Caio A. S. Coelho e-mail: [email protected] Agradecimentos: D. B. Stephenson, F. J....
Transcript of Caio A. S. Coelho e-mail: [email protected] Agradecimentos: D. B. Stephenson, F. J....
Caio A. S. Coelho
e-mail: [email protected]
Agradecimentos: D. B. Stephenson,
F. J. Doblas-Reyes (*) and M. Balmaseda (*)
Departamento de Meteorologia, Universidade de Reading e
ECMWF (*)
Um sistema integrado de previsões climáticas para a América do Sul
Objetivo:
•
Estratégia:• Estágio 1: índice Nino-3.4, 1 modelo (Coelho et al. 2003,2004)• Estágio 2: TSM Pac. Equatorial, 7 modelos (Stephenson et al.2005)• Estágio 3: precip. América do Sul, 3 modelos (Coelho et al.2005a,b)
Melhorar a qualidade das previsões probabilísticas de precipitaçãopara a América do Sul
Organização do seminário
1. Principais tópicos abordados2. Esquema conceitual (“Assimilação de previsões”)3. DEMETER4. Exemplos de aplicação: 0-d (índice Niño-3.4)
1-d (TSM Pac. Equat.) 2-d (precip. Amér. Sul) Downscaling
5. Resumo e conclusões6. Trabalho futuro
1. Tópicos
• Porque calibrar previsões?• Como calibrar?• Como obter previsões probabilísticas?
Calibração
Combinação• Porque combinar previsões?• Como combinar?
2. Esquema conceitual
)y(p
)x(p)x|y(p)y|x(p
i
iiiii
Assimilação de dados“Assimilação de previsões”
)x(p
)y(p)y|x(p)x|y(p
f
fffff
Espaço observacional
Espaço do modelo
3. Previsão por conjunto de modelos
DEMETER DEMETER Development of a European Multi-Model Ensemble
System forSeasonal to Interannual Prediction
Solução: Vários-modelos Conjunto
Errors: Formulação Condições iniciais
http://www.ecmwf.int/research/demeter
Sistema de conjunto de modelos do DEMETER
Período de “hindcasts” : 1980-2001 (1959-2001)
Conjunto de 9 membros
Condições iniciais: ERA-40
Perturbações de TSM e vento
Início em 4 datas por ano
(Fev, Mai, Ago e Nov)
Defasagem máxima : 6 meses
Modelo País
ECMWF Internacional
LODYC França
CNRM França
CERFACS França
INGV Itália
MPI Alemanha
UKMO Reino Unido
7 modelos acoplados
4. Exemplos de aplicação
•
• índice Niño-3.4 (0-d)• TSM Pacífico Equatorial (1-d)• precip. América do Sul (2-d)
Exemplo 1: previsões do índice Niño-3.4
Maioria das observações dentro do intervalo de previsões (I.P.) de 95% bem calibradas
I.P. 95%julhodeValorY
dezembrodeValorY
),Y(N~Y|Y
5t
t
2t05t1o5tt
Previsões empíricas
Previsões do modelo acoplado do ECMWF
Várias observações fora do I.P. 95% Previsões do modelo acoplado necessitam calibração
m=9
2X
2ttt
2ttt sˆ;Xˆ);,(N~X
DEMETER: defasagem (5 meses)
Prévia:
a) Caso univariado
),(N~Y 2t0t0t
)V,Y(N~Y|X tttt
'
2X
t m
m
m
sV
),(N~X|Y 2tttt
t
t
2
2t0
t02
t
t
t
2
2t0
2t
X
V
V
11
)X(p
)Y(p)Y|X(p)X|Y(p
t
ttttt
Posterior:
Likelihood:
Teorema de Bayes
Modelando a “likelihood” p(X|Y)
y
Previsão integrada (calibrada e combinada)
Maioria das observações dentro do I.P. 95%
Todas as previsões
Previsão MAE
(C)
MAESS (%)
BS BSS
(%)
Incert.
(C)
Climatol. 1.16 0 0.25 0 1.19
Empírica 0.53 55 0.05 79 0.61
ECMWF 0.57 51 0.18 29 0.33
Integrada 0.31 74 0.04 81 0.32
MAESS = [1- MAE/MAE(clim.)]*100%
Empírica ECMWF
Integrada
BSS = [1- BS/BS(clim.)]*100%
)C,Y(N~Y b
1TT
111T
obba
)SGCG(CGL
C)LGI()CGSG(D
)]YY(GX[LYY
)S],YY[G(N~Y|X o
Prévia:Likelihood:
Posterior:
1YYXYSSG
YGXGYo T
YYXX GGSSS
)D,Y(N~X|Y a
b) Caso Multivariado
viés
qq:D
qn:Y
pn:X
qq:C q1:Yb
pp:S qn:Ya
Matrizes
Exemplo 2: TSM Pacífico Equatorial
Previsão Brier Score (BS)
BSS
(%)
Climatol p=0.5 0.25 0
Conjunto (CON) 0.19 24
Integrada (INT) 0.17 31
)0YPr(p tt
Anomalias TSM: Y (°C)Previsões de probabilidades: p
DEMETER: 7 modelos acoplados (CON); defasagem (6 meses)
BSS = [1- BS/BS(clim.)]*100%
Y 0Y OBSOBS CON INT
1BS0)op(n
1BS
n
1k
2kk
Brier Score em função da longitude
Assimilação de previsões reduziu (melhorou) o Brier score no Pacífico equatorial leste e oeste
1BS0)op(n
1BS
n
1k
2kk
CON - - - INT
Porque melhorou?
• Quão bem calibradas são as previsões (confiabilidade)
• Habilidade em discriminar diferentes situações observadas (resolução)
Qualidade das previsões depende:
Decomposição do Brier Score
1BS0)op(n
1BS
n
1k
2kk
)o1(o)oo(Nn
1)op(N
n
1BS
l
1i
2ii
l
1i
2iii
iNk
ki
i1i oN
1)p|o(po
n
1kko
n
1o
confiabilidade resolução incerteza
Assimilação de previsões melhorou a confiabilidade no Pacífico oeste
Confiabilidade em função da longitude
CON
- - - INT
Resolução em função da longitude
Assimilação de previsões melhorou a resolução no Pacífico leste
CON - - - INT
Exemplo 3: Anomalias de precip. América do Sul
Obs CON INT
(mm/dia)
DEMETER: 3 modelos acoplados
CON (ECMWF, CNRM, UKMO)
Defasagem (1 mês)
Início: Nov DJF
Composições (ENSO): 1959-2001
• 16 anos de El Niño
• 13 anos de La Niña
r=0.51
r=0.28
r=0.97
r=0.82
Anomalias de precip. DJF 1975/76 e 1982/83Obs CON INT
(mm/dia)
r=-0.09
r=0.32
r=0.59
r=0.56
Anomalias de precip. DJF 1991/92 e 1998/99 Obs CON INT
(mm/dia)
r=0.04
r=0.08
r=0.32
r=0.38
Brier Skill Score para precipitação
Assimilação de previsões melhorou o Brier Skill Score (BSS) nos trópicos
limcBS
BS1BSS
)0YPr(p tt
CON INT
Componente de confiabilidade do BSS
Assimilação de previsões melhorou a confiabilidade em várias regiões
limc
confconf BS
BSBSS
CON INT
Componente de resolução do BSS
Assimilação de previsões melhorou a resolução nos trópicos
limc
resolresol BS
BSBSS
CON INT
EMP CON INT
Mapas de correlação de anomalias de precip.
Comparável nível determinísticos de desempenhoMelhor qualidade nos trópicos e sudeste da América do Sul
Anomaly Correlation Coefficient (ACC) médio
Baixo nível de skill (ACC<0.31) Melhor (maior) skill em anos de ENOS do que em anos neutros Calibração e combinação melhora o skill
CON
Brier Skill Score para precipitação
limcBS
BS1BSS )0YPr(p tt
EMP ENS INTCON
Assimilação de previsões melhorou o Brier Skill Score (BSS) nos trópicos
Componente de confiabilidade do BSS
limc
confconf BS
BSBSS
EMP CON INT
Assimilação de previsões melhorou a confiabilidade em várias regiões
Componente de resolução do BSS
limc
resolresol BS
BSBSS
INTCONEMP
Assimilação de previsões melhorou a resolução nos trópicos
Exemplo 4: Downscaling de anomalias de precip.
Conjunto de modelos (CON)
3 modelos acoplados (DEMETER)
ECMWF, CNRM, UKMO
Defasagem (1 mês)
Início: Nov DJF
Período 1959-2001
Previsão Correlação Brier Score
CON 0.57 0.22
INT 0.74 0.17
Caixa sul: anomalias de precipitação DJFCON
INT
Assimilação de previsões melhorou substancialmente o skill
- - - Observação Previsão
Previsão
Previsão Correlação Brier Score
CON 0.62 0.21
INT 0.63 0.18
Caixa norte : anomalias de precipitação DJFCON
INT
- - - Observação
Assimilação de previsões melhorou marginalmente o skill
• Desenvolvimento de um sistema integrado de previsões climáticas para a América do Sul
• Calibração e combinação : conceito de “assimilação de previsões”
• Método capaz de melhorar a qualidade de previsões• Exemplo 1: Niño-3.4
melhoria na previsão do valor médio melhoria na estimativa de incerteza
• Exemplo 2: TSM Pacífico Equatorial melhoria confiabilidade (oeste) e resolução (leste)
5. Resumo e conclusões:
• Exemplo 3: Precipitação sobre a América do Sul previsões empíricas e integradas apresentam nível
determinístico comparável de desempenho melhoria da confiabilidade e resolução nos trópicos
melhoria da confiabilidade em várias regiões melhor desempenho em anos de ENSO do que em
anos neutros regiões mais previsíveis: tropical e sudeste Amér. Sul passos iniciais para um sistema integrado de
previsões climáticas para a América do Sul EUROBRISA
5. Resumo e conclusões:
A EURO-BRazilian Initiative for Improving South American
Seasonal Forecasts
Objetivos
•Produzir previsões sazonais probabilísticas calibradas e combinadas em tempo real para a América do Sul
•Desenvolver produtos de previsão para atividades governamentais aplicadas (ex. manejamento de reservatórios, produção de energia elétrica, agricultura, etc...)
•Disponibilizar essas previsões para uso em atividades governamentais sem fins lucrativos
ParceirosInstituição Participantes
CPTEC Coelho (P.I.), Cavalcanti,
Silva Dias, Pezzi
ECMWF Anderson, Balmaseda,
Doblas-Reyes, Stockdale
INMET Moura, Silveira
Met Office Graham
Météo France Deque
SIMEPAR Guetter
Univ. Reading Stephenson
USP Ambrizzi, Silva Dias
•Coelho C.A.S., 2005: “Forecast Calibration and Combination: Bayesian Assimilation of Seasonal Climate Predictions”. PhD Thesis. University of Reading, 178 pp. • Coelho C.A.S., D. B. Stephenson, F. J. Doblas-Reyes and M. Balmaseda, 2005a: “From Multi-model Ensemble Predictions to Well-calibrated Probability Forecasts: Seasonal Rainfall Forecasts over South America 1959-2001”. CLIVAR Exchanges No 32, Vol. 10, No 1, 14-20.• Coelho C.A.S., D. B. Stephenson, M. Balmaseda, F. J. Doblas-Reyes and G. J. van Oldenborgh, 2005b: “Towards an integrated seasonal forecasting system for South America”. Submitted to J. Climate.
•Stephenson, D. B., C.A.S. Coelho, F. J. Doblas-Reyes, and M. Balmaseda, 2005:“Forecast Assimilation: A Unified Framework for the Combination of Multi-Model Weather and Climate Predictions.” Tellus A, Vol. 57, 253-264.• Coelho C.A.S., S. Pezzulli, M. Balmaseda, F. J. Doblas-Reyes and D. B. Stephenson, 2004: “Forecast Calibration and Combination: A Simple Bayesian Approach for ENSO”. Journal of Climate. Vol. 17, No. 7, 1504-1516.
• Coelho C.A.S., S. Pezzulli, M. Balmaseda, F. J. Doblas-Reyes and D. B. Stephenson, 2003: “Skill of Coupled Model Seasonal Forecasts: A Bayesian Assessment of ECMWF ENSO Forecasts”. ECMWF Technical Memorandum No. 426, 16pp. Disponível em http://www.met.rdg.ac.uk/~swr01cac
Mais informações …
Reliability diagram (Multi-model)
(pi)
(oi)
o
Reliability diagram (FA 58-01)
o
(pi)
(oi)
Operational Seasonal forecasts for S. America• Coupled models
U.S.A: http://iri.columbia.edu
• Atmospheric models forced by persisted/forecast SSTs
Brazil: http://www.cptec.inpe.br
Europe: http://www.ecmwf.int
U.K: http://www.metoffice.com
Moment measure of skewness
n
1i
3
y
i1 s
yy
n
1b
Measure of asymmetry of the distribution