Predicció per conjunts
Models numèrics de predicció del temps
La base de la predicció del temps són els models numèrics. Aquests models es basen en les formulacions físiques que regeixen el comportament de l’atmosfera i constitueixen un sistema d’equacions que, a partir de conèixer l’estat actual de l’atmosfera (les “condicions inicials”) calculen el temps que farà en un futur. Aquestes equacions només es poden resoldre en punts discrets de l’atmosfera, de manera que hi ha processos que s’han d’estimar a partir de parametritzacions: és a dir, un conjunt de fórmules matemàtiques que intenten representar de manera aproximada fenòmens d’escala més petita (formació de gotes dins els núvols, fluxos radiatius, turbulència, convecció, etc.).
Incertesa de la predicció meteorològica
El càlcul del temps futur és molt sensible a la situació inicial. Petits canvis en l’estat actual de l’atmosfera poden comportar, a la llarga, pronòstics completament diferents. Això és el que es coneix com a caos determinista. Caos, perquè sembla que l’atmosfera sigui un sistema desordenat, sense sentit, però determinista perquè en realitat, si es conegués perfectament la situació inicial, es podria saber la seva evolució. Edward Lorenz va ser un dels pioners d’aquestes teories i el 1963 va descriure l’atmosfera com a sistema caòtic.
Per tal de conèixer l’estat actual de l’atmosfera es fan anàlisis acurades de la situació meteorològica inicial i s’incorporen diferents observacions als models (radiosondatges, estacions de superfície, satèl·lit, radar, etc.). Tot i això, no existeixen dades a tots els punts del planeta i, a més, les existents poden tenir errors. Per tant, tot i que cada vegada l’estat inicial és més acurat, continua sent una simplificació de la realitat.
Així doncs, tot i que en els primers dies de pronòstic els models puguin resoldre força bé el temps que farà, a partir del quart o cinquè dia, els errors en les condicions inicials i les imperfeccions en les parametritzacions dels processos físics es fan més evidents. De fet, són les dues fonts principals d’incertesa dels models numèrics de predicció del temps.
Construcció de la predicció per conjunts
Els sistemes de predicció per conjunts estan dissenyats per intentar salvar aquestes dues limitacions i poder predir l’estat de l’atmosfera de manera fiable més enllà de cinc dies. En comptes d’obtenir la informació a partir d’una sola simulació d’un model, busquen obtenir diferents escenaris de futur possibles, tenint en compte, d’una banda, el comportament tan sensible del model a les seves condicions inicials i, de l’altra, les imperfeccions del mateix model. D’aquesta manera es pot fer una predicció probabilística del temps futur que contempli els diferents escenaris en els quals es podria trobar l’atmosfera, en comptes d’obtenir un sol escenari, que podria no ser el correcte.
En la predicció per conjunts a mitjà i llarg termini (entre 3 i 15 dies de pronòstic), la incertesa de les condicions inicials es té en compte provocant petits canvis (anomenats pertorbacions) en l’anàlisi de la situació meteorològica present. A més, per tenir en compte les imperfeccions del model, també s’afegeixen pertorbacions en les formulacions dels processos físics. D’aquesta manera s’obtenen un conjunt de simulacions, cada una d’elles anomenada “membre”, que descriuen possibles situacions meteorològiques futures.
Hi ha un membre que sigui millor?
En un sistema de predicció per conjunts perfecte tots els membres son igual de bons i tenen el mateix nivell d’encert. Això és perquè les pertorbacions que se’ls hi aplica són aleatòries i dissenyades per no afavorir-ne cap. Tot i això, en els primers dies del pronòstic (fins al quart, depenent de la situació), hi ha un membre que destaca entre els altres: l’anomenat membre de control. És el pronòstic sense pertorbar, sense afegir cap modificació, ni al model ni a les condicions inicials. De tota manera, a partir del cinquè dia se’l pot tractar com un membre més: és a dir, la seva capacitat de predicció és comparable a la de la resta de membres.
Quan tots els membres donen un resultat similar podem afirmar que és molt probable que es compleixi aquell pronòstic i, per tant, hi ha molt poca incertesa. Per altra banda, es poden donar casos en què els membres vegin pronòstics molt diferents. En aquestes situacions la incertesa és més elevada i, per tant, és més complicat tenir un pronòstic precís. D’aquesta manera es pot fer un tractament probabilístic de les situacions possibles, i en comptes d’afirmar que “la temperatura serà de més de 30 °C”, es pot dir que “hi ha un 70% de probabilitat de què la temperatura superi els 30 °C”. És per això que a la predicció per conjunts també se la coneix com a predicció probabilística i té, com a valor afegit, informació sobre el grau d’incertesa.
Exemples de sistemes de predicció per conjunts
El sistema de predicció per conjunts de l’ECMWF (European Center for Medium-Range Weather Forecast, Centre Europeu de Predicció a Mitjà Termini), per exemple, té 51 membres: el de control, sense pertorbar, i 50 de pertorbats. En canvi, el del model nord-americà, el GEFS (Global Ensemble Forecast System, Sistema Global de Predicció per Conjunts) en té 31: un de control i 30 pertorbats.
Una forma de representar aquestes prediccions és a partir dels meteogrames, com els que es mostren a l’apartat de Predicció Municipal. En aquestes figures s’hi mostra l’evolució d’una variable meteorològica en un punt determinat, normalment la precipitació a superfície i la temperatura a 850 hPa, uns 1.500 m d’altitud. Es representa el membre de control com una línia i la distribució dels membres pertorbats es mostra com una àrea ombrejada. Si l’àrea ombrejada és més àmplia, vol dir que els diferents membres estan donant resultats diferents i, per tant, el pronòstic és més incert. Per contra, si l’àrea és més estreta, hi ha menys incertesa. Així doncs, és una manera ràpida de veure el pronòstic i la seva incertesa associada.
