
[13] A LTMAN, Naomi S. “An introduction to kernel and nearest-neighbor nonparametric regression”. En:
The American Statistician 46.3 (1992), páginas 175-185 (citado en página 588).
[14] AMS. Meteorology Glossary. 2018. URL: http://glossary.ametsoc.org/wiki/Main_Page

[15] A NDERSON, David y col. “Development of the ECMWF seasonal forecast System 3”. En: ECMWF
Technical Memoranda 503 (2007) (citado en páginas 466, 474).
[16] A NDERSON, J.L. L. “A Method for Producing and Evaluating Probabilistic Forecast from Ensemble
Model Integration”. En: Journal of climate 9.7 (1995), páginas 1518-1530. ISSN: 0894-8755. DOI:
10.1175/1520-0442(1996)009<1518:AMFPAE>2.0.CO;2 (citado en páginas 175, 222, 323).
[17] A NDUAGA E GAÑA, Aitor. Meteorología, ideología y sociedad en la España contemporánea. Consejo
Superior de Investigaciones Científicas, 2012 (citado en páginas 26, 28).
[18] A NTOLIK, Mark S y B RANCH, Statistical Modeling. “Model Output Statistics (MOS) - Objective
Interpretation of NWP model output”. En: University of Maryland USA (2003) (citado en página 195).
[19] A PACHE S OFTWARE F OUNDATION. Hadoop. URL: https://hadoop.apache.org (citado en

páginas 152, 153).
[20] A RAMANOVICH, I G y col. Funciones de variable compleja, cálculo operacional y teoría de la

estabilidad. 1965 (citado en página 1046).
[21] A RMENGOT, Rafael. “Las lluvias intensas en la Comunidad Valenciana”. En: Ministerio de Medio
Ambiente, Madrid (2002) (citado en páginas 658, 676).
[22] A RNOLD, Vladimir Igorevich. Mathematical methods of classical mechanics. Volumen 60. Springer
Science & Business Media, 2013 (citado en página 1046).
REFERENCIAS GENERALES 1049
[23] A RRIBAS, A, ROBERTSON, K B y M YLNE, K R. “Test of a poor man’s ensemble prediction system for
short-range probability forecasting”. En: Monthly Weather Review 133.7 (2005), páginas 1825-1839
(citado en páginas 168, 324, 869).
[24] A SCASO, A y C ASALS, M. “Vocabulario de términos meteorológicos y Ciencias afines”. En: Instituto
Nacional de Meteorología (1986) (citado en página 652).
[25] A SHWIN, Peter, B UESCU, Jorge y S TEWART, Ian. “From attractor to chaotic saddle: a tale of transverse
instability”. En: Nonlinearity 9.3 (1996), página 703 (citado en páginas 5, 50).
[26] ATGER, Frédéric. “Spatial and interannual variability of the reliability of ensemble-based probabilistic
forecasts: Consequences for calibration.” En: Monthly Weather Review 131.8 (2003) (citado en
página 328).
[27] AYALA C ARCEDO, F J. “La ordenación del territorio en la prevención de catástrofes naturales en la
geografía española”. En: Boletín de la Asociación de Geógrafos Españoles 30 (2000), páginas 37-49
(citado en página 690).
[28] AYUSO, Juan José. Método de predicción perfecta, para adaptación estadística de los diferentes
modelos numéricos, utilizando los análisis del modelo de área limitada del INM. Informe técnico.
1996 (citado en página 195).
[29] BACON, Francis. Novum organum. Clarendon press, 1878 (citado en página 14).
[30] BADER, Jean-Claude, P IEDELIEVRE, J P y L AMAGAT, Jean-Pierre. “Seasonal forecasting of the flood
volume of the Senegal River, based on results of the ARPEGE Climate model”. En: Hydrological
Sciences Journal Journal Des Sciences Hydrologiques 51.3 (2006), páginas 406-417. ISSN: 0262-6667
[31] BADER, M J y col. Images of weather forecasting: A practical guide for interpreting satellite and
radar imagery. Cambridge University Press, 1995 (citado en página 88).
[32] BALDWIN, Mark P y D UNKERTON, Timothy J. “Stratospheric harbingers of anomalous weather

regimes”. En: Science 294.5542 (2001), páginas 581-584. DOI: 10.1126/science.1063315 (citado
en página 473).
[33] BARBERÍA, L. y col. “The role of different factors related to social impact of heavy rain events:
considerations about the intensity thresholds in densely populated areas”. En: Natural Hazards and
Earth System Science 14.7 (jul. de 2014), páginas 1843-1852. ISSN: 1684-9981. DOI: 10.5194/
nhess-14-1843-2014 (citado en página 755).
[34] BARRALLO C ALONGE, Javier. “Geometría fractal: algorítmica y representación”. Tesis doctoral.
Tesis doctoral. Universidad de Deusto. Facultad de Informática, 1992 (citado en página 1046).
[35] BARREIRO, Marcelo y T IPPMANN, Andrés. “Atlantic modulation of El Nino influence on summertime
rainfall over southeastern South America”. En: Geophysical Research Letters 35.16 (2008). DOI:
10.1029/2008GL035019 (citado en página 594).
[36] BARROSO, F. J. La lluvia obliga a cortar la M-40 y la A-42 por balsas de agua. Madrid, jul. de 2017.
URL: https://elpais.com/ccaa/2017/07/06/madrid/1499361476_173135.html (citado en
páginas 888, 889).
[37] BATCHELOR, G. K. (George Keith). An introduction to fluid dynamics. Cambridge University Press,
1999, página 615. ISBN: 9780521663960 (citado en página 77).
[38] B ECK, Ulrich. Risk society: Towards a new modernity. Volumen 17. Sage, 1992 (citado en página 616).
[39] B ELANGER, James I. y col. “Predictability of North Atlantic Tropical Cyclone Activity on Intrasea-
sonal Time Scales”. En: Monthly Weather Review 138.12 (dic. de 2010), páginas 4362-4374. ISSN:
0027-0644. DOI: 10.1175/2010MWR3460.1 (citado en página 722).
[40] B ENGTSSON, Lisa y col. “A stochastic parametrization for deep convection using cellular automata”.
En: Quarterly Journal of the Royal Meteorological Society 139.675 (2013), páginas 1533-1543. DOI:
10.1002/qj.2108 (citado en página 309).
[41] B ENGTSSON, Lisa y col. “The HARMONIE-AROME Model Configuration in the ALADIN-HIRLAM
NWP System”. En: Monthly Weather Review 145.5 (mayo de 2017), páginas 1919-1935. ISSN: 0027-
0644. DOI: 10.1175/MWR-D-16-0417.1 (citado en páginas 136, 347, 565, 671).
[42] B ERENGUER, Marc, S EMPERE -T ORRES, Daniel y P EGRAM, Geoffrey G S. “SBMcast – An ensemble
nowcasting technique to assess the uncertainty in rainfall forecasts by Lagrangian extrapolation”. En:
Journal of Hydrology 404.3-4 (2011), páginas 226-240 (citado en página 519).
[43] B ERENGUER, Marc y Z AWADZKI, Isztar. “A study of the error covariance matrix of radar rainfall
estimates in stratiform rain”. En: Weather and Forecasting 23.6 (2008), páginas 1085-1101 (citado en
página 518).
[44] B ERG, Robbie. Tropical Cyclone Report Hurricane Ike (AL092008) 1 - 14 September 2008. Informe
técnico. NHC, Miami: National Hurricane Center (NHC), 2008, página 55 (citado en página 720).
[45] B ERMEJO, N. Cold wave along the Spanish Mediterranean coast - EUMETSAT. Informe técnico. EU-
METSAT, 2017. URL: https://www.eumetsat.int/website/home/Images/ImageLibrary/
DAT_3639834.html (citado en página 795).
[46] B ERNER, J. y col. “A Spectral Stochastic Kinetic Energy Backscatter Scheme and Its Impact on
Flow-Dependent Predictability in the ECMWF Ensemble Prediction System”. En: Journal of the
Atmospheric Sciences 66.3 (mar. de 2009), páginas 603-626. ISSN: 0022-4928. DOI: 10 . 1175 /
2008JAS2677.1 (citado en páginas 175, 269, 270, 294, 362, 389, 391, 453).
[47] B ERNER, J y col. “Model Uncertainty in a Mesoscale Ensemble Prediction System: Stochastic versus
Multiphysics Representations”. En: Monthly Weather Review 139.6 (2011), páginas 1972-1995. DOI:
10.1175/2010MWR3595.1 (citado en página 266).
[48] B ERTOTTI, Luciana y col. “Nettuno: Analysis of a Wind and Wave Forecast System for the Mediterra-
nean Sea”. En: Monthly Weather Review 141.9 (sep. de 2013), páginas 3130-3141. ISSN: 0027-0644.
DOI : 10.1175/MWR-D-12-00361.1 (citado en página 376).
[49] B ERTRAND, Joseph. Calcul des probabilités. Gauthier-Villars, 1889 (citado en páginas 951, 1018).
[50] B ERTUGLIA, Cristoforo Sergio y VAIO, Franco. Nonlinearity, chaos, and complexity: the dynamics of
natural and social systems. Oxford University Press on Demand, 2005 (citado en páginas 54, 60).
[51] B INDOFF, Nathaniel L y col. “Detection and attribution of climate change: from global to regional”.
En: Climate change 2013: the physical science basis. Contribution of Working Group I to the Fifth
Assessment Report of the Intergovernmental Panel on Climate Change. Editado por S TOCKER, Thomas
F y col. Cambridge Univ. Press, Cambridge, UK, y New York, 2013 (citado en páginas 482, 501).
[52] B IODIVERSIDAD, Fundación y col. “Cambio Climático: Bases Físicas”. En: Guía Resumida del
Quinto Informe de Evaluación del IPCC, Grupo de Trabajo I. Ministerio de Agricultura, Alimentación
y Medio Ambiente, Madrid (2013), páginas 1-47 (citado en página 451).
[53] B ISHOP, Christopher M. Pattern recognition and machine learning. springer, 2006. DOI: 10.1117/1.
[54] B ISHOP, Craig H., E THERTON, Brian J y M AJUMDAR, Sharanya J. “Adaptive sampling with the
ensemble transform Kalman filter. Part I: Theoretical aspects”. En: Monthly weather review 129.3
(2001), páginas 420-436 (citado en páginas 175, 279, 362, 389).
[55] B ISHOP, Craig H. y S HANLEY, Kevin T. “Bayesian Model Averaging’s Problematic Treatment of
Extreme Weather and a Paradigm Shift That Fixes It”. En: Monthly Weather Review 136.12 (2008),
páginas 4641-4652. ISSN: 0027-0644. DOI: 10.1175/2008MWR2565.1 (citado en página 190).
[56] B JERKNES, Jakob y S OLBERG, Halvor. Life cycle of cyclones and the polar front theory of atmospheric
circulation. Grondahl, 1922 (citado en página 532).
[57] B JERKNES, Vilhelm. “Das Problem der Wettervorhers-age, betrachtet vom Standpunkte der Mechanik
und der Physik”. En: Meteor. Z. 21 (1904), páginas 1-7 (citado en páginas 22, 146).
[58] B JERKNES, Vilhelm. “The problem of weather forecasting as a problem in mechanics and physics”.
En: The Life Cycles of Extratropical Cyclones. American Meteorological Society, 1999, páginas 1-4
[59] B OCQUET, Marc y S AKOV, Pavel. “An iterative ensemble Kalman smoother”. En: Quarterly Journal
of the Royal Meteorological Society 140.682 (2014), páginas 1521-1535. DOI: 10.1002/qj.2236
[60] B OLOGNESI, R. “Protection du refuge de Respomuso contre les avalanches”. En: Geographicalia 42
(2002) (citado en página 698).
[61] B OLOGNESI, Robert. Avalancha. Desnivel, 2002 (citado en página 907).
[62] B ONAVITA, Massimo y col. “EnKF and Hybrid Gain Ensemble Data Assimilation. Part II: EnKF and
Hybrid Gain Results”. En: Monthly Weather Review 143.12 (dic. de 2015), páginas 4865-4882. ISSN:
0027-0644. DOI: 10.1175/MWR-D-15-0071.1 (citado en páginas 175, 246, 389).
[63] B OOIJ, N., H OLTHUIJSEN, L.H. y R IS, R.C. “The Swan Wave Model for Shallow Water”. En:
Coastal Engineering 1996. New York, NY: American Society of Civil Engineers, ago. de 1997, pági-
nas 668-676. ISBN: 9780784402429. DOI: 10.1061/9780784402429.053 (citado en página 374).
[64] B OUCHER, Olivier y col. “Clouds and aerosols”. En: Climate change 2013: the physical science basis.
Contribution of Working Group I to the Fifth Assessment Report of the Intergovernmental Panel on
Climate Change. Editado por S TOCKER, Thomas F y col. Cambridge Univ. Press, Cambridge, UK,
y New York, 2013, páginas 571-657 (citado en páginas 451, 489).
[65] B OWLER, Neill E. y col. “The MOGREPS short-range ensemble prediction system”. En: Quarterly
Journal of the Royal Meteorological Society 134.632 (abr. de 2008), páginas 703-722. ISSN: 00359009.
DOI : 10.1002/qj.234 (citado en páginas 265, 362, 375).
[66] B OWLER, Neill E y col. “The local ETKF and SKEB: Upgrades to the MOGREPS short-range
ensemble prediction system”. En: Quarterly Journal of the Royal Meteorological Society 135.640
(2009), páginas 767-776. DOI: 10.1002/qj.394 (citado en página 362).
[67] B RADLEY, A. Allen y S CHWARTZ, Stuart S. “Summary Verification Measures and Their Interpretation
for Ensemble Forecasts”. En: Monthly Weather Review 139.9 (2011), páginas 3075-3089. ISSN: 0027-
0644. DOI: 10.1175/2010MWR3305.1 (citado en página 218).
[68] B RADLEY, A. Allen, S CHWARTZ, Stuart S. y H ASHINO, T. “Sampling Uncertainty and Confidence
Intervals for the Brier Score and Brier Skill Score”. En: Weather and Forecasting 23 (2008), página 992.
DOI : 10.1175/2007WAF2007049.1 (citado en página 218).
[69] B RANDES, Heinrich Wilhelm. Beiträge zur Witterungskunde. Barth, 1820 (citado en páginas 26, 27).
[70] B RANDES, Heinrich Wilhelm. Dissertatio physica de repentinis variationibus in pressione atmosp-
haerae observatis. Volumen 1. Staritzius, 1826 (citado en páginas 26, 27).
[71] B RANDS, S y col. “Seasonal predictability of wintertime precipitation in Europe using the snow
advance index”. En: Journal of Climate 25.12 (2012), páginas 4023-4028. DOI: 10.1175/JCLI-D-
12-00083.1 (citado en página 455).
[72] B REIMAN, Leo y col. “Statistical modeling: The two cultures (with comments and a rejoinder by the
author)”. En: Statistical science 16.3 (2001), páginas 199-231 (citado en página 199).
[73] B RIER, Glenn W. “Verification of forecasts expressed in terms of probability”. En: Monthly Weather
Review 78.1 (1950), páginas 1-3. DOI: 10.1175/1520-0493(1950)078<0001:VOFEIT>2.0.CO;2
[74] B RILLOUIN, Leon. Science and information theory. Courier Corporation, 2013 (citado en página 954).
[75] B ROOKS, Harold E, L EE, James W y C RAVEN, Jeffrey P. “The spatial distribution of severe thunders-
torm and tornado environments from global reanalysis data”. En: Atmospheric Research 67 (2003),
páginas 73-94 (citado en página 584).
[76] B ROOKS, Nick. “Vulnerability, risk and adaptation: A conceptual framework”. En: Tyndall Centre for
Climate Change Research Working Paper 38 (2003), páginas 1-16 (citado en página 584).
[77] B ROOKSHAW, A. “Seasonal forecasts from the Copernicus Climate Change Service”. 2017. URL:
http://medcof.aemet.es/images/doc_events/medcof9/docMedcof9/presentaciones/
C3Sseasonal_for_users_MedCOF_November2017.pdf (citado en página 465).
[78] B ROWN, Jaclyn N y F EDOROV, Alexey V. “How much energy is transferred from the winds to the
thermocline on ENSO time scales?” En: Journal of Climate 23.6 (2010), páginas 1563-1580 (citado
en páginas 454, 456).
[79] B ROWNING, K A y col. “Application of satellite imagery in newcasting and very short range fore-
casting”. En: Meteorological Magazine 116.1379 (1987), páginas 161-179 (citado en páginas 84,
91).
[80] B UIZZA, Roberto. “Chaos and weather prediction January 2000”. En: Analysis 12 (1996), páginas 1-7
(citado en páginas 158, 178, 294, 1046).
[81] B UIZZA, Roberto. “Potential forecast skill of ensemble prediction and spread and skill distributions of
the ECMWF ensemble prediction system”. En: Monthly Weather Review 125.1 (1997), páginas 99-119.
ISSN : 0027-0644. DOI : 10.1175/1520- 0493(1997)125<0099:PFSOEP> 2.0.CO;2 (citado en
páginas 178, 223, 323, 412, 413).
[82] B UIZZA, Roberto, L EUTBECHER, Martin y I SAKSEN, Lars. “Potential use of an ensemble of analyses
in the ECMWF Ensemble Prediction System”. En: Quarterly Journal of the Royal Meteorological
Society 134.637 (2008), páginas 2051-2066. DOI: 10.1002/qj.346 (citado en páginas 294, 295, 389,
453).
[83] B UIZZA, Roberto, M ILLER, Martin J y PALMER, Tim N. “Stochastic representation of model un-
certainties in the ECMWF ensemble prediction system”. En: Quarterly Journal of the Royal Meteo-
rological Society 125.560 (ago. de 1999), páginas 2887-2908. ISSN: 00359009. DOI: 10.1002/qj.
49712556006 (citado en páginas 175, 269, 270, 279, 294, 389, 391, 535).
[84] B UIZZA, Roberto y PALMER, Tim N. “The Singular-Vector Structure of the Atmospheric Global
Circulation”. En: Journal of the Atmospheric Sciences 52.9 (mayo de 1995), páginas 1434-1456.
ISSN : 0022-4928. DOI : 10.1175/1520- 0469(1995)052<1434:TSVSOT> 2.0.CO;2 (citado en
páginas 157, 175, 249, 279, 294).
[85] B UIZZA, Roberto y col. “Impact of model resolution and ensemble size on the performance of an En-
semble Prediction System”. En: Quarterly Journal of the Royal Meteorological Society 124.550 (1998),
páginas 1935-1960. ISSN: 1477-870X. DOI: 10.1002/qj.49712455008 (citado en páginas 323, 324,
326, 330).
[86] B UIZZA, Roberto y col. “A Comparison of the ECMWF, MSC, and NCEP Global Ensemble Prediction
Systems”. En: Monthly Weather Review 133.5 (mayo de 2005), páginas 1076-1097. ISSN: 0027-0644.
DOI : 10.1175/MWR2905.1 (citado en página 278).
[87] B UIZZA, R y col. “IFS Cycle 43r3 brings model and assimilation updates”. En: ECMWF Newsletter
152.summer (2017). URL: https://www.ecmwf.int/en/elibrary/17439-newsletter-no-
152-summer-2017 (citado en página 464).
[88] B UNGE, Mario. La ciencia, su método y su filosofía. Sudamericana, 2014 (citado en página 14).
[89] B UNNEY, Chris y S AULTER, Andy. “An ensemble forecast system for prediction of Atlantic-UK
wind waves”. En: Ocean Modelling 96 (dic. de 2015), páginas 103-116. ISSN: 14635003. DOI:
10.1016/j.ocemod.2015.07.005 (citado en página 375).
[90] B UONTEMPO, Carlo y H EWITT, Chris. “EUPORIAS and the development of climate services”. En:
Climate Services (2017) (citado en página 454).
[91] B URGHI, Ana Carolina do amaral, H IRSCH, Tobias y P ITZ -PAAL, Robert. “CSP Dispatch Opti-
mization considering Forecasts Uncertainties”. En: SolarPACES. Chile, sep. de 2017. URL: http:
//elib.dlr.de/114738/ (citado en página 604).
[92] B URRIDGE, D M y H ASELER, J. A semi-implicit global gridpoint model. Informe técnico. Tech. Rep.,
ECMWF, Reading, England. To be published, 1979 (citado en página 668).
[93] B UTLER, Amy H y col. “The Climate-system Historical Forecast Project: do stratosphere-resolving
models make better seasonal climate predictions in boreal winter?” En: Quarterly Journal of the
Royal Meteorological Society 142.696 (2016), páginas 1413-1427. DOI: 10.1002/qj.2743 (citado
en página 455).
[94] B UYS BALLOT, Christophorus Henricus Didericus. “Note sur le rapport de l’intensité et de la direction
du vent avec les écarts simultanés du baromètre”. En: (1857) (citado en página 28).
[95] C AGNATI, A y col. “A field method for avalanche danger-level verification”. En: Annals of Glaciology
26 (1998), páginas 343-346 (citado en página 907).
[96] C ALLADO, Alfons y col. “Performance of multi-model AEMET-SREPS precipitation probabilistic

forecasts over Mediterranean area”. En: Advances in Geosciences 26.May 2007 (ene. de 2011),
páginas 133-138. ISSN: 16807340. DOI: 10.5194/adgeo-26-133-2011 (citado en páginas 534,
535).
[97] C ALLADO, Alfons y col. “Ensemble Forecasting”. En: Climate Change and Regional/Local Responses.
Editado por R AY, Pallav. InTech, mayo de 2013. ISBN: 978-953-51-1132-0. DOI: 10.5772/55699
(citado en páginas 156, 178, 188, 197, 223, 267, 608).
[98] C ALLADO, A. y col. “Verification of an Hybrid Short - Range EPS”. En: 3rd International Verification
Methods Workshop. Reading: ECMWF, 2007 (citado en páginas 320, 321).
[99] C ALLENDAR, Guy Stewart. “The artificial production of carbon dioxide and its influence on tempera-
ture”. En: Quarterly Journal of the Royal Meteorological Society 64.275 (1938), páginas 223-240.
DOI : 10.1002/qj.49706427503 (citado en página 513).
[100] C AMILLONI, I. y BARROS, V. La Argentina y el Cambio Climático. Eudeba, 2016 (citado en pági-
na 584).
[101] C AMPINS, Joan, JANSÀ, Agustí y G ENOVÉS, Ana. “Three-dimensional structure of western Medi-
terranean cyclones”. En: International Journal of climatology 26.3 (2006), páginas 323-343. DOI:
10.1002/joc.1275 (citado en página 554).
[102] C AMPINS, Joan y col. “Climatology of Mediterranean cyclones using the ERA-40 dataset”. En:
International Journal of Climatology 31.11 (2011), páginas 1596-1614. DOI: 10.1002/joc.2183
[103] C AMPINS, J y col. “PYREX observation and model diagnosis of the Tramontane wind”. En: Meteoro-
logy and Atmospheric Physics 56.3 (1995), páginas 209-228. DOI: 10.1007/BF01030138 (citado en
páginas 539, 540).
[104] C ANDILLE, Guillem y TALAGRAND, O. “Evaluation of probabilistic prediction systems for a scalar va-
riable”. En: Quarterly Journal of the Royal Meteorological Society 131.609 (2005), páginas 2131-2150.
ISSN : 00359009. DOI : 10.1256/qj.04.71 (citado en páginas 208, 222, 231, 232, 323, 326, 330).
[105] C ANDILLE, Guillem y TALAGRAND, O. “Impact of observational error on the validation of ensemble
prediction systems”. En: Quarterly Journal of the Royal Meteorological Society 134.633 B (abr. de
2008), páginas 959-971. ISSN: 00359009. DOI: 10.1002/qj.268 (citado en páginas 218, 321, 322).
[106] C ANDILLE, Guillem y col. “Verification of an Ensemble Prediction System against Observations”.
En: Monthly Weather Review 135.7 (2007), páginas 2688-2699. ISSN: 0027-0644. DOI: 10.1175/
MWR3414.1 (citado en páginas 232, 326, 358).
[107] C ANTALEJO, Ángela. Cli-Fi: la literatura que predice el cambio climático. Oct. de 2015. URL:
https : / / elpais . com / elpais / 2015 / 10 / 11 / tentaciones / 1444559211 _ 036190 . html
[108] C ARRERAS C ANDI, Francesch y S ARTHOU C ARRERES, C. Geografía general del Reino de Valencia.
Volumen 1. A. Martín, 1910 (citado en página 664).
[109] C ARRIÓ, D S y H OMAR, V. “Potential of sequential EnKF for the short-range prediction of a maritime
severe weather event”. En: Atmospheric Research 178 (2016), páginas 426-444 (citado en páginas 547,
548).
[110] C ARRIÓ, D S y col. “Tropicalization process of the 7 November 2014 Mediterranean cyclone:
Numerical sensitivity study”. En: Atmospheric Research 197 (2017), páginas 300-312 (citado en
páginas 558, 561).
[111] C ASANOVA, S y A HRENS, B. “On the Weighting of Multimodel Ensembles in Seasonal and Short-
Range Weather Forecasting”. En: Monthly Weather Review 137.11 (2009), páginas 3811-3822. ISSN:
0027-0644, 1520-0493. DOI: 10.1175/2009mwr2893.1 (citado en página 174).
[112] C ASATI, B. y col. “Forecast verification: current status and future directions”. En: Meteorological
Applications 15.1 (mar. de 2008), páginas 3-18. ISSN: 13504827. DOI: 10.1002/met.52 (citado en
página 326).
[113] C ASAUS, Jorge, RODRÍGUEZ, Javier y S ÁNCHEZ, Eusebio. “Cromodinámica Cuántica: el color de
los quarks”. En: Fotón 1 (2005), página 137 (citado en página 17).
[114] C ASSOU, Christophe. “La prévision décennale du climat”. En: Le point sur 203.juin (2015), pági-
nas 1-4. URL: https://www.actu-environnement.com/media/pdf/news-24739-prevision-
decennale-cgdd.pdf (citado en página 451).
[115] C ASSOU, Christophe y G UILYARDI, Éric. “Modes de variabilité et changement climatique: Synthèse
du quatrième rapport d’évaluation du Giec”. En: (2007) (citado en página 483).
[116] C ASTRIGIANO, Domenico P L, H AYES, Sandra A y T HOM, René. Catastrophe theory. Addison-
Wesley Reading, Massachusetts, 1993 (citado en página 1046).
[117] C ATALINA, Alejandro y D ORRONSORO, José R. “NWP Ensembles for Wind Energy Uncertainty
Estimates”. En: Workshop on Data Analytics for Renewable Energy Integration. Lecture Notes in
Artificial Intelligence. Springer, Cham, sep. de 2017, páginas 121-132. DOI: 10.1007/978-3-319-
71643-5_11 (citado en página 608).
[118] C ECIL, Daniel J y B LANKENSHIP, Clay B. “Toward a global climatology of severe hailstorms as esti-
mated by satellite passive microwave imagers”. En: Journal of Climate 25.2 (2012), páginas 687-703
[119] CEM. Resumen del Sistema Internacional de Unidades, el SI. 2017 (citado en página 651).
[120] C ENTRO DE I NVESTIGACIONES S OCIOLÓGICAS. Percepción social de la ciencia y la tecnología.

Informe técnico. 2006, página 7056 (citado en páginas 617, 922).
[121] C ENTRO DE I NVESTIGACIONES S OCIOLÓGICAS. Percepción de la meteorología. Informe técnico.

Centro de Investigaciones Sociológicas, 2011, página 2959. URL: http://www.cis.es/cis/
opencm/ES/1_encuestas/estudios/ver.jsp?estudio=12764 (citado en páginas 618, 619,
922).
[122] C HACÓN, S, G ÓMEZ, S y G ARCÍA, S. Risc d’inundacions als municipis veïns al Parc del Montnegre i
el Corredor. Diagnosi ambiental al Parc del Montnegre i el Corredor. 2005 (citado en página 754).
[123] C HALMERS, Alan F y col. Â¿Qué es esa cosa llamada ciencia? Siglo XXI de España, 2000 (citado
en página 14).
[124] C HAN, Steven C, B EHERA, Swadhin K y YAMAGATA, Toshio. “Indian Ocean dipole influence
on South American rainfall”. En: Geophysical Research Letters 35.14 (2008). DOI: 10 . 1029 /
2008GL034204 (citado en página 594).
[125] C HARNEY, Jules G, F JÖRTOFT, Ragnar y N EUMANN, J von. “Numerical integration of the barotropic
vorticity equation”. En: Tellus 2.4 (1950), páginas 237-254. DOI: 10.3402/tellusa.v2i4.8607
[126] C HEN, Dake y col. “Predictability of El Niño over the past 148 years”. En: Nature 428.6984 (2004),
página 733. DOI: 10.1038/nature02439 (citado en página 473).
[127] C HEN, Fei y D UDHIA, Jimy. “Coupling an advanced land surface–hydrology model with the Penn
State–NCAR MM5 modeling system. Part I: Model implementation and sensitivity”. En: Monthly
Weather Review 129.4 (2001), páginas 569-585 (citado en página 586).
[128] C HERUBINI, Tiziana, G HELLI, Anna y L ALAURETTE, François. “Verification of Precipitation Fo-
recasts over the Alpine Region Using a High-Density Observing Network”. En: Weather and Fore-
casting 17.2 (abr. de 2002), páginas 238-249. ISSN: 0882-8156. DOI: 10.1175/1520-0434(2002)
017<0238:VOPFOT>2.0.CO;2 (citado en página 326).
[129] C HOLLET, François y col. Keras. 2015. URL: https://github.com/fchollet/keras (citado en

página 201).
[130] C HRISTENSEN, J H y col. “Climate phenomena and their relevance for future regional climate
change”. En: Climate change 2013: the physical science basis. Contribution of Working Group I to the
Fifth Assessment Report of the Intergovernmental Panel on Climate Change. Editado por S TOCKER,
Thomas F y col. Cambridge Univ. Press, Cambridge, UK, y New York, 2013, páginas 119-158 (citado
en página 483).
[131] C HUECA, J y col. “Mapa geomorfológico del Alto Gállego (Pirineo aragonés)”. En: Boletín Glacioló-
gico Aragonés 1 (2000) (citado en página 694).
[132] C LARK, Adam J. y col. “Contributions of Mixed Physics versus Perturbed Initial/Lateral Boundary
Conditions to Ensemble-Based Precipitation Forecast Skill”. En: Monthly Weather Review 136.6
(jun. de 2008), páginas 2140-2156. ISSN: 0027-0644. DOI: 10.1175/2007MWR2029.1 (citado en
página 278).
[133] C LARK, Adam J. y col. “A Comparison of Precipitation Forecast Skill between Small Convection-
Allowing and Large Convection-Parameterizing Ensembles”. En: Weather and Forecasting 24.4 (2009),
páginas 1121-1140. ISSN: 0882-8156. DOI: 10.1175/2009WAF2222222.1 (citado en página 585).
[134] C LOUDERA. Machine Learning | Analytics | Cloud - Cloudera. URL: https://www.cloudera.com/

[135] C OELHO, Caio A S y col. “Integrated seasonal climate forecasts for South America”. En: CLIVAR
Exchanges 12 (2007), páginas 13-19 (citado en página 594).
[136] C OHEN, Judah y J ONES, Justin. “A new index for more accurate winter predictions”. En: Geophysical
Research Letters 38.21 (2011). DOI: 10.1029/2011GL049626 (citado en página 455).
[137] C OIFFIER, Jean. Fundamentals of numerical weather prediction. Cambridge University Press, 2011
[138] C OLEOU, C, G IRAUD, G y V ILLECROSE, J. “Análisis de los sondeos por golpeo”. En: Grenoble
(Francia), Météo-France, CNRM CEN, Traducción del CMT de Aragón, La Rioja y Navarra (INM)
[139] C OLLINS, Matthew y col. “Long-term climate change: projections, commitments and irreversibility”.
En: Climate Change 2013: The Physical Science Basis. Contribution of Working Group I to the
Fifth Assessment Report of the Intergovernmental Panel on Climate Change, 1535 pp. Editado por
S TOCKER, Thomas F y col. Cambridge Univ. Press, Cambridge, UK, y New York, 2013 (citado en
páginas 509, 510).
[140] C ONRAD, O y col. “System for automated geoscientific analyses (SAGA) v. 2.1. 4”. En: Geoscientific
Model Development 8.7 (2015), página 1991 (citado en páginas 702, 709).
[141] C ORTI, Susanna y col. “Reliability of decadal predictions”. En: Geophysical Research Letters 39.21
(2012). DOI: 10.1029/2012GL053354 (citado en página 452).
[142] C ÔTÉ, Jean y col. “The operational CMC–MRB global environmental multiscale (GEM) model. Part
II: results”. En: Monthly Weather Review 126.6 (1998), páginas 1397-1418 (citado en página 317).
[143] C OVENEY, Peter y H IGHFIELD, Roger. The arrow of time: A voyage through science to solve time’s
greatest mystery. Fawcett Columbine, 1992 (citado en página 1046).
[144] C RESPO, Eduardo, R EVILLA, Juan Carlos y E LIZAGA, Fermín. “Meteorología y sociedad: uso y
evaluación de la información meteorológica/Meteorology and society: use and evaluation of meteoro-
logical information”. En: Comunicación y Sociedad 27.2 (2014), página 169 (citado en páginas 617,
618, 621, 922).
[145] C RESSMAN, George P. “An operational objective analysis system”. En: Mon. Wea. Rev 87.10 (1959),
[146] C UBASCH, U y col. “Introduction in Climate Change 2013, Intergov. Panel Clim. Chang. 2013
Phys”. En: Climate change 2013: the physical science basis. Contribution of Working Group I to the
Fifth Assessment Report of the Intergovernmental Panel on Climate Change. Editado por S TOCKER,
Thomas F y col. Cambridge Univ. Press, Cambridge, UK, y New York, 2013, páginas 119-158 (citado
en páginas 477, 478, 490, 494).
[147] C UEVA, Alexandre J Pérez. Atlas climàtic de la Comunitat Valenciana, 1961-1990. Generalitat
Valenciana, Conselleria d’Obres Públiques, Urbanisme i Transports, 1994 (citado en páginas 661,
662).
[148] C UEVAS AGULLÓ, Emilio y RODRÍGUEZ, José. “Estadística de depresiones aisladas en niveles altos”.
En: 5º Simposio Nacional de Predicción. Madrid: Instituto Nacional de Meteorología, 2001. URL:
http://hdl.handle.net/20.500.11765/4710 (citado en página 880).
[149] C UEVAS TASCÓN, Gabriela y col. “Analysis of the 12 October 2016 flash floods in Maresme,
Catalonia”. En: (2017). URL: http : / / hdl . handle . net / 20 . 500 . 11765 / 7623 (citado en
página 753).
[150] C ULLEN, M J P. “The unified forecast/climate model”. En: Meteorological Magazine 122.1449
(1993), páginas 81-94 (citado en páginas 316, 317).
[151] DALCHÉR, Amnon, K ALNAY, Eugenia y H OFFMAN, Ross N. “Medium range lagged average fore-
casts”. En: Monthly Weather Review 116.2 (1988), páginas 402-416 (citado en página XL).
[152] DAVIS, Christopher y col. “The Method for Object-Based Diagnostic Evaluation (MODE) Applied to
Numerical Forecasts from the 2005 NSSL/SPC Spring Program”. En: Weather and Forecasting 24.5
(oct. de 2009), páginas 1252-1267. ISSN: 0882-8156. DOI: 10.1175/2009WAF2222241.1 (citado en
páginas 218, 220).
[153] DAVIS, Ellery W. “Calcul des Probabilités, par J. Bertrand”. En: Bulletin of the New York Mathematical
Society 1 (1891), páginas 16-25 (citado en páginas 951, 1018).
[154] D EE, Dick P y col. “The ERA-Interim reanalysis: Configuration and performance of the data assi-
milation system”. En: Quarterly Journal of the royal meteorological society 137.656 (2011), pági-
nas 553-597 (citado en páginas 411, 671).
[155] D ELSHAMS, Amadeu. Poincaré, Creador de los métodos todavía modernos en las ecuaciones diferen-
ciales y en la mecánica celeste. 2005 (citado en páginas 17, 57).
[156] D EMPSTER, Arthur P, L AIRD, Nan M y RUBIN, Donald B. “Maximum likelihood from incomplete
data via the EM algorithm”. En: Journal of the royal statistical society. Series B (methodological)
[157] D IEHL, Alexandra y col. “Albero: A Visual Analytics Approach for Probabilistic Weather Forecasting”.
En: Computer Graphics Forum. Volumen 36. 7. Wiley Online Library. 2017, páginas 135-144. DOI:
10.1111/cgf.13279 (citado en página 593).
[158] D ILLON, María Eugenia, G ARCÍA S KABAR, Yanina y N ICOLINI, Matilde. “Desempeño del pronóstico
de modelos de alta resolución, en un área limitada: análisis de la estación de verano 2010-2011”. En:
Meteorologica 38.2 (2013), páginas 69-89 (citado en página 585).
[159] D OBLAS -R EYES, F J y col. “Addressing model uncertainty in seasonal and annual dynamical
ensemble forecasts”. En: Quarterly Journal of the Royal Meteorological Society 135.643 (2009),
páginas 1538-1559. DOI: 10.1002/qj.464 (citado en páginas 464, 472).
[160] D OBLAS -R EYES, F J y col. Decadal climate prediction with the ECMWF coupled forecast system:
Impact of ocean observations. European Centre for Medium-Range Weather Forecasts, 2010. DOI:
10.1029/2010JD015394 (citado en páginas 452, 475).
[161] D OBLAS -R EYES, F J y col. “Forecast quality assessment of the ENSEMBLES seasonal-to-decadal
Stream 2 hindcasts”. En: ECMWF/TM 621 (2010), página 45 (citado en página 475).
[162] D OMÍNGUEZ, Gustavo. Aeropuerto de Madrid Adolfo Suarez barajas.. T 4...Ayer. 2017. URL: https:
//twitter.com/Gus_texeda/status/883681913935998979 (visitado 20-11-2017) (citado en
páginas 888, 889).
[163] D OMÍNGUEZ -C ASTRO, F., G ARCÍA -H ERRERA, R. y VAQUERO, J.M. “Zuñiga’s weather diary: dry-
spell length from 1775 to 1785 in Mexico”. En: European Geosciences Union General Assembly
(EGU). Vienna, 2018 (citado en página 25).
[164] D OMÍNGUEZ -C ASTRO, Fernando, G ARCÍA -H ERRERA, Ricardo y VAQUERO, José M. “An early
weather diary from Iberia (Lisbon, 1631-1632)”. En: Weather 70.1 (2015), páginas 20-24. DOI:
10.1002/wea.2319 (citado en página 25).
[165] D OMS, G y S CHÄTTLER, U. “The nonhydrostatic limited-area model LM (Lokal-Modell) of DWD”.

En: Part I: Scientific documentation, Deutscher Wetterdienst (DWD) 10 (1999) (citado en página 316).
[166] D OVIAK, R J y Z RNI Ć, D S. “Doppler radar and weather observations”. En: Academic Press, Orlando,
FL 562.4 (1993), páginas 634-645 (citado en página 104).
[167] D U, H y col. “Sensitivity of decadal predictions to the initial atmospheric and oceanic perturbations”.
En: Climate dynamics 39.7-8 (2012), páginas 2013-2023. DOI: 10.1007/s00382- 011- 1285- 9
[168] D U, Jun. “Hybrid ensemble prediction system: a new ensembling approach”. En: Preprints, Symposium
on the 50th Anniversary of Operational Numerical Weather Prediction. 2004, páginas 14-17 (citado
en páginas 175, 320, 321, 330).
[169] D UDHIA, Jimy. “Numerical study of convection observed during the winter monsoon experiment
using a mesoscale two-dimensional model”. En: Journal of the Atmospheric Sciences 46.20 (1989),
[170] D UDHIA, Jimy. “A nonhydrostatic version of the Penn State–NCAR mesoscale model: Validation
tests and simulation of an Atlantic cyclone and cold front”. En: Monthly Weather Review 121.5 (1993),
[171] E BERT, Elizabeth E. y E BERT, Elizabeth E. “Ability of a Poor Man’s Ensemble to Predict the
Probability and Distribution of Precipitation”. En: Monthly Weather Review 129.10 (oct. de 2001),
páginas 2461-2480. ISSN: 0027-0644. DOI: 10.1175/1520-0493(2001)129<2461:AOAPMS>2.0.
CO;2 (citado en páginas 168, 244, 565, 670, 869).
[172] E BERT, Elizabeth E. y G ALLUS, William a. “Toward Better Understanding of the Contiguous Rain
Area (CRA) Method for Spatial Forecast Verification”. En: Weather and Forecasting 24.5 (oct. de
2009), páginas 1401-1415. ISSN: 0882-8156. DOI: 10.1175/2009WAF2222252.1 (citado en pági-
nas 218, 220).
[173] E BISUZAKI, W y K ALNAY, Eugenia. “Ensemble experiments with a new lagged average forecasting
scheme”. En: WMO Research Activities in Atmospheric and Oceanic Modeling Rep 15 (1991),
página 308 (citado en páginas 174, 248, 277, 278, 282, 341, 392).
[174] E CKEL, F Anthony y M ASS, Clifford F. “Aspects of effective mesoscale, short-range ensemble
forecasting”. En: Weather and Forecasting 20.3 (2005), páginas 328-350 (citado en página 278).
[175] ECMWF. ECMWF - Tropical cyclones. URL: https://www.ecmwf.int/en/forecasts/charts/

tcyclone/ (visitado 03-12-2017) (citado en páginas 718-720).
[176] E DWARDS, Paul N. A vast machine: Computer models, climate data, and the politics of global
warming. Mit Press, 2010. ISBN: 978-0262013925 (citado en páginas 497, 498).
[177] E DWARDS, Roger. Bat-eating Supercell (SPC Cool Image). 2006. URL: http://www.spc.noaa.
gov/coolimg/batrad/index.html (visitado 19-03-2018) (citado en página 960).
[178] E FE - ABC. Una fisura en una balsa, origen de las inundaciones en Valverde de la Vera. Mérida,
jul. de 2017. URL: https://www.abc.es/sociedad/abci- rompe- presa- valverde- vera-
aunque-no-danos-personales-201707051029_noticia.html (citado en página 889).
[179] E FE - E L PAÍS. La presa de Valverde de la Vera revienta y provoca inundaciones. Mérida, jul. de 2017.
URL : https://politica.elpais.com/politica/2017/07/05/actualidad/1499245364_
112565.html (citado en página 888).
[180] E FRON, B. y T IBSHIRANI, R. “Improvements on cross-validation: The 632 plus bootstrap method”.
En: Journal of the American Statistical Association 92.438 (1997), página 548. ISSN: 0162-1459. DOI:
10.1080/01621459.1997.10474007 (citado en página 218).
[181] E FROS, A L. “Physics and Geometry of Chaos”. En: M.: Science (1982) (citado en página 1046).
[182] E HRENDORFER, Martin. “The Liouville Equation and Its Potential Usefulness for the Prediction
of Forecast Skill. Part II: Applications”. En: Monthly Weather Review 122.4 (abr. de 1994), pági-
nas 714-728. ISSN: 0027-0644. DOI: 10.1175/1520-0493(1994)122<0714:TLEAIP>2.0.CO;2
[183] E LVIRA M ONTEJO, Benito y M ARTÍN S ANZ, Aurora. “Verificación del EPS a través de los grupos y
de los supergrupos”. En: Nota Técnica del STAP 36 (1999). URL: http://hdl.handle.net/20.
500.11765/5114 (citado en página 441).
[184] E MANUEL, K. “Genesis and maintenance of Mediterranean hurricanes”. En: Advances in Geosciences
2.2 (2005), páginas 217-220. DOI: 10.5194/adgeo-2-217-2005 (citado en páginas 543, 552, 643,
1135).
[185] E MANUEL, Kerry A. “Inertial Instability and Mesoscale Convective Systems. Part I: Linear Theory
of Inertial Instability in Rotating Viscous Fluids”. En: Journal of the Atmospheric Sciences 36.12
(dic. de 1979), páginas 2425-2449. ISSN: 0022-4928. DOI: 10.1175/1520-0469(1979)036<2425:
IIAMCS>2.0.CO;2 (citado en página 157).
[186] E PSTEIN, Edward S. “Stochastic dynamic prediction”. En: Tellus 21.6 (1969), páginas 739-759. DOI:
10.3402/tellusa.v21i6.10143 (citado en página 388).
[187] E SCRIBÀ, Pau y col. “Probabilistic prediction of raw and BMA calibrated AEMET-SREPS: The 24
of January 2009 extreme wind event in Catalunya”. En: Advances in Geosciences 26 (nov. de 2010),
páginas 119-124. ISSN: 16807340. DOI: 10.5194/adgeo-26-119-2010 (citado en páginas 319,
419).
[188] EUMETNET. EMMA - Eumetnet. 2006. URL: http://eumetnet.eu/activities/forecasting-

programme/current-activities-fc/emma/ (visitado 03-12-2017) (citado en página 628).
[189] EUMETNET. Meteoalarm - severe weather warnings for Europe - Mainpage. 2006. URL: https:
//www.meteoalarm.eu/ (visitado 03-12-2017) (citado en página 628).
[190] E VANS, R E y col. “Joint medium-range ensembles from the Met. Office and ECMWF systems”.
En: Monthly weather review 128.9 (2000), páginas 3104-3127. DOI: 10.1175/1520-0493(2000)
128<3104:JMREFT>2.0.CO;2 (citado en página 175).
[191] E ZELL, Linda Neuman. “NASA historical data book. Volume 3: Programs and projects 1969-1978”.
En: (1988) (citado en página 86).
[192] FABRIS, Cesare. Masse d’aria nel Mediterraneo. 1935 (citado en página 535).
[193] FARRELL, Brian F y I OANNOU, Petros J. “Generalized stability theory. Part I: Autonomous operators”.
En: Journal of the atmospheric sciences 53.14 (1996), páginas 2025-2040. DOI: 10.1175/1520-
0469(1996)053<2025:GSTPIA>2.0.CO;2 (citado en página 295).
[194] F ERRANTI, L y C ORTI, S. “Ensemble prediction skill in relation with large scale circulation patterns”.
En: 10th EMS Annual Meeting, 10th European Conference on Applications of Meteorology (ECAM)
Abstracts, held Sept. 13-17, 2010 in Zürich, Switzerland. Sep. de 2010, página 769. URL: http:
//meetings.copernicus.org/ems2010 (citado en página 218).
[195] F ERRANTI, L y C ORTI, S. “New clustering products”. En: ECMWF Newsletter 127.6-11 (2011),
páginas 1-2 (citado en páginas 441-443, 805).
[196] F ERRANTI, L y col. “Tropical-extratropical interaction associated with the 30–60 day oscillation and
its impact on medium and extended range prediction”. En: Journal of the Atmospheric Sciences 47.18
(1990), páginas 2177-2199. DOI: 10.1175/1520- 0469(1990)047<2177:TEIAWT> 2.0.CO;2
[197] F ERREL, William. “The motions of fluids and solids relative to the Earth’s surface”. En: American
Journal of Science 91 (1861), páginas 27-50 (citado en página 28).
[198] F ERRO, Christopher a. T. “A Probability Model for Verifying Deterministic Forecasts of Extreme
Events”. En: Weather and Forecasting 22.5 (2007), páginas 1089-1100. ISSN: 0882-8156. DOI:
10.1175/WAF1036.1 (citado en página 218).
[199] F ERRO, Christopher a. T. “Comparing Probabilistic Forecasting Systems with the Brier Score”. En:
Weather and Forecasting 22.5 (2007), páginas 1076-1088. ISSN: 0882-8156. DOI: 10.1175/WAF1034.
1 (citado en páginas 188, 324, 326).
[200] F ERRO, Christopher A. T., R ICHARDSON, David S. y W EIGEL, Andreas P. “On the effect of ensemble
size on the discrete and continuous ranked probability scores”. En: Meteorological Applications 15.1
(mar. de 2008), páginas 19-24. ISSN: 13504827. DOI: 10.1002/met.45 (citado en páginas 324, 326,
330).
[201] F EYERABEND, Paul K. Tratado contra el método : esquema de una teoría anarquista del conocimiento.
Tecnos, 1981. ISBN: 9788430908875 (citado en página 14).
[202] F EYNMAN, Richard P, L EIGHTON, Robert B y S ANDS, Matthew. The Feynman lectures on physics,
Vol. I: The new millennium edition: mainly mechanics, radiation, and heat. Volumen 1. Basic books,
[203] F EYNMAN, Richard Phillips. Electrodinámica cuántica: la extraña teoría de la luz y la materia.
Alianza Editorial, 1988 (citado en página 17).
[204] F IERZ, CRLA y col. The international classification for seasonal snow on the ground. Volumen 25.
UNESCO/IHP Paris, 2009 (citado en página 907).
[205] F ILDES, Robert y KOURENTZES, Nikolaos. “Validation and forecasting accuracy in models of climate
change”. En: International Journal of Forecasting 27.4 (2011), páginas 968-995. DOI: 10.1016/j.
ijforecast.2011.03.008 (citado en página 475).
[206] F INE, Gary Alan. Authors of the Storm: Meteorologists and the Culture of Prediction. University of
Chicago Press, 2009 (citado en página 44).
[207] F ISHER, M. “Assimilation Algorithms”. 2002. URL: https://www.ecmwf.int/sites/default/

files/elibrary/2002/16932- assimilation- techniques- 3- 3dvar.pdf (citado en pági-
na 247).
[208] F LATAU, Maria y col. “The feedback between equatorial convection and local radiative and evaporative
processes: The implications for intraseasonal oscillations”. En: Journal of the Atmospheric Sciences
54.19 (1997), páginas 2373-2386 (citado en página 460).
[209] F LATO, Gregory y col. “Evaluation of climate models. In: climate change 2013: the physical science
basis. Contribution of working group I to the fifth assessment report of the intergovernmental panel
on climate change”. En: Climate change 2013: the physical science basis. Contribution of Working
Group I to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change. Edita-
do por S TOCKER, Thomas F y col. Cambridge Univ. Press, Cambridge, UK, y New York, 2013,
páginas 741-866 (citado en páginas 483, 501, 504).
[210] F LOWERDEW, Jonathan y B OWLER, Neill E. “Improving the use of observations to calibrate ensemble
spread”. En: Quarterly Journal of the Royal Meteorological Society 137.655 (2011), páginas 467-482.
DOI : 10.1002/qj.744 (citado en página 362).
[211] F LOWERDEW, Jonathan y B OWLER, Neill E. “On-line calibration of the vertical distribution of
ensemble spread”. En: Quarterly Journal of the Royal Meteorological Society 139.676 (2013), pági-
nas 1863-1874. DOI: 10.1002/qj.2072 (citado en página 362).
[212] F ONT T ULLOT, Inocencio. Climatología de España y Portugal. Volumen 76. Universidad de Sala-
manca, 2000 (citado en página 797).
[213] F RALEY, Chris, R AFTERY, Adrian E. y G NEITING, Tilmann. “Calibrating Multimodel Forecast
Ensembles with Exchangeable and Missing Members Using Bayesian Model Averaging”. En: Monthly
Weather Review 138.1 (2010), páginas 190-202. ISSN: 0027-0644. DOI: 10.1175/2009MWR3046.1
[214] F RÄNZLE, Otto. Glaziale und periglaziale Formbildung im östlichen Kastilischen Scheidegebirge
(Zentralspanien). Bonner Geo. 26. Bonn: F. Dümmler, 1959 (citado en página 702).
[215] F ROGNER, Inger-Lise y I VERSEN, Trond. “High-resolution limited-area ensemble predictions based
on low-resolution targeted singular vectors”. En: Quarterly Journal of the Royal Meteorological
Society 128.582 (2002), páginas 1321-1341. DOI: 10 . 1256 / 003590002320373319 (citado en
página 395).
[216] F ROUDE, L.S.R. “Prediction of extratropical cyclones by the TIGGE ensemble prediction systems”.
En: ECMWF Newsletter 125.Autumn 2012 (2010), páginas 22-29 (citado en página 553).
[217] F UNDÉU. Fundación del Español Urgente. URL: http://www.fundeu.es/ (visitado 03-12-2017)
[218] G ALWAY, Joseph G. “The lifted index as a predictor of latent instability”. En: Bull. Amer. Meteor. Soc.
[219] G ARCÍA M E ŃDEZ, A. y VÁZQUEZ P ÉREZ - BATALLÓN, R. “Presentaciones”. En: Taller sobre apli-
caciones de los productos del ECMWF a la meteorología tropical. La Antigua, 2011 (citado en
página 720).
[220] G ARCIA, Velarde y col. Instabilities in fluid layers and in reaction-diffusion systems: Steady states,
time-periodic solutions, non-periodic attractors, and related convective and otherwise non-linear
phenomena. Informe técnico. Junta de Energia Nuclear, 1977 (citado en página 1046).
[221] G ARCÍA -M OYA, José Antonio y col. “Predictability of short-range forecasting: A multimodel ap-
proach”. En: Tellus, Series A: Dynamic Meteorology and Oceanography 63.3 (mayo de 2011),
páginas 550-563. ISSN: 02806495. DOI: 10 . 1111 / j . 1600 - 0870 . 2010 . 00506 . x (citado en
páginas XLI, 5, 156, 174, 175, 178, 221, 223, 245, 246, 252, 267, 278, 315, 324, 327, 328, 346, 395,
402, 412, 413).
[222] G ARDNER, Martin. “How three modern mathematicians disproved a celebrated conjecture of Leonhard
Euler”. En: Scientific American 201.5 (1959), página 188 (citado en página 951).
[223] G ARDNER, Martin. “Problems involving questions of probability and ambiguity”. En: Scientific
American 201.4 (1959), páginas 174-182 (citado en páginas 951, 1018).
[224] G EBHARDT, C. y col. “Uncertainties in COSMO-DE precipitation forecasts introduced by model

perturbations and variation of lateral boundaries”. En: Atmospheric Research 100.2-3 (mayo de
2011), páginas 168-177. ISSN: 0169-8095. DOI: 10.1016/J.ATMOSRES.2010.12.008 (citado en
páginas 265, 272, 278, 395).
[225] G EHENIAU, Jules y P RIGOGINE, Ilya. “The birth of time”. En: Foundations of physics 16.5 (1986),
páginas 437-443. DOI: 10.1007/BF01882727 (citado en página 1046).
[226] G ENOVÉS, Ana y JANSÀ, Agustí. “Diabatic processes contribution to the November 2001 Storm”.
En: 4th EGS Plinius Conference on Mediterranean Storms. Mallorca: Universitat de les Illes Balears,
[227] G EORGIEV, Christo, S ANTURETTE, Patrick y M AYNARD, Karine. Weather analysis and forecasting:
applying satellite water vapor imagery and potential vorticity analysis. Academic Press, 2016 (citado
en página 92).
[228] G HELLI, Anna y L ALAURETTE, François. “Verifying precipitation forecasts using upscaled observa-
tions”. En: ECMWF Newsletter 87 (2000), páginas 9-17 (citado en página 219).
[229] G HELLI, Anna y P RIMO, Cristina. “On the use of the extreme dependency score to investigate the
performance of an NWP model for rare events”. En: Meteorological Applications 16.4 (dic. de 2009),
páginas 537-544. ISSN: 13504827. DOI: 10.1002/met.153 (citado en página 218).
[230] G HIL, Michael. “Natural climate variability”. En: Encyclopedia of global environmental change.
Editado por M AC C RACKEN, M y P ERRY, J. Volumen 1. Chichester: Wiley, 2002, páginas 544-549
[231] G IEBEL, Gregor y col. Wind power prediction using ensembles. Informe técnico. 2005 (citado en
página 610).
[232] G ILLELAND, Eric. “Confidence intervals for forecast verification”. En: NCAR Technical Note
NCAR/TN-479+STR (2010). DOI: 10.5065/D6WD3XJM (citado en páginas 218, 326).
[233] G ILLELAND, Eric y col. “Intercomparison of Spatial Forecast Verification Methods”. EN. En: Weat-
her and Forecasting 24.5 (oct. de 2009), páginas 1416-1430. ISSN: 0882-8156. DOI: 10 . 1175 /
2009WAF2222269.1 (citado en páginas 218, 220).
[234] G IRAUD, G, JP, Navarre y C OLEOU, C. “Estabilidad - inestabilidad del manto nivoso. Aproximación
estática”. En: Grenoble (Francia), Météo-France, Centre National de Recherches Météorologiques.
Centre d’Etudes de la Neige (2007) (citado en página 907).
[235] G LAHN, Harry R y L OWRY, Dale A. “The use of model output statistics (MOS) in objective weat-
her forecasting”. En: Journal of applied meteorology 11.8 (1972), páginas 1203-1211 (citado en
página 195).
[236] G NEITING, Tilmann y R AFTERY, Adrian E. “Weather Forecasting with Ensemble Methods”. En:
Science 310.October (2005), páginas 248-249 (citado en página 198).
[237] G NEITING, Tilmann y col. “Calibrated probabilistic forecasting using ensemble model output statistics
and minimum CRPS estimation”. En: Monthly Weather Review 133.5 (2005), páginas 1098-1118.
ISSN : 0027-0644. DOI : 10.1175/MWR2904.1 (citado en páginas 175, 198, 319).
[238] G ODDARD, Lisa y col. “Two time scales for the price of one (almost)”. En: Bulletin of the American
Meteorological Society 93.5 (2012), páginas 621-629. DOI: 10.1175/BAMS-D-11-00220.1 (citado
en página 472).
[239] G OFFMAN, Erving. Frame analysis: An essay on the organization of experience. Harvard University
Press, 1974 (citado en página 616).
[240] G OLDSTINE, Herman H y G OLDSTINE, Adele. “The electronic numerical integrator and computer
(ENIAC)”. En: Mathematical Tables and Other Aids to Computation 2.15 (1946), páginas 97-110
[241] G ONZALEZ, Sergi y B ECH, Joan. “Extreme point rainfall temporal scaling: a long term (1805–2014)
regional and seasonal analysis in Spain”. En: International Journal of Climatology 37.15 (2017),
páginas 5068-5079. DOI: 10.1002/joc.5144 (citado en página 680).
[242] G RAMELSBERGER, G. “Circulation of pieces of code in climate models, panel Cultures of predic-
tion”. En: ESHS 6th conference of the European Society for the History of Science. 2014 (citado en
página 22).
[243] G RELL, Georg A, D UDHIA, Jimy, S TAUFFER, David R y col. “A description of the fifth-generation
Penn State/NCAR mesoscale model (MM5)”. En: (1994) (citado en páginas 316, 368, 668, 669).
[244] G RIMIT, Eric P. y M ASS, Clifford F. “Initial results of a mesoscale short-range ensemble forecasting
system over the Pacific Northwest”. En: Weather and Forecasting 17.2 (2002), páginas 192-205
[245] G RIMM, Alice M, BARROS, Vicente R y D OYLE, Moira E. “Climate variability in southern South Ame-
rica associated with El Niño and La Niña events”. En: Journal of climate 13.1 (2000), páginas 35-58
[246] G UAN, Hong, C UI, Bo y Z HU, Yuejian. “Improvement of statistical postprocessing using GEFS
reforecast information”. En: Weather and Forecasting 30.4 (2015), páginas 841-854 (citado en
página 585).
[247] G UEMAS, V y col. “Identifying the causes of the poor decadal climate prediction skill over the
North Pacific”. En: Journal of Geophysical Research: Atmospheres 117.D20 (2012). DOI: 10.1029/
[248] G UILYARDI, Eric y col. “Representing El Nino in coupled ocean–atmosphere GCMs: the dominant
role of the atmospheric component”. En: Journal of Climate 17.24 (2004), páginas 4623-4629 (citado
en página 473).
[249] G UTIÉRREZ, J.˜M. y col. “Clustering Methods for Statistical Downscaling in Short-Range Weather
Forecasts”. En: Monthly Weather Review 132.1997 (2004), página 2169. ISSN: 0027-0644. DOI:
10.1175/1520-0493(2004)132<2169:CMFSDI>2.0.CO;2 (citado en página 231).
[250] G UTOWITZ, Howard. Cellular automata: theory and experiment. MIT press, 1991 (citado en pági-
na 309).
[251] G UYOMARC ’ H, G. Les avalanches. Météo-France, S. Martin d’Heres, Grenoble, France, 1996 (citado
[252] G UYOMARC ’ H, G. Les avalanches. Traducción del CMT de Aragón, La Rioja y Navarra. INM. INM
de la traducción. Météo-France, CNRM CEN del original., 1996 (citado en páginas 690-692).
[253] G UYOMARC ’ H, G. “Los aludes”. En: Grenoble (Francia), Météo-France, Centre National de Recher-
ches Météorologiques, Centre d’Etudes de la Neige. Traducción INM. (1996) (citado en página 904).
[254] H AGEDORN, Renate y col. “Probabilistic forecast calibration using ECMWF and GFS ensemble refore-
casts. Part II: Precipitation”. EN. En: Monthly Weather Review 136.7 (jul. de 2008), páginas 2620-2632.
ISSN : 0027-0644. DOI : 10.1175/2007MWR2410.1 (citado en página 197).
[255] H AGEDORN, Renate y col. “Comparing TIGGE multimodel forecasts with reforecast-calibrated
ECMWF ensemble forecasts”. En: Quarterly Journal of the Royal Meteorological Society 138.668
(oct. de 2012), páginas 1814-1827. ISSN: 00359009. DOI: 10.1002/qj.1895 (citado en páginas 174,
267, 278, 453).
[256] H ÁGEL, Edit y H ORÁNYI, András. “The ARPEGE/ALADIN limited area ensemble prediction
system: the impact of global targeted singular vectors”. En: Meteorologische Zeitschrift 16.6 (2007),
[257] H AGELIN, Susanna y col. “The Met Office convective-scale ensemble, MOGREPS-UK”. En: Quar-
terly Journal of the Royal Meteorological Society 143.708 (2017), páginas 2846-2861. DOI: 10.1002/
qj.3135 (citado en páginas 265, 362, 364, 395).
[258] H AIDEN, Thomas y col. “Intercomparison of global model precipitation forecast skill in 2010/11
using the SEEPS score”. En: Monthly Weather Review 140.8 (2012), páginas 2720-2733 (citado en
página 453).
[259] H AIDEN, T y col. Evaluation of ECMWF forecasts, including 2014-2015 upgrades. European Centre
for Medium-Range Weather Forecasts, 2015. URL: https://www.ecmwf.int/sites/default/
files/elibrary/2015/15275- evaluation- ecmwf- forecasts- including- 2014- 2015-
upgrades.pdf (citado en páginas 6, 461, 848).
[260] H AIDEN, T y col. Evaluation of ECMWF forecasts, including the 2016 resolution upgrade. European
Centre for Medium Range Weather Forecasts, 2016 (citado en páginas 6, 553, 848).
[261] H ALL, David M y col. “Dynamical Core Model Intercomparison Project (DCMIP) tracer transport
test results for CAM-SE”. En: Quarterly Journal of the Royal Meteorological Society 142.697 (2016),
páginas 1672-1684. ISSN: 1477-870X. DOI: 10.1002/qj.2761 (citado en página 262).
[262] H AMILL, Thomas M. “Reliability Diagrams for Multicategory Probabilistic Forecasts”. En: Weather
and Forecasting 12.4 (1997), páginas 736-741. ISSN: 0882-8156. DOI: 10.1175/1520-0434(1997)
012<0736:RDFMPF>2.0.CO;2 (citado en página 323).
[263] H AMILL, Thomas M. “Interpretation of Rank Histograms for Verifying Ensemble Forecasts”. En:
Monthly Weather Review 129.3 (2001), páginas 550-560. ISSN: 0027-0644. DOI: 10.1175/1520-
0493(2001)129<0550:IORHFV>2.0.CO;2 (citado en páginas 222, 323).
[264] H AMILL, Thomas M. y C OLUCCI, Stephen J. “Verification of Eta-RSM short-range ensemble fore-
casts”. En: Monthly Weather Review 125.6 (1997), páginas 1312-1327 (citado en páginas 175, 222,
323).
[265] H AMILL, Thomas M. y C OLUCCI, Stephen J. “Evaluation of Eta-RSM Ensemble Probabilistic

Precipitation Forecasts”. En: Monthly Weather Review 126.3 (1998), páginas 711-724. ISSN: 0027-
0644. DOI: 10.1175/1520-0493(1998)126<0711:EOEREP>2.0.CO;2 (citado en páginas 175,
222).
[266] H AMILL, Thomas M., S NYDER, Chris y M ORSS, Rebecca E. “A comparison of probabilistic forecasts
from bred, singular-vector, and perturbed observation ensembles”. En: Monthly Weather Review 128.6
(2000), páginas 1835-1851 (citado en página 175).
[267] H AMILL, Thomas M y W HITAKER, Jeffrey S. “Probabilistic quantitative precipitation forecasts

based on reforecast analogs: Theory and application”. En: Monthly Weather Review 134.11 (2006),
[268] H AMILL, Thomas M., W HITAKER, Jeffrey S. y W EI, Xue. Recalibrating mrf re-forecasts: a logistic
regression approach. Informe técnico 303. 2001, páginas 1-8 (citado en página 197).
[269] H AMRUD, Mats y col. “EnKF and Hybrid Gain Ensemble Data Assimilation. Part I: EnKF Implemen-
tation”. En: Monthly Weather Review 143.12 (dic. de 2015), páginas 4847-4864. ISSN: 0027-0644.
DOI : 10.1175/MWR-D-14-00333.1 (citado en página 246).
[270] H ANLEY, James A y M C N EIL, Barbara J. “The meaning and use of the area under a receiver operating
characteristic (ROC) curve.” En: Radiology 143.1 (1982), páginas 29-36 (citado en páginas 231, 457,
458).
[271] H ANSEN, James y col. “Global climate changes as forecast by Goddard Institute for Space Stu-
dies three-dimensional model”. En: Journal of geophysical research: Atmospheres 93.D8 (1988),
páginas 9341-9364. DOI: 10.1029/JD093iD08p09341 (citado en página 498).
[272] H ARDOY, Jorgelina y PANDIELLA, Gustavo. “Urban poverty and vulnerability to climate change
in Latin America”. En: Environment and Urbanization 21.1 (2009), páginas 203-224 (citado en
página 584).
[273] H ARO, David y col. “Methodology for drought risk assessment in within-year regulated reservoir
systems. Application to the Orbigo River system (Spain)”. En: Water resources management 28.11
(2014), páginas 3801-3814. DOI: 10.1007/s11269-014-0710-3 (citado en página 457).
[274] H ARRISON, M. S. J. y col. “Analysis and model dependencies in medium-range ensembles: Two
transplant case-studies”. En: Quarterly Journal of the Royal Meteorological Society 125.559 (oct. de
1999), páginas 2487-2515. ISSN: 00359009. DOI: 10.1002/qj.49712555908 (citado en página 294).
[275] H ARRISON, Sandy P, BARTLEIN, Patrick J y P RENTICE, I Colin. “What have we learnt from
palaeoclimate simulations?” En: Journal of Quaternary Science 31.4 (2016), páginas 363-385. DOI:
10.1002/jqs.2842 (citado en página 503).
[276] H ART, Robert E. “A cyclone phase space derived from thermal wind and thermal asymmetry”. En:
Monthly weather review 131.4 (2003), páginas 585-616 (citado en páginas 554, 555).
[277] H ARTIGAN, John A y H ARTIGAN, J A. Clustering algorithms. Volumen 209. Wiley New York, 1975
[278] H ARTMANN, D. L., B UIZZA, Roberto y PALMER, Tim N. “Singular Vectors: The Effect of Spatial Sca-
le on Linear Growth of Disturbances”. En: Journal of the Atmospheric Sciences 52.22 (nov. de 1995),
páginas 3885-3894. ISSN: 0022-4928. DOI: 10.1175/1520-0469(1995)052<3885:SVTEOS>2.0.
CO;2 (citado en página 175).
[279] H AWKINS, Ed y S UTTON, Rowan. “The potential to narrow uncertainty in regional climate predic-
tions”. En: Bulletin of the American Meteorological Society 90.8 (2009), páginas 1095-1107. DOI:
10.1175/2009BAMS2607.1 (citado en página 473).
[280] H AYLOCK, Malcolm R y col. “Trends in total and extreme South American rainfall in 1960–2000 and
links with sea surface temperature”. En: Journal of climate 19.8 (2006), páginas 1490-1512 (citado en
página 584).
[281] H AZELEGER, Wilco y B INTANJA, Richard. “Studies with the EC-Earth seamless earth system
prediction model”. En: Climate Dynamics 39.11 (2012), páginas 2609-2610. ISSN: 1432-0894. DOI:
10.1007/s00382-012-1577-8 (citado en página 511).
[282] H AZELEGER, Wilco y col. “EC-Earth: a seamless earth-system prediction approach in action”.
En: Bulletin of the American Meteorological Society 91.10 (2010), páginas 1357-1363 (citado en
página 511).
[283] H AZELEGER, W y col. “EC-Earth V2. 2: description and validation of a new seamless earth system
prediction model”. En: Climate dynamics 39.11 (2012), páginas 2611-2629. DOI: 10.1007/s00382-
011-1228-5 (citado en página 511).
[284] H ERRERA, R G y col. “Climatological Database for the World’s Oceans 1750-1850”. En: CLIWOC
Final Report (2003) (citado en página 23).
[285] H ERSBACH, Hans. “Decomposition of the Continuous Ranked Probability Score for Ensemble
Prediction Systems”. En: Weather and Forecasting 15.5 (oct. de 2000), páginas 559-570. ISSN: 0882-
8156. DOI: 10.1175/1520-0434(2000)015<0559:DOTCRP>2.0.CO;2 (citado en páginas 190,
232, 251, 254, 296, 319, 358).
[286] H EWITT, Chris, B UONTEMPO, Carlo y N EWTON, Paula. “Using climate predictions to better serve
society’s needs”. En: Eos, Transactions American Geophysical Union 94.11 (2013), páginas 105-107.
DOI : 10.1002/2013EO110002 (citado en página 454).
[287] H EWITT, Chris y D IRECTOR, ENSEMBLES. “The ENSEMBLES project”. En: EGU Newslett 13
[288] H EWSON, Tim D y T ITLEY, Helen A. “Objective identification, typing and tracking of the complete
life-cycles of cyclonic features at high spatial resolution”. En: Meteorological Applications 17.3
(2010), páginas 355-381. DOI: 10.1002/met.204 (citado en página 363).
[289] H ILDEBRANDSSON, H Hildebrand. “Remarks concerning the nomenclature of clouds for ordinary
use”. En: Quarterly Journal of the Royal Meteorological Society 13.62 (1887), páginas 148-154. DOI:
[290] H IRSCH, Morris W., S MALE, Stephen y D EVANEY, Robert L. Differential equations, dynamical
systems, and an introduction to chaos. Academic Press, 2013, página 418. ISBN: 9780123820112
[291] H O, Y.C. C y P EPYNE, D.L. L. “Simple Explanation of the No-Free-Lunch Theorem and Its Implica-
tions”. En: Journal of Optimization Theory and Applications 115.3 (dic. de 2002), páginas 549-570.
ISSN : 0022-3239. DOI : 10.1023/A:1021251113462 (citado en página 205).
[292] H OETING, J. A. y col. “Bayesian Model Averaging: a tutorial”. En: Statistical Sciences 14.4 (1999),
páginas 382-417. ISSN: 08834237. DOI: 10.1214/ss/1009212519 (citado en página 190).
[293] H OFFMAN, Ross N y K ALNAY, Eugenia. “Lagged average forecasting, an alternative to Monte Carlo
forecasting”. En: Tellus A 35.2 (1983), páginas 100-118. DOI: 10.3402/tellusa.v35i2.11425
(citado en páginas 174, 248, 277, 282, 392).
[294] H OFMANN, Alfred. Probleme um die Wettervorhersage. Volumen 207. Kosmos-Gesellschaft der
Naturfreunde, 1955 (citado en página 25).
[295] H OHENEGGER, Cathy y S CHÄR, C. “Atmospheric predictability at synoptic versus cloud-resolving

scales”. En: Bulletin of the American Meteorological Society 88.11 (2007), páginas 1783-1793. ISSN:
00030007. DOI: 10.1175/BAMS-88-11-1783 (citado en páginas 157, 335).
[296] H OHENEGGER, Cathy y S CHÄR, Christoph. “Predictability and error growth dynamics in cloud-
resolving models”. En: Journal of the Atmospheric Sciences 64.12 (2007), páginas 4467-4478 (citado
en página 335).
[297] H OLLINGSWORTH, A. “An experiment in Monte Carlo forecasting”. En: Proc. Workshop on Stochastic-
Dynamic Forecasting. 1980, páginas 65-85 (citado en página 174).
[298] H OLTON, James R. y H AKIM, Gregory J. An introduction to dynamic meteorology. Volumen 88.
Academic press, 2012. ISBN: 0123848679 (citado en páginas 78, 147).
[299] H OMAR, Victor y col. “Value of human-generated perturbations in short-range ensemble forecasts of
severe weather”. En: Weather and forecasting 21.3 (2006), páginas 347-363 (citado en página 545).
[300] H ONG, Song-You, N OH, Yign y D UDHIA, Jimy. “A new vertical diffusion package with an explicit
treatment of entrainment processes”. En: Monthly weather review 134.9 (2006), páginas 2318-2341
[301] H ORTONWORKS. Data Management Platform, Solutions and Big Data Analysis | Hortonworks. URL:
https://es.hortonworks.com/ (visitado 11-12-2017) (citado en página 153).
[302] H OSKINS, Brian. “Predictability beyond the deterministic limit”. En: Bulletin of the World Meteorolo-
gical Organization 61.1 (2012), página 33 (citado en página 156).
[303] H OSKINS, Brian. “The potential for skill across the range of the seamless weather-climate prediction
problem: a stimulus for our science”. En: Quarterly Journal of the Royal Meteorological Society
139.672 (2013), páginas 573-584. DOI: 10.1002/qj.1991 (citado en página 157).
[304] H OSKINS, Brian J, M C I NTYRE, M E y ROBERTSON, Andrew W. “On the use and significance
of isentropic potential vorticity maps”. En: Quarterly Journal of the Royal Meteorological Society
[305] H OTELLING, Harold. “Analysis of a complex of statistical variables into principal components.” En:
Journal of educational psychology 24.6 (1933), página 417 (citado en páginas 444, 486).
[306] H OU, Dingchen, K ALNAY, Eugenia y D ROEGEMEIER, Kelvin K. “Objective verification of the
SAMEX’98 ensemble forecasts”. En: Monthly Weather Review 129.1 (2001), páginas 73-91 (citado
en páginas XL, 174, 262, 267, 278, 284, 315, 324).
[307] H OUTEKAMER, Peter L. y M ITCHELL, Herschel L. “Data assimilation using an ensemble Kalman
filter technique”. En: Monthly Weather Review 126.3 (1998), páginas 796-811 (citado en página 175).
[308] H OUTEKAMER, P.L. y M ITCHELL, Herschel L. “Ensemble Kalman filtering”. En: Quarterly Journal
of the Royal Meteorological Society 131.613 (oct. de 2005), páginas 3269-3289. ISSN: 00359009. DOI:
10.1256/qj.05.135 (citado en páginas 279, 389).
[309] H UFFMAN, George J y col. “NASA global precipitation measurement (GPM) integrated multi-satellite
retrievals for GPM (IMERG version 5.2)”. En: Algorithm theoretical basis document, version 4 (2018),
página 30 (citado en página 586).
[310] H UNT, Brian R., KOSTELICH, Eric J. y S ZUNYOGH, Istvan. “Efficient data assimilation for spatio-
temporal chaos: A local ensemble transform Kalman filter”. En: Physica D: Nonlinear Phenomena
230.1-2 (jun. de 2007), páginas 112-126. ISSN: 0167-2789. DOI: 10.1016/J.PHYSD.2006.11.008
(citado en páginas XLI, 175, 246, 363).
[311] H UNTER, J D. “Matplotlib: A 2D graphics environment”. En: Computing In Science & Engineering
9.3 (2007), páginas 90-95. DOI: 10.1109/MCSE.2007.55 (citado en página 529).
[312] H URRELL, J W y col. “Decadal climate prediction: opportunities and challenges”. En: Community
White Paper, OceanObs 9 (2009) (citado en página 473).
[313] I NESON, S y S CAIFE, A A. “The role of the stratosphere in the European climate response to El Niño”.
En: Nature Geoscience 2.1 (2009), página 32. DOI: 10.1038/ngeo381 (citado en página 473).
[314] I SAKSEN, LARS y col. “The new ensemble of data assimilations”. En: ECMWF Newsletter 123
(2010), páginas 17-21 (citado en páginas 248, 294, 295, 388, 391).
[315] I SAKSEN, Lars y col. Ensemble of data assimilations at ECMWF. European Centre for Medium-Range
Weather Forecasts, 2010 (citado en páginas 248, 365, 388, 389, 391, 453).
[316] I VERSEN, Trond y col. “Evaluation of ’GLAMEPS’-a proposed multimodel EPS for short range
forecasting”. En: Tellus, Series A: Dynamic Meteorology and Oceanography 63.3 (mayo de 2011),
páginas 513-530. ISSN: 02806495. DOI: 10 . 1111 / j . 1600 - 0870 . 2010 . 00507 . x (citado en
páginas 175, 304, 395).
[317] JAKOB, C. y col. “The IFS cycle CY21r4 made operational in October 1999”. En: Spring 87.87 (2000),
[318] JANJI Ć, Zaviša I. “The step-mountain eta coordinate model: Further developments of the convection,
viscous sublayer, and turbulence closure schemes”. En: Monthly Weather Review 122.5 (1994),
[319] JANJIC, Zavisa y G ALL, L. “Scientific documentation of the NCEP nonhydrostatic multiscale model
on the B grid (NMMB). Part 1 Dynamics”. En: (2012) (citado en página 347).
[320] JANKOV, Isidora y col. “A Performance Comparison between Multiphysics and Stochastic Ap-
proaches within a North American RAP Ensemble”. En: Monthly Weather Review 145.4 (2017),
páginas 1161-1179. DOI: 10.1175/MWR-D-16-0160.1 (citado en página 266).
[321] JANSÀ G UARDIOLA, J. “La masa de aire mediterránea”. En: Revista de Geofísica 69 (1959), pági-
nas 35-50 (citado en página 535).
[322] JANSÀ, A. “Distribution of the mistral: A satellite observation”. En: Meteorology and Atmospheric
Physics 36.1 (1987), páginas 201-214. DOI: 10.1007/BF01045149 (citado en página 539).
[323] JANSÀ, A. “A general view about Mediterranean meteorology: cyclones and hazardous weather”. En:
Proceedings of the INM/WMO International Symposium on Cyclones and HazardousWeather in the
Mediterranean, Instituto Nacional de Meteorología and Universitat de les Illes Balears, Palma de
Mallorca. 1997, páginas 33-42 (citado en página 536).
[324] JANSÀ, A, G ARCIA -M OYA, J A y RODRIGUEZ, E. “Numerical experiments on heavy rain and
Mediterranean cyclones”. En: WMO/TD 420 (1991), páginas 37-47 (citado en páginas 667-670).
[325] JANSÀ, Agustin y col. “Western Mediterranean cyclones and heavy rain. Part 2: Statistical approach”.
En: Meteorological Applications 8.1 (2001), páginas 43-56 (citado en páginas 536, 542, 553).
[326] JANSÀ, Agustí y col. “MEDEX: a general overview”. En: Natural Hazards and Earth System Sciences
[327] JANSEN, Eystein y col. “Paleoclimate”. En: Climate change 2007: the physical science basis; con-
tribution of Working Group I to the Fourth Assessment Report of the Intergovernmental Panel on
Climate Change. Editado por S OLOMON, S y col. Cambridge Univ. Press, Cambridge, UK, y New
York, 2007 (citado en páginas 452, 474, 502).
[328] J IMÉNEZ, Juanjo. Óscar García: No hay ordenador capaz de simular el tiempo del Archipiélago.
Tenerife, ago. de 2013. URL: http : / / www . laopinion . es / sociedad / 2013 / 08 / 16 / hay -
ordenador-mundo-capaz-simular/493152.html (citado en páginas 923, 1027).
[329] J OHNS -P UTRA, Adeline. “Climate change in literature and literary studies: From cli-fi, climate change
theater and ecopoetry to ecocriticism and climate change criticism”. En: Wiley Interdisciplinary Re-
views: Climate Change 7.2 (2016), páginas 266-282. DOI: 10.1002/wcc.385 (citado en páginas 962,
964).
[330] J OLLIFFE, Ian T. “Principal component analysis and factor analysis”. En: Principal component
analysis. Springer, 1986, páginas 115-128 (citado en páginas 444, 486).
[331] J OLLIFFE, Ian T. “Uncertainty and Inference for Verification Measures”. En: Weather and Forecasting
22 (2007), páginas 637-650. ISSN: 0882-8156. DOI: 10.1175/WAF989.1 (citado en página 326).
[332] J OLLIFFE, Ian T. y S TEPHENSON, David B. Forecast Verification: A Practitioner’s Guide in Atmosp-
heric Science. 2003, página 254. ISBN: 0470864419. DOI: 10.1016/j.ijforecast.2005.11.002
(citado en páginas 181, 190, 208, 218, 224, 227, 231, 232, 326, 330, 359, 458, 500).
[333] J OLLIFFE, Ian T. y S TEPHENSON, David B. “Comments on "Discussion of Verification Concepts in

Forecast Verification: A Practitioner’s Guide in Atmospheric Science
”. En: Weather and Forecasting 20.5 (2005), páginas 796-800. ISSN: 0882-8156. DOI: 10.1175/
WAF877.1 (citado en páginas 218, 231).
[334] J OLLIFFE, Ian T. y S TEPHENSON, David B. “Introduction”. En: Forecast Verification. John Wiley &
Sons, Ltd, 2011, páginas 1-9. ISBN: 9781119960003. DOI: 10.1002/9781119960003.ch1 (citado
en páginas 210, 218, 224, 231, 232, 326, 359).
[335] J ONES, Matthew S., C OLLE, Brian A. y T ONGUE, Jeffrey S. “Evaluation of a mesoscale short-range
ensemble forecast system over the northeast United States”. En: Weather and Forecasting 22.1 (2007),
[336] J OSLYN, Susan y S AVELLI, Sonia. “Communicating forecast uncertainty: Public perception of
weather forecast uncertainty”. En: Meteorological Applications 17.2 (2010), páginas 180-195. DOI:
10.1002/met.190 (citado en páginas 617, 921, 922).
[337] J OYCE, Robert J y col. “CMORPH: A method that produces global precipitation estimates from passive
microwave and infrared data at high spatial and temporal resolution”. En: Journal of Hydrometeorology
[338] J ULIÁN, A, C HUECA, J y R ENÉ, P. “El glaciarismo actual en los macizos de Balaitús e Infiernos-Punta
Zarra (Pirineo Central)”. En: Geografía Física de Aragón. Aspectos generales y temáticos, Univ.
Zaragoza e Institución Fernando el Católico (2004), páginas 95-101 (citado en página 715).
[339] K AHNEMAN, Daniel y T VERSKY, Amos. “Choices, values, and frames”. En: HANDBOOK OF
THE FUNDAMENTALS OF FINANCIAL DECISION MAKING: Part I. World Scientific, 2013,
[340] K ALNAY, Eugenia. Atmospheric modeling, data assimilation and predictability. Cambridge university
press, 2003 (citado en páginas 175, 1046).
[341] K ALNAY, Eugenia y H AM, M. “Forecasting forecast skill in the Southern Hemisphere. Extended
Abstracts.” En: Extended Abstracts, Third Int. Conf. on Southern Hemisphere Meteorology and
Oceanography, Buenos Aires, Argentina, Amer. Meteor. Soc. Volumen 2427. 1989, páginas 24-27
[342] K EELING, C D. Atmospheric CO2 Concentrations-Mauna Loa Observatory, Hawaii 1958-1986. 2798.
Oak Ridge National Laboratory, 1986 (citado en página 513).
[343] K EELING, Charles D y col. “Atmospheric carbon dioxide variations at Mauna Loa observatory,
Hawaii”. En: Tellus 28.6 (1976), páginas 538-551. DOI: 10.3402/tellusa.v28i6.11322 (citado
en página 513).
[344] K ELKAR, R R. Satellite meteorology. BS Publications, 2007 (citado en página 84).
[345] K HARIN, Viatcheslav V. y Z WIERS, Francis W. “On the ROC score of probability forecasts”. En:
Journal of Climate 16.24 (2003), páginas 4145-4150. ISSN: 08948755. DOI: 10 . 1175 / 1520 -
0442(2003)016<4145:OTRSOP>2.0.CO;2 (citado en páginas 231, 326).
[346] K IDDER, Stanley Q y H AAR, Thomas H Vonder. Satellite meteorology: an introduction. Gulf Profes-
sional Publishing, 1995 (citado en página 84).
[347] K IRTMAN, Ben y col. “Near-term climate change: projections and predictability”. En: Climate Change
2013: The Physical Science Basis. Contribution of Working Group I to the Fifth Assessment Report of
the Intergovernmental Panel on Climate Change, 1535 pp. Editado por S TOCKER, Thomas F y col.
Cambridge Univ. Press, Cambridge, UK, y New York, 2013 (citado en páginas 463, 496, 509).
[348] K JELLSTRÖM, Erik y col. “Production and use of regional climate model projections–A Swedish
perspective on building climate services”. En: Climate services 2 (2016), páginas 15-29. DOI: 10.
1016/j.cliser.2016.06.004 (citado en página 450).
[349] K LEIN, Gary A. Sources of power: How people make decisions. MIT press, 1999 (citado en página 44).
[350] K LEIN, William H, L EWIS, Billy M y E NGER, Isadore. “Objective prediction of five-day mean
temperatures during winter”. En: Journal of Meteorology 16.6 (1959), páginas 672-682 (citado en
página 194).
[351] K LIR, George J. Uncertainty and information: foundations of generalized information theory. John
Wiley & Sons, 2005 (citado en página 954).
[352] K NUTTI, Reto, M ASSON, David y G ETTELMAN, Andrew. “Climate model genealogy: Generation
CMIP5 and how we got there”. En: Geophysical Research Letters 40.6 (2013), páginas 1194-1199.
DOI : 10.1002/grl.50256 (citado en página 452).
[353] K NUTTI, Reto y col. “Challenges in combining projections from multiple climate models”. En:
Journal of Climate 23.10 (2010), páginas 2739-2758 (citado en página 500).
[354] KOMEN, G. J. Dynamics and modelling of ocean waves. Cambridge University Press, 1994. ISBN:
9780521577816 (citado en página 376).
[355] KOOTVAL, H. “Guidelines on communicating forecast uncertainty”. En: World Meteorological Orga-
nization/Technical Document 1422 (2008) (citado en páginas 626, 921).
[356] K RAMER, Oliver. “K-nearest neighbors”. En: Dimensionality Reduction with Unsupervised Nearest
Neighbors. Springer, 2013, páginas 13-23. DOI: 10.1007/978- 3- 642- 38652- 7_2 (citado en
página 456).
[357] K RISHNAMURTHY, V. “A predictability study of Lorenz’s 28-variable model as a dynamical system”.

En: Journal of the atmospheric sciences 50.14 (1993), páginas 2215-2229 (citado en página 60).
[358] K RISHNAMURTI, T N y col. “Improved weather and seasonal climate forecasts from multimodel
superensemble”. En: Science 285.5433 (1999), páginas 1548-1550 (citado en páginas 174, 175).
[359] K RUGER, Justin y D UNNING, David. “Unskilled and unaware of it: how difficulties in recognizing
one’s own incompetence lead to inflated self-assessments.” En: Journal of personality and social
psychology 77.6 (1999), página 1121 (citado en página 616).
[360] K UCHARSKI, F, M OLTENI, F y YOO, J H. “SST forcing of decadal Indian monsoon rainfall va-
riability”. En: Geophysical research letters 33.3 (2006). DOI: 10.1029/2005GL025371 (citado en
página 158).
[361] K UHN, Thomas Samuel. La estructura de las revoluciones científicas. Fondo de cultura económica,
[362] K UTZBACH, John E. “Empirical eigenvectors of sea-level pressure, surface temperature and precipita-
tion complexes over North America”. En: Journal of Applied Meteorology 6.5 (1967), páginas 791-802
[363] L AFORE, Jean-Philippe y col. The Meso-NH atmospheric simulation system. Scientific Documentation.
Part III: Physics. Informe técnico. Météo-France, CNRS, 2009 (citado en página 564).
[364] L AING, Arlene y E VANS, J. L. Introducción a la meteorología tropical (requiere usuario). 2nd.
COMET, MetEd, 2016. URL: http : / / www . meted . ucar . edu / tropical / textbook _ 2nd _
edition_es/index.htm (citado en páginas 718, 1046).
[365] L AKATOS, Imre., W ORRALL, John. y C URRIE, Gregory. Escritos filosóficos. Alianza, 2007. ISBN:
9788420687216. URL: https://dialnet.unirioja.es/servlet/libro?codigo=292158
[366] L ALAURETTE, F. “Two proposals to enhance the EFI response near the tails of the climate distribution”.
En: American Meteor. Soc (2003), páginas 1-8 (citado en página 422).
[367] L ALAURETTE, François. “Early detection of abnormal weather conditions using a probabilistic
extreme forecast index”. En: Quarterly Journal of the Royal Meteorological Society 129.594 (oct. de
2003), páginas 3037-3057. ISSN: 00359009. DOI: 10.1256/qj.02.152 (citado en páginas 218, 419,
420, 570).
[368] L ANDAU, L D y L IFSHITZ, E M. “Mechanics, vol. 1”. En: Course of theoretical physics 3 (1976)
[369] L ANDAU, Lev Davidovich. The classical theory of fields. Volumen 2. Elsevier, 2013 (citado en
página 54).
[370] L APLACE, P. S. de. “Théorie analytique des probabilités (Introduction)”. En: Gauthier-Villars: Paris
(1817) (citado en páginas 16, 1018).
[371] L AVERS, David A, PAPPENBERGER, Florian y Z SOTER, Ervin. “Extending medium-range predic-
tability of extreme hydrological events in Europe”. En: Nature communications 5 (2014) (citado en
página 419).
[372] L AVERS, David A. y col. “ECMWF Extreme Forecast Index for water vapor transport: A forecast
tool for atmospheric rivers and extreme precipitation”. En: Geophysical Research Letters 43.22
(nov. de 2016), páginas 11, 811-852, 858. ISSN: 00948276. DOI: 10.1002/2016GL071320 (citado en
páginas 218, 419).
[373] L EE, Cheng-Shang y col. “A climatology model for forecasting typhoon rainfall in Taiwan”. En:
Natural Hazards 37.1-2 (2006), páginas 87-105. DOI: 10.1007/s11069-005-4658-8 (citado en
página 473).
[374] L EITH, C E. “Theoretical skill of Monte Carlo forecasts”. En: Monthly Weather Review 102.6 (1974),
páginas 409-418 (citado en páginas 171, 174, 180, 221, 323, 388).
[375] L EROY, Anne y C ÉRON, Jean-Pierre. “Un défi de la prévision saisonnière: la descente d’échelle-La
Nouvelle-Calédonie, un exemple à suivre”. En: (2007) (citado en página 464).
[376] L EUTBECHER, Martin y col. “Ensemble forecasting”. En: Journal of Computational Physics 227.7
(2008), páginas 3515-3539. ISSN: 00219991. DOI: 10.1016/J.JCP.2007.02.014 (citado en
páginas 295, 453, 610).
[377] L EUTBECHER, Martin y col. “Stochastic representations of model uncertainties at ECMWF: state of
the art and future vision”. En: Quarterly Journal of the Royal Meteorological Society 143.707 (2017),
páginas 2315-2339. ISSN: 1477-870X. DOI: 10.1002/qj.3094 (citado en páginas 262, 266, 269).
[378] L I, Jian-Guo. “Propagation of ocean surface waves on a spherical multiple-cell grid”. En: Journal of
Computational Physics 231.24 (oct. de 2012), páginas 8262-8277. ISSN: 00219991. DOI: 10.1016/j.
jcp.2012.08.007 (citado en página 376).
[379] L I, Yineng y H UANG, Ping. “A coupled lattice Boltzmann model for advection and anisotropic
dispersion problem in shallow water”. En: Advances in Water Resources 31.12 (dic. de 2008), pá-
ginas 1719-1730. ISSN: 03091708. DOI: 10 . 1016 / j . advwatres . 2008 . 08 . 008 (citado en
página 375).
[380] L ILLO, Ignacio. La lluvia deja más de 153 litros en el Centro y la zona Este. 2017. URL: http://
www.diariosur.es/malaga/201702/19/tromba-lluvia-granizo-deja-20170219070440.
html (visitado 01-02-2018) (citado en página 830).
[381] L IM, Kyo-Sun Sunny y H ONG, Song-You. “Development of an effective double-moment cloud
microphysics scheme with prognostic cloud condensation nuclei (CCN) for weather and climate
models”. En: Monthly weather review 138.5 (2010), páginas 1587-1612 (citado en página 585).
[382] L INDBORG, Erik. “Can the atmospheric kinetic energy spectrum be explained by two-dimensional tur-
bulence?” En: Journal of Fluid Mechanics 388 (1999), páginas 259-288. DOI: 10.1017/S0022112099004851
[383] L IONELLO, Piero y col. “Cyclones in the Mediterranean region: climatology and effects on the
environment”. En: Developments in Earth and Environmental Sciences 4 (2006), páginas 325-372
[384] L IOU, Kuo-Nan. An introduction to atmospheric radiation. Volumen 84. Elsevier, 2002 (citado en
páginas 84, 85, 88).
[385] L LASAT, M. C. y col. “Flash floods in Catalonia: a recurrent situation”. En: Advances in Geosciences
26 (sep. de 2010), páginas 105-111. ISSN: 1680-7359. DOI: 10.5194/adgeo-26-105-2010 (citado
en página 754).
[386] L LOYD, Seth. “Computational Capacity of the Universe”. En: Physical Review Letters 88.23 (mayo de
2002), página 237901. ISSN: 0031-9007. DOI: 10.1103/PhysRevLett.88.237901 (citado en
página 16).
[387] L OBATO, René y col. “MM5 model validation under different cumulus parameterizations”. En:
Proceedings of the 12th. PSU/NCAR MM5 User’s Workshop. 2002 (citado en página 368).
[388] L ONGLEY, Paul A y col. “Geographical information systems. 2nd.” En: (1999) (citado en página 457).
[389] L ORENZ, E N. “Climatic predictability”. En: The physical basis of climate and climate modelling
[390] L ORENZ, Edward N. “Empirical orthogonal functions and statistical weather prediction”. En: (1956)
[391] L ORENZ, Edward N. “Deterministic Nonperiodic Flow”. En: Journal of the Atmospheric Sciences 20.2
(mar. de 1963), páginas 130-141. ISSN: 0022-4928. DOI: 10.1175/1520-0469(1963)020<0130:
DNF>2.0.CO;2 (citado en páginas 6, 8, 22, 60, 62, 78, 157, 295, 355).
[392] L ORENZ, Edward N. “The predictability of a flow which possesses many scales of motion”. En: Tellus
21.3 (jun. de 1969), páginas 289-307. ISSN: 00402826. DOI: 10.3402/tellusa.v21i3.10086
(citado en páginas 8, 157, 334, 335, 355, 452).
[393] L ORENZ, Edward N. The essence of chaos. University of Washington Press, 1995 (citado en páginas 5,
1046).
[394] L ORENZ, Edward N. “Predictability: A problem partly solved”. En: Proc. Seminar on predictability.
Volumen 1. 1. 1996 (citado en páginas 6, 335).
[395] L U, Chungu y col. “Short-Range Numerical Weather Prediction Using Time-Lagged Ensembles”. En:
Weather and Forecasting 22.3 (jun. de 2007), páginas 580-595. ISSN: 0882-8156. DOI: 10.1175/
WAF999.1 (citado en páginas 174, 248, 277, 321, 362, 363, 392, 565, 568).
[396] LYAPUNOV, Aleksandr Mikhailovich. “The general problem of the stability of motion”. En: Interna-
tional Journal of Control 55.3 (1992), páginas 531-534 (citado en página 60).
[397] LYNCH, Peter. The emergence of numerical weather prediction: Richardson’s dream. Cambridge
University Press, 2006, página 279. ISBN: 9780521857291 (citado en páginas 28, 130).
[398] LYNCH, Peter. “The origins of computer weather prediction and climate modeling”. En: Journal of
Computational Physics 227.7 (2008), páginas 3431-3444 (citado en páginas 22, 28, 146).
[399] M ADDEN, Roland A y J ULIAN, Paul R. “Detection of a 40–50 day oscillation in the zonal wind in the
tropical Pacific”. En: Journal of the atmospheric sciences 28.5 (1971), páginas 702-708 (citado en
página 459).
[400] M AGNUSSON, M M. “Recommendations for the prediction of avalanches”. En: Recommendations to

deal with snow avalanches in Europe. NEDIES, Report EUR 20839 (2003), páginas 3-14 (citado en
página 715).
[401] M AJEWSKI, D y S CHRODIN, P. “Short description of the Europa-Modell (EM) and Deutschland-
Modell (DM) of the Deutscher Wetterdienst (DWD)”. En: Quarterly Bulletin (April) (1994), pági-
[402] M AJEWSKI, Detlev. “HRM-user’s guide”. En: Deutsche Wetter Dienst (DWD). Offenbach, Germany
124 (2009) (citado en página 316).
[403] M AJEWSKI, Detlev y col. “The operational global icosahedral–hexagonal gridpoint model GME:
description and high-resolution tests”. En: Monthly Weather Review 130.2 (2002), páginas 319-338
[404] M AJUMDAR, Sharanya J. y col. “On the Ability of Global Ensemble Prediction Systems to Predict Tro-
pical Cyclone Track Probabilities”. En: Weather and Forecasting 25.2 (abr. de 2010), páginas 659-680.
ISSN : 0882-8156. DOI : 10.1175/2009WAF2222327.1 (citado en página 723).
[405] M ANDELBROT, Benoit B. The fractal geometry of nature. Volumen 173. WH freeman New York,
[406] M ANN, Michael E y col. “Global signatures and dynamical origins of the Little Ice Age and Medieval
Climate Anomaly”. En: Science 326.5957 (2009), páginas 1256-1260 (citado en página 507).
[407] M ANSELL, Edward R, Z IEGLER, Conrad L y B RUNING, Eric C. “Simulated electrification of a small
thunderstorm with two-moment bulk microphysics”. En: Journal of the Atmospheric Sciences 67.1
[408] M AP R. The Only Converged Data Platform | MapR. URL: https://mapr.com/ (visitado 11-12-2017)
[409] M ARSIGLI, C., M ONTANI, A. y PACCAGNELLA, T. “Perturbation of initial and boundary conditions
for a limited-area ensemble: Multi-model versus single-model approach”. En: Quarterly Journal of
the Royal Meteorological Society 140.678 (abr. de 2014), páginas 197-208. ISSN: 1477870X. DOI:
[410] M ARSIGLI, C y col. “A strategy for high-resolution ensemble prediction. II: Limited-area experiments
in four Alpine flood events”. En: Quarterly Journal of the Royal Meteorological Society 127.576
(2001), páginas 2095-2115. DOI: 10.1002/qj.49712757613 (citado en páginas 175, 535).
[411] M ARTÍN, F. Â¿Ríos atmosféricos en el Mediterráneo? Parte I. 2017. URL: https://www.tiempo.

com/ram/297472/rios- atmosfericos- en- el- mediterraneo- parte- i/ (citado en pági-
na 645).
[412] M ARZBAN, Caren y S ANDGATHE, Scott. “Cluster Analysis for Verification of Precipitation Fields”.
En: Weather and Forecasting 21.5 (2006), páginas 824-838. ISSN: 0882-8156. DOI: 10.1175/WAF948.
[413] M ASON, Simon J. “On Using “Climatology” as a Reference Strategy in the Brier and Ranked
Probability Skill Scores”. En: Monthly Weather Review 132.7 (2004), páginas 1891-1895. ISSN: 0027-
0644. DOI: 10.1175/1520-0493(2004)132<1891:OUCAAR>2.0.CO;2 (citado en páginas 326,
458).
[414] M ASON, Simon J. y W EIGEL, Andreas P. “A Generic Forecast Verification Framework for Admi-
nistrative Purposes”. En: Monthly Weather Review 137.1 (2009), páginas 331-349. ISSN: 0027-0644.
DOI : 10.1175/2008MWR2553.1 (citado en página 326).
[415] M ASSON -D ELMOTTE, V y col. “Information from paleoclimate archives”. En: Climate change
383464 (2013), página 2013 (citado en páginas 139, 488, 492, 502, 505, 507).
[416] M ASSON -D ELMOTTE, V. y col. Global Warming of 1.5 ºC. An IPCC Special Report. Informe técnico.
[417] M ASSON -D ELMOTTE, V. y col. Global Warming of 1.5 ºC. IPCC Summary for policymakers. Informe
técnico. 2018, página 32. URL: https://ser- evenements.com/IMG/pdf/1.2_- _valerie_
masson-delmotte_-_lsce.pdf (citado en página 1034).
[418] M ATSUDO, C M y S ALIO, Paola V. “Severe weather reports and proximity to deep convection over
Northern Argentina”. En: Atmospheric research 100.4 (2011), páginas 523-537 (citado en página 584).
[419] M ATSUDO, C y col. “Verification of WRF-ARW convective-resolving forecasts over Southeastern

South America”. En: MAUSAM 66.3 (2015), páginas 445-456 (citado en página 585).
[420] M AURY, Matthew Fontaine. Explanations and sailing directions to accompany the wind and current
charts. Volumen 2. Harris, 1859 (citado en página 28).
[421] M AYO, Deborah G. Error and the growth of experimental knowledge. University of Chicago Press,
1996, página 493. ISBN: 9780226511986 (citado en página 14).
[422] M AYO, Deborah G. y H OLLANDER, Rachelle D. Acceptable Evidence : Science and Values in Risk
Management. Oxford University Press, USA, 1994, página 305. ISBN: 9780195358322 (citado en
página 14).
[423] M C C ABE, Anne y col. “Representing model uncertainty in the Met Office convection-permitting
ensemble prediction system and its impact on fog forecasting”. En: Quarterly Journal of the Royal
Meteorological Society 142.700 (2016), páginas 2897-2910. ISSN: 1477-870X. DOI: 10.1002/qj.
[424] M C C ALLA, Carl y K ALNAY, Eugenia. “Short and medium range forecast skill and the agreement
between operational models”. En: Conference on Numerical Weather Prediction, 8 th, Baltimore, MD.
1988, páginas 634-640 (citado en página XL).
[425] M C C AUL, Eugene W. y col. “Forecasting Lightning Threat Using Cloud-Resolving Model Simula-
tions”. En: Weather and Forecasting 24.3 (jun. de 2009), páginas 709-729. ISSN: 0882-8156. DOI:
10.1175/2008WAF2222152.1 (citado en página 564).
[426] M C C LUNG, D y S CHAERER, P. “Avalanchas”. En: Sua Edizioak-Ediciones Desnivel 305 (1996)
[427] M C C LUNG, David y S CHAERER, Peter. Avalanchas. Desnivel, traducción de Kike de Pablo, del
original de 1993, 1996 (citado en páginas 892, 904).
[428] M C D ONALD, A y H AUGEN, Janerik. “A two-time-level, three-dimensional semi-Lagrangian, semi-

implicit, limited-area gridpoint model of the primitive equations”. En: Monthly weather review 120.11
[429] M C K EE, Thomas B, D OESKEN, Nolan J, K LEIST, John y col. “The relationship of drought frequency
and duration to time scales”. En: Proceedings of the 8th Conference on Applied Climatology. Vo-
lumen 17. 22. American Meteorological Society Boston, MA. 1993, páginas 179-183 (citado en
página 1013).
[430] M C L ACHLAN, Geoffrey J y K RISHNAN, Thriyambakam. The EM algorithm and extensions. Volu-
men 382. John Wiley & Sons, 2007, página 359. ISBN: 0471123587. DOI: 10.2307/1271189 (citado
en páginas 190, 196, 319).
[431] M EEHL, Gerald A y col. “Decadal prediction: can it be skillful?” En: Bulletin of the American
Meteorological Society 90.10 (2009), páginas 1467-1485. DOI: 10.1175/2009BAMS2778.1 (citado
[432] M ENDONÇA, Antônio Marcos y B ONATTI, JoséPaulo. “Experiments with EOF-based perturbation
methods and their impact on the CPTEC/INPE ensemble prediction system”. En: Monthly Weather
Review 137.4 (2009), páginas 1438-1459 (citado en páginas 389, 393).
[433] M ENZEL, W Paul y S ATELLITE, NOAA. “Remote sensing applications with meteorological satellites”.
En: The Solar Spectrum 3 (2005), página 10 (citado en páginas 87, 90).
[434] M ESTRE, Antonio. “Agrometeorología”. En: Seminario Análisis y Prospectiva 2013: "Gestión de
Riesgos Agrarios y Ambientales". Editado por ATANCE M UÑIZ, Ignacio y col. Madrid: MAGRAMA,
2013, página 85. URL: https://www.mapa.gob.es/es/ministerio/servicios/analisis-y-
prospectiva/seminarios_UAP.aspx (citado en página 1009).
[435] M ET E D - COMET. Ensemble Forecasting Explained. 2004. URL: https://www.meted.ucar.

edu/nwp/pcu1/ensemble/ (visitado 15-10-2018) (citado en página 1046).
[436] M ET E D - COMET. Intelligent Use of Model-Derived Products. 2009. URL: https://www.meted.

ucar.edu/nwp/model_derivedproducts/ (visitado 15-10-2018) (citado en páginas 143, 1046).
[437] M ET E D - COMET. Snowpack and Its Assessment. 2009. URL: https://www.meted.ucar.edu/

afwa/snowpack/ (citado en página 907).
[438] M ET E D - COMET. Avalanche Weather Forecasting. 2010. URL: https://www.meted.ucar.edu/

afwa/avalanche/ (citado en página 907).
[439] M ET E D - COMET. Effective Use of High-Resolution Models. 2010. URL: https://www.meted.

ucar.edu/nwp/hires/ (visitado 15-10-2018) (citado en páginas 143, 1046).
[440] M ET E D - COMET. Verification Methods in the NWS National Blend of Global Models. 2016. URL:
https://www.meted.ucar.edu/nwp/blend_verification/ (visitado 15-10-2018) (citado en
página 1046).
[441] M ET E D - COMET. Interpreting and Communicating EPS Guidance: British Columbia Winter Storm.
2018. URL: https://www.meted.ucar.edu/nwp/eps_case_BCsnow/ (visitado 15-10-2018)
[442] M INKEL, J R. “Focus: If the Universe Were a Computer”. En: Physics 9 (2002), página 27 (citado en
página 16).
[443] M INSKY, Marvin, PAPERT, Seymour y B OTTOU, LeÌon. Perceptrons : an introduction to computatio-
nal geometry. 1969, página 292. ISBN: 9780262534772 (citado en página 200).
[444] M INTZ, Yale. “Very long-term global integration of the primitive equations of atmospheric motion:
An experiment in climate simulation”. En: Causes of Climatic Change. Springer, 1968, páginas 20-36.
DOI : 10.1007/978-1-935704-38-6_3 (citado en página 497).
[445] M ITCHELL, Timothy D y H ULME, Mike. “Predicting regional climate change: living with uncertainty”.
En: Progress in Physical Geography 23.1 (1999), páginas 57-78 (citado en páginas 450, 508).
[446] M LAWER, Eli J y col. “Radiative transfer for inhomogeneous atmospheres: RRTM, a validated
correlated-k model for the longwave”. En: Journal of Geophysical Research: Atmospheres 102.D14
[447] M OCHIZUKI, Takashi y col. “Pacific decadal oscillation hindcasts relevant to near-term climate
prediction”. En: Proceedings of the National Academy of Sciences 107.5 (2010), páginas 1833-1837
[448] M OLTENI, Franco y col. The new ECMWF seasonal forecast system (System 4). European Centre for
Medium-Range Weather Forecasts, 2011 (citado en página 453).
[449] M OLTENI, F. y col. “The ECMWF ensemble prediction system: Methodology and validation”. En:
Quarterly Journal of the Royal Meteorological Society 122.529 (ene. de 1996), páginas 73-119. ISSN:
1477-870X. DOI: 10.1002/qj.49712252905 (citado en páginas 157, 158, 173, 175, 293, 389, 391,
406, 407, 570, 805).
[450] M OLTENI, F y col. “A strategy for high-resolution ensemble prediction. I: Definition of representative
members and global-model experiments”. En: Quarterly Journal of the Royal Meteorological Society
[451] M OLTENI, F y col. “New web products for the ECMWF seasonal forecast System-3”. En: ECMWF
Newsletter No 111 (2007), páginas 28-33 (citado en página 466).
[452] M ONTORNÈS, Alex. “Modelització del recurs eòlic: nous horitzons”. En: XXII Jornades de Meteoro-
logia Eduard Fontserè. Barcelona, 26 de novembre de 2016. Barcelona, 2016 (citado en página 43).
[453] M ORAL, Anna del y col. The 12 October 2016 Maresme flash-floods: a radar-based analysis. 2017.
DOI : 10.13140/RG.2.2.14826.82889 (citado en página 753).
[454] M ORICE, Colin P y col. “Quantifying uncertainties in global and regional temperature change using an
ensemble of observational estimates: The HadCRUT4 data set”. En: Journal of Geophysical Research:
Atmospheres 117.D8 (2012). DOI: 10.1029/2011JD017187 (citado en página 511).
[455] M ORIN, Edgar. “Restricted complexity, general complexity”. En: Science and us: Philosophy and
Complexity. Singapore: World Scientific (2007), páginas 1-25 (citado en página 14).
[456] M ORRISON, Hugh, T HOMPSON, Gregory y TATARSKII, V. “Impact of cloud microphysics on the
development of trailing stratiform precipitation in a simulated squall line: Comparison of one-and
two-moment schemes”. En: Monthly Weather Review 137.3 (2009), páginas 991-1007 (citado en
página 585).
[457] M ULLEN, Steven L y BAUMHEFNER, David P. “The impact of initial condition uncertainty on
numerical simulations of large-scale explosive cyclogenesis”. En: Monthly Weather Review 117.12
[458] M UNTER, Werner. 3 x 3 avalanchas: la gestión del riesgo en los deportes del invierno. Desnivel, 2007
[459] M UÑOZ J IMÉNEZ, Rafael. “Los orígenes del Libro de las Cruces, de Alfonso X el Sabio (1ªparte)”. En:
Revista de Filología de la Universidad de La Laguna 1 (1982), páginas 153-176 (citado en página 23).
[460] M UÑOZ, Rafael. Textos árabes del "Libro de las cruces", de Alfonso X. Universidad Autónoma de
Barcelona, Facultad de Filosofía y Letras, 1981 (citado en página 23).
[461] M URPHY, Allan H. “Forecast verification: Its Complexity and Dimensionality”. En: Monthly Weather
Review 119.7 (1991), páginas 1590-1601. ISSN: 0027-0644. DOI: 10.1175/1520- 0493(1991)
119<1590:FVICAD>2.0.CO;2 (citado en páginas 210, 224).
[462] M URPHY, Allan H. Climatology, persistence, and their linear combination as standards of reference
in skill scores. 1992. DOI: 10.1175/1520-0434(1992)007<0692:CPATLC>2.0.CO;2 (citado en
página 210).
[463] M URPHY, Allan H. “What Is a Good Forecast? An Essay on the Nature of Goodness in Weather
Forecasting”. En: Weather and Forecasting 8.2 (jun. de 1993), páginas 281-293. ISSN: 0882-8156.
DOI : 10.1175/1520-0434(1993)008<0281:WIAGFA>2.0.CO;2 (citado en páginas 208, 500).
[464] M URPHY, James M. “The impact of ensemble forecasts on predictability”. En: Quarterly Journal of
the Royal Meteorological Society 114.480 (1988), páginas 463-493. DOI: 10.1002/qj.49711448010
[465] M YLES W HITE, J. Why I’m Not a Fan of R-Squared. 2016. URL: http://www.johnmyleswhite.
com/notebook/2016/07/23/why- im- not- a- fan- of- r- squared/ (visitado 23-07-2016)
[466] NATIONAL H URRICANE C ENTER (NHC). Definition of the NHC Track Forecast Cone. URL: http:
//www.nhc.noaa.gov/aboutcone.shtml (visitado 03-12-2017) (citado en página 718).
[467] N EAL, Robert A y col. “Ensemble based first guess support towards a risk-based severe weather
warning service”. En: Meteorological Applications 21.3 (2014), páginas 563-577. DOI: 10.1002/
met.1377 (citado en página 364).
[468] N EAL, Robert y col. “A flexible approach to defining weather patterns and their application in
weather forecasting over Europe”. En: Meteorological Applications 23.3 (2016), páginas 389-400.
DOI : 10.1002/met.1563 (citado en página 364).
[469] N EU, Urs y col. “IMILAST: A community effort to intercompare extratropical cyclone detection
and tracking algorithms”. En: Bulletin of the American Meteorological Society 94.4 (2013), pági-
[470] N EWTON, Isaac y col. Philosophiae naturalis principia mathematica. Volumen 1. excudit G. Brook-
man; impensis TT et J. Tegg, Londini, 1833 (citado en páginas 17, 57).
[471] N ISSEN, K M y col. “Cyclones causing wind storms in the Mediterranean: characteristics, trends
and links to large-scale patterns”. En: Natural Hazards and Earth System Science 10.7 (2010),
[472] N OETHER, Emmy. “Invariant variation problems”. En: Transport Theory and Statistical Physics 1.3
[473] N OVAK, David R, B RIGHT, David R y B RENNAN, Michael J. “Operational forecaster uncertainty
needs and future roles”. En: Weather and Forecasting 23.6 (2008), páginas 1069-1084 (citado en
páginas 45, 46, 924).
[474] N ÚÑEZ M ORA, José Ángel. “La riada de 1957 en Jávea. Análisis meteorológico y climático”. En:
L’aiguat de 1957. Ajuntament de Xàbia, 2007 (citado en página 661).
[475] O BUKHOV, A M. “Statistically homogeneous fields on a sphere”. En: Usp. Mat. Nauk 2.2 (1947),
[476] O LDENBORGH, Geert Jan van y col. “Decadal prediction skill in a multi-model ensemble”. En:
Climate dynamics 38.7-8 (2012), páginas 1263-1280. DOI: 10.1007/s00382-012-1313-4 (citado
en páginas 452, 474, 475).
[477] O RLANSKI, L. “A rational subdivision of scale for atmospheric processes”. En: Bull. Amer. Meteor.
Soc. 56 (1975), páginas 527-530 (citado en páginas XLI, 35, 174, 271, 334).
[478] O RVILLE, Richard E. “Calibration of a magnetic direction finding network using measured triggered
lightning return stroke peak currents”. En: Journal of Geophysical Research: Atmospheres 96.D9
(1991), páginas 17135-17142. DOI: 10.1029/91JD00611 (citado en página 114).
[479] O SMAN, Marisol y V ERA, C S. “Climate predictability and prediction skill on seasonal time scales
over South America from CHFP models”. En: Climate Dynamics 49.7-8 (2017), páginas 2365-2383.
DOI : 10.1007/s00382-016-3444-5 (citado en página 594).
[480] O SMAN, Marisol, V ERA, C S y D OBLAS -R EYES, F J. “Predictability of the tropospheric circula-
tion in the Southern Hemisphere from CHFP models”. En: Climate dynamics 46.7-8 (2016), pági-
nas 2423-2434. DOI: 10.1007/s00382-015-2710-2 (citado en página 594).
[481] PACHAURI, Rajendra K y col. Climate change 2014: synthesis report. Contribution of Working Groups
I, II and III to the fifth assessment report of the Intergovernmental Panel on Climate Change. IPCC,
2014 (citado en páginas 120, 488, 499, 510, 514).
[482] PAHAUT, E y S ERGENT, C. “La neige-Formation et Evolution”. En: Centre National de Recherches
Météorologiques, Centre d’Etudes de la Neige, St Martin D’Hères (1991) (citado en página 907).
[483] PAI M AZUMDER, Debasish y M ÖLDERS, Nicole. “Theoretical assessment of uncertainty in regional
averages due to network density and design”. En: Journal of Applied Meteorology and Climatology
48.8 (2009), páginas 1643-1666. ISSN: 15588424. DOI: 10 . 1175 / 2009JAMC2022 . 1 (citado en
página 219).
[484] PALACIOS, D y A NDRÉS, N. “Morfodinámica supraforestal actual en la Sierra de Guadarrama y su

relación con la cubierta nival: el caso de Dos Hermanas-Peñalara”. En: Procesos y formas periglaciares
en la montaña mediterránea (2000). Editado por P EÑA, J L, S ÁNCHEZ -FABRE, M. y L OZANO, M.V.,
páginas 235-264 (citado en páginas 702, 703).
[485] PALACIOS, D y A NDRÉS, N. “Relación entre dinámica nival y erosión en el Parque Natural de
Peñalara y áreas próximas”. En: Quintas Jornadas Científicas del Parque Natural de Peñalara y del
Valle de El Paular (2007), páginas 95-137 (citado en página 702).
[486] PALACIOS, David, A NDRÉS, Nuria de y L UENGO, Enrique. “Distribution and effectiveness of nivation
in Mediterranean mountains: Peñalara (Spain)”. En: Geomorphology 54.3 (2003), páginas 157-178
[487] PALMER, T N. “Towards the probabilistic Earth-system simulator: a vision for the future of climate
and weather prediction”. En: Quarterly Journal of the Royal Meteorological Society 138.665 (2012),
páginas 841-861. ISSN: 1477-870X. DOI: 10.1002/qj.1923 (citado en página 337).
[488] PALMER, T N y col. “Stochastic parametrization and model uncertainty”. En: ECMWF Tech. Memo
598 (2009), páginas 1-42 (citado en páginas 175, 249, 269, 294, 343, 365, 389, 453, 473).
[489] PALMER, Tim N. “On parametrizing scales that are only somewhat smaller than the smallest resolved
scales, with application to convection and orography”. En: Proceedings of the ECMWF workshop
on New insights and approaches to convective parametrization, ECMWF, Shinfield Park, Reading
RG2-9AX, UK. 1997, páginas 328-337 (citado en página 262).
[490] PALMER, Tim N y A NDERSON, David L T. “The prospects for seasonal forecasting-A review paper”.
10.1002/qj.49712051802 (citado en páginas 462, 463, 535).
[491] PALMER, Tim N. y H AGEDORN, Renate. Predictability of weather and climate. Cambridge University
Press, 2006 (citado en páginas 5, 276, 534, 1046).
[492] PALMER, Tim N. y col. “Development of a European multimodel ensemble system for seasonal-
to-interannual prediction (DEMETER)”. En: Bulletin of the American Meteorological Society 85.6
(2004), páginas 853-872 (citado en páginas 174, 175, 262, 324, 452, 464).
[493] PALMER, TN y col. “Ensemble prediction”. En: Proceedings of the ECMWF Seminar on Validation of
models over Europe. Editado por ECMWF. 1993 (citado en página 164).
[494] PARK, Young-Youn, B UIZZA, Roberto y L EUTBECHER, Martin. “TIGGE: Preliminary results on
comparing and combining ensembles”. En: Quarterly Journal of the Royal Meteorological Society
134.637 (oct. de 2008), páginas 2029-2050. ISSN: 00359009. DOI: 10.1002/qj.334 (citado en
página 278).
[495] PASCH, R. J. Tropical Cyclone Report Hurricane Alex (AL012010) 25 June-2 July 2010. Infor-
me técnico. NHC, Miami: National Hurricane Center (NHC, NOAA), 2010, página 19 (citado en
página 723).
[496] PASCUAL B LÁZQUEZ, José Luis. “Los lunaristas y la predicción del tiempo en los siglos XVIII-XIX”.
En: (2012) (citado en página 25).
[497] PASCUAL B LÁZQUEZ, José Luis. “Un vacío por rellenar en la historia de la Meteorología”. En:
Tiempo y Clima 5.27 (2013) (citado en página 23).
[498] PASCUAL, R. Estudio de precipitaciones intensas en la comarca catalana del Maresme. Ministerio de
Medio Ambiente, 1999. ISBN: 84-8320-084-8 (citado en página 754).
[499] PATHAK, Jaideep y col. “Using machine learning to replicate chaotic attractors and calculate Lyapunov
exponents from data”. En: Chaos: An Interdisciplinary Journal of Nonlinear Science 27.12 (2017),
[500] P EDREGOSA, Fabian y col. “Scikit-learn: Machine learning in Python”. En: Journal of Machine
Learning Research 12.Oct (2011), páginas 2825-2830 (citado en páginas 201, 608).
[501] P ELLERIN, G. y col. “Increasing the horizontal resolution of ensemble forecasts at CMC”. En:
Nonlinear processes in geophysics 10.6 (2003), páginas 463-468 (citado en página 173).
[502] P ELOROSSO, L. Albero: Visualización de Pronósticos Probabilísticos utilizando Técnicas de Análisis

de Análogos. Tesis de Licenciatura. Buenos Aires, 2018 (citado en página 589).
[503] P ENDERGRASS, Angeline G y E LMORE, Kimberly L. “Ensemble Forecast Bias Correction”. En: 4th
Annual Student Conference. Amer. Meteor. Soc., San Diego, CA P. 2004, páginas 1-19 (citado en
páginas 174, 248, 277).
[504] P ENLAND, Cécile. “Noise out of chaos and why it won’t go away”. En: Bulletin of the American
Meteorological Society 84.7 (2003), páginas 921-925 (citado en página 544).
[505] P EÑA, J L y L OZANO, M V. “Las unidades del relieve aragonés”. En: Geografía Física de Aragón,
Aspectos Generales Y Temáticos (2004), páginas 3-14 (citado en página 715).
[506] P EÑA, J L y col. “Mapa geomorfológico de Aragón”. En: Consejo de Protección de la Naturaleza de
Aragón, Zaragoza (2002) (citado en página 694).
[507] P ERALTA, C y col. “Accounting for initial condition uncertainties in COSMO-DE-EPS”. En: Journal
of Geophysical Research: Atmospheres 117.D7 (2012), n/a-n/a. ISSN: 2156-2202. DOI: 10.1029/
[508] P ERSSON, Anders. Verification of Probability Ensemble forecasts. Informe técnico. 2006 (citado en
página 221).
[509] P ERSSON, Anders. “User guide to ECMWF forecast products”. En: Ecmwf March (2011), página 127
(citado en páginas 9, 221, 295, 402, 556, 731, 743, 767, 785, 817, 828, 840, 856, 869).
[510] P ERSSON, Anders. “Los Meteorólogos no podemos escapar de las probabilidades”. En: Tiempo y
Clima 5.44 (2014), páginas 32-37 (citado en páginas 9, 626, 1018).
[511] P ETIT, Jean-Robert y col. “Climate and atmospheric history of the past 420,000 years from the Vostok
ice core, Antarctica”. En: Nature 399.6735 (1999), página 429 (citado en página 488).
[512] P EZZUTTO, Paolo y col. “Performance comparison of meso-scale ensemble wave forecasting systems
for Mediterranean sea states”. En: Ocean Modelling 104 (ago. de 2016), páginas 171-186. ISSN:
14635003. DOI: 10.1016/j.ocemod.2016.06.002 (citado en página 374).
[513] P ICCOLO, Chiara y C ULLEN, Mike. “Ensemble data assimilation using a unified representation of
model error”. En: Monthly Weather Review 144.1 (2016), páginas 213-224 (citado en página 365).
[514] P ICORNELL, M A, C AMPINS, Joan y JANSÀ, Agustí. “Detection and thermal description of medicanes
from numerical simulation”. En: Natural Hazards and Earth System Sciences 14.5 (2014), página 1059
[515] P ICORNELL, M A, JANSÀ, Agustí y G ENOVÉS, Ana. “A tool for assessing the quality of the Medite-
rranean cyclone forecast: a numerical index”. En: Natural Hazards and Earth System Sciences 11.6
[516] P ICORNELL, M A y col. “Automated database of mesocyclones from the HIRLAM (INM)-0.5º
analyses in the western Mediterranean”. En: International journal of climatology 21.3 (2001), pági-
nas 335-354. DOI: 10.1002/joc.621 (citado en página 554).
[517] P LATZMAN, George W. “The ENIAC computations of 1950-gateway to numerical weather predic-
tion”. En: Bulletin of the American Meteorological Society 60.4 (1979), páginas 302-312 (citado en
página 147).
[518] P OELMAN, Dieter R. “On the science of lightning: An overview”. En: Royal Meteorological Institute
of Belgium (2010) (citado en página 564).
[519] P OINCARÉ, Henri. Science and method. Courier Corporation, 2013 (citado en página 57).
[520] P OPPER, Karl. Quantum Theory and the Schism in Physics: from the Postscript to the Logic of
Scientific Discovery. Routledge, 2013 (citado en página 1046).
[521] P OPPER, Karl R. Conjeturas y refutaciones: el desarrollo del conocimiento científico. Paidós Ibérica,
[522] P OWER, Scott B y col. “Consensus on twenty-first-century rainfall projections in climate models more
widespread than previously thought”. En: Journal of Climate 25.11 (2012), páginas 3792-3809. DOI:
10.1175/JCLI-D-11-00354.1 (citado en página 452).
[523] P RIMO, Cristina y G HELLI, Anna. “The affect of the base rate on the extreme dependency score”. En:
Meteorological Applications 16.4 (dic. de 2009), páginas 533-535. ISSN: 13504827. DOI: 10.1002/
met.152 (citado en página 218).
[524] P UEBLA, Francisco Pérez y RODRÍGUEZ, César Zancajo. “Regímenes tormentosos en la Península
Ibérica durante la década 2000-2009”. En: Tiempo y Clima 5.28 (2013) (citado en página 541).
[525] QGIS D EVELOPMENT T EAM. QGIS Geographic Information System. 2009. URL: http://qgis.
org (citado en páginas 691, 694, 698).
[526] Q UIBY, J y D ENHARD, M. “SRNWP-DWD poor-man ensemble prediction system: the PEPS project”.
En: Eumetnet Newsletter 8 (2003), páginas 9-12 (citado en páginas 168, 244, 565, 670, 869).
[527] Q UINTERO P LAZA, David y S UÁREZ M OLINA, David. “Estudio de la situación de precipitaciones
intensas de los días 22 y 23 de octubre de 2015 en Canarias”. En: Notas técnicas de AEMET 22 (2016).
URL : http://hdl.handle.net/20.500.11765/4760 (citado en páginas 842, 843, 854).
[528] RAE. Real Academia Española (RAE). URL: http://www.rae.es/ (visitado 03-12-2017) (citado
[529] R AFTERY, Adrian E. y col. “Using Bayesian model averaging to calibrate forecast ensembles”.
En: Monthly Weather Review 133.5 (2005), páginas 1155-1174. ISSN: 0027-0644. DOI: 10.1175/
MWR2906.1 (citado en páginas 175, 190, 195, 318).
[530] R AIMONDI, Alessio. “Impacto social de la comunicación de las predicciones del tiempo”. En: XXXI
Jornadas Científicas de la AME (2010) (citado en página 626).
[531] R AIMONDI, Alessio. “La predicción, base cultural de la prevención”. En: Tiempo y Clima 5.39 (2013),
[532] R AIMONDI, Alessio. “Utilidad social de las predicciones probabilísticas y su empleo en la historia de
la meteorología”. En: Prisma Social 12 (2014), páginas 45-88 (citado en página 626).
[533] R AMIS, Climent. “Climatología de aire superior en Mallorca”. Tesis doctoral. Universidad de Barce-
lona: Universidad de Barcelona, 1976 (citado en página 535).
[534] R AMIS, C. y col. Medicanes: ciclones cuasi-tropicales mesoescalares en el Mediterráneo. Editado

por G ARCÍA -L EGAZ, Carlos y VALERO, Francisco. 2013 (citado en página 552).
[535] R AVAZZANI, Giovanni y col. “Potentialities of ensemble strategies for flood forecasting over the
Milano urban area”. En: Journal of Hydrology 539 (2016), páginas 237-253 (citado en página 549).
[536] R EY, L. La nieve, su metamorfosis, los aludes. MOPT, 1985 (citado en página 690).
[537] R EYNOLDS, R. “Weather Maps”. En: Encyclopedia of atmospheric sciences. Editado por N ORTH,
Gerald R, P YLE, John A y Z HANG, Fuqing. Elsevier, 2003 (citado en página 28).
[538] R ICHARDSON, Lewis F. Weather Prediction by Numerical Process. New York, 2007, página 236.
ISBN : 9780521680448 (citado en página 147).
[539] R INEHART, Ronald E. Radar for meteorologists. University of North Dakota, Office of the President,
[540] R IOSALIDO, R, R IVERA, A y M ARTIN, F. “Development of a mesoscale convective system in the

Spanish Mediterranean Area”. En: Proc. 7th Meteosat Scientific Users’ Meeting, Madrid. 1988,
[541] R IVA, J. de la. “Caracterización climática del alto valle de Tena”. En: Boletín Glaciológico Aragonés
[542] ROBBINS, C. J. y T ITLEY, H. A. “Evaluating high-impact weather forecasts from the Met Office
Global Hazard Map using a global impact database”. En: Met. Apps. pendiente (2018) (citado en
página 364).
[543] ROCHE, Alexis. “EM algorithm and variants: An informal tutorial”. En: arXiv preprint arXiv:1105.1476
[544] RODHE, Henning, C HARLSON, Robert y C RAWFORD, Elisabeth. “Svante Arrhenius and the green-
house effect”. En: Ambio (1997), páginas 2-5 (citado en página 513).
[545] RODRÍGUEZ, A. “Nuevas técnicas de agrupamiento de predicciones por conjuntos del ECMWF
aplicadas a campos de superficie”. En: Nota Técnica del Área de Innovación 1 (2014) (citado en
página 441).
[546] RODRÍGUEZ -C AMINO, Ernesto. “Predicción estacional operativa en el marco de la OMM”. En:
Tiempo y Clima 5.52 (2016) (citado en página 469).
[547] RODRIGUEZ -P UEBLA, C y col. “Spatial and temporal patterns of annual precipitation variability
over the Iberian Peninsula”. En: International Journal of Climatology 18.3 (1998), páginas 299-316.
DOI: 10.1002/(SICI)1097-0088(19980315)18:3<299::AID-JOC247>3.0.CO;2-L (citado en
página 454).
[548] RODWELL, Mark J. y col. “A new equitable score suitable for verifying precipitation in numerical
weather prediction”. En: Quarterly Journal of the Royal Meteorological Society 136.650 (2010),
páginas 1344-1363. ISSN: 00359009. DOI: 10.1002/qj.656 (citado en página 219).
[549] ROEBBER, Paul J. y col. “The Sensitivity of Precipitation to Circulation Details. Part II: Mesoscale
Modeling”. En: Monthly Weather Review 130.1 (ene. de 2002), páginas 3-23. ISSN: 0027-0644. DOI:
10.1175/1520-0493(2002)130<0003:TSOPTC>2.0.CO;2 (citado en página 157).
[550] ROMERO, R. “Sensitivity of a heavy-rain-producing western Mediterranean cyclone to embedded

potential-vorticity anomalies”. En: Quarterly Journal of the Royal Meteorological Society 127.578
[551] ROMERO, R., R AMIS, C. y G UIJARRO, J. A. “Daily rainfall patterns in the Spanish Mediterranean area:
an objective classification”. En: International Journal of Climatology 19.1 (1999), páginas 95-112.
DOI : 10.1002/(SICI)1097-0088(199901)19:1<95::AID-JOC344>3.0.CO;2-S (citado en
página 536).
[552] ROMERO, R. y col. “A classification of the atmospheric circulation patterns producing significant daily
rainfall in the Spanish Mediterranean area”. En: International Journal of Climatology 19.7 (1999),
[553] ROMERO, R. y col. “Mesoscale Numerical Study of Two Cases of Long-Lived Quasi-Stationary
Convective Systems over Eastern Spain”. En: Monthly Weather Review 128.11 (nov. de 2000),
páginas 3731-3751. ISSN: 0027-0644. DOI: 10.1175/1520-0493(2001)129<3731:MNSOTC>2.0.
CO;2 (citado en páginas 668, 669, 688).
[554] ROMERO, R y col. “Predictability of prototype flash flood events in the Western Mediterranean
under uncertainties of the precursor upper-level disturbance”. En: Advances in Geosciences 7 (2006),
páginas 55-63 (citado en páginas 535, 545).
[555] ROSSUM, G van. “Python tutorial, Technical Report CS-R9526”. En: (1995). URL: https://docs.
python.org/3/tutorial/ (citado en páginas 201, 529).
[556] ROSSUM, G van. “Python Language Reference, version 2.7”. En: (2016). URL: https://docs.
python.org/2/reference/index.html (citado en páginas 201, 529).
[557] ROULSTON, Mark S. y S MITH, Leonard A. “Combining dynamical and statistical ensembles”. En:
Tellus A 55.1 (2003), páginas 16-30. DOI: 10.3402/tellusa.v55i1.12082 (citado en página 198).
[558] RUIZ G ARCÍA, José Antonio y N ÚÑEZ M ORA, José Ángel. “Sobre los periodos de retorno de las
precipitaciones extraordinarias en la Comunidad Valenciana”. En: (2011) (citado en página 663).
[559] RUIZ, J. “Pronóstico probabilístico \Â¿Por qué? y \Â¿Para quién?” En: XIII Congreso Latinoameri-
cano e Ibérico de Meteorología (CLIMET) y X Congreso Argentino de Meteorólogos (CONGREMET),
"Los desastres naturales y el cambio climático". 2009 (citado en página 626).
[560] RUIZ, Juan J y S AULO, Celeste. “How sensitive are probabilistic precipitation forecasts to the choice
of calibration algorithms and the ensemble generation method? Part I: Sensitivity to calibration
methods”. En: Meteorological Applications 19.3 (2012), páginas 302-313. DOI: 10.1002/met.286
[561] S AETRA, Øyvind. MyWave project final report. Informe técnico. FP7-SPACE, 2016. URL: http:
//hdl.handle.net/20.500.11765/7249 (citado en página 374).
[562] S AHA, S y col. “The NCEP climate forecast system”. En: Journal of Climate 19.15 (2006), pági-
[563] S AITO, Kazuo y col. “Comparison of initial perturbation methods for the mesoscale ensemble
prediction system of the Meteorological Research Institute for the WWRP Beijing 2008 Olympics
Research and Development Project (B08RDP)”. En: Tellus, Series A: Dynamic Meteorology and
Oceanography 63.3 (mayo de 2011), páginas 445-467. ISSN: 02806495. DOI: 10.1111/j.1600-
0870.2010.00509.x (citado en página 175).
[564] S ALIO, Paola, N ICOLINI, Matilde y Z IPSER, Edward J. “Mesoscale convective systems over sout-
heastern South America and their relationship with the South American low-level jet”. En: Monthly
Weather Review 135.4 (2007), páginas 1290-1309 (citado en página 584).
[565] S ANTOS, Carlos y G HELLI, Anna. “Observational probability method to assess ensemble precipitation
forecasts”. En: Quarterly Journal of the Royal Meteorological Society 138.662 (ene. de 2012),
páginas 209-221. ISSN: 00359009. DOI: 10.1002/qj.895 (citado en páginas 218, 321, 322).
[566] S ANTOS -M UÑOZ, D y col. “Using Bayesian Model Averaging to calibrate short-range forecasts from
a multi-model ensemble”. En: 3rd International Verification Methods Workshop. Reading: ECMWF,
[567] S AULO, Celeste y col. “El sistema de pronóstico experimental del Centro de Investigaciones del Mar
y la Atmósfera”. En: Meteorologica 33.1-2 (2008), páginas 83-97 (citado en página 585).
[568] S AUNDERS, Peter Timothy. An introduction to catastrophe theory. Cambridge University Press, 1980
[569] S CHMEITS, Maurice J y KOK, Kees J. “A Comparison between Raw Ensemble Output, (Modified)
Bayesian Model Averaging, and Extended Logistic Regression Using ECMWF Ensemble Precipitation
Reforecasts”. En: Monthly Weather Review 138.11 (2010), páginas 4199-4211. ISSN: 0027-0644. DOI:
10.1175/2010MWR3285.1 (citado en página 198).
[570] S CHWARZKOPF, M L de y ROSSO, L C. “Severe storms and tornadoes in Argentina”. En: Preprints,
12th Conf. on Severe Local Storms, San Antonio, TX, Amer. Meteor. Soc. 1982, páginas 59-62 (citado
en página 584).
[571] S COTT, Alwyn C. The nonlinear universe: chaos, emergence, life. Springer Science & Business
Media, 2007 (citado en páginas 64, 918).
[572] S ELA, Joseph G. “Spectral modeling at the national meteorological center”. En: Monthly Weather
Review 108.9 (1980), páginas 1279-1292 (citado en páginas 317, 368, 796).
[573] S ELA, Joseph G. “The NMC spectral model”. En: NOAA Technical Report, NWS-30 108 (1982)
[574] S ELVIN, Steve. “A problem in probability (letter to the editor)”. En: American Statistician 29.1 (1975),
[575] S ELVIN, Steve. “On the Monty Hall Problem (letter to the editor)”. En: American Statistician 29.3
(1975), página 134 (citado en página 951).
[576] S HANNON, Claude Elwood. “A mathematical theory of communication”. En: ACM SIGMOBILE
Mobile Computing and Communications Review 5.1 (2001), páginas 3-55 (citado en página 954).
[577] S HUTTS, Glenn. “A kinetic energy backscatter algorithm for use in ensemble prediction systems”.
10.1256/qj.04.106 (citado en páginas 269, 270, 294, 453).
[578] S HUTTS, Glenn y C ALLADO PALLARÈS, Alfons. “Assessing parametrization uncertainty associated
with horizontal resolution in numerical weather prediction models”. En: Philosophical transactions.
Series A, Mathematical, physical, and engineering sciences 372 (2014) (citado en páginas 262, 263).
[579] S HUTTS, Glenn y PALMER, Tim N. “The use of high-resolution numerical simulations of tropical
circulation to calibrate stochastic physics schemes”. En: Proc. ECMWF Workshop Intra-Seasonal
Variability. ECMWF Reading, UK. 2004, páginas 83-102 (citado en página 175).
[580] S HUTTS, G y col. “Representing model uncertainty: Stochastic parametrizations at ECMWF”. En:
ECMWF Newsletter 129 (2011), páginas 19-24 (citado en páginas 175, 249, 260, 295).
[581] S ILLS, David M L. “On the MSC forecasters forums and the future role of the human forecaster”. En:
Bulletin of the American Meteorological Society 90.5 (2009), páginas 619-627 (citado en página 43).
[582] S ILVESTRI, Gabriel y V ERA, Carolina. “Nonstationary impacts of the southern annular mode on
Southern Hemisphere climate”. En: Journal of Climate 22.22 (2009), páginas 6142-6148 (citado en
página 594).
[583] S IMARRO, J y col. “Probabilistic forecasts based on the HIRLAM INM deterministic model”. En: 3rd
International Verification Methods Workshop. Reading: ECMWF, 2007 (citado en página 320).
[584] S IMMONS, A. J. y col. “The ECMWF medium-range prediction models development of the numerical
formulations and the impact of increased resolution”. En: Meteorology and Atmospheric Physics
40.1-3 (1989), páginas 28-60. ISSN: 01777971. DOI: 10.1007/BF01027467 (citado en página 317).
[585] S IMMONS, George F. (George Finlay) y K RANTZ, Steven G. (Steven George). Differential equations
with applications and historical notes. 2016. ISBN: 9781498702621 (citado en página 54).
[586] S KAMAROCK, W C y col. “A Description of the Advanced Research WRF Version 3”. En: 27 (2008),
[587] S KAMAROCK, William C y col. A description of the advanced research WRF version 2. Informe
técnico. National Center For Atmospheric Research Boulder Co Mesoscale y Microscale Meteorology
Div, 2005 (citado en páginas 347, 368, 585).
[588] S LINGO, Julia y PALMER, Tim. “Uncertainty in weather and climate prediction”. En: Phil. Trans.
R. Soc. A 369.1956 (2011), páginas 4751-4767. DOI: 10 . 1098 / rsta . 2011 . 0161 (citado en
páginas 448, 449).
[589] S LOUGHTER, J. McLean y col. “Probabilistic quantitative precipitation forecasting using Bayesian
model averaging”. En: Monthly Weather Review 135.9 (2007), páginas 3209-3220. ISSN: 0027-0644.
DOI : 10.1175/MWR3441.1 (citado en página 175).
[590] S MITH, Leonard A. Chaos : a very short introduction. Oxford University Press, 2007, página 180.
ISBN : 9780192853783 (citado en páginas 162, 1046).
[591] S NEYERS, Raymond y col. On the statistical analysis of series of observations. 143. World Meteoro-
logical Organization (WMO), 1991, página 192. ISBN: 9263104158 (citado en página 119).
[592] S OARES, Marta Bruno y D ESSAI, Suraje. “Exploring the use of seasonal climate forecasts in Eu-
rope through expert elicitation”. En: Climate Risk Management 10 (2015), páginas 8-16 (citado en
página 463).
[593] S OLTANZADEH, I., A ZADI, M. y VAKILI, G. A. “Using Bayesian Model Averaging (BMA) to calibrate
probabilistic surface temperature forecasts over Iran”. En: Annales Geophysicae 29.7 (jul. de 2011),
páginas 1295-1303. ISSN: 09927689. DOI: 10.5194/angeo-29-1295-2011 (citado en página 190).
[594] S OSA C ARDO, José Antonio, C ALVO S ÁNCHEZ, Francisco Javier y M ARTÍN L EÓN, Francisco.
“Pronóstico de rayos mediante el modelo no hidrostático HARMONIE”. En: XXXIII Jornadas Cientí-
ficas de la Asociación Meteorológica Española (2014). URL: http://hdl.handle.net/20.500.
11765/2858 (citado en página 564).
[595] S TAN, Cristiana y K IRTMAN, Ben P. “The influence of atmospheric noise and uncertainty in ocean
initial conditions on the limit of predictability in a coupled GCM”. En: Journal of Climate 21.14
[596] S TENSRUD, David J., BAO, J W y WARNER, T T. “Ensemble forecasting of mesoscale convective
systems”. En: Preprints, 12th Conf. on Numerical Weather Prediction, Phoenix, AZ, Amer. Meteor.
Soc. 1998, páginas 265-268 (citado en página 175).
[597] S TENSRUD, David J. y Y USSOUF, Nusrat. “Reliable probabilistic quantitative precipitation fore-
casts from a short-range ensemble forecasting system”. En: Weather and Forecasting 22.1 (2007),
[598] S TENSRUD, David J. y col. “Using ensembles for short-range forecasting”. En: Monthly Weather
Review 127.4 (1999), páginas 433-446 (citado en página 175).
[599] S TEPHENSON, David B. y D OBLAS -R EYES, Francisco J. “Statistical methods for interpreting Monte
Carlo ensemble forecasts”. En: Tellus, Series A: Dynamic Meteorology and Oceanography 52.3 (2000),
páginas 300-322. ISSN: 02806495. DOI: 10.3402/tellusa.v52i3.12267 (citado en página 174).
[600] S TEPHENSON, David B. y col. “The extreme dependency score: a non-vanishing measure for forecasts
of rare events”. En: Meteorological Applications 15.1 (mar. de 2008), páginas 41-50. ISSN: 13504827.
DOI : 10.1002/met.53 (citado en página 218).
[601] S TERL, Andreas y col. “A look at the ocean in the EC-Earth climate model”. En: Climate Dynamics
39.11 (2012), páginas 2631-2657. DOI: 10.1007/s00382-011-1239-2 (citado en página 511).
[602] S TEWART, Ian. Does God play dice?: The new mathematics of chaos. Penguin UK, 1997 (citado en
página 1046).
[603] S TEWART, Ian y G OLUBITSKY, Martin. Fearful symmetry: Is God a geometer? Courier Corporation,
[604] S TOCKDALE, T, BALMASEDA, M y F ERRANTI, L. “The 2015-2016 El Niño and beyond”. En:
ECMWF Newsletter 151.spring (2017). URL: https://www.ecmwf.int/en/elibrary/17181-
newsletter-no-151-spring-2017 (citado en páginas 464, 465, 469).
[605] S TOCKDALE, Timothy N y col. “Ocean modeling for ENSO”. En: Journal of Geophysical Research:
Oceans 103.C7 (1998), páginas 14325-14355. DOI: 10.1029/97JC02440 (citado en páginas 156,
452).
[606] S TOCKER, T F y col. “IPCC, 2013: summary for policymakers”. En: Climate change 2013: the
physical science basis. Contribution of Working Group I to the Fifth Assessment Report of the
Intergovernmental Panel on Climate Change. Editado por S TOCKER, Thomas F y col. Cambridge
Univ. Press, Cambridge, UK, y New York, 2013 (citado en página 514).
[607] S TOCKER, Thomas F y col. Climate Change 2013: The Physical Science Basis. Contribution of
Working Group I to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change,
1535 pp. 2013 (citado en páginas 452, 503).
[608] S TOCKER, Thomas F y col. “Technical summary”. En: Climate change 2013: the physical science
basis. Contribution of Working Group I to the Fifth Assessment Report of the Intergovernmental Panel
on Climate Change. Editado por S TOCKER, Thomas F y col. Cambridge Univ. Press, Cambridge, UK,
y New York, 2013, páginas 33-115 (citado en página 488).
[609] S TUART, Neil A, S CHULTZ, David M y K LEIN, Gary A. “Maintaining the role of humans in the fore-
cast process: Analyzing the psyche of expert forecasters”. En: Bulletin of the American Meteorological
Society 88.12 (2007), páginas 1893-1898 (citado en páginas 43-45).
[610] S UGI, Masato. “Description and performance of the JMA operational global spectral model (JMA-
GSM88)”. En: Geophys. Magazine 43 (1990), páginas 105-130 (citado en página 317).
[611] S UZUKI, Daisetz Teitaro. El zen y la cultura japonesa. RBA, 2002. ISBN: 8447325148. URL: https:
//dialnet.unirioja.es/servlet/libro?codigo=93161 (citado en página 16).
[612] S VOBODA, Michael. “Cli-fi on the screen (s): patterns in the representations of climate change in
fictional films”. En: Wiley Interdisciplinary Reviews: Climate Change 7.1 (2016), páginas 43-64. DOI:
10.1002/wcc.381 (citado en páginas 962, 964).
[613] S WETS, John A y col. “Measuring the accuracy of diagnostic systems”. En: Science 240.4857 (1988),
[614] S WINBANK, Richard y col. “The TIGGE project and its achievements”. En: Bulletin of the American
[615] TAYLOR, Andrea L, D ESSAI, Suraje y B RUIN, Wändi Bruine de. “Communicating uncertainty in
seasonal and interannual climate forecasts in Europe”. En: Phil. Trans. R. Soc. A 373.2055 (2015).
DOI : 10.1098/rsta.2014.0454 (citado en página 921).
[616] TAYLOR, Karl E, S TOUFFER, Ronald J y M EEHL, Gerald A. “An overview of CMIP5 and the
experiment design”. En: Bulletin of the American Meteorological Society 93.4 (2012), páginas 485-498
[617] T ENNANT, Warren J y col. “Using a stochastic kinetic energy backscatter scheme to improve MO-
GREPS probabilistic forecast skill”. En: Monthly Weather Review 139.4 (2011), páginas 1190-1206
[618] T ENNANT, Warren y B EARE, Sarah. “New schemes to perturb sea-surface temperature and soil
moisture content in MOGREPS”. En: Quarterly Journal of the Royal Meteorological Society 140.681
[619] T ERMONIA, P y col. “The ALADIN System and its canonical model configurations AROME CY41T1
and ALARO CY40T1”. En: Geoscientific Model Development 11.1 (2018), páginas 257-281. DOI:
10.5194/gmd-11-257-2018 (citado en páginas 347, 580).
[620] T HEIS, S E, H ENSE, A y DAMRATH, U. “Probabilistic precipitation forecasts from a deterministic

model: a pragmatic approach”. En: Meteorological Applications 12.3 (2005), páginas 257-268 (citado
en página 320).
[621] T HOM, René. Structural stability and morphogenesis. CRC Press, 2018 (citado en página 1046).
[622] T HOMAS, J y C OOK, K. Illuminating the path: the R&D agenda for visual analytics. National
Visualization and Analytics Center, Institute of Electrical and Electronics Engineers. 2005 (citado en
página 593).
[623] T HOMPSON, Gregory, R ASMUSSEN, Roy M y M ANNING, Kevin. “Explicit forecasts of winter
precipitation using an improved bulk microphysics scheme. Part I: Description and sensitivity analysis”.
En: Monthly Weather Review 132.2 (2004), páginas 519-542 (citado en página 585).
[624] T OLMAN, Hendrik L y col. “User manual and system documentation of WAVEWATCH III TM
version 3.14”. En: Technical note, MMAB Contribution 276 (2009), página 220 (citado en página 375).
[625] T OMPKINS, Adrian M y col. “The Climate-System Historical Forecast Project: Providing Open
Access to Seasonal Forecast Ensembles from Centers around the Globe”. En: Bulletin of the American
[626] T OTH, Zoltan y K ALNAY, Eugenia. “Ensemble forecasting at NMC: The generation of perturbations”.
En: Bulletin of the american meteorological society 74.12 (1993), páginas 2317-2330 (citado en
páginas 173, 175, 391, 800).
[627] T OTH, Zoltan y K ALNAY, Eugenia. “Ensemble forecasting at NCEP and the breeding method”. En:
Monthly Weather Review 125.12 (1997), páginas 3297-3319 (citado en páginas 175, 181, 182, 279,
389, 391, 395, 800).
[628] T RABERT, Wilhelm. Meteorologie und Klimatologie. Volumen 13. F. Deuticke, 1905 (citado en
página 27).
[629] T RACTON, M Steven y K ALNAY, Eugenia. “Operational ensemble prediction at the National Meteo-
rological Center: Practical aspects”. En: Weather and Forecasting 8.3 (1993), páginas 379-398 (citado
[630] T REWIN, Blair C. “The role of climatological normals in a changing climate”. En: WMO-TD 1377
[631] T SE, Lao. Tao te ching. Mauad Editora Ltda, 2011 (citado en página 16).
[632] T UHUS -D UBROW, Rebecca. “Cli-fi: Birth of a genre”. En: Dissent 60.3 (2013), páginas 58-61 (citado
[633] U LANOWICZ, Robert E. Growth and development: ecosystems phenomenology. Springer Science &
Business Media, 2012 (citado en página 16).
[634] U NDÉN, Per y col. “HIRLAM-5 scientific documentation”. En: (2002) (citado en página 316).
[635] UNFCCC. Adoption of the Paris Agreement. Report No. FCCC/CP/2015/L.9/Rev.1. Paris, 2015.
URL : http : / / unfccc . int / resource / docs / 2015 / cop21 / eng / l09r01 . pdf (citado en
páginas 1034-1036, 1041).
[636] U NGER, David A y col. “Ensemble regression”. En: Monthly Weather Review 137.7 (2009), pági-
[637] U PPALA, Sakari M y col. “The ERA-40 re-analysis”. En: Quarterly Journal of the royal meteorological
society 131.612 (2005), páginas 2961-3012. DOI: 10.1256/qj.04.176 (citado en páginas 411, 511,
554, 671).
[638] VAN DER L INDEN, Paul y M ITCHELL JFB, Editors. “ENSEMBLES: Climate change and its impacts-
Summary of research and results from the ENSEMBLES project”. En: Geophysical Research Letters
[639] VARELA, Javier. El día que los peces llegaron caídos del cielo. La Verdad. 2014. URL: http://www.
laverdad . es / murcia / rc / 20140509 / sociedad/ peces - caian - cielo - 20140508154649 .
[640] V ERA, Carolina y S ILVESTRI, Gabriel. “Precipitation interannual variability in South America from
the WCRP-CMIP3 multi-model dataset”. En: Climate dynamics 32.7-8 (2009), páginas 1003-1014.
DOI : 10.1007/s00382-009-0534-7 (citado en página 594).
[641] V ERA, Carolina y col. “Toward a unified view of the American monsoon systems”. En: Journal of
climate 19.20 (2006), páginas 4977-5000 (citado en página 594).
[642] V ERBUNT, M y col. “Probabilistic flood forecasting with a limited-area ensemble prediction system:
selected case studies”. En: Journal of Hydrometeorology 8.4 (2007), páginas 897-909 (citado en
página 535).
[643] V IANA, Samuel y col. “La predicción operativa 2.0: Ventajas e inconvenientes de una profesión
en constante transformación”. En: XXXIII Jornadas de la AME y 14º Encuentro Hispano-Luso de
Meteorología. Oviedo, 7-9 de abril. ISBN/ISSN: 978-84-697-0685-5. Madrid: AME, 2014 (citado en
página 43).
[644] V ICH, M, ROMERO, R y B ROOKS, H E. “Ensemble prediction of Mediterranean high-impact events

using potential vorticity perturbations. Part I: Comparison against the multiphysics approach”. En:
Atmospheric research 102.1 (2011), páginas 227-241 (citado en páginas 175, 535, 546).
[645] V ICH, M, ROMERO, R y H OMAR, V. “Ensemble prediction of Mediterranean high-impact events

using potential vorticity perturbations. Part II: adjoint-derived sensitivity zones”. En: Atmospheric
research 102.3 (2011), páginas 311-319 (citado en páginas 175, 535, 546).
[646] V ÍCTOR V ILA. Portal CienciaYFicción. 2018. URL: http://www.portalcienciayficcion.com/

[647] V IÉ, Benoît, N UISSIER, Olivier y D UCROCQ, Véronique. “Cloud-Resolving Ensemble Simulations
of Mediterranean Heavy Precipitating Events: Uncertainty on Initial Conditions and Lateral Boun-
dary Conditions”. En: Monthly Weather Review 139.2 (2011), páginas 403-423. DOI: 10.1175/
2010MWR3487.1 (citado en página 535).
[648] V IÑAS, J. M. La comunicación de la ciencia del tiempo. 2012. URL: http://naukas.com/2012/

12/22/la- comunicacion- de- la- ciencia- del- tiempo/ (visitado 26-11-2017) (citado en
página 626).
[649] V ITART, F, S TOCKDALE, T y F ERRANTI, L. “Seasonal forecasting of tropical storm frequency”. En:
ECMWF Newsletter 112 (2007), páginas 16-22 (citado en página 466).
[650] V ITART, Frédéric. “Evolution of ECMWF sub-seasonal forecast skill scores”. En: Quarterly Journal
of the Royal Meteorological Society 140.683 (2014), páginas 1889-1899. DOI: 10.1002/qj.2256
[651] V ITART, F. y col. “Simulation of Interannual Variability of Tropical Storm Frequency in an Ensemble
of GCM Integrations”. En: Journal of Climate 10.4 (abr. de 1997), páginas 745-760. ISSN: 0894-8755.
DOI : 10.1175/1520-0442(1997)010<0745:SOIVOT>2.0.CO;2 (citado en página 423).
[652] VOCES A BOY, José y col. “Sistema estadístico de predicción estacional para la gestión de los
embalses en España”. En: Nota Técnica 21 (2016). URL: http://www.aemet.es/es/conocermas/
recursos _ en _ linea / publicaciones _ y _ estudios / publicaciones / detalles / NT _ 21 _
AEMET (citado en páginas 454-456, 458).
[653] VV. AA. Las precipitaciones máximas en 24 horas y sus períodos de retorno en España. Un estudio
por regiones. Ministerio de Medio Ambiente, Dirección General del INM, 1999 (citado en página 662).
[654] VV. AA. “La inteligencia artificial gana al campeón humano de Go”. En: El País 15-03-2016 (2016).
URL : https : / / elpais . com / elpais / 2016 / 03 / 15 / ciencia / 1458034897 _ 194344 . html
[655] VV. AA. IRENA - Adapting Market Design to High Shares of Variable Renewable Energy. Informe
técnico. Abu Dhabi: International Renewable Energy Agency (IRENA), 2017 (citado en página 604).
[656] VVAA. Dynamical Core Model Intercomparison Project (DCMIP). URL: https://earthsystemcog.
org/projects/dcmip-2016/ (citado en página 262).
[657] VVAA. Interpreting Snow Profiles. Scottish Avalanche Information Service, 2014 (citado en pági-
na 907).
[658] VVAA. Predicción estacional para la gestión de embalses. 2016. URL: https://www.miteco.gob.
es/es/agua/temas/evaluacion-de-los-recursos-hidricos/Prediccion-estacional-
gestion-embalses.aspx (visitado 09-04-2018) (citado en página 457).
[659] VVAA. Set VI - Atmospheric Model Ensemble extended forecast (ENS extended) - ECMWF. 2017.
URL : https : / / www . ecmwf . int / en / forecasts / datasets / set - vi (visitado 09-04-2018)
[660] VVAA. The EUROSIP multi-model seasonal forecasting system | ECMWF. 2017. URL: https :
//www.ecmwf.int/en/forecasts/documentation-and-support/long-range/seasonal-
forecast-documentation/eurosip-user-guide/multi-model (visitado 09-04-2018) (citado
en página 466).
[661] VVAA (I NSTITUTO NACIONAL DE M ETEOROLOGÍA ). El Instituto Nacional de Meteorología : un

reto tecnológico (XXV aniversario del INM). Madrid : C. 2004, página 224. ISBN: 84-8320-266-2
[662] WALKER, Gilbert T. “Correlations in seasonal variations of weather. I. A further study of world
weather”. En: Mem. Indian Meteorol. Dep. 24 (1924), páginas 275-332 (citado en páginas 454, 486).
[663] WALLACE, John M y G UTZLER, David S. “Teleconnections in the geopotential height field during the
Northern Hemisphere winter”. En: Monthly Weather Review 109.4 (1981), páginas 784-812 (citado en
página 483).
[664] WALLACE, John M, T IBALDI, Stefano y S IMMONS, Adrian J. “Reduction of systematic forecast errors
in the ECMWF model through the introduction of an envelope orography”. En: Quarterly Journal of
the Royal Meteorological Society 109.462 (1983), páginas 683-717. DOI: 10.1002/qj.49710946202
[665] WANDISHIN, Matthew S y col. “Evaluation of a short-range multimodel ensemble system”. En:
Monthly Weather Review 129.4 (2001), páginas 729-747 (citado en página 175).
[666] WANG, Xuguang y B ISHOP, Craig H. “A comparison of breeding and ensemble transform Kal-
man filter ensemble forecast schemes”. En: Journal of the atmospheric sciences 60.9 (2003), pági-
nas 1140-1158 (citado en páginas 279, 389, 391).
[667] WANG, Xuguang y B ISHOP, Craig H. “Improvement of ensemble reliability with a new dressing
kernel”. En: Quarterly Journal of the Royal Meteorological Society 131.607 (2005), páginas 965-986.
DOI : 10.1256/qj.04.120 (citado en página 198).
[668] WARNER, Thomas T., P ETERSON, Ralph A. y T READON, Russell E. “A Tutorial on Lateral Boundary
Conditions as a Basic and Potentially Serious Limitation to Regional Numerical Weather Prediction”.
En: Bulletin of the American Meteorological Society 78.11 (nov. de 1997), páginas 2599-2617.
ISSN : 0003-0007. DOI : 10.1175/1520- 0477(1997)078<2599:ATOLBC> 2.0.CO;2 (citado en
página 276).
[669] WASTL, Clemens y col. Probabilistic Forecasts and Civil Protection. Informe técnico 66. 2017. URL:
https://public.wmo.int/en/resources/bulletin/probabilistic- forecasts- and-
civil-protection (citado en páginas 633, 634, 854).
[670] W EI, Mozheng y col. “Initial perturbations based on the ensemble transform (ET) technique in the
NCEP global operational forecast system”. En: Tellus A: Dynamic Meteorology and Oceanography
60.1 (ene. de 2008), páginas 62-79. ISSN: 1600-0870. DOI: 10.1111/j.1600-0870.2007.00273.x
[671] W EINBERG, Steven y RON, José Manuel Sánchez. Los tres primeros minutos del universo. Alianza
Editorial, 1996 (citado en página 17).
[672] W EISHEIMER, Antje y col. “On the predictability of the extreme summer 2003 over Europe”. En:
Geophysical Research Letters 38.5 (2011). DOI: 10.1029/2010GL046455 (citado en página 452).
[673] W EISHEIMER, A y col. “ENSEMBLES: A new multi-model ensemble for seasonal-to-annual predic-
tions - Skill and progress beyond DEMETER in forecasting tropical Pacific SSTs”. En: Geophysical
research letters 36.21 (2009). DOI: 10.1029/2009GL040896 (citado en páginas 227, 228, 452, 464).
[674] W ERNLI, Heini y col. “SAL-A Novel Quality Measure for the Verification of Quantitative Precipitation
Forecasts”. En: Monthly Weather Review 136.11 (nov. de 2008), páginas 4470-4487. ISSN: 0027-0644.
DOI : 10.1175/2008MWR2415.1 (citado en páginas 218, 220).
[675] W HITAKER, Craig F. “Formulation by Marilyn vos Savant of question posed in a letter from Craig
Whitaker”. En: Ask Marilynçolumn, Parade Magazine (1990), página 16 (citado en página 951).
[676] W HITAKER, Jeffrey S. y L OUGHE, Andrew F. “The Relationship between Ensemble Spread and
Ensemble Mean Skill”. En: Monthly Weather Review 126.12 (1998), páginas 3292-3302. ISSN: 0027-
0644. DOI: 10.1175/1520-0493(1998)126<3292:TRBESA>2.0.CO;2 (citado en páginas 221,
223, 323).
[677] W IENER, Norbert. “Nonlinear prediction and dynamics”. En: Proc. 3rd Berkeley Sympos. Math. Stat.
and Prob. Volumen 3. 1956, páginas 247-252 (citado en páginas 64, 918).
[678] W ILBER, Ken. Cuestiones cuánticas: W. Heisenberg, E. Schrödinger, A. Einstein, Sir J. Jeans, M.
Planck, W. Pauli, sir A. Eddington: escritos místicos de los físicos más famosos del mundo. Kairós,
1994 (citado en páginas 17, 1019).
[679] W ILBY, Robert. “Evidence of ENSO in the synoptic climate of the British Isles since 1880”. En:
Weather 48.8 (1993), páginas 234-239. DOI: 10.1002/j.1477-8696.1993.tb05897.x (citado en
página 463).
[680] W ILBY, Robert L y D ESSAI, Suraje. “Robust adaptation to climate change”. En: Weather 65.7 (2010),
páginas 180-185. DOI: 10.1002/wea.543 (citado en página 450).
[681] W ILKS, Daniel S. “Extending logistic regression to provide full-probability-distribution MOS fo-
recasts”. En: Meteorological Applications 16.3 (2009), páginas 361-368. ISSN: 13504827. DOI:
10.1002/met.134 (citado en páginas 197, 198).
[682] W ILKS, Daniel S. Statistical Methods in the Atmospheric Sciences. Academic Press, 2011, pá-
gina 676. ISBN: 9780123850225. URL: https : / / www . sciencedirect . com / bookseries /
international-geophysics/vol/100 (citado en páginas 181, 190, 208, 210, 218, 224, 227, 232,
319, 325, 326, 336, 359, 427, 458, 461, 500, 663).
[683] W ILSON, Laurence J. “Comments on "Probabilistic predictions of precipitation using the ECMWF
ensemble prediction system
”. En: Weather and Forecasting 15.3 (2000), páginas 361-364 (citado en página 326).
[684] W IT, Roos de y T IJM, Sander. “Prediction of lightning intensity using graupel”. En: Meteorologica
19.2 (2010), páginas 21-24. URL: http://issuu.com/nvbm/docs/meteorologica-jun-2010
[685] WMO. METEOTERM. URL: https://www.wmo.int/pages/prog/lsp/meteoterm_wmo_es.

[686] WMO. “Guidelines on the role, operation and management of National Meteorological or Hydrome-
teorological Services”. En: WMO Bulletin. WMO 1112 (2006), página 74. URL: http://library.
wmo.int/pmb_ged/wmo_1003_en.pdf (citado en página 628).
[687] WMO. “Directrices sobre sistemas de alerta temprana y aplicación de predicción inmediata y opera-
ciones de aviso”. En: WMO-TD. OMM/DT (ES) 1559 (2010), página 25. URL: http://library.
wmo.int/pmb_ged/wmo-td_1559_es.pdf (citado en página 628).
[688] WMO. Guide to climatological practices. third. WMO. World Meteorological Organization, 2011.
ISBN : 9789263101006. URL : http://library.wmo.int/pmb_ged/wmo_100_en.pdf (citado en
páginas 118, 119).
[689] WMO. Guidelines on Ensemble Prediction Systems and Forecasting. WMO. World Meteorological
Organization (WMO), 2012. URL: http://library.wmo.int/pmb_ged/wmo_1091_en.pdf
[690] WMO. Global Observing System Components, WMO. 2017. URL: https://www.wmo.int/pages/
prog//www/OSY/Gos-components.html (visitado 16-11-2017) (citado en página 122).
[691] WMO. Â¿Cuál es la diferencia entre tiempo y clima? 2018. URL: https://public.wmo.int/es/
acerca-de-la-omm/preguntas-frecuentes (citado en página 640).
[692] W OBUS, Richard L y K ALNAY, Eugenia. “Three years of operational prediction of forecast skill at
NMC”. En: Monthly weather review 123.7 (1995), páginas 2132-2148 (citado en páginas XL, 175).
[693] W OLCHOVER, Natalie. “Machine Learning’s .Amazing.Ability to Predict Chaos”. En: (2018). URL:
https://www.quantamagazine.org/machine-learnings-amazing-ability-to-predict-
chaos-20180418/ (citado en página 205).
[694] YAMAGUCHI, Munehiko, NAKAZAWA, Tetsuo y H OSHINO, Shunsuke. “On the relative benefits of a
multi-centre grand ensemble for tropical cyclone track prediction in the western North Pacific”. En:
Quarterly Journal of the Royal Meteorological Society 138.669 (oct. de 2012), páginas 2019-2029.
ISSN : 00359009. DOI : 10.1002/qj.1937 (citado en página 718).
[695] Z AMORA S ÁNCHEZ, Obed. Tuxpan, las crónicas de su ciudad y puerto: homenaje a Julián Adem
Chahin en la UNAM. URL: http : / / cronistadetuxpan . blogspot . com . es / 2011 / 05 /
auditorium- del- centro- de- estudios- de- la.html (visitado 01-02-2018) (citado en pá-
gina 368).
[696] Z HANG, Fuqing. “Dynamics and Structure of Mesoscale Error Covariance of a Winter Cyclone
Estimated through Short-Range Ensemble Forecasts”. En: Monthly Weather Review 133.10 (oct. de
2005), páginas 2876-2893. ISSN: 0027-0644. DOI: 10.1175/MWR3009.1 (citado en páginas 157,
218).
[697] Z HANG, S y col. “System design and evaluation of coupled ensemble data assimilation for global
oceanic climate studies”. En: Monthly Weather Review 135.10 (2007), páginas 3541-3564 (citado en
página 452).
[698] Z IEHMANN, Christine. “Comparison of a single-model EPS with a multi-model ensemble consisting
of a few operational models”. En: Tellus, Series A: Dynamic Meteorology and Oceanography 52.3
(mayo de 2000), páginas 280-299. ISSN: 02806495. DOI: 10.3402/tellusa.v52i3.12266 (citado
en páginas 221, 323, 326, 331).
[699] Z IPSER, Edward J y col. “Where are the most intense thunderstorms on Earth?” En: Bulletin of the
American Meteorological Society 87.8 (2006), páginas 1057-1071 (citado en página 584).
[700] Z SÓTÉR, Ervin. “Recent developments in extreme weather forecasting”. En: ECMWF Newsletter
[701] Z SOTER, Ervin, PAPPENBERGER, Florian y R ICHARDSON, David. “Sensitivity of model climate
to sampling configurations and the impact on the Extreme Forecast Index”. En: Meteorological
Applications 22.2 (abr. de 2015), páginas 236-247. ISSN: 13504827. DOI: 10 . 1002 / met . 1447
Parte XIII
Índices
Parte XIII Índices
Cierra el libro esta parte de índices diversos. Un índice alfabético resulta impres-
cindible en un libro de estas dimensiones. Añadimos una lista de acrónimos, nunca
todo lo completa que debería ser, pero esperamos que suficiente. Terminamos con
un glosario, tampoco todo lo completo que desearíamos, pero al menos resultará
útil a la hora de consultar el libro y buscar algunos términos con rapidez. Para la
elaboración de algunos términos fueron útiles los glosarios de AEMET [4] y la
American Meteorological Society (AMS) [14].
Página anterior: altocumulus lenticularis en La Palma, 17 de octubre de 2004, a las 19:13

horas. Fotografía tomada por F ERNANDO B ULLÓN.
Índice alfabético
advección, 78
multicondiciones de contorno, 340
AEMET-γSREPS, 333–360 SLAF, 341
calibración, 358 multimodelo, 342
características, 346 objetivos, 340
diseño, 340 FMA, 340
evolución y futuro, 350 socioeconómicos, 340
fuentes de incertidumbre productos, 355
condiciones de contorno, 346, 349 aerogramas, 357
condiciones iniciales, 346 EPSgramas para aeropuertos, 356
mallas, 348 mapas de probabilidad, 355
modelo, 347 proyecto SRNWP EUMETNET, 359
modelos, configuraciones, 349 resultados, 352
niveles verticales, 348 verificación objetiva, 352
parametrizaciones, 349 verificación subjetiva, 353
incertidumbre campos de superficie, 343 SPC de alta resolución, 338
incertidumbre en la escala convectiva, 334 AEMET-SREPS, 313–331
espectro de energía, 334 calibración estadística BMA, 318
límite inherente de predecibilidad, 334 configuraciones experimentales
modelos y SPC, 335 time lagged ensemble con AEMET-SREPS,
SPC en la escala kilométrica, 337 321
Imagen parte superior: cumulonimbus precipitando sobre campos de trigo en algún lugar de Castilla. Fotografía de J UAN C ARLOS
G ARCÍA C OLOMBO.
1102 Física del caos en la predicción meteorológica ÍNDICE ALFABÉTICO
configuraciones experimentales y otras lecturas recomendadas, 715

investigaciones, 318 predicción
errores en las observaciones, 321 limitaciones, 692
metodología, 315 tipos, 690
configuración típica, 315 de fusión, 690
modelos globales usados, 317 de nieve reciente, 690
modelos regionales usados, 316 de placa, 690
multianálisis, 317 variables, 690
multicontorno, 317 meteorológicas y nivológicas, 690
multimodelo, 316 terreno, 690
posproceso, 318 zonas, 690
proyecto, 314 A NCELL , R AFAEL, 1017–1024
proyectos, 329 aplicaciones
resumen y conclusiones, 330 Argentina, 583–598
SPC difusivo, 320 Albero, 593
SPC híbrido, 320 análisis del caso de estudio, 586
usuarios, 329 Argentina, el país, 584
verificación, 322 calibración de pronósticos probabilistas de
consistencia del flujo a gran escala, 322 precipitación utilizando análogos, 588
tiempo sensible, respuesta frente a eventos calibración de pronósticos probabilistas de
binarios, 325 precipitación utilizando análogos,
verificación consistencia del flujo a gran escala, verificación, 590
322 calibración de pronósticos probabilistas de
consistencia estadística con el análisis, 323 precipitación utilizando análogos,
dispersión, 323 visualización, 593
miembros individuales, 322 conclusiones generales, 597
verificación respuesta frente a eventos binarios, estrategias pronóstico por ensamble en alta
325 resolución, 585
agrometeorología, 1009–1015 método de regresión por análogos, 588
aludes, 689–715 pronósticos por ensambles en alta resolución,
de nieve reciente, 694 585
de nieve reciente, caso del circo de Piedrafita, pronósticos por ensambles en escala
Pirineo Central, 694 estacional, 594
área, 694 pronósticos por ensambles en escala
descripción del evento, 696 estacional, calibración, 594
factores meteorológicos y nivológicos, 696 pronósticos por ensambles en escala
predicción del ECENS, 699 estacional, verificación, 595
de placa, 702 energía eólica, 607–611
de placa húmeda, 709 conclusiones, 611
de placa húmeda, caso del grupo de cumbres de experimentos, 609
Peña Vieja, Picos de Europa, 709 introducción, 608
área, 709 modelos neuronales y SVR, 608
características de los aludes observados, 711 energía solar, 599–606
descripción del evento, 710 beneficios de las predicciones probabilistas,
predicción del ECENS, 713 601
de placa, caso del macizo de Peñalara, sistema efecto cartera, almacenamiento eléctrico y
Central, 702 gestión de la demanda, 602
área, 702 inclusión de incertidumbres de predicciones
descripción del evento, 703 meteorológicas en la optimización del
predicción del ECENS, 705 despacho de energía por plantas solares de
definición, 690 concentración, 604
introducción, 690 previsiones meteorológicas en energía solar
ÍNDICE ALFABÉTICO 1103
fotovoltaica, 600 despacho de energía por plantas solares de

Portugal, 579–582 concentración, 604
predicción operativa, 580 previsiones meteorológicas en energía solar
predicciones por localidades, 581 fotovoltaica, 600
predicción aeronáutica, 523 aprendizaje automático, 198
predicción probabilista, 402 aprendizaje automático
predicciones de largo plazo: mensual, aplicación γSREPS, 201
estacional, anual y decadal, 447 temperatura, 201
previsión de medicanes, 551–561 viento, 203
conclusiones, 561 descripción, 198
criterios para identificar un ciclón, 554 panorama, 198
detección y trayectoria de ciclones, 554 perceptrón, 200
EPSgramas, 560 red neuronal, 200
espacio de fases de los ciclones, 554 Argentina, 583–598
espacio de fases de los ciclones, parámetros, Albero, 593
555 análisis del caso de estudio, 586
los ciclones mediterráneos y el tiempo Argentina, el país, 584
adverso, 552 calibración de pronósticos probabilistas de
predecibilidad de los ciclones mediterráneos, precipitación utilizando análogos, 588
553 calibración de pronósticos probabilistas de
predicción de ciclones a partir de modelos precipitación utilizando análogos,
numéricos, 554 verificación, 590
un caso particular en detección de ciclones: calibración de pronósticos probabilistas de
medicanes, 556 precipitación utilizando análogos,
previsión de rayos, 563–568 visualización, 593
actividad eléctrica y graupel, 564 conclusiones generales, 597
caso del 29-08-2017, 564 estrategias pronóstico por ensamble en alta
conclusiones, 567 resolución, 585
ensemble de hombre muy pobre, 565 método de regresión por análogos, 588
fenómenos adversos, 564 pronósticos por ensambles en alta resolución,
métodos probabilistas, 564 585
proyecciones climáticas, 477 pronósticos por ensambles en escala estacional,
una aplicación de los SPC para avisos 594
meteorológicos, 569–577 pronósticos por ensambles en escala estacional,
avisos meteorológicos, 570 calibración, 594
caso de estudio: la borrasca A NA, 574 pronósticos por ensambles en escala estacional,
introducción, 570 verificación, 595
un problema de probabilidades, 571 A RNOLD , V LADIMIR I GOREVICH
aplicaciones en energía eólica, 607–611 reseña, 20
conclusiones, 611 retrato, 971
experimentos, 609 asimilación
deterministas y ensembles, 609 3DVAR, 134
intervalos de incertidumbre, 610 A SURBANIPAL, 22
introducción, 608 atmósfera
modelos neuronales y SVR, 608 circulación general, 81
aplicaciones en energía solar, 599–606 composición, 73
beneficios de las predicciones probabilistas,
601 B JERKNES , V ILHELM, 22, 28, 146
efecto cartera, almacenamiento eléctrico y B JERKNES , V ILHELM
gestión de la demanda, 602 reseña, 153
inclusión de incertidumbres de predicciones retrato, 972
meteorológicas en la optimización del B RANDES , H. W., 26
B UIZZA, ROBERTO determinismo, 16

RESEÑA , 397 paradigmas científicos, 14
retrato, 973 falsacionismo, 14
B UNGE , M ARIO AUGUSTO relatividad, 16
reseña, 15 C ARTWRIGHT, M ARY
retrato, 974 reseña, 20
B UYS -BALLOT, C. H. D., 28 retrato, 975
casos
Cabañuelas, 147, 1029 aludes, 689
Calendario Zaragozano, 147 borrasca con baja predecibilidad feb 2017,
Cambio climático, calentamiento global de 1,5 °C 805–814
enlaces, 1041 análisis de la situación, 808
Cambio climático, calentamiento global de 1,5 ºC conclusiones, 814
beneficios de limitar el calentamiento a 1,5 ºC, diferencia entre las pasadas del modelo
1036 determinista, 811
conclusiones, 1041 observaciones destacadas y efectos, 806
introducción, 1034 salidas del ECENS o ENS-IFS, 812
limitación del calentamiento global a 1,5 0 C y salidas del ECENS, grupos según la técnica
promoción simultánea del desarrollo antigua, 812
sostenible, 1039 salidas del ECENS, grupos según la técnica
limitando el calentamiento global a 1,5 °C, nueva, 813
1038 borrasca Hugo, marzo 2018, 891–907
situación actual, 1034 boletín de peligro de aludes (BPA), 892
caos, 18, 49–65 conclusiones, 907
conceptos asociados a sistemas dinámicos no evolución meteorológica, 905
lineales, 65 predicción meteorológica, 895
conclusiones, 64 predicción nivológica, 904
determinista, 22, 64, 917, 918 preparación de la predicción, 894
efecto mariposa, 64, 918 dana de principio de verano julio 2017,
paradigma, 63 879–889
sensibilidad análisis de la situación, 885
condiciones iniciales, 56 comportamiento de modelos y SPC, 880
parámetros del modelo, 62 conclusiones, 889
sistemas dinámicos, 50 consistencia entre pasadas de ECHRES, 880
atractor de Stewart, 50 control vs determinista, 881
caóticos, 54 dispersión del ECENS, 881
continuos, 51 propuesta de predicción, 884
diagrama de fases, 53 huracanes tropicales, 717–727
discretos, 50 Álex, jul 2010, 723
ecuación logística, 50 generalidades, 718
lineales, 54 Ike, sep 2008, 720
linealización, 55 lluvias torrenciales en el Maresme 12-10-2016,
no lineales, 54 753–762
péndulo doble, 56 análisis sinóptico y mesoescalar, 755
péndulo simple, 52 avisos, un episodio complicado, 761
problema de los tres cuerpos, 57 conclusiones, 762
sistema de L ORENZ, 59, 62 impactos del episodio, 755
teorema de L IOUVILLE, 54 introducción, 754
teorema de N ÖETHER, 54 nubosidad, sistemas precipitantes y
caos, introducción historica, 13–20 tormentas, 757
cambios de paradigma, 16 predicción determinista y probabilista de la
caos, 18 precipitación, 758
lluvias torrenciales en Málaga feb 2017, evolución de la predicción de nevadas,

827–837 predicción D+1, elaborada el 03.03.2017,
comparación con observaciones, 835 863
conclusiones, 837 evolución de la predicción de nevadas,
descripción meteorológica, situación predicción D+2, elaborada el 02.03.2017,
sinóptica, 828 862
predicción de corto plazo, 835 evolución de la predicción de nevadas,
predicción de medio plazo, 831 predicción D+3, elaborada el 01.03.2017,
predicción de medio plazo, consistencia 861
entre ECENS y ECHRES, 832 evolución de la predicción de nevadas,
predicción de medio plazo, escenarios predicción D+4, elaborada el 28.02.2017,
ECENS, 833 861
predicción de medio plazo, modelo evolución de la predicción de nevadas,
determinista ECHRES, 831 predicción D+5, elaborada el 27.02.2017,
predicción de medio plazo, predicción 860
posible, 834 evolución de la situación prevista a escala
predicción de medio plazo, probabilidades sinóptica, 856
ECENS, 834 introducción, 856
principales impactos, 829 predicción D+1, elaborada el 03.03.2017,
lluvias y vientos intensos en Canarias feb-mar 859
2017, 839–854 predicción D+2, elaborada el 02.03.2017,
conclusiones generales, 854 859
lluvias intensas 18-03-2017, 840 predicción D+3, elaborada el 01.03.2017,
lluvias intensas 18-03-2017, análisis, 841 857
lluvias intensas 18-03-2017, conclusiones, predicción D+4, elaborada el 28.02.2017,
842 857
lluvias intensas 18-03-2017, introducción, predicción D+5, elaborada el 27.02.2017,
840 857
lluvias intensas 19-03-2017, 844 reflexiones sobre la elaboración de la
lluvias intensas 19-03-2017, análisis, 844 predicción, 863
lluvias intensas 19-03-2017, conclusiones, precipitaciones intensas en el E y SE
848 peninsular, Dic 2016 y Mar 2017, 775–794
lluvias intensas 19-03-2017, introducción, comportamiento del ECMWF: ECHRES Y
844 ECENS, 785
vientos intensos 12-02-2017, 849 conclusiones, 793
vientos intensos 12-02-2017, análisis, 849 diagnóstico de los episodios, 776
vientos intensos 12-02-2017, conclusiones, diagnóstico de los episodios, episodio A del
854 18-12-2016: caracterización sinóptica, 776
vientos intensos 12-02-2017, introducción, diagnóstico de los episodios, episodio A del
849 18-12-2016: estudio mediante
ola de calor Gastón sep 2016, 741–752 teledetección y datos observados, 778
descripción sinóptica y predicción mensual, diagnóstico de los episodios, episodio B del
742 13-03-2017: caracterización sinóptica, 777
ECENS, 744 diagnóstico de los episodios, episodio B del
modelos determinista (ECHRES), 749 13-03-2017: estudio mediante
observaciones, 750 teledetección y datos observados, 782
resumen final, 752 episodio A del 18-12-2016: escenarios, 785
posibles nevadas generalizadas en la Península episodio A del 18-12-2016: Extreme
mar 2017, 855–866 Forecast Index (EFI) y Shift Of Tail
análisis del día 04/03/2017, 864 (SOT), 788
conclusiones, 865 episodio A del 18-12-2016: mapas de
evolución de la predicción de nevadas, 860 probabilidad de precipitación en 24 h, 787
episodio A del 18-12-2016: predicción predicciones probabilistas, altura del oleaje,

operativa y avisos, 789 773
episodio B del 13-03-2017: comparación predicciones probabilistas, precipitación, 770
ECHRES y ECENS, escala sinóptica, 789 temporal marítimo en Galicia feb 2017,
episodio B del 13-03-2017: mapas de 815–826
probabilidad, EFI y SOT, 792 descripción de la situación, 817
episodio B del 13-03-2017: predicción de la emisión de avisos, 822
baja mesoescalar. ECHRES y ECENS, 790 evolución observada de la situación, 825
episodio B del 13-03-2017: predicción inconsistencia de las pasadas sucesivas del
operativa y avisos, 793 modelo ECMWF de alta resolución
introducción, 776 ECHRES, 818
predicción Myanmar nov-dic 2015, 729–739 problemática de la predicción, 817
conclusiones, 739 temporal mediterráneo de lluvia, nieve y viento
corto plazo, 733 ene 2017, 795–803
EFI, 734 predicciones probabilistas, 800
EPSgramas, 735 predicciones probabilistas, mapas de
largo-medio plazo, 733 probabilidad ECENS, 801
medio plazo, 733 predicciones probabilistas, penachos GEFS,
muy corto plazo, 733 800
predicción durante la visita, 731 predicciones probabilistas, supergrupos
predicción elaborada para Nai Pyi Taw ECENS, 802
(Myanmar), 734 un episodio con lluvia muy copiosa, nieve,
proceso de predicción en cascada, 732 viento fuerte, mar alta y ciclogénesis
semana santa 2017, 867–878 importante, 796
consistencia: ¿qué hay que mirar?, 869 C HARNEY, J ULE G REGORY, 6, 28, 147
datos de observación, 876 C HARNEY, J ULE G REGORY
escenarios, probabilidades, ECENS y corto reseña, 153
plazo, 871 retrato, 976
predicción mensual, 869 ciencias atmosféricas, 67–82
resumen final, 876 atmósfera
superrécord de precipitación Oliva 3-4 nov composición, 73
1987, 655–688 dinámica, 77
el episodio, 665 advección, 78
el episodio, contextualización, 665 aproximacion hidrostática, 78
génesis de la situación, 673 aproximaciones, 78
predecibilidad a escala media, 666 ciclogénesis, 81
predicciones correspondientes al episodio en circulación general de la atmósfera, 81
su época, 668 ecuaciones, 77
repredicción con AEMET-γSREPS, 680 ecuaciones de E ULER, 78
repredicción con HARMONIE-AROME, efecto C ORIOLIS, 81
671 enfoques lagrangiano y euleriano, 78
sensibilidad a la orografía, 670 frentes, 81
singularidad pluviométrica de La Marina y mapas de superficie y altura, 79
La Safor, 656 ondas, 80
temporal de levante en Baleares, Comunidad ondas acústicas, 80
Valenciana, Murcia y Almería, Dic 2016, ondas de gravedad, 80
763–774 ondas de ROSSBY, 80
conclusiones, 773 radiación, 68
descripción de las precipitaciones del balance de energía, 71
episodio, 768 interacción materia, 70
origen del temporal, 764 leyes fundamentales, 68
predicciones probabilistas, 770 solar, 69
termodinámica, 73 917
aire húmedo, 74 En qué se basa la predicción por localidades,
estabilidad vertical de la atmósfera, 75 916
principios fundamentales, 73 Hasta cuántos días son fiables las
procesos adiabáticos, 74 predicciones del tiempo, 916
cine, 958 Pueden hacerse predicciones con seis meses
Desafío total, de PAUL V ERHOEVEN, 959 de antelación, 916
El día de mañana, de ROLAND E MMERICH, Qué es el efecto mariposa, 918
961 Se harán predicciones cada vez más exactas
El efecto mariposa, de E RIC B RESS y J. y precisas, 917
M ACKYE G RUBER, 959 Se usa la teoría del caos en la predicción del
El final de la cuenta atrás, de D ON TAYLOR, tiempo, 917
961 futuro de la predicción del tiempo, 921
El sonido del trueno, de P ETER H YAMS, 959 comunicación de la probabilidad y la
Sharknado, de A NTHONY C. F ERRANTE, 960 incertidumbre en la predicción, 921
Twister, de JAN DE B ONT, 960 el papel del predictor, 923
Viaje alucinante al fondo de la mente, de K EN fenómenos meteorológicos adversos, 922
RUSSELL, 961 predicción en Canarias, 922
cine y literatura, 957–964 predicción probabilista de la precipitación,
lecturas recomendadas, 964 921
climatología y observaciones, 117–128 tendencias hacia los SPC, 921
almacenamiento de datos, 126 resumen de aspectos importantes tratados y
Banco de Datos AEMET, 122 algunas conclusiones, 912
clima, 118 consorcios europeos
caracterización, 119 ALADIN, 303
normales climatológicas, 120 COSMO, 303
observaciones climatológicas, 121 HIRLAM, 302
control de calidad, 126 RC LACE, 303
redes C RAY, S EYMOUR, 148
climatológica ordinaria, 124
estaciones automáticas, 125 descargas eléctricas
mesoescalar, 123 aplicaciones de los datos de rayos, 115
principal, 124 climatología de rayos, 115
secundaria, 125 ejemplo de día con fuerte actividad eléctrica,
sinóptica básica regional, 123 114
sinóptica complementaria, 123 máximos en España, 115
sinóptica nacional, 123 red de rayos de AEMET, 114, 115
termopluviométrica, 125 dinámica, 77
conclusiones, 911–924 advección, 78
algunas respuestas a las preguntas del principio aproximacion hidrostática, 78
del libro, 915 aproximaciones, 78
experiencia en el desarrollo de SPC, 919 ciclogénesis, 81
alcance de este libro, 920 circulación general de la atmósfera, 81
folklore de puesta en operación por las ecuaciones, 77
licencias, 919 ecuaciones de E ULER, 78
impacto del número de miembros, 919 efecto C ORIOLIS, 81
multimodelo y multianálisis frente a un solo enfoques lagrangiano y euleriano, 78
modelo, 919 frentes, 81
predecibilidad de la convección, 920 mapas de superficie y altura, 79
resolución, 920 ondas, 80
FAQ, 915 ondas acústicas, 80
Cómo puede predecirse el cambio climático, ondas de gravedad, 80
ondas de ROSSBY, 80 ECHRES o HRES-IFS (High RESolution

diseño de SPC deterministic model), 291
error en condiciones de contorno, 275–285 EDA (Ensemble Data Assimilation), 294
archivo TIGGE, 278 integrated forecasting system (IFS), 291
comparaciones de SPC en TIGGE, 280 participación española, 298
conclusiones, 285 participación femenina, 299
errores debidos a condiciones de contorno, perturbaciones estocásticas, 294
276 plan estratégico 2016-2025, 297
experimentos multimodelo LAF y SLAF, Reading, 299
282 vectores singulares, 295
error en condiciones iniciales, 243–255 ecuación
análisis y su error, 244 de continuidad, 22, 112, 135
resumen y conclusiones, 254 de continuidad o conservación de masa, 146
técnicas de generación de estados iniciales, de convección, 78
244 de estado, 22
verificación de técnicas en AEMET, 250 de estado de los gases ideales, 73, 146
condiciones iniciales, técnicas de generación de F OKKER -P LANCK, 191, 545
de estados iniciales de F OKKER -P LANCK, 190
EDA, 248 de F OKKER -P LANCK o de KOLMOGOROV,
lagged ensemble, 248 171
LETKF, 246 de invertibilidad de la vorticidad potencial, 545
multimodelo, 244 de la energía, 22
NMC, 247 de la gaussiana en una dimensión, 196
vectores singulares, 249 de la termodinámica, 135
error en el modelo, 257–274 de L IOUVILLE, 158, 190, 544
clasificación de errores e incertidumbres, 260 de L IOUVILLE, 171
diagnosticando las incertidumbres, 263 de los gases perfectos, 135
de momento de una partícula o burbuja de aire,
discusión final, 271
147
errores vs incertidumbres, 260
de momento horizontal, 78
errores, limitaciones e incertidumbres, 258
de momento vertical, 78
historia y conceptos, 259
de S CHRÖDINGER, 17
incertidumbres en la dinámica, 261
de S MOLUCHOWSKI o de convección-difusión,
incertidumbres en la física, 262
171
introducción, 258
del atractor de L ORENZ, 60
métodos, 264
del efecto doppler, 105
multifísica, 264, 266
del oscilador armónico, 55
multimodelo, 264, 267
logística, 50
multiparámetros, 264 logística discreta, 20
parametrizaciones estocásticas, 264, 269 relación de M ARSHALL -PALMER, 104, 111
SKEB, 269, 270 ecuaciones
SPC operativos, 272 continuas, 494
SPPT, 269 de conservación, 22
valoración subjetiva, 271 de conservación para distintas fases del agua,
verificaciones objetivas, 273 135
de conservación/predicción, 137
E CKERT, J OHN P RESPER, 147 de E ULER, 78, 135
ECMWF, 289–299 de evolución del sistema climático, 477
Centro Europeo de Predicción a Medio Plazo, de fluidos, 78
290 de la atmósfera, 129
ECENS o ENS-IFS (Ensemble Prediction de la atmósfera propuestas por B JERKNES
System), 293 (primitivas), 146
de la atmósfera y el océano, 479 F ITZROY, ROBERT, 28, 146

de la dinámica atmosférica, 22 F JØRTOFT, R AGNAR, 147
de la hidrodinámica, 22 F JØRTOFT, R AGNAR
de la vorticidad quasigeostrófica, 153 reseña, 153
de L ORENZ 96, 336 retrato, 979
de movimiento básicas de la atmósfera, 78
de NAVIER -S TOKES, 77 G ALILEO, 25
de NAVIER -S TOKES, 135 G ARCÍA , Ó SCAR, 1027–1030
de NAVIER -S TOKES, 135 GLAMEPS, 304–309
de predicción, 137 calibración, 307
de pronóstico, 136 cifras, 309
de transferencia radiativa, 138 dominio, 305
del método LETKF, 246 ejemplos de predicciones, 308
del método NMC, 247 instalaciones, 304
dinámicas del movimiento de un fluido sobre malla, 305
una esfera en rotación (F ERREL), 28 modelos, 304
discretizadas, 494 naturaleza, 304
hidrostática, 135 pasadas, cycling, 305
resolución, 305
leyes de N EWTON, 135
verificación, 306
linealizadas, 80
G ÖDEL, K URT, 18
no lineales, 80
teorema, 18
NO LINEALES , 77
primitivas, 153 HARMONIE-AROME en España, 310
primitivas de la atmósfera, 135, 146 H ELLWIG, C HRISTOPH, 25
que regulan el comportamiento de la atmósfera, H ILDEBRANDSSON , H. H., 27
22 HIRLAM, 301–311
consorcio, 302
FAHRENHEIT, DANIEL G ABRIEL, 25 proyecto GLAMEPS, 304
F EIGENBAUM , M ITCHELL JAY plataforma Harmon-EPS, 309
reseña, 20 HIRLAM en España, 310
retrato, 977 huracanes tropicales, 717–727
fenómenos meteorológicos adversos (FMA), 6, 9, Álex, jul 2010, 723
31, 46, 104, 114, 143, 161–164, 166, 170, generalidades, 718
173, 188, 191, 218, 239, 314, 315, 330, Ike, sep 2008, 720
331, 340, 350, 353, 354, 364, 387, 419, H UYGENS , C HRISTIAAN, 25
435, 436, 534, 535, 545, 554, 564, 570,
574, 628, 629, 633, 650, 690, 735, 739, incertidumbre
754, 761, 794, 815, 817, 849, 854, 855, comunicación, 621, 625
866, 888, 891, 913–915, 920, 922, 923, en la escala convectiva, 334
964, 1012 PDF continua, 186
episodio de Oliva de noviembre de 1987, 163 PDF discreta, 186
episodios europeos M ARTIN y L OTHAR, 162 probability density function PDF, 187
predecibilidad de la precipitación, 163 representación, 176
singularidad pluviométrica de la Marina Alta y introducción al libro, 3–12
La Safor, 163 detalle, incertidumbre y probabilidad, 5
fenómenos meteorológicos extremos, 9, 114, 161, ejemplos de predicción probabilista, 9
164, 166, 188, 191, 218, 239, 314, 315, estructura del libro, 12
340, 354, 419, 564, 634, 913, 914, 920 la predicción mensual, 4
F ERREL , W., 28 limitaciones de los modelos y nuevo
F EYERABEND , PAUL K ARL paradigma, 8
reseña, 15 mapa del libro, 12
retrato, 978 meteorología y predicción, 6
modelos atmosféricos, 7 Estado de miedo, de C ORMAC M C C ARTHY,

modelos atmosféricos y sus limitaciones, 6 962
predicción probabilista, 9 Estado de miedo, de M ICHAEL C RICHTON,
IPCC, 479, 488, 491, 498, 499, 510, 513, 514, 516 962
AR3 y AR4, 490 La chica mecánica, de PAOLO BACIGALUPI,
AR4, 500 963
AR5, 490, 491, 501, 504, 509, 514–516 Solar, de I AN M C E WAN, 963
AR6, 1034, 1036, 1041 L ITTLEWOOD , J OHN E DENSOR
reseña, 20
K ALNAY, E UGENIA retrato, 985
reseña, 397 L ORENZ , E DWARD N ORTON, 19, 22, 59, 64, 156,
retrato, 980 166
K NAUER , M ORITZ, 25 cita, 269
KOLMOGOROV, A NDREY L ORENZ , E DWARD N ORTON
reseña, 20 reseña, 19, 397
retrato, 982 retrato, 986
K UHN , T HOMAS S AMUEL
reseña, 15 método
retrato, 981 de diferencias finitas, 136
de elementos finitos, 136
L AKATOS , I MRE espectral, 136
reseña, 15 machine learning, 198
retrato, 983 lecturas recomendadas, 652
L E V ERRIER , U RBAIN J EAN J OSEPH, 28 malentendidos conceptuales y terminológicos en
lecturas recomendadas, 1045–1046 meteorología, 639–652
caos, 1046 aviso, alerta y alarma, 649
filosofía de la ciencia, 1046 buen tiempo y mal tiempo, 650
módulos COMET, 1046 ciclogénesis explosiva, 641
predecibilidad, 1046 tormenta con rayos, 646
sistemas dinámicos, 1046 condiciones, 641
límite computacional del universo, 16 gota fría, 643
límite de predecibilidad, 158, 191, 216, 293, 916, huracán mediterráneo, 643
919, 920 huracán y borrasca, 642
L IOUVILLE , J OSEPH inestabilidad, 648
reseña, 19 perturbación, 651
retrato, 984 procedencia masas de aire, 646
lista de autores, XLVII–LIII ríos atmosféricos, 645
contribuciones, XLVII sube el calor, 651
fotografías, LII temperaturas negativas bajo cero, 646
ilustraciones, LIII temporal de viento, 646
portada y contraportada, LII tiempo y clima, 640
retratos, LIII vórtice polar, 647
literatura, 962 M ANABE , S YUKURO, 497
2065, de J OSÉ M IGUEL G ALLARDO, 963 M ANDELBROT, B ENOIT
El año del diluvio, de M ARGARET ATWOOD, reseña, 20
963 retrato, 987
El final de la Tierra, de F REDERIK P OHL y mapa del libro, 12
JACK W ILLIAMSON, 962 M AUCHLY, J OHN W ILLIAM, 147
El problema de los tres cuerpos, de L IU C IXIN, M AURY, M ATTHEW F ONTAINE, 28
962 M AYO , D EBORAH G.
El ruido de un trueno, de R AY B RADBURY, reseña, 15
963 retrato, 988
M C C REDIE M AY, ROBERT método de diferencias finitas, 136

reseña, 20 método de elementos finitos, 136
retrato, 989 método espectral, 136
medicanes, 423, 534, 542, 551, 552, 554, 556, 559, no hidrostáticos, 136
561, 914 parametrización nubes, 139
Mediterráneo, 531–550 parametrización orografía, 138
desafíos y oportunidades de futuro, 550 parametrización radiación, 137
estrategias de generación de SPC, 545 parametrización turbulencia, 139
fenómenos meteorológicos relevantes, 535 parametrizaciones, 137
convección organizada, 541 regionales, RCM o LAM, 131
lluvias intensas, 535 sistema de ecuaciones primitivas, 135
medicanes, 541 terminología, 141
vientos fuertes, 538 en Canarias, 1027–1030
perspectiva histórica de su predecibilidad, 532 HARMONIE-AROME en España, 310
predecibilidad hidrológica en las cuencas HIRLAM en España, 310
mediterráneas, 548 limitaciones, 6
retos del uso de SPC, 544 orografías, 927
M ESTRE , A NTONIO, 1009–1015 MOGREPS, 361–365
meteoalerta, 627–630 estado en 2017, 363
alertas amarilla, naranja y roja, 628 historia, 362
fenómenos adversos, 628 MOGREPS-G (global)
objeto, destinatarios, productos, niveles de características, 363
aviso, 628 MOGREPS-UK (regional)
plan, 628 características, 363
método de regresión por análogos, 588 planes futuros, 364
México, 367–371 M OLTENI , F RANCO
antecedentes, 368 reseña, 397
ensambles en servidor virtual, 370 retrato, 990
futuro, 371 M ORIN , E DGAR
introducción, 368 reseña, 15
primeros intentos hacia SPC, 369 retrato, 991
modelos MyWave, 373–385
atmosféricos, 129–143 conclusiones, 385
anidamiento, 132 configuración de los sistemas locales
asimilación, 133 WAVE-EPS, 374
colaboraciones, 142 modelo local Mediterráneo, 376
componentes, 132 modelo local puertos, 378
convection-permitting, 140 consistencia, 381
dinámica, 135 modelos locales Atlántico, 375
downscaling dinámico o reducción de escala, proyecto SPC oleaje, 374
132 resultados, 382
ecuaciones de E ULER, 135 validación determinista, 376
wave-EPS Atlántico, 375
ecuaciones de NAVIER -S TOKES, 135
wave-EPS Mediterráneo, 376
escalas, 131
escalas grises, 140 NÁJERA, A NTONIO DE, 25
esquemas de tipo mosaico para la los N OETHER , E MMY
procesos de superficie, 139 reseña, 19
esquemas unificados de flujo de retrato, 992
masa-turbulencia, 139
globales, GCM, 131 O NSAGER , L ARS
HARMONIE-AROME, 131 reseña, 20
hidrostáticos, 136 retrato, 993
orografías, 927–947 descripción, 198

ECENS Canarias, 938 panorama, 198
ECENS Galicia, 940 perceptrón, 200
ECENS Rías Baixas, 942 red neuronal, 200
ECHRES Canarias, 938 regresión lineal, 199
ECHRES Galicia, 940 Bayesian Model Averaging (BMA), 195
ECHRES Rías Baixas, 942 conclusiones, 204
ECMWF 2000, 930 distribución gaussiana, 196
ECMWF 2006, 932 estratificación vs agrupación, 198
ECMWF 2010, 934 Extended Logistic Regression (ELR), 198
ECMWF 2016, 936 introducción, 194
ECMWF antes de 2000, 928 Logistic Regression (LR), 197
HARMONIE-AROME Galicia y Rías Baixas, machine learning, 198
946 método de máxina verosimilitud, 196
HARMONIE-AROME Península y Baleares y Model Output Statistics (MOS), 195
Canarias, 944 Perfect Prog, 194
primera vez en que una red neuronal supera a
PALMER , T IM un modelo físico, 205
reseña, 397 predecibilidad, 155–164
retrato, 994 caos en la atmósfera, 156
paradigmas, 14 cotidiana, 159
cambios, 16 en la escala convectiva, 334
caos, 17 esquemas determinista y probabilista, 157
clásico vs caos, 63 función densidad de probabilidad, 158
cuántico, 17 inestabilidad y predecibilidad, 157
determinismo, 16 limitaciones del esquema determinista, 156
falsacionismo, 14 límite de, 158, 191, 216, 293, 916, 919, 920
relatividad, 16 necesidad de los sistemas de predicción
tabla de paradigmas, 17 probabilistas, 160
personalidades objetivos de los sistemas de predicción
caos, 19 probabilistas, 160
contribuyentes importantes SPC, 396 predecibilidad de la precipitación, 163
filosofía de la ciencia, 15 predecibilidad de primera clase, 158
modelos, 143 predecibilidad de segunda clase, 158
supercomputación, 153 predecibilidad dependiente del flujo, 157
teoría del caos, 19 predecibilidad y predicción, 164
P OINCARÉ , H ENRI predicción de, 435
reseña, 19 problema de la predecibilidad, 157
retrato, 995 sensibilidad a las condiciones iniciales, 158
P OPPER , K ARL R AIMUND predicción, 6
reseña, 15 bandazos, 863
retrato, 996 en cascada, 732
Portugal, 579–582 estructuras meteorológicas, 35
predicción operativa, 580 escala sinóptica, 35
predicciones por localidades, 581 mesosescala, 39
posproceso estadístico, 193–205 microescala, 42
algoritmo Expectation Maximization (EM), operativa, 30
197 corto plazo, 32
aprendizaje automático, 198 medio y largo plazo, 33
aplicación γSREPS, 201 nowcasting, 31
aplicación γSREPS, temperatura, 201 papel del predictor, 43
aplicación γSREPS, viento, 203 rangos o plazos, 31
operativa y papel del predictor, 29–46 incertidumbres propias en escalas de corto y

oscilante, 870 medio plazo, 402
perspectiva histórica, 21–28 índice de predicción extrema, EFI, 420
Archivo General de Indias, 23 interpretación de la precipitación de los SPC:
astrometeorología, 25 hacia un cambio de paradigma, 437
computación, 28 localizaciones
desarrollo de la observación y las EPSgramas, 426
comunicaciones, 25 EPSgramas box-plots, 427
instrumentos de medida, 25 EPSgramas de 10 días, 427
introducción, 22 EPSgramas de 10 días de oleaje, 432
Libro de las cruces, 22 EPSgramas de 15 días, 430
lunaristas, 25 EPSgramas de 15 días con clima, 430
meteorología, astronomía y climatología, 22 penachos, 433
planteamiento científico, 26 mapas de probabilidad, 416
primer mapa del tiempo, 26 papel de la resolución, 405
red Palatina, 25 predicción de la predecibilidad, 435
predicción aeronáutica, 523–529 predicción del riesgo, 419
EPSgramas aeronáuticos, 524 productos crudos, 402
con ECENS, 524 espaguetis, 404
con GLAMEPS, 526 sellos, 402
continuos, 527 productos experimentales, 434
parámetros aeronáuticos, 524 productos locales, 425
parámetros generales, 524 descendiendo a localizaciones, 425
importancia de la información meteorológica, ¿pueden usarse los SPC sin probabilidades?,
524 435
informe de aeródromo (METAR), 529 supergrupos, 409
nombres OACI, 529 valor de los SPC, 435
Organización de Aviación Civil Internacional predicciones de largo plazo: mensual, estacional,
(OACI, ICAO en inglés), 529 anual y decadal, 447–476
pronóstico de aeródromo (TAF), 529 anual
predicción probabilista, 401–446 ECMWF, 469
adaptación de la técnica de ECMWF de centros especiales, 469
agrupamiento de SPC en AEMET, 441 foros regionales de perspectivas climáticas
conclusiones, 446 (RCOF), 470
método, 441 globales, 470
resultados, 443 IRI, 472
aspectos realmente novedosos, 436 MedCOF, 472
climatología del ECENS, 419 regionales, 470
comparación control-determinista, 405 conclusiones, 475
conclusiones, 436 decadal, 472
desplazamiento de cola, SOT, 422 ECMWF, 473
dispersión-promedio, 412 ECMWF: productos, 474
estructuras tropicales, 423 estacional
ciclón tropical, 423 EUROSIP, 468
huracán o tifón, 423 estacional ECMWF, 464
tormenta tropical, 423 estacional ECMWF: productos, 465
grupos mapas de terciles, 467
AEMET, 406 mapas espaciales, 466
ECMWF, 411 verificación, 466
nuevos AEMET, 412 estacional y anual, 462
incertidumbre estacional: enfoques estadístico y dinámico,
estimacion, 406 453
estacional: S-Climware, 454 concepción subjetiva, 1019

descripción, 456 condición de normalización, 187
evaluación, 458 crítica al uso del promedio de un SPC, 178
salidas, 456 curiosidades, 949–955
estacional: servicios climáticos, 454 problema de M ONTY H ALL, 951
fiabilidad, 458 problema del cumpleaños, 955
fundamentos, 448 teorema de BAYES para tests no perfectos,
incertidumbres propias, 449 950
largo plazo, 448 definición, 1019
mensual, 460 dependencia e independencia, 1022
ECMWF, 460 dependencia e independencia condicional,
ECMWF: productos, 461 1023
NAO, 455 diagramas de caja o boxplot, 183
predicción vs proyección, 451 dispersión
predicciones sin costuras o seamless, 458 crecimiento, 182
programa Copernicus, 472 dispersión e incertidumbre, 182
SPC de conveniencia, 452 distribución continua, 186
previsión de medicanes, 551–561 distribución discreta, 186
conclusiones, 561 distribución gaussiana (normal), 186
detección y trayectoria de ciclones, 554 distribución normal (gaussiana), 186
EPSgramas, 560 distribuciones de frecuencia, 176
espacio de fases de los ciclones, 554 distribuciones de probabilidad, 176, 1020
espacio de fases de los ciclones, parámetros, ejemplos sencillos de distribuciones, 184
555 ejemplos sencillos de predicciones SPC, 184
los ciclones mediterráneos y el tiempo adverso, espacio muestral, 1020
552 especificidad, 950
predecibilidad de los ciclones mediterráneos, estimadores robustos, 181
553 formalismo, 1019
predicción de ciclones a partir de modelos impacto de los outliers, 184
numéricos, 554 impacto de los valores atípicos, 184
un caso particular en detección de ciclones: incertidumbre, 176
medicanes, 556 intervalos de clase, 177
previsión de rayos, 563–568 los SPC no son propios solo del medio plazo,
actividad eléctrica y graupel, 564 también lo son del corto, 182
conclusiones, 567 marcas de clase, 177
ensemble de hombre muy pobre, 565 medida de probabilidad, 1019
fenómenos adversos, 564 medidas de centralización, 178
métodos probabilistas, 564 media, 178
P RIGOGINE , I LYA ROMANOVICH mediana, 178
reseña, 19 moda, 178
retrato, 997 medidas de dispersión, 181
probabilidad, 1017–1024 coeficiente de variación, 181
ajuste de una distribución, 186 desviación estándar, 181
axiomas dispersión e incertidumbre, 182
aditividad, 1020 IQR, 181
normalización, 1020 rango intercuartílico IQR, 181
boxplot o diagrama de caja, 183 varianza, 181
CDF, 187 medidas de posición, 183
CDF continua, 187 máximo, 183
CDF discreta, 188 mínimo, 183
comunicación, 621, 625 mediana, 183
concepción laplaciana, 1020 outliers (valores atípicos), 183
percentiles, 183 NAO, 485

valores atípicos (outliers), 183 proyecciones de cambio climático, 508
muestra, 176, 1020 teleconexiones, 483
outliers (valores atípicos), 183 variabilidad climática vs cambio climático, 481
PDF, 187
PDF continua, 187 radar meteorológico, 103–116
PDF discreta, 187 estimación de la precipitación, 104
percentiles, 188 generalidades, 104
perspectiva histórica, 1018 limitaciones y fuentes de error, 104
población, 176, 1020 metodos probabilistas para estimación de la
probabilidad condicional, 1021 precipitación, 517–521
propiedades, 1020 descripción, 519
robustez, 181 fuentes de incertidumbre, 518
sensibilidad, 950 mosaicos de productos, 113
productos, 105
sucesos independientes, 1022
Constant Altitude Plan Position Indicator,
teorema de BAYES, 1024
CAPPI, 107
teorema de BAYES para tests no perfectos, 950
Plan Position Indicator, PPI, 106
un ejemplo de predicción probabilista SPC, 177
precipitación acumulada HYDROp, 110
valores atípicos (outliers), 183
proyección de máximos de reflectividad
valores extremos, 188
sobre la horizontal, ZMAX, 109
PROFORCE, 633–638
Surface Rainfall Intensity, SRI, 110
capacitación y experiencia, 636
topografía de ecos superando un umbral,
portales web, 635
ECHOTOP, 108
proyecto, 634
Velocity Volume Processing, VVP, 112
un sistema de pronóstico probabilista sin
Vertical Integrated Liquid, VIL, 109
costuras, 634
radar DOPPLER, 105
programa Copernicus, 290, 465, 472
secciones verticales, 112
proyecciones climáticas, 477–516
volumen polar, 105
cambio climático, 513
radiación, 68
enlaces de interés, 516
balance de energía, 71
IPCC, 513
interacción materia, 70
resultados concluyentes, 514
leyes fundamentales, 68
climas glacial e interglacial, 504
solar, 69
conclusiones, 515
calentamiento desigual, 69
EC-Earth, 511 red de rayos de AEMET, 114
el periodo histórico, 501 relación de M ARSHALL -PALMER, 104
escalas de variabilidad climática, 479 retratos originales, 969–1003
forzamientos climáticos, 487 R ICHARDSON , L EWIS F RY, 28, 147
influencia del forzamiento radiativo en el R ICHARDSON , L EWIS F RY
clima, 492 reseña, 153
fuentes de incertidumbre en simulacion retrato, 998
climática, 478
incertidumbres y uso de SPC en clima, 499 satélites, 83–102
verificación vs evaluación, 500 enlaces de interés, 102
introducción, 478 historia, 86
modelos climáticos, 493 Meteosat primera generación, 87
historia, 497 Meteosat segunda generación, 88
predicciones del tiempo vs proyecciones Meteosat tercera generación, 101
climáticas, 496 NOAA-2, 87
paleoclima, 502 primer satélite meteorológico, 86
patrones globales de variabilidad serie ATS, 87
ENSO, El Niño, 484 serie SMS, 87
series TIROS, TOS y NIMBUS, 86 desviación estándar, 181

Syncom-3, 87 mapas de promedio y dispersión, 182
TIROS-1, 86 distribución continua, 186
imágenes, 88 distribución discreta, 186
IR cercano e IR térmico, 90 distribuciones de frecuencia, 176
IR térmico, 92 distribuciones de probabilidad, 176
visible, 88 ecuación de F OKKER -P LANCK, 171
introducción, 84 ecuación de L IOUVILLE, 171
misiones futuras, 101 ejemplos sencillos de distribuciones, 184
órbitas, 84 ejemplos sencillos de predicciones SPC, 184
geoestacionarias, 85 escalas y plazos, 174
heliosíncronas, 84 escenarios, 173
productos derivados, 94 estimadores robustos, 181
composiciones RGB, 96 importancia en el corto plazo, 182
NWCSAF, 98 incertidumbre, 176
seamless, sin costuras o sin discontinuidades, 966, PDF continua, 186
1038 PDF discreta, 186
singularidad pluviométrica de La Marina y La Safor, probability density function PDF, 187
656, 664 incertidumbre, representación, 176
área, 656 los SPC no son propios solo del medio plazo,
periodos de retorno, 661 también lo son del corto, 182
tipos de episodios, 659 mapas de promedio y dispersión, 182
sistemas de predicción por conjuntos (SPC), medidas de centralización, 178
165–192 media, 178
agrupamiento, 188 mediana, 178
ajuste de una distribución, 186 moda, 178
boxplot o diagrama de caja, 183 medidas de dispersión, 181
CDF, 187 coeficiente de variación, 181
CDF continua, 187 desviación estándar, 181
CDF discreta, 188 dispersión e incertidumbre, 182
concepto, 173 IQR, 181
conclusiones, 191 rango intercuartílico IQR, 181
crítica al uso del promedio de un SPC, 178 varianza, 181
diagramas de caja o boxplot, 183 medidas de posición, 183
diseño, 174 máximo, 183
downscaling, 175 mínimo, 183
globales, 174 mediana, 183
Montecarlo, 174 outliers (valores atípicos), 183
multianálisis, 175 percentiles, 183
multicontorno, 175 valores atípicos (outliers), 183
multifísica, 175 miembros, 173
multimodelo, 174 muestreo de incertidumbres, 171
multiparametrizaciones, 175 necesidad, 167
perturbaciones multianálisis, 175 objetivos, 170
perturbaciones estocásticas, 175 calibrar predecibilidad dependiente del flujo,
posproceso estadístico, 175 170
regionales, 175 estimar PDF, 170
time lag, 174 evaluar el potencial de fenómenos adversos,
dispersión 170
crecimiento, 182 identificar áreas de poca predecibilidad, 170
dispersión e incertidumbre, 182 proveer escenarios, 170
dispersión, 181 simular fuentes de incertidumbre, 170
outliers (valores atípicos), 183 ECENS del ECMWF europeo, 390

PDF, 187 GEFS del NCEP americano, 391
PDF continua, 187 GEPS del CMC de Canadá, 392
PDF discreta, 187 MOGREPS-G del UKMO de UK, 392
percentiles, 188 PEARP de Météo-France, 393
probabilidad, 187 SPC de China, 391
CDF, 188 SPC de la JMA de Japón, 393
computación de la probabilidad, 187 SPC de la KMA de Corea, 393
gráficas, 189 SPC del CPTEC de Brasil, 392
índice de predicción extrema (EFI), 188 SPC regionales
mapas, 189 AEMET-SREPS, 396
percentiles, 188 Arome-France-EPS de Météo-France, 395
resolución, 173 COSMO-DE-EPS de COSMO, 395
robustez, 181 GLAMEPS, 304
técnicas anteriores a su aparición, 167 calibración, 307
consistencia entre modelos, 168 cifras, 309
consistencia entre pasadas, 167 dominio, 305
un ejemplo de predicción probabilista SPC, 177 ejemplos de predicciones, 308
valores atípicos (outliers), 183 instalaciones, 304
valores extremos, 188 malla, 305
visión crítica, 190 modelos, 304
carácter discreto o continuo, 190 naturaleza, 304
equiprobabilidad de los miembros, 191 pasadas, cycling, 305
S MAGORINSKY, J OSEPH, 497 resolución, 305
sociedad verificación, 306
malentendidos conceptuales y terminológicos
LAMEPS húngaro, 395
en meteorología, 639
LAMEPS noruego, 395
meteoalerta, 627
MOGREPS-UK, 395
probabilidad e incertidumbre en la sociedad y
SREF del NCEP americano, 395
en los medios, 615–626
S TEWART, I AN
ciencia, 617
reseña, 20
complejidad de la meteorología, 616
retrato, 999
comunicación de la probabilidad y la
supercomputación, 145–153
incertidumbre en televisión, 625
almacenamiento distribuido, 152
el reto probabilista en los medios de
big data, 151
comunicación, 621
incertidumbre, 617 computación distribuida, 152
lecturas recomendadas, 626 contexto histórico, 146
observabilidad e importancia del tiempo, 616 C RAY, padre de la, 148
percepción de la meteorología, 618 en AEMET, 150
predicción probabilista, 617 en ECMWF, 148
probabilidad, 617 ley de M OORE, 151
sesgo cognitivo, 616 terminología, 151
PROFORCE, 633
SPC teorema
orografías, 927 de BAYES, 950, 1024
personalidades contribuyentes, 396 de G ÖDEL, 18
SPC de alta resolución, 338 de L IOUVILLE, 19, 54, 171, 190
2-3 km, 338 de N OETHER, 19, 54
áreas pequeñas, 338 teoremas
SPC globales de incompletitud de G ÖDEL, 18
BOM-EPS del BOM de Australia, 392 terminología
malentendidos conceptuales y terminológicos error medio, 212

en meteorología, 639 escalas espaciales, 218
terminología estratificacion, 218
conjuntos vs ensambles, 967 fenómenos adversos, 218
predecibilidad vs predictibilidad, 966 fenómenos extremos, 218
probabilista vs probabilístico, 966 frente a observaciones vs frente a análisis, 210
seamless, sin costuras o sin discontinuidades, habilidad, destreza o pericia (skill), 212
966 incertidumbre muestral, 218
skill: habilidad, destreza, pericia, 966 límite de predecibilidad, 216
termodinámica, 73 medidas
aire húmedo, 74 fórmulas, 212
estabilidad vertical de la atmósfera, 75 medidas de habilidad (skill scores), 212
principios fundamentales, 73 metodos diagnósticos espaciales, 220
procesos adiabáticos, 74 métodos espaciales, 219
T HOM , R ENÉ metodos espaciales, 220
reseña, 19 métodos estadísticos, 210
retrato, 1000 diagrama de caja o boxplot, 211
TIGGE, 387–397 diagrama de dispersión, 210
BOM-EPS del BOM de Australia, 392 medidas o índices (scores), 211
características de los SPC, 389 tipos, 210
China, 391 objetiva, 209
ECENS del ECMWF europeo, 390 predicciones de precipitación, 219
GEFS del NCEP americano, 391 representaciones gráficas, 213
GEPS del CMC de Canadá, 392 evolución con el alcance, 213
MOGREPS-G del UKMO de UK, 392 mapa, 213
PEARP de Météo-France, 393 media móvil, 213
proyecto, 388 serie temporal, 213
SPC de la JMA de Japón, 393 subjetiva, 209
SPC de la KMA de Corea, 393 tipos de variables, 210
SPC del CPTEC de Brasil, 392 valor, 208
TIGGE-LAM visión crítica y perspectivas, 218
proyecto SPC regionales, 394 verificación probabilista, 221
T OTH , Z OLTAN B RIER
reseña, 397 descomposición, 224
retrato, 1001 marco general, 224
T RABERT, W., 27 score, 224
U RRUTIA, hermanos, 26 B RIER skill score, 232
calidad de los miembros, 221
verificación, 207–240 conclusiones, 238
agrupación, 218 consistencia del flujo a gran escala, 222
calidad, 208 continuous ranked probability score (CRPS),
atributos, 211 232
coeficiente de correlación de anomalías, 212 curva ROC, 231
dependiente del flujo, 218 diagrama dispersión-error, 223
descripción, 208 discriminación, 231
diagnóstica, 209 eventos binarios, 224
doble penalización, 220 agudeza (sharpness), 225
double penalty, 220 B RIER skill score, 232
error absoluto medio, 212 climatología muestral, 224
error cuadrático medio, 212 conexión B RIER - propiedades, 232
error cuadrático medio, raíz del, 212 continuous ranked probability score (CRPS),
error en las observaciones, 218 232
discriminación, 231 VON N EUMANN , J OHN, 28, 147

enlaces de interés, 240 VON N EUMANN , J OHN
fiabilidad (reliability), 226 reseña, 153
fiabilidad y habilidad, 228 retrato, 1002
frecuencia de ocurrencia, 225
W IENER , N ORBERT
resolución, 229
reseña, 20
valor económico relativo, 234
retrato, 1003
histograma de rango, 222
valor económico relativo, 234 Z ÚÑIGA Y O NTIVEROS, F ELIPE, 25
V ILLEGAS , P EDRO DE, 24 Z ACUTO , A BRAHAM, 23
Lista de acrónimos
AA aprendizaje automático. 198, 205, 351, 1115, 1124, 1132, 1136, Glosario: AA
AAPL Área de Aplicaciones. LII, 1115

ACAO Área de Climatología y Aplicaciones Operativas. XLVIII, LI, 1115
ACOMET Asociación de Comunicadores de Meteorología. LI, 1115
AEMC Área de Evaluación y Modelización del Clima. L, LI, 447, 477, 1033, 1115
AEMET Agencia Estatal de Meteorología. XLVII–LII, 3, 4, 13, 29, 30, 32, 49, 67, 79, 83, 91, 98, 100, 103,
106, 108, 110, 113–115, 117–129, 136, 142, 145, 150, 151, 155, 162, 165, 167–169, 175, 182, 191, 193,
195, 198, 201, 207, 220, 243–246, 248, 250, 254, 255, 257, 267, 275, 278, 289, 296, 301, 304, 309–311,
313–318, 320, 321, 325, 329–331, 333, 338, 340, 342, 343, 346, 350–352, 354, 355, 358–360, 373, 374,
387, 397, 401, 402, 404, 406–412, 416–418, 424, 425, 435, 437, 441, 447, 453, 454, 468, 472, 477, 523,
540, 542, 543, 547, 551, 554, 561, 563–571, 575, 577, 615, 616, 618, 624, 625, 627, 629, 633, 639, 640,
643, 649–652, 655–657, 666–668, 671, 672, 680, 682–687, 689, 699, 705, 717, 729, 741, 753–761, 763,
766–769, 775, 780–782, 785, 794, 797, 798, 801–803, 805–807, 809, 810, 812–815, 817, 818, 822, 827,
831–837, 839, 840, 845, 851, 852, 854–862, 865, 867, 879–881, 883, 884, 886, 889, 891, 892, 894, 896,
897, 902, 903, 905–907, 911, 913, 919, 923, 927, 949, 957, 962, 965, 1006, 1009, 1010, 1016, 1017, 1027,
1028, 1033, 1045, 1096, 1115
AI Área de Innovación. XLIX–LI, 1115
AIMC Área de Información Meteorológica y Climatológica. XLIX, 1115
ALADIN Aire Limitée Adaptation dynamique Développement International. 1115
AMOD Área de Modelización. XLVIII, L, LII, 1115
AMS American Meteorological Society. 1096, 1115
APRO Área de Predicción Operativa. XLVII, XLVIII, LI, LII, 775, 815, 855, 1115
AT Área de Teledetección. XLVIII, 1115
ATAP Área de Técnicas y Aplicaciones de Predicción. XLVIII–LII, 67, 329, 401, 441, 689, 699, 729, 741, 775,
805, 813, 867, 1115
BMA Bayesian Model Averaging. 1115, Glosario: BMA

Imagen parte superior: cumulus fractus y pequeñas nubes orográficas en una ladera de la isla de La Palma. Coronando Tenerife, sobre el
océano Atlántico, emerge el Teide, majestuoso e imponente. Fotografía tomada hacia el este, en mayo de 2004, desde la isla de La Palma.
1122 Física del caos en la predicción meteorológica Acrónimos
BSC Barcelona Supercomputing Center-Centro Nacional de Supercomputación. XLVIII, 447, 1115
CAPE convective available potencial energy. 140, 351, 418, 677, 845, 1115, Glosario: CAPE
CCM complejo convectivo de mesoescala. 1115, Glosario: CCM
CEPPM Centro Europeo de Predicción a Plazo Medio. 1115
CFL Courant-Friedrichs-Lewy. 376, 1115, Glosario: CFL
CIMA Centro de Investigaciones del Mar y la Atmosfera, UBA-CONICET. L–LII, 583, 1115
CIMSS Cooperative Institute for Meteorological Satellite Studies. 1115
CIN convective inhibition. 351, 1115
CLP capa límite planetaria. 139, 921, 1115, Glosario: CLP
CNP Centro Nacional de Predicción. XLVII, XLIX–LII, 3, 13, 49, 91, 155, 165, 207, 275, 301, 313, 387, 401,
409, 410, 615, 616, 627, 689, 717, 827, 879, 911, 949, 965, 1045, 1115
COMET Cooperative program for Operational Meteorology, Education, and Training. 1115
COSMO Consortium for Small-scale Modeling. 329, 1115
CRAHI Centre de Recerca Aplicada en Hidrometeorologia. XLVII, LI, 517, 519, 520, 1115
CSD-DAVG Computer Science Department - Data Analysis and Visualization Group. XLVIII, 583, 1115
CSIC Consejo Superior de Investigaciones Científicas. XLIX, L, 21, 1115
CSP Concentrated Solar Power (Energía Solar de Concentración). 1115, Glosario: CSP
DACA+IG Departamento de Astrofísica y Ciencias de la Atmósfera; Instituto de Geociencias UCM-CSIC.

XLIX, L, 21, 477, 1115
DANA depresión aislada de niveles altos. 32, 37, 38, 167, 182, 410, 644, 658, 659, 661, 671, 675, 776–778,
785, 828, 831, 832, 835, 841, 842, 844, 846, 870, 873, 879–882, 885, 888, 915, 1115, Glosario: DANA
DC-FCEyN Departamento de Computacion, FCEyN. L, 583, 1115
DCAO-FCEyN Departamento de Ciencias de la Atmosfera y los Oceanos, FCEyN. L–LII, 583, 1115
DFM Department of Forecasting Models. XLIX, LI, LII, 1115
DII Departamento de Ingeniería Informática. XLVIII, 1115
DLR Deutsches Zentrum für Luft und Raumfahrt e.V. (Agencia Aeroespacial Alemana). XLVIII, XLIX, LI,
1115, Glosario: DLR
DPMVSE Divisão de Previsão Meteorológica, Vigilância e Servios Espaciais. XLVIII, LI, 1115
DT Delegación territorial. XLVII–LII, 49, 103, 115, 257, 401, 437, 447, 477, 563, 569, 655, 689, 753, 763, 775,
815, 839, 891, 907, 927, 1016, 1017, 1115
ECENS ECmwf ENSemble prediction system. 1115

ECHRES ECmwf High RESolution model. 1115
ECMWF European Centre for Medium-range Weather Forecasts -Centro Europeo de Predicción a Plazo Medio-.
XLIX, 6, 167–169, 173, 175, 191, 209, 240, 288, 290, 291, 388, 390, 392, 393, 395, 397, 402, 448, 449,
453, 460, 461, 464–469, 472–474, 524, 621, 623, 624, 729, 730, 732, 733, 737, 739, 741, 856, 864, 867,
898–901, 914, 919, 921, 1012, 1115
EDA Ensemble of Data Asimilation. 388, 389, 391, 393, 1115
ELR Extended Logistic Regression. 1115, Glosario: ELR
EMA Estaciones Meteorológicas Automáticas. 1115, Glosario: EMA
EPS ensemble prediction system(s). 1115
ESA European Space Agency. 1115
ETKF Ensemble Transform Kalman Filter. 389, 392, 393, 1115
ETSIT Escuela Técnica Superior de Ingenieros de Telecomunicaciones. XLVIII, 13, 49, 1115
EUMETNET European Meteorological Network. 359, 360, 1115
EUMETSAT European Organisation for the Exploitation of Meteorological Satellites. 472, 799, 1115
FMA fenómeno meteorológico adverso. 6, 31, 104, 143, 161, 166, 170, 188, 191, 218, 239, 314, 340, 364, 387,
419, 534, 554, 564, 570, 628, 690, 735, 754, 794, 815, 849, 913, 922, 964, 1012, 1115, Glosario: FMA
GCM Global Circulation Model. 330, 478, 919, 1115, 1122, Glosario: GCM
GEFS Global Ensemble Forecasting System. 1115, Glosario: GEFS
Acrónimos 1123
GEI gases de efecto invernadero. 1034–1038, 1041, 1115

GFS Global Forecasting System. 796, 1115, Glosario: GFS
GHE Green House Effect. 1115, Glosario: GHE
GLAMEPS Grand Limited Area Model Ensemble Prediction System. 914, 1115
GPU Graphical Process Unit. 199, 1115, Glosario: GPU
HARMONIE HIRLAM-ALADIN Research on Meso-scale Operational NWP in Euromed. 1115

HIRLAM High Resolution Limited Area Model. LI, 145, 914, 919, 1115, Glosario: HIRLAM
ICAO International Civil Aviation Organization. 1115

ICREA Institució Catalana de Recerca i Estudis Avanats. XLVIII, 447, 1115
IES Instituto de Energía Solar. XLVIII, 1115
IGN Instituto Geográfico Nacional. 691, 694, 698, 702, 709, 1115
IIC Instituto de Ingeniería del Conocimiento. XLVIII, 1115
INM Instituto Nacional de Meteorología. 1115
IPCC Intergovernmental Panel on Climate Change (Grupo Intergubernamental de expertos sobre el Cambio
Climático). 488, 490, 491, 498–501, 504, 509, 510, 513–516, 1032–1034, 1036, 1040, 1041, 1115
IPMA Instituto Português do Mar e da Atmosfera. XLVIII, LI, 1115
JAXA Japan Aerospace Exploration Agency. 85, 1115
LAM Limited Area Model. 131, 175, 330, 876, 912, 919, 1115, 1126, 1134, 1137, Glosario: LAM
LLJ low level jet. 688, 756, 757, 762, 1115, Glosario: LLJ
MAE mean absolute error. 1115

MAPA Ministerio de Agricultura, Pesca y Alimentación. 1015, 1115
MARS Meteorological Archival and Retrieval System. 282, 1115
McIDAS Man computer Interactive Data Access System. 1115
METAR Meteorological Terminal Aviation Routine Weather Report. 201, 1115, Glosario: METAR
MITECO Ministerio para la Transición Ecológica. 457, 516, 1115
MOS Model Output Statistics. 1115, Glosario: MOS
MSE mean square error. 1115
MSG Meteosat Second Generation. 1115, Glosario: MSG
MSLP mean sea level pressure -presión reducida al nivel medio del mar-. 223, 819, 1115, Glosario: MSLP
NASA National Aeronautics and Space Administration. 84–87, 1115

NCAR National Center for Atmospheric Research. 388, 394, 395, 1115
NCEP United States National Centers for Environmental Prediction. 240, 1115, 1128, 1129
NHC National Hurricane Center. 718, 1115, Glosario: NHC
NN neural network (red neuronal). 1115
NOAA National Oceanic and Atmospheric Administration. 82, 394, 766, 796, 1115
NWCSAF Nowcasting Satellite Application Facilities. 1115
NWS National Weather Service. 1115, 1129
OACI Organización de Aviación Civil Internacional. 425, 529, 1115, 1131

OECC Oficina Española de Cambio Climático. LII, 1033, 1115
OMA Oficina Meteorológica Aeronáutica. LII, 201, 1115
OMD Oficina Meteorológica de Defensa. LII, 1115
OMM Organización Meteorológica Mundial. LII, 240, 448, 469, 470, 472, 633, 1115, 1135, 1136
OMSZ Országos Meteorológiai Szolgálat, Hungría, www.met.hu. LI, 1115
PBL Planetary Boundary Layer. 262, 269, 270, 337, 338, 348, 349, 360, 363, 1115, 1124, Glosario: PBL
PDF probability density function. 1115, 1123, Glosario: PDF
radar radio detection and ranging. 1115, Glosario: radar

1124 Física del caos en la predicción meteorológica Acrónimos
RAE Real Academia Española de la lengua. 1115

RAM Revista del Aficionado a la Meteorología, https://www.tiempo.com/ram/. L, 1115
RCM Regional Circulation Model. 175, 190, 330, 1115, 1122, 1130, Glosario: RCM
REE Red Eléctrica de España. 1115
RMDCN Regional Meteorological Data Communication Network. 1115, Glosario: RMDCN
RRSS Redes Sociales. 1115
SCM sistema convectivo de mesoescala. 32, 39, 337, 541, 667, 676, 678, 680, 683, 684, 687, 688, 1115, 1123,
1131, Glosario: SCM
SEVIRI Spinning Enhanced Visible and InfraRed Imager. 85, 88, 90, 93, 94, 96–98, 101, 1115
SKEB Stochastic Kinetic Energy Backscatter. 389, 391–393, 1115
SMN Servicio Meteorologico Nacional, Ministerio de Defensa. XLVII, XLIX–LI, 583, 1115
SMO Sistema Mundial de Observación. 1115, Glosario: SMO
SOCIB Sistema de Observación Costero de las Illes Balears. 798, 1115, Glosario: SOCIB
SPC sistema(s) de predicción por conjuntos. 8, 9, 22, 48, 167, 169, 172–176, 178–182, 184, 186, 188–192, 222,
223, 236–240, 242, 262, 281, 288, 333–347, 350–360, 387–390, 392–397, 400, 443, 444, 448, 449, 452,
453, 460, 477, 515, 524, 526, 561, 614, 617, 621, 623, 634, 774, 828, 847, 856, 913–915, 917–924, 926,
949, 953, 965, 967, 1006, 1009, 1010, 1115, 1123, 1128
SPPT Stochastic Perturbed Parameterization Tendencies. 389, 391–393, 395, 1115
SST sea surface temperature -temperatura de la superficie marina-. 448, 449, 462, 466, 1115
SVR Support vector for regression (vectores de soporte para regresión). 1115, Glosario: SVR
SYNOP surface synoptic observations. 226, 322, 672, 750, 876, 1115, 1125, Glosario: SYNOP
THORPEX The Observing System Research and Predictability Experiment. 362, 1115, 1137, Glosario:
THORPEX
TIGGE The (Thorpex) International Grand Global Ensemble. 288, 1115, 1137, Glosario: TIGGE
UAM Universidad Autónoma de Madrid. XLVIII, 1115

UAMcIdas Unidad de Apoyo McIdas. LII, 1115
UBA Universidad de Buenos Aires. L, 583, 1115
UCM Universidad Complutense de Madrid. XLIX, L, 21, 477, 1115
UIB Universidad Illes Ballears. XLIX, LI, 1115
UKMO United Kingdom Meteorological Office. L, 1115
UMI-IFAECI Instituto Franco-Argentino para el estudio del clima y sus impactos, CNRS-CONICET-UBA,
Argentina. XLIX–LII, 583, 1115
UPC Universidad Politécnica de Catalunya. XLVII, LI, 517, 1115
UPM Universidad Politécnica de Madrid. XLVIII, 13, 49, 1115
WMO World Meteorological Organization. 388, 447, 479, 498, 513, 1115
WMS Web Map Service. 1115
WRF Weather Research and Forecasting. 394, 395, 1115
ZAMG Zentralanstalt für Meterologie und Geodynamik, Austria, www.zamg.ac.at. XLIX, LI, LII, 1115
Glosario
ábrego viento típico de España procedente del suroeste, templado, relativamente húmedo y portador de lluvias,
responsable de los temporales de otoño y primavera. 1115, 1121
ábregos ver ábrego. 656, 1115
AA aprendizaje automático, o aprendizaje de máquinas (machine Learning en inglés) es un campo de las

ciencias de la computación y de la inteligencia artificial, cuyo objetivo es desarrollar técnicas que
permitan a las computadoras aprender. En términos técnicos, se diseñan programas capaces de generalizar
comportamientos a partir de una información suministrada a base de ejemplos. 198, 351, 1115, 1117, 1124
adiabáticas isolíneas en los diagramas termodinámicos correspondientes a los sondeos, en los que se representa
la temperatura con la altura o la presión. Las denominadas adiabáticas secas representan la trayectoria
que seguiría una parcela de aire seco en ascenso o descenso adiabático, con el gradiente adiabático del
aire seco (9.8 ◦ C/km). Las adiabáticas saturadas representan la trayectoria que seguiría una parcela de
aire saturado en ascenso o descenso adiabático, con el gradiente adiabático del aire húmedo (variable, por
ejemplo 5.8 ◦ C/km). 1115
adiabático un proceso adiabático es un proceso termodinámico en el que el sistema (generalmente, un fluido
que realiza un trabajo) no intercambia calor con su entorno. Si además es reversible el proceso será
isentrópico. 1115, 1121
advección transporte de alguna propiedad atmosférica debido al desplazamiento horizontal de una masa de
aire. Se habla de advección cálida (fría) cuando la componente del campo de viento perpendicular a las
isotermas se dirige hacia valores decrecientes (crecientes). 658, 835, 1115
Imagen parte superior: cielo caótico sobre el noroeste de Madrid, predominando cumulus fractus, varios tipos de cirrus y, en el horizonte,
cumulus de mayor envergadura. Fotografía de J UAN C ARLOS G ARCÍA C OLOMBO.
1126 Física del caos en la predicción meteorológica Glosario
aerosol suspensión de diminutas partículas sólidas o líquidas, en el aire u otro gas. Pueden ser naturales (e.g.
niebla, polvo en suspensión, vapor de géiseres) o antropogénicos (e.g. smog de las grandes urbes). 1115,
1122
aerosoles ver aerosol. 473, 1115
AGCM atmospheric global circulation model o modelo atmosférico de circulación global o general. Es un
Global Circulation Model (GCM) que simula la atmósfera. 1115
alisio viento del nordeste en el hemisferio norte y del sureste en el hemisferio sur, típico en Canarias. Es la
componente en superficie de la Célula de Hadley. 844, 1115, 1122
alisios ver alisio. 484, 1028, 1029, 1115
altura geopotencial El geopotencial es el trabajo efectuado contra la fuerza de la gravedad para elevar la unidad
de masa desde la superficie del mar hasta una altitud z. La altura geopotencial en un nivel es el cociente
entre su geopotencial y el valor de la gravedad en superficie, y se mide en metros geopotenciales. En un
determinado nivel de presión, esta altura es proporcional a la temperatura media de la columna de aire
subyacente. 1115
altura significativa altura de las olas que un observador experimentado apreciaría a simple vista en el punto de
medida, no desde la costa, que equivale aproximadamente a la altura del tercio de olas más altas. Es uno
de los parámetros más representativos del oleaje. 374, 376–385, 422, 432, 817, 1115
anidamiento técnica mediante la cual se integra un modelo numérico utilizando consiciones iniciales y de
contorno de un modelo de mayor escala (y normalmente menor resolución). Se dice entonces que el
modelo de menor escala (e.g. un modelo Regional Circulation Model (RCM)) está anidado dentro del de
mayor (e.g. un modelo global). 362, 1115
anticiclón región atmosférica de escala sinóptica donde la presión atmosférica en superficie alcanza unos
valores máximos superiores a la región circundante. En un área anticiclónica situada en el hemisferio
norte, los vientos circulan en el sentido de las agujas del reloj. 1115
anticiclón de bloqueo extenso anticiclón situado en latitudes medias que bloquea el flujo zonal de oeste a este,
generando vientos orientados en dirección norte-sur. 1115
análisis reconstrucción del estado atmosférico a partir de datos de observaciones. Puede realizarse por métodos
manuales en una representación gráfica (análisis subjetivo). En la actualidad es más usual utilizar modelos
numéricos en un complejo proceso llamado asimilación de datos, produciendo un análisis que consta de
datos numéricos y, opcionalmente, representación gráfica. 208, 244, 315, 322, 671, 1115, 1122
análisis objetivo análisis realizado mediante procedimientos objetivos, usualmente algún modelo numérico.
864, 1115
AOGCM atmospheric-oceanic global circulation model o modelo atmosférico y oceánico de circulación global
o general. Es un GCM que simula la atmósfera y el océano, así como sus interacciones. 1115
aprendizaje también llamado inferencia, es el proceso por el cual un modelo estima, minimizando una función
que penaliza los errores, los parámetros de los cuales depende a través de una serie de datos. En el caso de
un modelo no paramétrico, simplemente estima de forma empírica. El concepto de aprendizaje ha sido
utilizado de forma algo más amplio que el de inferencia en el contexto de la inteligencia artificial, pero
para la mayoría de propósitos son prácticamente sinónimos. 1115, 1130
asimilación procedimiento por el cual se asimilan los datos de observación y, junto con un campo previo o first
guess, se genera un análisis con el que se inicializa el modelo. 912, 1115, 1130
atenuación es la pérdida de potencia que experimenta tanto el pulso radar como el eco de vuelta debido a los
blancos meteorológicos que va interceptando en su camino. Es progresivamente mayor cuanto más se
acerca el tamaño de los blancos a la longitud de onda del pulso radar, de modo que la mayor atenuación se
observa cuando el haz radar atraviesa precipitaciones de granizo. 104, 1115
atractor en sistemas dinámicos, un atractor es el conjunto de valores hacia el que un sistema tiende a evolucionar,
dada una gran variedad de condiciones iniciales posibles. 53, 1115
banda baroclina banda asociada a una inestabilidad baroclina, normalmente delante de un frente o una zona
ciclogenética. 885, 1115
banda brillante efecto que provoca la intensificación de la reflectividad calculada por el radar cuando las
precipitaciones de nieve atraviesan en su caída el nivel de la isoterma de 0$◦ C (nivel de isocero). La causa
Glosario 1127
de este incremento de la reflectividad se debe a dos factores. Por un lado, la fusión del hielo que provoca
un aumento de la reflectividad debido al distinto valor que toma la constante dieléctrica para el hielo y
para el agua líquida. Por otor lado, el fenómeno denominado coalescencia por el que cuando empieza a
deshelarse un copo lo hace primero por la parte más externa, creando durante un momento una película
líquida que envuelve al copo, lo que contribuye a incrementar la reflectividad calculada por el radar. El
nombre de banda brillante se debe a la forma con la que se suele aparecer este fenómeno en la imagen PPI.
104, 110, 112, 1115
bandazos o jumpiness, en inglés. Las salidas de un modelo numérico o de un sistema(s) de predicción por
conjuntos (SPC) pueden orientar a los predictores o usuarios dando una cierta idea sobre la situación
atmosférica para un lugar y alcance en el tiempo y, en la siguiente pasada, dar una idea bastante diferente,
lo cual hace disminuir mucho la confianza en el modelo o sistema para esa situación. 863, 1115
baroclina en dinámica de fluidos, un fluido estratificado puede tener su gradiente de densidad y su gradiente de
presión alineados, en cuyo caso es barotrópico, o no alineados, en cuyo caso es baroclino. En la atmósfera
baroclina la densidad depende sólo de la presión y, si es baroclina, depende también de la temperatura. Las
zonas barotrópicas se encuentran usualmente en latitudes cercanas al ecuador, mientras que las baroclinas
se hallan en latitudes medias y polares. 336, 337, 803, 1115, 1122, 1123
barotrópica ver baroclina. 1115
batimetría equivalente submarino de la altimetría. Un mapa batimétrico muestra el relieve del fondo o terreno
como isogramas y puede también dar información adicional de navegación en superficie. 374–376, 1115
BMA Bayesian Model Averaging, es un sistema de posproceso estadístico específico para ensembles en el
que se busca encontrar una probability density function (PDF) que calibre o mejore las predicciones
probabilísticas del ensemble, utilizando para ello datos de observaciones de días pasados. 1115, 1117
borrasca región atmosférica de escala sinóptica donde la presión atmosférica en superficie alcanza unos valores
mínimos inferiores a la región circundante. También se le denomina depresión o ciclón. En una borrasca
situada en el hemisferio norte, los vientos circulan en el sentido contrario al de las agujas del reloj. 1115,
1125
brash o brash ice, se trata de un hielo flotante acumulado, hecho de fragmentos de un tamaño aproximado de 2
metros, normalmente procedentes de la destrucción de otras formas de hielo. 117, 1115
brisa viento local de ciclo diurno originado por el calentamiento diferencial de masas de aire en contacto con
distintos tipos de superficies. Las brisas más frecuentes son las brisas costeras, debido a la alta inercia
térmica del agua, en contraste con el rápido calentamiento y enfriamiento del suelo. Las brisas de mar se
producen durante el día al elevarse el aire recalentado sobre el suelo, siendo reemplazado por aire fresco
de procedencia marina, y las brisas de tierra surgen por la noche por el efecto inverso. Otro sistema de
brisas similar es el de las brisas de valle, en dirección ascendente durante el día y descendente por la
noche. 39, 41, 1115
capacidad calorífica capacidad física de un material para absorber la energía térmica incidente. 1115
CAPE convective available potential energy, energía potencial convectiva disponible, es una magnitus asociada
al perfil vertical atmosférico en un punto del planeta. Corresponde a la cantidad de energía que la burbuja
de aire tendría si se la eleva a cierta distancia vertical, en forma de flotabilidad positiva, indicador de
inestabilidad. Parámetro útil para la predicción de la convección profunda. 140, 351, 418, 677, 845, 1115,
1118
CAPPI acrónimo de Constant Altitude Plan Position Indicator. Este producto representa un corte horizontal a
una altitud dada sobre el volumen polar de datos en el radar meteorológico. 107–109, 111, 1115
CCM complejos convectivos de mesoescala, es un tipo de sistemas convectivos de mesoescala (sistema
convectivo de mesoescala (SCM)) muy extensos y duraderos con aspecto circular en las imágenes
infrarrojas de satélite. El patrón de precipitaciones debajo del tope de las nubes es similar al de las líneas
de turbonada. La región fría del escudo nuboso cubre típicamente 350 000 kilómetros cuadrados. 1115,
1118
CDF función de distribución acumulada, es la suma o integral de la PDF desde el extremo inferior de la
distribución hasta una determinada variable. 1115
CFL condición de Courant-Friedrichs-Lewy, necesaria para la convergencia en la solución numérica, por
diferencias finitas, usualmente en esquemas explícitos en el tiempo, de ciertas ecuaciones diferenciales en

derivadas parciales. Para cumplirla, se modula el paso de tiempo del modelo. Si no se cumple, el modelo
suele estallar con resultados incorrectos. 376, 1115, 1118
ciclogénesis proceso de formación o intensificación de un centro de bajas presiones o borrasca (caracterizado por
su circulación ciclónica). Cuando es extraordinariamente rápida (24 hPa / 24 h), se habla de ciclogénesis
explosiva. 658, 1115
cierzo viento del noroeste, típico En Aragón, la Ribera de Navarra y La Rioja. Es un viento fresco y seco.
causado por diferentes configuraciones, usualmente por la diferencia de presión entre el mar Cantábrico y
el mar Mediterráneo, cuando se forma una borrasca en este último y un anticiclón en el anterior. 39, 1115
cizalladura diferencia de velocidad o de dirección del viento entre dos puntos en la atmósfera terrestre, puede
ser horizontal (localizaciones distintas) o vertical (diferentes altitudes). Puede afectar a la velocidad de
vuelo del avión, por lo que puede ser crítica en despegue y aterrizaje. La adversidad de las tormentas
depende de la cozalladura. Suele llevar asociadas turbulencias. Influye en el desarrollo de los ciclones
tropicales. La cizalladura se presenta en sistemas frontales, cordilleras e inversiones. 1115
CLP capa límite planetaria, ver Planetary Boundary Layer (PBL). 139, 921, 1115, 1118
clutter ecos no meteorológicos producidos cuando el haz principal radar o sus lóbulos laterales inciden sobre
tierra o mar. En condiciones normales de propagación el clutter más intenso se produce debido al impacto
del haz sobre las montañas próximas, pero en condiciones de propagación anómala puede aparecer clutter
sobre cualquier punto del terreno o sobre el mar. En los radares Doppler los ecos de tierra se eliminan
automáticamente ya que se deben a blancos fijos. Sin embargo, en general, los ecos marinos no podrán ser
eliminados debido al efecto de movimiento inducido por el oleaje. 105, 109, 1115
CNN redes neuronal convolucionada (Convolutional Neural network) es, en aprendizaje automático (AA) una
clase de red neuronal profunda, de prealimentación (feedforward), que ha sido aplicada con éxito al
análisis de imágenes visuales. Las CNN usan una variante de perceptrón multicapa. Están inspiradas en
procesos biológicos. 1115
configuración omega en escala sinóptica, se trata de un tipo de configuración de bloqueo, con forma de letra
griega omega, intercalándose zonalmente un área de alta presión entre dos zonas de baja presión. Suele
darse en los bordes orientales del Atlántico y del Pacífico. 741, 743, 873, 1115
cono ciego (del radar) también denominado cono de silencio. Es la región de la atmósfera con forma de cono
invertido, con el vértice situado sobre el radar, que queda por encima de la elevación más alta a la que
explora el radar. Esta región, por tanto, permanece oculta a la exploración radar. 108, 1115
convección una de las tres formas de transferencia de calor. Se caracteriza porque se produce por medio de
un fluido (líquido, gas o plasma) que transporta el calor entre zonas con diferentes temperaturas. En
meteorología la convección va asociada a movimientos ascendentes. 659, 920, 1115
convección de base elevada convección que no comienza en superficie sino en una base a una cierta altitud.
Se produce en ambientes atmosféricos muy secos en capas medias y bajas, un gradiente de temperatura
adiabático seco en un estrato profundo por debajo de aproximadamente 500 hPa y una inversión de
temperatura poco profunda con base en la superficie de la tierra. La inestabilidad en niveles medios puede
dar lugar al desarrollo de dicha convección y, eventualmente, de precipitación. 885, 1115
convección profunda intensos movimientos ascendentes que se extienden hasta la tropopausa. Da lugar a nubes
de tipo cumulonimbo, que pueden llegar a alcanzar la categoría de supercélula, e ir acompañadas de
fenómenos severos como granizo, descargas eléctricas, precipitaciones intensas, rachas de viento fuertes o
tornados. 1115
convergencia movimiento horizontal de aire que confluye hacia una zona determinada. Cuando esta zona es
larga y estrecha se le denomina línea de convergencia. En las zonas de convergencia el aire se ve forzado a
ascender. 659, 1115, 1125, 1128, 1132, 1138
correlación en estadística, dos variables aleatorias están correlacionadas cuando su coeficiente de correlación
lineal tiene un valor absoluto alto (cercano a +1 o a -1). El coficiente de correlación está dado por el
cociente entre la covarianza y el producto de las desviaciones típicas individuales (ver desviación típica):
si E denota la esperanza matemática, r(X,Y ) = Cov(X,Y ))
σX σY . 1115
corriente en chorro intensos flujos de viento con forma de tubo en las capas más altas de la troposfera, que
pueden alcanzar los 300 km/h con anchuras de varios cientos de kilómetros. Según su latitud se denominan
Glosario 1129
chorros polares o subtropicales. La dinámica, ondulación y desplazamiento de estos chorros determina las
grandes estructuras meteorológicas como dorsales y vaguadas, anticiclones y borrascas, embolsamientos
de aire frío, DANA, etc. 32, 35, 36, 1115
corrientes en chorro intensos flujos de viento con forma de tubo en las capas más altas de la troposfera, que
pueden alcanzar los 300 km/h con anchuras de varios cientos de kilómetros. Según su latitud se denominan
chorros polares o subtropicales. La dinámica, ondulación y desplazamiento de estos chorros determina las
grandes estructuras meteorológicas como dorsales y vaguadas, anticiclones y borrascas, embolsamientos
de aire frío, DANA, etc. 1115, 1130
covarianza estimación de cómo varían de forma conjunta dos variables. Si E denota la esperanza matemática,
Cov(X,Y ) = E[(X − E(X))(Y − E(Y ))]. 1115, 1124
CSP Concentrated Solar Power, plantas de Energía Solar de Concentración. 1115, 1118
cumulonimbo nube de origen convectivo con base no muy lejos del suelo y gran desarrollo vertical, formada
por la evolución de otras nubes más someras como cúmulus congestus o altocumulus castellanus. Las
corrientes verticales en su interior son muy intensas, generando gran cantidad de precipitación y con topes
nubosos que pueden alcanzar la tropopausa extendiéndose horizontalmente en forma de yunque. 42, 1115,
1131
célula convectiva nube cumuliforme formada por un patrón de ascensos y descensos en una masa de aire
producidos por un calentamiento inferior. Si alcanza el máximo desarrollo se forma un cumulonimbo que
puede producir precipitaciones intensas. 1115
cévenol sinónimo de lluvias intensas en el sureste francés. 1115
código SYNOP código utilizado para codificar los datos de las estaciones surface synoptic observations (SY-
NOP). 1115
DANA depresión aislada de niveles altos; sistema de bajas presiones en altura producido al acentuarse la
ondulación de la circulación general hasta el punto que una vaguada se separa de ésta, quedando aislada y
generalmente sin reflejo en la presión en superficie. Son estructuras de baja predecibilidad en cuanto a su
formación y desplazamiento, generadoras de fenomenología adversa, sobre todo precipitaciones intensas.
32, 167, 410, 644, 658, 776, 828, 841, 870, 879, 915, 1115, 1118
datasets conjuntos de datos. 1115
dBZ dado el amplio rango de valores que puede adoptar la reflectividad cuando se utilizan unidades lineales,
es más habitual emplear para la reflectividad, sobre todo en las imágenes radar, unidades decibélicas. Se
define el decibelio de reflectividad, o dBZ, mediante la expresión Z[dBZ] = 10 log10 Z [mm6 /m3 ]. 104,
108, 353, 1115
depresión ver borrasca. 1115
desigualdad de Jensen aplicada a funciones convexas (aquellas que son iguales o menores entre los extremos
de un intervalo a la recta entre esos dos extremos). Viene a decir que la esperanza de una función convexa
será siempre mayor o igual que la función (convexa) de la esperanza,
p E( f (X)) >= f (E(X)). 1115
desviación estándar la raíz cuadrada de la varianza, es decir, σX = E(X − E(X))2 . 1115, 1125
desviación típica ver desviación estándar. 1115, 1124
diferencias finitas en predicción numérica, método para la discretización espacial y temporal de las ecuaciones
atmosféricas, consistente en estimar las derivadas parciales de una función en un punto a partir de los
valores de la función en los puntos adyacentes. 1115
dipolo orográfico estructura mesoescalar que se genera cuando una extensa masa de aire estable, normalmente
asociada a un anticiclón, fluye contra una gran barrera montañosa. La acumulación de aire genera una alta
relativa a barlovento (mesoalta) y una baja relativa a sotavento (mesobaja). El dipolo se ve favorecido con
flujo de aire frío, es decir, en los meses invernales. En el nordeste peninsular es frecuente la formación
del dipolo pirenaico con flujo del norte, el cual genera dos vientos característicos, la tramontana y el
cierzo-mestral. Su interacción produce zonas de convergencia en el mar, en la costa y en el interior de la
Cataluña central, que pueden dar lugar a fenómenos convectivos. 39, 1115, 1131
DLR Deutsches Zentrum für Luft- und Raumfahrt e.V., Agencia Aeroespacial Alemana. XLVIII, 1115, 1118
doppler (radar Doppler) es un radar capaz de determinar la velocidad de acercamiento o alejamiento de los
blancos al radar. En los radares meteorológicos Doppler se utilizan técnicas avanzadas de procesado de
la señal que permiten descomponer la potencia recibida en canales de frecuencia, es lo que se denomina
espectro de potencias. A partir del espectro de potencias en un punto dado se puede determinar la
reflectividad corregida (eliminando automáticamente los ecos de tierra), el viento radial Doppler y la
anchura de espectro o turbulencia. 105, 107, 1115
dorsal área de máximos relativos en las isohipsas para un nivel de presión dado, que se configuran usualmente
con forma de U invertida en el Hemisferio Norte, dejando al sur los valores mayores de geopotencial.
Alternativamente, en superficie, área o cuña de máximos relativos de las isobaras. En las áreas situadas bajo
una dorsal en altura se ven favorecidos los movimientos subsidentes, que generan estabilidad atmosférica.
32, 35–37, 1115
downscaling método de descenso de escala en modelización numérica, utilizado cuando se necesita simular
en menor escala, usualmente con mayor resolución. Puede realizarse mediante métodos estadísticos
(downscaling estadístico) o mediante métodos dinámicos (downscaling dinámico). Estos últimos abarcan
los conocidos Limited Area Model (LAM), e.g. HARMONIE-AROME. 508, 1115
ECHOTOP este producto radar indica en cada píxel la altitud máxima de los ecos que superan los 12 dBZ, es
decir, tal como su nombre indica, viene a representar el tope de los ecos de precipitación. Es útil para la
vigilancia, sobre todo en situaciones convectivas, como indicador del grado de desarrollo de la convección.
Cuando la convección es profunda el echotop alcanza valores elevados. 108, 112, 1115
ecuación del radar es la expresión matemática que utiliza el radar para calcular el valor de reflectividad
asignado a un blanco (o distribución de bancos, en el caso de la precipitación) en función de la potencia
del eco recibido y de la distancia al radar. La ecuación del radar, en su forma más simple, viene dada por
la expresión Z = K P R2 , donde Z es la reflectividad, K es la constante del radar, P es la potencia del eco
recibido y R la distancia al radar. La constante radar incorpora los parámetros característicos del radar
(longitud de onda, longitud del pulso, ganancia de la antena, potencia de pico del pulso, anchura del haz,
pérdidas de potencia, etc.) y también el valor de la constante dieléctrica. 1115
efecto invernadero algunos gases presentes en la atmósfera terrestre, llamados gases de efecto invernadero,
son relativamente transparentes a la radiación solar entrante, de onda corta, pero son absorbentes de la
radiación terrestre saliente, de onda larga, de modo que provocan un efecto invernadero en el planeta,
elevando la temperatura algo más de 30◦ sobre el valor que tendría ésta en una Tierra sin atmósfera. 481,
487, 490, 498, 1115, 1128, 1129
elementos finitos en predicción numérica, es una alternativa al método espectral con las funciones no nulas
restringidas a un dominio local. En principio, es menos preciso que el espectral pero, al poderse realizar
los cálculos en dominios limitados, es más eficiente computacionalmente en los actuales ordenadores
(2018) masivamente paralelos. Otra ventaja es que este método permite rejillas no regulares, pudiéndose
aumentar la resolución en un área de interés o por ejemplo en una zona con una orografía compleja. Una
aproximación que se usa bastante consiste en utilizar el método espectral para la discretización horizontal
y el método de elementos finitos para la discretización vertical (e. g. modelos ECHRES y ARPEGE). El
modelo canadiense GEM es un ejemplo de modelo en elementos finitos. 1115
ELR Extended Logistic Regression, técnica basada en la LR que trata de corregir ciertos defectos de esta última,
tales como la necesidad de interpolar entre umbrales o la disminución del tiempo de cálculo. A sugerencia
de Wilks, se introduce en la regresión una función estrictamente creciente del umbral. 1115, 1118
EMA Estación Meteorológica Automática. Consta de diferentes módulos que se encargan de medir, registrar
y transmitir diferentes datos meteorológicos. Son especiales para trabajar sin presencia humana o, para
realizar mediciones en áreas remotas o inhóspitas. Inicialmente se emplearon para complementar las redes
de estaciones meteorológicas convencionales. El sistema puede informar en tiempo real vía diferentes
redes mundiales, enlace de microondas o salvar los datos para posteriores recuperaciones. La mayoría
de las EMA normalmente miden temperatura, viento, humedad, presión atmosférica, precipitación y
radiación. 1115, 1118
error MAE mean absolute error, error absoluto medio, es el promedio de los valores absolutos de las diferencias
entre las predicciones y la observaciones: MAE = N1 ∑i=N i=1 (pi − oi ). Palia el problema de compensación
que sufre el error ME. 1115
error ME mean error, error medio, es el promedio de las diferencias entre las predicciones y la observaciones:
Glosario 1131
ME = N1 ∑i=Ni=1 (pi − oi ). Adolece del poblema de la compensación: al ser una suma de errores, los negativos
pueden compensar los positivos y dar un error neto engañosamente cercano a cero. 1115, 1126, 1127
error MSE mean square error, error cuadrático medio, es el promedio de los cuadrados de las diferencias entre
las predicciones y la observaciones: MSE = N1 ∑i=N 2
i=1 (pi − oi ) . Palia el problema de compensación que
sufre el error ME, pero penaliza mucho los errores grandes. 1115
error RMSE root mean square error, raíz cuadrada del error cuadrático medio, es la raíz cuadradaq del promedio
de los cuadrados de las diferencias entre las predicciones y la observaciones: RMSE = N1 ∑i=N 2
i=1 (pi − oi ) .
Palia el problema de compensación que sufre el error ME, pero penaliza mucho los errores grandes. 1115
escala Beaufort escala empírica para la intensidad del viento, basada en el estado del mar, en términos de oleaje
y fuerza del viento. 798, 1115
escala Fujita o escala Fujita-Pearson, clasifica la intensidad de los tornados, en términos de impactos destructi-
vos ocasionados a la vegetación y a las estructuras construidas por el hombre (no se basa en el tamaño,
diámetro o velocidad del tornado). Aunque no hay una escala única para tornados, esta es de las más
aceptadas. 960, 1115
escala Saffir-Simpson escala del viento en los huracanes, acrónimo SSHWS, con 5 categorías según la intensi-
dad de su viento sostenido. Desde la categoría 1, con al menos 119 km/h (33 m/s, 64 kt), hasta la categoría
5, con 251 km/h (70 m/s, 136 kt). Para los tifones se utilizan otras escalas. Una crítica para escala es que
no tiene en cuenta la precipitación ni el carácter tormentoso. 423, 1115
escala sinóptica se engloban dentro de esta escala los movimientos atmosféricos de escalas espaciales desde
centenares hasta varios miles de kilómetros y escalas temporales de hasta varios días, donde aparecen
estructuras de gran dimensión como anticiclones, borrascas, frentes, etc. corresponde a las dimensiones
de las ondas baroclinas en altura y las borrascas y los anticiclones en superficie. En la clasificación de
Orlanski se denomina macroescala-beta. 32, 35, 39, 1115, 1128
escalabilidad capacidad de un código de ejecutarse cada vez más rápido al aumentar la capacidad de cálculo. La
mayoría de los códigos tienen un límite asintótico donde el aumento de la capacidad no produce menores
tiempos de ejecución. 152, 1115
espectral en predicción numérica, método para resolver ecuaciones en diferencias, expresando las variables
como una combinación lineal de funciones elegidas convenientemente. Suele aplicarse en la horizontal y
las funciones elegidas son los armónicos esféricos. Para los cálculos habrá que quedarse con un número
limitado de funciones que está definido por la truncación del modelo. Así un modelo con truncación
triangular T1279 utiliza un número máximo de ondas de 1279. Este método permite calcular de forma
exacta las derivadas. El problema está en el cálculo de los términos no lineales para los que se suele
recurrir al método de la transformada, alternando entre el espacio espectral (dinámica) y el espacio físico
(términos no lineales y parametrizaciones físicas). La mayoría de los modelos globales son espectrales,
aunque también existen modelos de área limitada espectrales como HARMONIE-AROME. 1115, 1126
espectro del oleaje método para analizar el oleaje aplicando el análisis espectral (se descompone un fenómeno
en una combinación lineal de funciones, calculando las componentes, ayudando así a su comprensión
y computación), de modo que se describe el oleaje mediante una serie de componentes en frecuencia y
dirección. 374, 1115
espectro electromagnético conjunto de todas las longitudes de onda de la radiación electromagnética. Los
espectros de diferentes sustancias pueden observarse mediante espectroscopios. El espectro electromag-
nético se extiende desde la radiación de menor longitud de onda, rayos gamma, rayos X, pasando por la
radiación ultravioleta, radiación visible (luz ordinaria), radiación infrarroja (IR), microondas, hasta las
ondas electromagnéticas de mayor longitud de onda, como son las ´ ondas de radio. 1115
esperanza valor esperado de una variable, E(X) = ∑x xp(x), E(X) = x f (x)dx donde p(x) es la distribución
de probabilidad de la variable aleatoria X. 1115
estabilidad atmosférica respuesta de una una burbuja de aire cuando se le separa de una posición de equilibrio.
Se dice que existe equilibrio estable en un punto, cuando, al aplicar un pequeño desplazamiento a una
partícula de aire infinitesimal situada en dicho punto, aparecen fuerzas aplicadas a la partícula que tienden
a devolverla a su estado inicial. Si existe inestabilidad significa que la partícula, una vez desplazada, tiende
a alejarse cada vez más de su posición inicial. Si la partícula, una vez desplazada, se queda en la nueva
posición, se dice que está en equilibrio neutro. 1115, 1129
eventos binarios fenómeno meteorológico que puede ocurrir o no ocurrir (sí/no, 1/0). E.g. ocurrencia o no de
un tornado, llueve o no llueve, niebla o no niebla. Para cualquier variable meteorológica, la superación de
un umbral define un evento binario. E.g. precipitación superior a 5 mm define el evento "llueve más de 5
mm o no". 224, 1115
expectation-maximization EM, algoritmo para estimar parámetros de un modelo con variables no observadas
(llamadas también ocultas o latentes). El proceso es iterativo y combina el cálculo de una esperanza
matemática de una probabilidad con los parámetros de la iteración anterior con la maximización de esos
parámetros en la actual iteración. 1115
filtro de Kalman estimación del estado de un sistema o modelo buscando minimizar la incertidumbre de los
parámetros de los que depende. Una media pesada da prioridad a señales con poca incertidumbre (más
técnicamente, menor covarianza) frente a aquellas con mayor incertidumbre. El filtro de Kalman asume
modelos lineales, pero hay extensiones que tratan con los casos no lineales. 581, 1115
FLOPS del inglés floating point operations per second, operaciones de coma flotante por segundo, es una
medida del rendimiento de un ordenador, especialmente en supercomputación. Los ordenadores personales
suelen operar a unos cuantos GFLOPS mientras que los más rápidos supercomputadores del planeta
alcanzan varias decenas de PFLOPS. 148–151, 1115
flujo meridiano flujo de viento a gran escala orientado en dirección paralela a los meridianos, de manera que
los vientos son de dirección norte-sur o viceversa. Se suelen dar en las áreas delantera y trasera de los
anticiclones de bloqueo. 1115
flujo sinóptico flujo atmosférico de escala sinóptica. 659, 1115
flujo zonal flujo de viento que sigue aproximadamente la dirección de los paralelos terrestres en dirección
oeste-este. 36, 37, 1115
FMA fenómeno meteorológico adverso. Se considera fenómeno meteorológico adverso a todo evento atmosfé-
rico capaz de producir, directa o indirectamente, daños a las personas o daños materiales de consideración.
En sentido menos restringido, también puede considerarse como tal cualquier fenómeno meteorológico
susceptible de alterar la actividad humana de forma significativa en un ámbito espacial determinado. En
consecuencia pueden resultar adversas, por sí mismas, aquellas situaciones en las que algunas variables
meteorológicas alcancen valores extremos. 6, 31, 104, 143, 161, 166, 218, 314, 340, 364, 387, 419, 534,
554, 564, 570, 628, 690, 735, 754, 794, 815, 849, 913, 964, 1012, 1115, 1118
forzamiento cualquier proceso que favorece la generación de corrientes ascendentes de aire. Así, se habla de
forzamiento dinámico (producido por advecciones de vorticidad positiva), orográfico (al elevarse un flujo
que remonta una barrera montañosa), por convergencia de vientos, etc. 1115
forzamiento climático agente ajeno al sistema climático que induce un cambio en el mismo. Son forzamientos
externos las erupciones volcánicas, las variaciones en la actividad solar, los cambios antropogénicos de la
composición de la atmósfera y los cambios de uso del suelo (deforestación). El forzamiento orbital es
también un forzamiento externo, puesto que la insolación depende de la excentricidad de la órbita terrestre,
de la inclinación del eje de rotación y de la precesión de los equinoccios. 1115
forzamiento radiativo cambio del flujo radiativo neto (descendente menos ascendente) en la tropopausa por
efecto del cambio de un factor externo al sistema climático (por ejemplo, un cambio de la concentración de
dióxido de carbono o de la energía emitida por el sol). Se expresa en vatios por metro cuadrado (W/m2 ).Si
el forzamiento radiativo es positivo, habrá un calentamiento y si el forzamiento es negativo habrá un
enfriamiento del sistema climático. 1115
frente línea que marca la separación en superficie de dos masas de aire. Cuando una masa de aire frío avanza
desplazando a una de aire más cálido se le denomina frente frío. En caso contrario se trata de un frente
cálido. 1115
frontogénesis proceso de formación o de intensificación de un frente o una zona frontal. 1115
frontolisis proceso de debilitación o disipación de un frente. 1115
gases de efecto invernadero gases presentes en la atmósfera terrestre, responsables del llamado efecto inverna-
dero. 138, 450, 451, 478, 481, 488, 489, 491, 492, 498, 501–504, 508, 513, 514, 1115, 1126, 1129
GCM global circulation model o modelo de circulación global o general. Modelo integrado en un dominio
global, es decir, que cubre el planeta entero. 330, 478, 919, 1115, 1118, 1122
Glosario 1133
GEFS Global Ensemble Forecasting System, es el SPC, global, del United States National Centers for Envi-
ronmental Prediction (NCEP). Consta de 21 miembros, uno de control y 20 perturbados. Es espectral,
TL 574L64 (unos 27 km) los primeros días de alcance y, hasta los 16, TL 382L64 (unos 35 km). 1115, 1118
GFS Global Forecasting System, modelo de predicción numérica del tiempo, determinista, global, del NCEP,
integrado en el National Weather Service (NWS) de EE. UU.. Ofrece predicciones de numerosas variables
atmosféricas y de suelo. Es espectral (TL 1534L6 4) y su resolución horizontal aproximada es de unos
13 km (2018). 796, 1115, 1119
GHE green house effect, ver efecto invernadero. 1115, 1119
GHG green house gases, ver gases de efecto invernadero. 1115
GPU graphical processing unit, unidad de proceso gráfico, es un circuito integrado diseñado específicamente
para manejar la memoria rápidamente para la creación de imágenes en una memoria intermedia (buffer)
con el propósito final de mostrarlo en algún dispositivo con pantalla. Son , en esa línea, mucho más
eficientes que las CPU convencionales. Se usan en PC, móviles, estaciones de trabajo y consolas de
videojuegos. 199, 1115, 1119
gregal viento del nordeste, típico en las Islas Baleares, donde sopla frío y seco a causa de que viene del
continente. Cuando hay borrasca sobre Argelia, este viento trae fuerte oleaje y mar de fondo, con acusado
recorrido. 163, 656, 657, 1115
gregales vientos del nordeste, típicos en las Islas Baleares, donde soplan fríos y secos a causa de que vienen
del continente. Cuando hay borrasca sobre Argelia, estos vientos traen fuerte oleaje y mar de fondo, con
acusado recorrido. 656, 658, 1115
gridding técnica mediante la cual se procesan datos de una región, en general distribuídos irregularmente,
creando una matriz o malla regular de datos que representen adecuadamente a los originales. 219, 315,
326, 1115, 1138
HARMONIE-AROME modelo de predicción numérica de mesoescala no hidrostático, fruto de la colaboración

entre el consorcio HIRLAM y Météo France, que aporta el modelo ALADIN. Su resolución es de 2.5 km
y su alcance predictivo es de 48 horas. 1115
hidrostático que cumple la hipótesis hidrostática, la atmósfera está en equilibrio hidrotático en la vertical, i.
e. el gradiente de presión y la gravedad están equilibradas en cada punto, por lo que no hay aceleración
vertical neta. Los modelos atmosféricos que consideran la atmósfera como tal, se denominan hidrostáticos.
Esta hipótesis simplifica mucho los cálculos, y es útil para modelos de baja resolución. 1115, 1132
hiperparámetro parámetro variable que al modificarse cambia las configuraciones posibles de un mismo
modelo. Tanto parámetro como hiperparámetro responden ante los datos, pero la diferencia entre los dos
conceptos es que el parámetro no controla la configuración del modelo. 1115
HIRLAM HIgh Resolution Limited Area Model (Modelo de Área Limitada de Alta Resolución) es un programa
internacional de investigación y desarrollo en el que participan 11 servicios meteorológicos europeos,
entre ellos España, iniciado en 1985. El objetivo inicial de este programa es el desarrollo y mantenimiento
de un sistema numérico de predicción a corto plazo con fines operativos, que ha veniso a ser el modelo
HIRLAM y, ahora, la colaboración con ALADIN en el modelo HARMONIE-AROME y otros sistemas de
predicción. Estos modelos son, en general, de uso operativo en AEMET. LI, 145, 914, 1115, 1119
HRW High Resolution Winds, producto satélite desarrollado dentro del proyecto NWCSAF de EUMETSAT,
que estima la intensidad y dirección del viento basándose en el movimiento de las estructuras nubosas y
de humedad detectadas desde satélite geoestacionario. 1115
humedad específica una de las medidas cuantitativas de humedad, definida por la masa de vapor de agua por
unidad de masa de aire seco, en [g/kg] o en [g/g], en este último caso es adimensional. 1115
huracanes ciclones tropicales del hemisferio occidental. Su intensidad (viento sostenido de al menos 119 km/h)
es superior a la de las depresiones tropicales y las tormentas tropicales. En el hemisferio oriental se llaman
tifones. 1115, 1127, 1137
huracán ciclón tropical del hemisferio occidental. Su intensidad es superior a la de la depresión tropical y la
tormenta tropical. En el hemisferio oriental se llaman tifones. 1115
impacto efecto producido por un determinado fenómeno meteorológico adverso sobre las personas, los bienes
materiales o las actividades humanas. 1115
inestabilidad atmosférica perfil vertical del aire favorable a los movimientos ascendentes, de manera que se
pueden formar nubes convectivas. Ver también estabilidad atmosférica. 1115
inestabilidad condicional se dice que una capa de aire es condicionalmente inestable cuando su gradiente
vertical de temperatura es menor que el adiabático seco (9.8 K/km) y mayor que el adiabático-húmedo
(pseudoadiabático). Así, una burbuja de aire a la temperatura del ambiente es inestable para movimientos
verticales ascendentes si está saturada, inestable para movimientos verticales descendentes si está saturada
y contiene agua de nube, pero estable para todos los desplazamientos verticales pequeños si no está
saturada. 1115
inestabilidad convectiva la estabilidad vertical de la atmósfera tiene que ver con su resistencia a los movimien-
tos verticales. La inestabilidad convectiva está asociada a la convección. 1115
inestabilidad potencial una capa de aire no saturado con un gradiente de temperatura potencial del termómetro
húmedo, o temperatura potencial equivalente, que decrece con la altura se dice que es potencialmente
inestable. Si la capa es elevada hasta su saturación, se volverá inestable, es decir, su gradiente vertical de
temperatura será superior al saturado, independientemente de su estratificación inicial. 1115
inferencia ver aprendizaje. 1115
interpolación óptima dentro de la asimilación de datos, proceso usado para interpolar los datos de observación
en localizaciones irregulares, para distribuirlos en una malla uniforme, basado en una estimación lineal de
mínimos cuadrados. 1115
inversión térmica capa de la atmósfera en la cual la temperatura asciende con la altura. Las inversiones por
irradiación se forman en las capas más bajas de la atmósfera por enfriamiento del aire en contacto con la
superficie durante las horas nocturnas. Las inversiones de subsidencia se forman en áreas anticiclónicas
por descensos de aire a gran escala. 1115
isobara en un mapa meteorológico, línea que une puntos con el mismo valor de presión. Normalmente, en los
mapas de superficie, se trazan las isobaras de presión reducida al nivel del mar. Las isobaras se suelen
representar en intervalos de 1 a 4 milibares o hectopascales, según el nivel de detalle de la configuración
meteorológica que se quiera representar. 1115
isocero o isoterma de cero, altitud en la atmósfera a la que la temperatura es de 0 Â°C. 692, 1115
isohipsa en un mapa meteorológico, línea que une puntos situados a igual altura con el mismo valor de altura
geopotencial. 1115, 1130
isohipsas ver isohipsa. 35, 36, 1115
isoterma en un mapa meteorológico, línea que une puntos con el mismo valor de temperatura del aire. 1115
jet streak ver corrientes en chorro. Máximo en las isotacas (líneas que indican zonas con igual velocidad del
viento) que a menudo se observa a lo largo de los chorros. 1115
jet stream ver corrientes en chorro. 1115
kt abreviatura de knots, nudos en inglés, o millas marinas por hora, unidad de velocidad equivalente a 152/h.
1115, 1132
LAM limited area model o modelo de área limitada. Modelo integrado en un dominio que no es global, sino
que cubre una fracción del planeta. También llamados regional circulation models (RCM). 131, 175, 330,
876, 912, 1115, 1119, 1126
lebeche (o garbino) viento del suroeste, típico en el área de Levante y sureste de España. Procedente del desierto
del Sáhara, puede portar arena y polvo en suspensión. 1115
levante viento del este en el litoral mediterráneo de España y, en general, en todo el mediterráneo occidental.
657, 777, 828, 1115, 1130
levantes ver levante. 656, 1115
LI Lifted Index [218], es un índice de inestabilidad atmosférica. Es la diferencia entre la temperatura ambiente
Te (p) y la temperatura de una burbuja de aire ascendida adiabáticamente Tp (p) en un nivel de presión
p de la troposfera, usualmente 500 hPa. Si LI es positivo, hay estabilidad en el nivel y, si es negativo,
inestabilidad. 845, 1115
LLJ Low level jet (chorro de niveles bajos), máximo relativo de viento frecuentemente observado cerca de la
superficie terrestre, en el interior de la capa límite atmosférica. Se produce típicamente en horas nocturnas
Glosario 1135
y condiciones de estabilidad térmica. 688, 756, 1115, 1119

LR Logistic Regression, problema estadístico de clasificación de valores por debajo o por encima de un umbral.
1115
línea de turbonada tipo de sistemas convectivos de mesoescala (SCM). Es un conjunto organizado de tormentas
que avanzan adoptando una disposición aproximadamente lineal. Suelen provocar fenómenos severos,
como granizo grueso, rachas de viento fuertes o precipitaciones intensas. 1115, 1131
líneas de turbonada ver línea de turbonada. 32, 39, 337, 1115
malla también denominada rejilla o grid, es una disposición regular en el espacio físico del dominio de algunos
modelos numéricos (aquellos que operan en malla), donde se realizan los cálculos corrspondientes. Las
hay de distintos tipos: regular latitud-longitud, rotada latitud-longitud, etc. 1115
masa de aire extenso volumen de aire que horizontalmente presenta características bastante homogéneas (como
la temperatura y la humedad) y claramente diferente de las otras masas de aire que lo rodean. Los frentes
separan las diferentes masas de aire. 1115
media móvil moving average o running mean, en inglés, es una técnica estadística para analizar una serie de
datos, haciendo promedios por tramos, normalmente para filtrar señales de alta frecuencia. En la serie
filtrada cada dato es el promedio de un subconjunto de los datos originales. Como ejemplo, si tenemos
una serie de temperatura diaria en una estación, haciendo la media móvil de 30 días sustituímos cada dato
por el promedio de los 30 días circundantes al día en cuestión: la serie flitrada tiene también 365 datos,
pero cada uno no es la temperatura diaria, sino un promedio desde 15 días antes hasta 15 días después,
aproximadamente. la serie filtrada tiene menos ruido, pues las variabilidades de alta frecuencia se han
eliminado. 217, 1115
medicanes término referido a los mediterranean hurricanes [184], tipo de ciclón distinto a las depresiones
frontales, pequeño pero muy intenso, que comparte algunas similitudes con los ciclones tropicales. Se
forman sobre el mar y para su desarrollo adquieren la energía a partir de los flujos superficiales de calor
sensible y latente y de la liberación de calor latente de las nubes convectivas. 1115
memoria compartida en supercomputación, los sistemas de memoria compartida permiten mantener registros
en un área común a varias unidades de procesamiento. En esta memoria se puede trabajar en paralelo
utilizando hilos de procesamiento. 148, 149, 1115
memoria distribuida en supercomputación, los sistemas de memoria distribuida no permiten mantener registros
en un área común de memoria a varias unidades de procesamiento. En esta memoria se puede trabajar en
paralelo utilizando software de paso de mensajes. 149, 1115
memoria híbrida en supercomputación, los sistemas híbridos son actualmente los mayoritarios teniendo
capacidad de funcionar en paralelo conjuntamente como sistemas de memoria distribuida (paso de
mensajes) y sistemas de memoria compartida (hilos). 1115
meridional en el globo terráqueo (o cualquier globo en general), dirección a lo largo de un círculo longitudinal
(o meridiano). Complementario a zonal. 1115, 1139
mesoalta estructura de altas presiones de dimensiones mesoescalares, en cierto sentido un mini-anticiclón. Ver,
como ejemplo, dipolo orográfico. 809, 1115, 1125
mesobaja estructura de bajas presiones de dimensiones mesoescalares, en cierto sentido una mini-borrasca. Ver,
como ejemplo, dipolo orográfico. 809, 1115, 1125
mesociclón vórtice atmosférico mesoescalar o microescalar de 2-10 km de diámetro, dentro de una tormenta
convectiva. Normalmente son ciclónicos, rotan como las borrascas de cada hemisferio. Pueden generar
fuertes vientos en superficie fuertes y granizo. Suelen ir asociados a una supercélula y pueden generar
tornados. 1115
mesoescala se engloban dentro de esta escala los movimientos atmosféricos con escalas espaciales desde varios
centenares de metros hasta algunos centenares de kilómetros, y escalas temporales a partir de un minuto y
hasta alrededor de un día, es decir por debajo de la escala sinóptica. 32, 35, 39, 660, 1115
METAR formato estándar Organización de Aviación Civil Internacional (OACI) para informes meteorológicos
aeronáuticos, informes usados por pilotos en planificación de vuelo. 201, 1115, 1119
microescala se engloban dentro de esta escala los movimientos atmosféricos con escalas espaciales inferiores al
kilómetro, generalmente inferiores al centenar de metros y escalas temporales inferiores a los minutos, es
decir por debajo de la mesoescala. En esta escala están los cumulonimbos aislados, las nubes lenticulares,
los tornados y trombas marinas, los mares de nubes o las nieblas locales, ya sean marítimas o en zonas de
interior. 32, 35, 42, 43, 1115
MIMIC producto satélite que hace estimaciones de agua precipitable total en la columna (TPW) a partir de
datos en frecuencias microondas tomados desde satélites polares. 1115
modelo conceptual descripción fundamentalmente cualitativa de un fenómeno atmosférico, que define sus
componentes características y establece un ciclo de vida del fenómeno, identificando los procesos físicos
que lo regulan e incluyendo con frecuencia orientaciones sobre su diagnóstico y evolución. 1115
modelos de aprendizaje automático (AA) ver AA. 1115
modo Doppler opción de operación de un radar meteorológico mediante la que es posible determinar la
velocidad de los objetos a los que dirige su haz. Permite revelar algunas características importantes de los
sistemas analizados (convergencias y divergencias, rotación, etc). 1115
MOS Model Output Statistics, es un sistema de posproceso estadístico que utiliza observaciones, datos cli-
máticos y el propio modelo sin posprocesar como predictores para corregir o mejorar determinados
predictandos. El posproceso estadístico puede ser desde una simple relación lineal hasta algoritmos más
sofisticados como kernels gaussianos o redes neuronales. 1115, 1119
MSG Meteosat Second Generation, Meteosat Segunda Generación, satélite geostacionario (36 000 km sobre
el ecuador) que proporciona imágenes del disco terrestre completo y datos para predicción del tiempo.
Meteosat-8 (lanzado en 2002), 9 (2005) y 10 (2012) cubren de diferentes modos Europa, África y el
Océano Índico. Meteosat-11 (2015) está en órbita por si fuera necesario. 1115, 1119
MSLP Mean Sea Level Pressure, presión reducida al nivel medio del mar, mediante un cálculo sencillo
suponiendo una transformación adiabática. Las presiones medidas en superficie en diferentes lugares (y,
por ende, diferentes altitudes) se reducen al nivel del mar para poder ser utilizadas en un mapa común.
223, 819, 1115, 1119
mínimos cuadrados algoritmo que minimiza una función de coste o error consistente en el cuadrado de la
desviación del dato observado y su predicción. 1115
NHC National Hurricane Center, Centro Nacional (EE. UU.) de Huracanes, situado en Miami, Florida. Dentro
de National Centers for Environmental Prediction (NCEP). Su misión es salvar vidas, mitigar pérdidas
materiales y mejorar la eficiencia económica con predicciones de fenómenos tropicales, en general
adversos. 718, 1115, 1119
niebla de advección niebla formada por desplazamiento de aire húmedo y cálido sobre una extensa superficie
de agua notablemente más fría. Se suelen formar en primavera. 1115
niebla de irradiación niebla formada durante las horas nocturnas, cuando el enfriamiento por irradiación de la
superficie terrestre se transmite al aire en contacto con ella, provocando su saturación. 1115
nieblas de advección nieblas formadas por desplazamiento de aire húmedo y cálido sobre una extensa superficie
de agua notablemente más fría. Se suelen formar en primavera. 39, 43, 1115
nieblas de irradiación nieblas formadas durante las horas nocturnas, cuando el enfriamiento por irradiación de
la superficie terrestre se transmite al aire en contacto con ella, provocando su saturación. 39, 1115
no hidrostático normalmente, modelo de predicción numérica en el que no se cumple la hipótesis hidrostática
(ver hidrostático), por lo que se tienen en cuenta las aceleraciones verticales. Los modelos de mesoescala
o de alta resolución suelen ser no hidrostáticos. Estos modelos resuelven “explícitamente” la convección,
es decir, las ecuaciones básicas del modelo permiten el desarrollo de nubes convectivas. 169, 1115, 1129
nowcasting término anglosajón que hace referencia a la predicción meteorológica para las inmediatas horas.
1115
nubes orográficas nubes formadas por influencia de la orografía, como las nubes lenticulares o en bandera.
1115
nudo (kt) medida de velocidad utilizada tanto para navegación marítima como aérea o en meteorología,
equivalente a 152/h. Aunque el símbolo acordado por la Organización Internacional de Normalización
(ISO) es kn, que proviene de knot (nudo, en inglés), en este libro matenemos el tradicional kt. 1115
ondas de montaña ondulaciones en el flujo del aire a sotavento de las cadenas montañosas. En ocasiones
forman nubes orográficas de tipo lenticular. 39, 40, 1115
Glosario 1137
parhelio meteoro óptico relacionado con la reflexión y la refracción de la luz al atravesar los cristales de hielo
que forman las nubes cirriformes. Los parhelios, a menudo en conjunción con los halos, aparecen a 22◦ a
izquierda o derecha del sol, como manchas brillantes e incluso coloridas en el cielo.. 957, 1115
PBL planetary boundary layer o capa límite planetaria. En dinámica de fluidos, capa límite es la zona donde el
movimiento de un fluido es perturbado por la presencia de un sólido en contacto. La capa límite planetaria
(CLP) es la capa inferior de la troposfera, en la que la influencia de la superficie del planeta es considerable.
Su espesor varía rápidamente en tiempo y en espacio, pasando de varios cientos de metros a unos pocos
kilómetros, con variaciones diurnas y también estacionales. 262, 337, 363, 1115, 1119, 1124
PDF probability density function, función de distribución de probabilidad, probabilidad de un intervalo de
valores continuos. Para variables discretas sería una función de probabilidad de masa y se aplica punto por
punto. 1115, 1119, 1123
perceptrón el primer prototipo de red neuronal, consistente en una unidad o neurona artificial que recibe un
conjunto de señales, las aglutina mediante algún sistema de pesos estadísticos y produce una determinada
salida. Los pesos estadísticos son corregidos mediante un proceso iterativo, ajustándolos cada vez más a la
función que se quiere aprender o inferir. 1115
Perfect prog del inglés Perfect Prognosis, es un sistema de posproceso estadístico que utiliza observaciones
y datos climáticos como predictores para corregir o mejorar determinados predictandos. El posproceso
estadístico puede ser desde una simple relación lineal hasta algoritmos más sofisticados como kernels
gaussianos o redes neuronales. 1115
periodo de pico es el periodo del grupo de ondas con más energía y se denota Tp . Cuanto más regular es el
oleaje más se parece Tp a Tm , aunque normalmente es Tp > Tm . 1115
periodo medio periodo medio de todas las ondas u olas que constituyen el oleaje y se suele denotar con las
siglas Tm . 1115
poniente viento del oeste, típico en la Comunidad Valenciana con el nombre ponent. 1115
posproceso proceso realizado sobre las salidas de un modelo numérico con diversos fines: puede tratarse de una
mejora de las predicciones mediante técnicas estadísticas, puede ser la inclusión de parámetros adicionales
no proporcionados por el modelo en sí, puede ser una preparación especial para alguna representación
particular, etc. 1115
PPI acrónimo de Plan Position Indicator. Este producto representa la proyección sobre la horizontal de un
barrido radar realizado al girar la antena en azimut 360◦ mientras se mantiene fijo el ángulo de elevación
de la antena. Puede haber PPI de los siguientes tipos de datos: reflectividad corregida, reflectividad sin
corregir, viento radial y turbulencia. 106–110, 1115
predicción estadística cualquier técnica que utilice bases de datos de situaciones anteriores para predecir o
ayudar a predecir un conjunto de variables o predictandos. Normalmente se busca minimizar una función
de coste que penaliza lo que la predicción se aleja de la observación. Esta función de coste suele ser
(aunque no siempre) el error cuadrático medio. 1115
predictando en métodos estadísticos de predicción, variable predicha o corregida por una o varias variables.
Viene a ser la variable dependiente en una recta de regresión. 194, 1115
predictor en métodos estadísticos de predicción, variable que se utiliza para predecir o corregir otra variable.
Viene a ser la variable independiente en una recta de regresión. 194, 1115
preproceso proceso previo a la integración de un modelo numérico, necesario para que éste reciba los datos
de forma adecuada, lo que normalmente implica homogeneizar formatos, coordenadas horizontales y/o
verticales, cálculo previo de parámetros, etc. 1115
PRF corresponde a las siglas en inglés de Frecuencia de Repetición de Pulsos, es el número de pulsos que el
radar emite por segundo. El valor de la PRF condiciona la distancia máxima de operación del radar y la
máxima velocidad no ambigua de los blancos en los radares Doppler. Los radares pueden operar con PRF
simple o con PRF dual. En este último caso se emiten tandas sucesivas de pulsos a una y otra PRF, lo cual
se utiliza para eliminar ecos de segunda generación y para ampliar el valor de la máxima velocidad no
ambigua. 1115
procesadores escalares cada instrucción de un procesador escalar opera sobre un dato cada vez. 149, 1115
procesadores vectoriales una sola instrucción opera simultáneamente sobre un conjunto de datos. 149, 150,
1115
propagación anómala (de la señal radar) cuando la estratificación de la atmósfera se aleja de la considerada
media o standard sucede que la trayectoria del haz radar se desvía respecto a la que seguiría normalmente,
que viene dada por el modelo de los cuatro tercios, se dice entonces que hay condiciones de propagación
anómala. Un caso típico de propagación anómala se da cuando el haz radar atraviesa una capa de inversión,
dando lugar a que el haz radar se curve hacia abajo pudiendo llegar a tocar tierra o mar. En este último caso,
en presencia de oleaje, pueden aparecer ecos importantes sobre amplias zonas marinas. En los radares
Doppler los ecos de tierra debido a propagación anómala serían eliminados automáticamente. 106, 1115
proxies ver proxy. 1115
proxy dato o datos proxy, también llamado indicador climático indirecto o indicador paleoclimático es un
registro cuya interpretación, basada en principios físicos y biofísicos, permite inferir un conjunto de
variaciones relacionadas con el clima en tiempos pasados o paleoclima. E. g. análisis del polen, registros
de anillos arbóreos, espeleotemas, características de los corales, ciertos datos obtenidos de sedimentos
marinos y núcleos de hielo. Se pueden calibrar de modo que ofrezcan información climática cuantitativa,
e. g. suelen usarse variaciones isotópicas en muestras de hielo para inferir cambios de temperatura,
variaciones del isótopo Be1 0 para inferir irradiaciones solares, el ancho de los anillos de los árboles
para inferir cambios en precipitaciones y temperaturas, o cambios en los isótopos de los corales que nos
proporcionan información acerca de la temperatura del agua del mar. También se usan pólenes fósiles para
inferir tipos de plantas y, de ahí, climas de distintas épocas. 502, 503, 1115, 1134
punto de rocío la temperatura de rocío o punto de rocío es la temperatura más baja a la que empieza a
condensarse del vapor de agua contenido en el aire, produciendo rocío, neblina, nube o, si la temperatura
es suficientemente baja, escarcha. 888, 1115
radar radio detection and ranging, sistema de teledetección activa que usa ondas de radio para determinar la
distancia, ángulo o velocidad ed los objetos. Los hay que detectan aviones, barcos, etc. y los hay que
detectan estructuras meteorológicas y terreno. Al ser teledetección activa, el sistema emite pulsos que se
reflejan en los objetos y vuelven al sistema. 1115, 1119
radar meteorológico instrumento de teledetección utilizado para detectar precipitación y determinar su intensi-
dad, su distribución espacial y su movimiento, basado en la técnica radar (del inglés radio detection and
ranging). 1115
radomo en general, un radomo es un recubrimiento protector de una antena sin alterar sus propiedades electro-
magnéticas, transparente a las ondas de radio. En los radares meteorológicos, radomo es el recubrimiento
con forma de esfera o poliedro, truncado por la base, que sirve de protección a la unidad de antena del
radar frente a pájaros, insectos, polvo, lluvia, hielo, etc. Suele estar fabricado en fibra de vidrio y se fija
sobre la plataforma metálica, situada en la parte superior de la torre, que sirve de base al pedestal de la
antena. 103, 1115
RCM regional circulation model o modelo de circulación regional. Modelo integrado en un dominio que no es
global, sino que cubre una fracción del planeta. También llamados limited area model (LAM). 175, 330,
1115, 1120, 1122
reanálisis procedimiento mediante el cual, usando el sistema de asimilación de un modelo numérico, se realizan
simulaciones de la atmósfera de tiempos pasados, para reconstruir estimaciones del tiempo y el clima de
un periodo determinado, típicamente unas cuantas décadas o más, cubriendo el planeta desde la superficie
hasta bien entrada la estratosfera. Ejemplos: ERA-40, ERA-Interim. 411, 457, 459, 461, 479, 503, 511,
671, 680–682, 687, 688, 1115
red neuronal (NN) algoritmo estadístico proveniente del campo de la inteligencia artificial consistente en
un conjunto de unidades que simulan el comportamiento de una neurona en un cerebro. Las neuronas
se organizan por niveles jerárquicamente, con los niveles más altos aprendiendo o infiriendo patrones
más abstractos y genéricos que los niveles previos. Las redes neuronales son algoritmos muy potentes y
consiguen grandes resultados, aunque la cantidad de hiperparámetros de los que dependen hacen que su
proceso de aprendizaje o entrenamiento sea bastante sutil. 1115, 1135
red neuronal con recurrencia red neuronal que contiene loops o ciclos internos, de modo tal que las señales
aprendidas anteriormente vuelven a entrar en el proceso de inferencia o aprendizaje. Son especialmente
útiles en traducción. 1115
Glosario 1139
red neuronal convolucionada red neuronal aplicada a imágenes en la que uno o varios niveles analizan el
conjunto de datos por sectores, buscando patrones específicos y máximos de señal, aprovechando para
ello las propiedades de invariancia traslacional que tiene una imagen cualquiera. Este análisis recuerda al
funcionamiento de la aplicación matemática conocida como convolución. 1115
redes neuronales (NN) ver red neuronal. 1115
reflectividad es la forma habitual de referirse al factor de reflectividad, Z, de la ecuación del radar. Cuando
el radar explora una región de la atmósfera en la que se está produciendo precipitación, la reflectividad
se define como el sumatorio de los diámetros elevados a la sexta potencia de las gotas presentes en la
unidad de volumen. La reflectividad es la magnitud con mayor contenido físico que se puede extraer,
objetivamente, de la región explorada por el radar. En unidades lineales la reflectividad se suele expresar
en mm6 /m3 , por ser la unidad más intuitiva. En las imágenes radar la reflectividad viene expresada en
unidades decibélicas, dBZ. En la práctica, la reflectividad es un parámetro físico que mide la eficiencia de
un objeto (las gotas de agua o gotitas de nube en el caso de los radares meteorológicos) al interceptar y
retornar los impulsos de ondas de radio emitidos por un radar. Está relacionada con las propiedades físicas
de las gotas de agua y gotitas de nube. A mayor de tamaño de las gotas, mayor reflectividad. 104–106,
108–112, 837, 1115, 1125
regresión ajuste de unos datos a una curva, estimando los mejores valores para los parámetros de dicha curva.
1115
relaciones Z/R ver relación Z/R. 104, 111, 1115
relación Z/R Dado que la reflectividad calculada por el radar está muy condicionada por el tamaño de las gotas
de precipitación, no podemos establecer una relación biunívoca general entre reflectividad e intensidad de
precipitación. Por ello, para estimar la intensidad de precipitación a partir de la reflectividad recurrimos
a las denominadas relaciones Z/R que son expresiones matemáticas obtenidas empíricamente para un
determinado tipo de precipitación. La más utilizada es la denominada de Marshall-Palmer, especialmente
indicada para precipitación de tipo lluvia, que tiene la forma Z = 200 R1,6 , donde la intensidad de
precipitación, R, viene dada en mm/h y la reflectividad, Z, en mm6 /m3 . 104, 107, 111, 1115, 1135
reventones cálidos ver reventón cálido. 885, 1115
reventón cálido raro fenómeno atmosférico con viento racheado, rápido ascenso de temperatura y descenso de
la humedad. Típicamente nocturnos y asociados a células tormentosas en declive. 1115, 1135
risagas llamadas Rissagas en Baleares, Mareas del Pino en Canarias y, también, meteotsunami, son variaciones
costeras muy fuertes de la pleamar, por causas meteorológicas como los fuertes vientos, aire cálido en
niveles bajos y débil o moderado en superficie, a veces pueden producir destrozos o inundaciones. Las
oscilaciones dle nivel del mar son típicamente de 60-120 cm, aunque ocasionalmente han llegado a varios
metros. 570, 629, 1115
RMDCN La Red Meteorológica Regional de Comunicación de Datos proporciona una infraestructura de redes
de ordenadores para la comunidad meteorológica en la Región VI Organización Meteorológica Mundial
(OMM), expandiéndose también por la Región II. 1115, 1120
RNN red neuronal con recurrencia (recurrent neural network), es un tipo de red neuronal donde las conexiones
entre unidades forman un grafo dirigido a lo largo de una secuencia, lo que le permite mostrar com-
portamiento dinámico temporal para una secuencia de tiempo. Al contrario que las de prealimentación
(feedforward), las recurrentes pueden usar su memoria para procesar secuencias de entrada, por lo que
pueden aplicarseen tareas como reconocimiento de escritura o de voz. 1115
satélite meteorológico tipo de satélite artificial que se utiliza principalmente para la detección y seguimiento
de la nubosidad, así como para concretar su tipo. Para ello disponen de diferentes sensores para captar la
radiación reflejada o emitida por la superficie terrestre, la atmósfera y las nubes. También son útiles para
detectar estructuras meteorológicas como dorsales, vaguadas o corrientes en chorro. Asimismo, permiten
recoger información relacionada con el medio ambiente, como detección de incendios forestales o tipo de
vegetación. Los satélites pueden seguir una órbita polar, de manera que giran alrededor del planeta pasando
sobre los polos, o geoestacionaria, permaneciendo sobre un mismo punto en el ecuador del planeta. 1115
SCM sistemas convectivos de mesoescala, grupos organizados de tormentas que producen un área de precipita-
ciones que cubre 100 km o más al menos en una dirección. Comienzan siendo torres convectivas, crecen
en escala creando una circulación vertical convectiva-estratiforme acoplada y, finalmente, terminan su

ciclo de vida como una mera región de lluvias estratiformes. Pueden clasificarse según las condiciones
ambientales de cizalladura del viento. 32, 337, 541, 667, 1115, 1120, 1123
seclusiones ver seclusión. 555, 1115
seclusión etapa breve y poco frecuente en la evolución de una depresión que tiene lugar antes de la oclusión.
Consiste en la unión del frente cálido y del frente frío, a cierta distancia del centro de la depresión, dejando
una masa de aire cálido aislada y rodeada totalmente por aire más frío. 1115, 1136
SMO Sistema Mundial de Observación (Global Observing System, GOS), sistema de la OMM constituido por
los elementos y acuerdos para realizar observaciones meteorológicas, climatológicas y otras observaciones
medioambientales asociadas, desde estaciones en tierra y mar, aeronaves, satélites y otras plataformas.
Está compuesto por una multitud de sistemas de observación independientes que pertenecen a una serie de
organismos nacionales e internacionales con financiación, directrices, prioridades y sistemas de gestión
propios. Sin embargo, las prioridades básicas y los métodos de comunicación se adoptan de manera casi
universal, haciendo posible que, mediante la combinación del SMO y del SMT, cada día miles de millones
de observaciones se recopilen e intercambien en tiempo real entre los estados miembros de la OMM y
otros socios. 1115, 1120
SMT Sistema Mundial de Telecomunicaciones (Global Telecommunication System ,GTS), sistema de la OMM
constituido por redes integradas de elementos y servicios de telecomunicaciones para la recolección rápida
y fiable de datos de observación e información meteorológica procesada entre los estados miembros. Las
funciones del SMT consisten en facilitar el tránsito de datos y de productos del proceso de datos, a fin de
atender a las necesidades de los Centros Meteorológicos Mundiales (CMM), los Centros Meteorológicos
Regionales Especializados (CMRE) y los Centros Meteorológicos Nacionales (CMN),en el marco de la
Vigilancia Meteorológica Mundial (VMM). 1115, 1136
sobreajuste overfitting, cuando un modelo se limita a memorizar los datos del aprendizaje y es incapaz de
generalizar a otras situaciones en base a esos datos. 1115
sobrepredicción predecir valores por encima de los observados. 1115
SOCIB Sistema de Observación Costero y de Predicción en las Islas Baleares, una red de infraestructuras
abiertas a la colaboración internacional. Es un sistema integrado, distribuido y multi-plataforma que
proporciona un flujo de datos oceanográficos, servicios de simulación numérica y nuevas tecnologías
para apoyar la oceanografía operacional en el marco Europeo e internacional, contribuyendo a las
necesidades de la investigación marina y costera en un contexto de cambio climático y cambio global
(http://www.socib.eu). 798, 1115, 1120
sondeo meteorológico representación gráfica del perfil vertical del aire que muestra la evolución de sus propie-
dades (temperatura, humedad, viento, etc.) desde la superficie hasta las capas altas de la atmósfera. Se
obtienen mediante el lanzamiento de globos equipados con sensores meteorológicos (radiosondeos) o
mediante datos extraídos de modelos numéricos (sondeos previstos). Se utilizan algunos índices, llamados
de inestabilidad, para valorar su intensidad. Los más comunes son el CAPE, el LI, el TT y el índice K.
751, 1115
submalla, procesos los procesos submalla son aquellos procesos cuya estructura espacial es menor que el
tamaño de la celda de malla del modelo atmosférico, por lo que no pueden ser resuletos por la dinámica y
deben tartarse aparte, mediante las llamadas parametrizaciones físicas. 1115
subpredicción predecir valores por debajo de los observados. 1115
subsidencia movimiento descendente de una masa de aire. En áreas anticiclónicas suelen presentarse sub-
sidencias a gran escala que pueden generar inversiones térmicas llamadas de subsidencia debido al
calentamiento por compresión adiabática. 140, 1115
supercélula estructura nubosa de origen convectivo formada por una intensa corriente ascendente en rotación
asociada a un mesociclón o a un mesoanticiclón. 39, 1115, 1131
SVR vectores de soporte para regresión. En AA, los SVR son un tipo de las llamadas máquinas de soporte
vectorial (support vector machines, SVM) que, en general, son modelos de aprendizaje supervisado con
algoritmos de aprendizaje asociados que analizan datos. Se usan para problemas de clasificación y análisis
de regresión. 1115, 1120
SYNOP observaciones sinópticas en superficie, con un código numérico (FM-12 OMM). Se refiere a obser-
Glosario 1141
vaciones meteorológicas hechas por estaciones meteorológicas en superficie que cumplen unos ciertos
estándares OMM y, tradicionalmente, el teÅmino SYNOP se refiere también a los datos correspondientes.
226, 322, 672, 750, 876, 1115, 1120, 1125
teleconexiones ver teleconexión. 217, 463, 468, 483, 485, 1115

teleconexión relación estadística entre las variables climáticas en lugares geográficos muy distantes entre sí.
Las teleconexiones están causadas por fenómenos con gran estructur espacial, tales como los modos
acoplados, a la escala de una cuenca, de la variabilidad océano-atmósfera, los trenes de ondas de Rossby,
las corrientes de latitudes medias, las trayectorias de las depresiones de latitudes medias, etc. 1115, 1137
teledetección conjunto de sistemas aplicados a la detección y estudio a distancia de fenómenos atmosféricos,
como los satélites y radares meteorológicos. 1115
TEMP observaciones de presión, temperatura, humedad y viento tomadas por ejemplo por un globo sonda
meteorológico en diversos niveles verticales de la atmósfera, con un código numérico asociado (FM-35
OMM). 322, 672, 1115
temperatura de brillo temperatura, según la ley de Planck, asociada a la radiación de una longitud de onda o
frecuencia dadas. 1115
temperatura de disparo temperatura a la que se debe calentar el aire en superficie, generalmente por el
calentamiento diurno, para iniciar la formación de nubes convectivas. 1115
temperatura de rocío temperatura a la que empieza a condensarse el vapor de agua contenido en el aire
(saturación), produciendo rocío, neblina, nubes o, si la temperatura es lo suficientemente baja, escarcha.
La saturación se produce por un aumento de humedad relativa a temperatura constante, o bien por un
descenso de temperatura con humedad relativa constante. 1115
termoclina capa del océano en la que el gradiente vertical de temperatura es máximo, situada entre la franja
superficial del océano y la región abisal. En las regiones subtropicales, suele provenir de aguas superficiales
de latitudes más altas que han experimentado un proceso de subducción y han sido empujadas hacia el
ecuador. En latitudes altas no siempre hay termoclinas y en tales casos se consideran las haloclinas, que
son las capas en que el gradiente vertical de salinidad es máximo. 484, 1115
The Regional Meteorological Data Communication Network (RMDCN) provides a computer network infrastructure
. 1115
THORPEX The Observing System Research and Predictability Experiment, experimento de investigación
de sistemas de observación y predecibilidad, programa de 10 años con el fin de mejorar la exactitud de
las predicciones de alto impacto desde 1 día hasta 2 semanas vista, para beneficio social, económico y
ambiental. 362, 1115, 1120, 1137
tifones ciclones tropicales del hemisferio oriental. Ver huracanes. 1115, 1127
TIGGE THORPEX Interactive Grand Global Ensemble, gran ensemble global interactivo de The Observing
System Research and Predictability Experiment (THORPEX). Terminado THORPEX, se denomina
simlemente The International Grand Global Ensemble. El proyecto TIGGE hace disponibles datos de
modelos y ensembles globales para investigación y desarrollo. 288, 1115, 1120, 1137
tigge-lam extensión del proyecto The (Thorpex) International Grand Global Ensemble (TIGGE) para modelos
de área limitada o LAM. 1115
tornado remolino de aire ascendente asociado a un cumulonimbo en situación de acusada inestabilidad atmos-
férica. Se trata de un fenómeno severo donde el viento alcanza valores muy elevados que determinan su
catalogación según la escala de Fujita. Los tornados suelen ser de corta duración y diámetro reducido. 32,
42, 45, 1115, 1131
tramontana viento frío y turbulento del noreste o norte, típico sobre Cataluña, las Islas Baleares y la Comunidad
Valenciana. Resulta de la acelración por efecto Venturi en la canalización entre los Pirineos y el suroeste
del Macizo Central de los Alpes. Puede durar varios días con vientos persistentes y rachas de más de 200
km/h. 39, 40, 1115
tromba marina remolino de aire ascendente asociado a la base de un cúmulo convectivo formado sobre el mar.
1115, 1137
trombas marinas ver tromba marina. 42, 45, 1115, 1131
tropopausa límite entre la troposfera y la estratosfera. Ver troposfera. 1115
troposfera capa inferior de la atmósfera donde se producen la mayoría de los fenómenos meteorológicos. Su
límite superior viene definido por la tropopausa, que se sitúa entre los 8 y los 16 km de altura. En la
troposfera en general la temperatura desciende con la altura un promedio de 0,65 ◦ C por cada 100 m. 1115,
1137
turbulencia en dinámica de fluidos, el flujo turbulento, en oposición al flujo laminar, se caracteriza por baja
difusión de momento, alta convección y grandes variaciones de presión y velocidad en el espacio y el
tiempo. En meteorología, la turbulencia se aprecia como agitación de la atmósfera en una capa, con
cizalladura asociada y puede tener orígen mecánico, convectivo o frontal. Ejemplos: estelas turbulentas de
los aviones, turbulencia en aire claro, turbulencia en las ondas de montaña. 105, 106, 1115, 1124, 1126,
1133
upscaling ver gridding, técnica mediante la que se aumenta de escala un conjunto de datos. Por ejemplo, los
datos de un modelo atmosférico en una malla de resolución X pueden procesarse mediante upscaling
para pasar a una malla de resolución 2X o 3X. También pueden tomarse datos observados, a veces
distribuídos irregularmente en el espacio y, mediante upscaling, crear una malla regular de resolución
determinada cuyos datos representen adecuadamente a las observaciones. Este último uso es útil para
comparar observaciones con predicciones en el espacio de las predicciones (su malla). 219, 220, 326, 1115
UTC Coordinated Universal Time o Tiempo Universal Coordinado, también llamado hora Zulú (hora Z) y hora
del meridiano de Greenwich (Greenwich Meridian Time, GMT). 1115
vaguada concepto opuesto al de dorsal. En las vaguadas en altura las isohipsas se disponen en forma de V. En
las áreas afectadas por las vaguadas suele haber inestabilidad atmosférica y frentes, más frecuentemente
en su parte delantera. 32, 35, 36, 1115, 1138
vaguadas ver vaguada. 658, 817, 1115
validación cruzada cross-validation, procedimiento para medir la calidad de una regresión. Se divide en N
partes un conjunto de datos y se utilizan N - 1 partes para el aprendizaje y la parte restante para evaluar.
Se repite este procedimiento hasta que la parte de evaluación visite las N partes. Se toma la media y la
desviación estándar. 1115
viento del gradiente aproximación simplificada del viento real, con equilibrio entre el gradiente de presión, la
aceleración de Coriolis y la aceleración centrípeta (en el viento geostrófico esta última se desprecia), des-
preciando la fuerza de rozamiento. Por encima de la capa límite planetaria, el viento es aproximadamente
del gradiente aún cuando las isobaras no sean rectas. 1115
viento geostrófico aproximación simplificada del viento real, con equilibrio entre la aceleración de Coriolis
y la aceleración generada por el gradiente de presión, despreciando la aceleración centrípeta y la fuerza
de rozamiento. Es un viento paralelo a las isobaras. Por encima de la capa límite planetaria, el viento es
aproximadamente geostrófico si las isobaras son relativamente rectas. 78, 1115
viento radial en los radares Doppler el dato de viento radial se refiere a la componente radial de la velocidad
de los blancos detectados por el radar. En las imágenes PPI de viento radial se utiliza tradicionalmente
una paleta de color que asigna colores cálidos (rojos, naranjas, amarillos, etc.) para representar valores
positivos de velocidad, es decir, cuando los blancos se alejan del radar, mientras que se utilizan colores
fríos (verdes, azules, etc.) para representar valores negativos de velocidad, es decir, acercamientos al
radar. En las imágenes PPI de viento radial se pueden identificar con facilidad patrones característicos de
estructuras meteorológicas: frentes, líneas de convergencia, advecciones cálidas o frías, chorros a bajo
nivel, mesociclones, etc. 105–107, 112, 1115
viento térmico concepto ideal en meteorología para calcular la variación del viento entre dos altitudes diferentes
conociendo la estructura térmica de la masa de aire. Si la atmósfera es baroclina, el viento geostrófico en
una altitud dada es suma del viento geostrófico en otra altitud más el viento térmico. El viento térmico es
paralelo a las isotermas. En el hemisferio norte deja el aire frío a su izquierda y el cálido a su derecha. 78,
1115
volumen cartesiano es el conjunto de los datos de una exploración volumétrica radar distribuidos según una
rejilla tridimensional ortogonal. El dato en cada punto del volumen cartesiano se obtiene por interpolación
de los datos más próximos del volumen polar. El paso de volumen polar a volumen cartesiano facilita la
generación de determinados productos como los combinados de máximos. 109, 1115
Glosario 1143
volumen polar es el conjunto de datos en coordenadas polares (rango, azimut y elevación), obtenido por el
radar en una exploración volumétrica. Periódicamente, cada ciclo, el radar genera un volumen polar de
datos compuesto de varios barridos tipo PPI (a elevación constante) a distintas elevaciones. La estructura
de datos del volumen polar se asemeja a las capas de una cebolla, donde cada capa contiene los datos de
una elevación distinta. Los datos de cada elevación se distribuyen siguiendo rayos radiales, a modo de
rueda de carro. A lo largo de cada rayo los datos se distribuyen a intervalos fijos. 105–108, 110, 112, 1115
vorticidad medida de la rotación de un fluido. En la atmósfera la vorticidad relativa se evalúa teniendo en cuenta
las velocidades relativas, es decir, descontando el efecto de la rotación terrestre. Las grandes borrascas y
áreas ciclogenéticas son zonas con altos valores de vorticidad relativa. 168, 835, 1115
vorticidad potencial magnitud proporcional al producto de la vorticidad y la estabilidad estática. En una parcela
de aire, solo cambia mediante procesos adiabáticos o disipativos. La inestabilidad baroclina requiere
un gradiente de vorticidad potencial a lo largo del cual las ondas se amplifiquen durante el proceso de
ciclogénesis. 673, 828, 1115
zonal en el globo terráqueo (o cualquier globo en general), dirección a lo largo de un círculo latitudinal (o
paralelo). Complementario a meridional. 743, 885, 1115, 1131

Física Del Caos en La Predicción Meteorológica

Cargado por

Copyright:

Formatos disponibles

Física Del Caos en La Predicción Meteorológica

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Física Del Caos en La Predicción Meteorológica

Cargado por

Copyright:

Formatos disponibles

Física del caos en la predicción

Ed. Carlos Santos Burguete

Agencia Estatal de Meteorología

Catálogo de publicaciones de la Administración General del Estado:

Agencia Estatal de Meteorología (AEMET)

En memoria de Rafael Ancell Trueba

En memoria de Antonio Mestre Barceló

Prólogo de Eugenia Kalnay . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . XXXIX

1.1 La predicción mensual . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

2 Introducción histórica a la física del caos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

2.1 Paradigmas cientíﬁcos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

3 Perspectiva histórica de la predicción meteorológica antes del siglo XX . . . . . 21

4 La predicción operativa y el papel del predictor . . . . . . . . . . . . . . . . . . . . . . . . . . . 29

4.1 Introducción a la predicción operativa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30

5 Física del caos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49

5.1 Sistemas dinámicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50

8 Radar meteorológico y red de rayos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103

8.1 Radares meteorológicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104

9 Climatología y observaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117

10 Modelos atmosféricos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129

12.6 Predecibilidad y predicción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 164

13 Sistemas de predicción por conjuntos (SPC) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 165

13.1 Necesidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 166

14 Posproceso estadístico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 193

14.1 Introducción al posproceso clásico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 194

15 Veriﬁcación probabilista . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 207

15.1 Introducción a la veriﬁcación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 208

15.2 Métodos estadísticos clásicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 210

III Diseño . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 241

16 Diseño de SPC, error en condiciones iniciales . . . . . . . . . . . . . . . . . . . . . . . . . . . . 243

16.1 Análisis y su error . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 244

17 Diseño de SPC, error en el modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 257

17.1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 258

18 Diseño de SPC, error en condiciones contorno . . . . . . . . . . . . . . . . . . . . . . . . . . . 275

18.1 Errores debidos a las condiciones de contorno . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 276

19 El Centro Europeo de Predicción a Medio Plazo . . . . . . . . . . . . . . . . . . . . . . . . . 289

19.1 El Centro Europeo o ECMWF . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 290

20 El consorcio HIRLAM y el SPC GLAMEPS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 301

20.1 El consorcio HIRLAM y otras agrupaciones europeas . . . . . . . . . . . . . . . . . . . . . . . . . . . 302

21 SPC hecho en España, AEMET-SREPS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 313

21.1 El proyecto AEMET-SREPS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 314

21.3 Otras investigaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 318

22.1 La incertidumbre en la escala convectiva . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 334

23 El SPC de UK Met Oﬃce MOGREPS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 361

23.1 Introducción y breve historia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 362

24 SPC en México . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 367

24.1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 368

25 MyWave: Sistemas locales de predicción de oleaje por conjuntos . . . . . . . . . . 373

25.1 SPC de olas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 374

26 SPC en el mundo y proyectos TIGGE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 387

26.1 SPC globales en el mundo: El proyecto TIGGE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 388

27 Predicción probabilista . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 401

27.1 Incertidumbres propias en predicción del tiempo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 402

28 Predicciones mensual, estacional y anual . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 447

28.1 Predicciones de largo plazo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 448

29 Proyecciones climáticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 477

29.1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 478

30 Radar probabilista . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 517

30.1 Fuentes de incertidumbre en las observaciones radar . . . . . . . . . . . . . . . . . . . . . . . . . . . 518