Nota técnica 27 de AEMET

Autores:Carlos Santos Burguete1,Álvaro Subías Díaz-Blanco2,Alejandro Roa Alonso2

1 AEMET / Dirección de Producción e Infraestructuras / Centro Nacional de Predicción
2 AEMET / Dirección de Producción e Infraestructuras / Área de Técnicas y Aplicaciones de Predicción

CLASIFICACIONES OBJETIVAS

Fundamentos

Desde el surgimiento de los modelos atmosféricos de predicción, las predicciones existen en forma de números, cubriendo habitualmente un dominio espacial tanto en superficie como en una serie de niveles verticales que suelen abarcar la troposfera y, últimamente, parte de la estratosfera o incluso la mesosfera, con una densidad o resolución que depende de la escala. En la escala sinóptica las resoluciones actuales (2019) rondan los 10-30 km para los modelos deterministas.
¿Cómo funcionan las clasificaciones basadas en técnicas de agrupamiento con soporte computacional? En los algoritmos más sencillos, para clasificar se agrupan las situaciones según un criterio numérico de similitud. Dado que cada situación es un campo numérico, la similitud entre situaciones puede calcularse, por ejemplo, como la distancia euclídea (o alguna otra medida de distancia) entre dos campos. Cuando esa distancia está por debajo de un umbral prefijado, las dos situaciones pertenecerán a un mismo grupo. Así sucesivamente hasta haber recorrido todas las comparaciones posibles. Este algoritmo básico puede mejorarse y hacerse más eficaz y sutil, incluyendo varianza explicada, número de grupos,

etc. En la actualidad, el agrupamiento conforma toda una disciplina científica y técnica y existe una gran variedad de familias de algoritmos. Son populares, por ejemplo, algoritmos como el Análisis de Componentes Principales (PCA por sus siglas en inglés; Jolliffe, 1986; Jolliffe y Cadima, 2016), etc.
Según la capacidad computacional de la que se disponga, las clasificaciones pueden ser más o menos exhaustivas. Con poca capacidad, se reduce la agrupación a la similitud en un solo campo. En esos casos, desde un punto de vista práctico, para la escala sinóptica se escoge a menudo un campo de naturaleza dinámica, como es la altura geopotencial en niveles medios-altos o la presión reducida al nivel del mar. Estos campos presentan variabilidades relativamente suaves en la escala sinóptica, lo que facilita la eficacia y utilidad del algoritmo. Campos de tiempo sensible como son la precipitación o la temperatura en superficie son mucho más ruidosos, por lo que las clasificaciones son, en principio, más complejas y requieren normalmente consideraciones adicionales. Con más capacidad computacional puede trabajarse con varios campos simultáneamente lo que enriquece, como es natural, la clasificación pero a la vez la hace más compleja: más grupos y más características a describir. En cualquier caso, se necesita una base de datos adecuada en tamaño, así como fiabilidad y representatividad de los mismos.

Clasificación objetiva de Ribalaygua y Borén (1995)

Esta clasificación (Ribalaygua y Borén, 1995), aunque no es de las más modernas, ha sido elegida al presentar un interés especial porque es consistente con clasificaciones subjetivas tradicionales, puede interpretarse bien en términos diagnósticos (aquellos expresados en lenguaje meteorológico) y, además, la agrupación se basa en una variable de tiempo sensible como es la precipitación (también puede encontrarse en Romero y col, 1999). El procedimiento se ilustra en la figura 5.a. En un primer paso se aplica el algoritmo de agrupamiento al campo de precipitación diaria acumulada. Una vez que se tienen los grupos, se caracteriza cada grupo sinópticamente por los campos de altura geopotencial en 500 hPa (Z500) y presión reducida al nivel medio del mar (MSLP), promediados a partir de los elementos de cada grupo.

a) b) c)

Hay varias ventajas en este procedimiento: el campo de precipitación (PCP), si no se llega a resoluciones altas y, debido a la influencia compartimentadora de la orografía, suele presentar un número limitado de patrones. Así mismo, las clases sinópticas resultantes tendrán alta capacidad predictiva, dado que la clasificación se ha basado en el efecto en superficie. La base de datos abarca el periodo 1961-1990 con PCP de 10 957 días, en un dominio sobre la PI y Baleares, con más de 3000 estaciones. Las configuraciones sinópticas se representan en una malla regular con resolución de 3º×4º.

Como resultado, se obtienen 18 patrones de precipitación y sus 18 configuraciones sinópticas asociadas. La relación entre la configuración sinóptica de cada grupo y el patrón de precipitación asociado puede interpretarse en términos de modelos conceptuales meteorológicos de precipitación descritos, por su interés, en el siguiente apartado. Los 18 patrones se pueden ordenar conceptualmente según la naturaleza de la configuración y según la zona de descarga de precipitaciones. Tendremos así los grupos A, B, C y D, presentados resumidamente en la tabla 3 y la figuras 5.b (Grupo B) y 5.c (grupos C, D y A). En conjunto, los 18 patrones quedan ordenados de forma que la trayectoria de las sucesivas zonas de precipitación describe una especie de espiral, que comienza en el área del Estrecho con el tipo B1 y termina en Cataluña con el tipo D5.

Modelos conceptuales de precipitación

De forma simplificada, los fenómenos de precipitación se producen por ascenso de masas de aire húmedo. Al ascender, el aire se enfría, alcanzando la saturación, favoreciendo así la condensación en gotitas de nube y gotas de agua. Los factores principales que intervienen en este proceso son:

1.Forzamientos que influyen en la masa de aire para ascender, de varios tipos: orográfico, térmico y dinámico. El dinámico se asume como cuasigeostrófico (Holton, 2012), e incluye los forzamientos frontales.

2.Estabilidad atmosférica. Cuanto más estable la atmósfera, más dificultad tendrá la masa de aire en ascender. El perfil vertical de estabilidad depende de la densidad del aire que, a su vez, depende de las distribuciones verticales de temperatura y humedad.

3.Contenido de humedad. La humedad es ingrediente básico en los procesos de condensación y su contenido en la atmósfera es relevante.

La caracterización sinóptica de Ribalaygua y Borén (1995) con Z500 y MSLP es tradicional y sencilla y, aunque no informa directamente sobre temperatura y humedad, parámetros importantes en los procesos de precipitación, sí que pueden inferirse cualitativamente algunos aspectos:

1.Los flujos de procedencia marina contienen mucha humedad.

2.En vaguadas y borrascas las temperaturas en niveles medios tienden a ser relativamente bajas, pudiéndose inferir muy poca estabilidad.

3.En el interior peninsular en grupos con baja térmica las temperaturas en superficie son siempre elevadas, pudiéndose inferir de nuevo muy poca estabilidad.

RECUPERACIÓN DE LA CLASIFICACIÓN DE FONT (2000, 1983)

Técnica de presentación visual

Para enriquecer la visualización y recuperar el trabajo de Font (2000, 1983) se han utilizado datos del reanálisis ERA40 del European Centre for Medium-range Weather Forecasts, ECMWF (Uppala et al., 2005) correspondientes a las 23 fechas o 23 tipos de Font. Se han reconstruido los mapas mediante la aplicación metview, específica del ECMWF para procesado y visualización de datos meteorológicos, siguiendo las pautas actuales (2018) de la intranet de AEMET, página del Área de Técnicas y Aplicaciones de Predicción (ATAP) de Visualización de Información Meteorológica (VIM), creación original de FELICIANO JIMÉNEZ, anteriormente Meteorólogo del ATAP. Como ejemplo, en la figura 6 se muestra uno de los casos de Font con la reproducción original de los mapas delineados (querer de la mano, figura 6.a) y la reconstrucción actual con los datos de ERA40 (querer de la máquina, figura 6.b). Se trata, en este caso, del 27 de febrero de 1975, situación tipo 11 de Font “Anticiclón centroeuropeo” con indicativo IMi, con mayor frecuencia en diciembre, enero y febrero. Podemos anticipar que, en primer lugar, el parecido entre el mapa manual y el automático es notable, como no podía ser de otra manera, subrayando así la grandísima capacidad profesional de los analistas y delineantes de la época. Podemos resaltar, además, algunos aspectos diferenciales. Para empezar, en los mapas manuales se dibujaban frentes mientras que en el automático hemos dibujado estructuras nubosas. Es también notable lo bien perfilados que estaban los frentes, no disponiendo en la época de imágenes de satélite, aunque en algunos patrones están mejor perfilados que en otros. Por otro lado, puede percibirse en el ploteo automático que se presentan algunas estructuras de menor escala que en el ploteo manual no aparecían, como por ejemplo un pequeño centro de baja presión en Argelia. Esta característica, en principio deseable por resaltar características mesoescalares, adolece sin embargo de cierta sensibilidad a los detalles del algoritmo de ploteo: por ejemplo, si ploteamos la presión cada 1 hPa aparecen más estructuras, o estructuras diferentes, que si ploteamos cada 2 o cada 4 hPa; asimismo, el algoritmo de interpolación puede influir, a veces críticamente, en estas estructuras emergentes de menor escala.

a) b)

Los 23 patrones de Font (2000, 1983)

En el anexo A se presentan de modo completo los 23 patrones de Font (2000, 1983) tanto en su visualización original como con las técnicas modernas ya descritas, acompañados de texto detallado, de modo que se recupera y enriquece la clasificación original. Puede encontrarse la descripción original de los 23 patrones, tipos o situaciones meteorológicas en Font (2000, 1983). Para cada patrón se muestra la presentación original de Font junto con la visualización moderna basada en ERA40. Son complementarias, pues la de Font incluye frentes y la moderna estructuras nubosas coloreadas, así como temperaturas coloreadas en niveles medio-altos. Así mismo, se incluye el texto de Font (2000, 1983) detallado para cada patrón, intentando mantenerlo fiel al original, pero introduciendo algunas modificaciones mínimas. Por ejemplo, se intercala el término “DANA” para matizar términos no aconsejados como “gota fría”, o el término “episodio de calor” para matizar el de “ola de calor” que, a día de hoy, tiene un significado más preciso que entonces.
En total, se incluyen los siguientes elementos:

-Mapa de Font en superficie: presión reducida al nivel del mar (isobaras) y frentes.
-Mapa de Font en altura: altura geopotencial (isohipsas).
-Mapa ERA40 en superficie: presión reducida al nivel del mar (isobaras) y cobertura nubosa (altas en rosa, medias en azul y bajas en verde).
-Mapa ERA40 en altura: altura geopotencial (isohipsas) y temperatura (color) en 500 hPa.                   -Número, nombre Font e indicativo Font (ver tabla {FACTORES FONT}).
-Masas de aire predominantes
-Meses de presencia (predominantes y, si procede, más frecuentes).
-Descripción meteorológica en altura (500).
-Descripción meteorológica en superficie (SFC).
-Duración: duración aproximada.
-Tiempo sensible en lo referente a temperaturas.
-Tiempo sensible en términos de precipitaciones.

A modo de panorámica, en la figura 7 se presentan mosaicos con los 23 patrones de Font, en su versión original (7.a) y con la visualización actual (7.b).

CONCLUSIONES

Las llamadas clasificaciones sinópticas ayudan a entender los fenómenos meteorológicos en esa escala sinóptica mediante patrones tipo. En la actualidad, sería conveniente una convergencia entre las clasificaciones objetivas (se muestra la de Ribalaygua y Borén, 1995, como ejemplo tradicional en AEMET, que no moderno), basadas en modelos numéricos y algoritmos de agrupamiento y las clasificaciones subjetivas, basadas en modelos conceptuales (se muestra la de Font, 2000, 1983, como ejemplo ampliamente conocido). En este estudio se recupera la clasificación de Font, utilizando datos del reanálisis ERA40 del ECMWF correspondientes a los 23 patrones de Font y ploteándolos con técnicas y pautas modernas de visualización de campos para su uso en predicción operativa. En Tveito et al (2011) puede encontrarse una exposición exhaustiva y comparativa de distintas clasificaciones de tipos de tiempo sobre Europa, así como aplicaciones de las mismas y formas de evaluarlas.

Este estudio, como punto de partida, plantea un abanico de líneas de investigación y aplicación. (1) La recuperación de conocimiento que supone el enriquecimiento visual de la clasificación de Font, así como la convergencia de enfoques (objetivo-subjetivo) encuentran aplicación directa en formación, divulgación y comunicación meteorológica, por lo que se sugiere su inclusión en cursos y su publicación en la web de AEMET. (2) La consistencia entre ambos enfoques (objetivo y subjetivo) puede explorarse ahora con mayor profundidad. (3) La aplicación de otras técnicas y parámetros de agrupamiento puede arrojar evidencias de las que sacar partido. (4) Se contribuye así a entender mejor la naturaleza de la variabilidad y diversidad de estos patrones meteorológicos.

AGRADECIMIENTOS

Las figuras y textos de los 23 patrones de Font, así como alguna figura adicional, corresponden a Font (2000, 1983), editado por Ediciones Universidad de Salamanca (EUSAL). Este material ha sido integrado en este trabajo por el enorme interés de ofrecer al lector una visión lo más completa y autodefinida posible dentro del marco de esta publicación y con permiso expreso de EUSAL. Agradecemos a José Luis de las Heras Santos y Modesto Antonio Sánchez Sacristán la amabilidad y diligencia para los trámites correspondientes.
El personal de Reprografía y de la Biblioteca de AEMET ayudó enormemente con el material gráfico y tramitación interna de la publicación, por lo que estamos en deuda con todos ellos.
Así mismo, valoramos enormemente la revisión del estudio realizada por Ernesto Rodríguez Camino, Jefe del Área de Modelización y Evaluación del Clima de AEMET, así como Olinda Carretero Porrís, Benito Elvira Montejo y Francisco Javier Díaz Bárcena, del Área de Predicción Operativa de AEMET.

REFERENCIAS
Borén Iglesias, R., Ribalaygua Batalla, J. y Balairón Ruíz, L., 1995. Método analógico de simulación de escenarios climáticos a escala comarcal. Informe Nº4 del Servicio de Análisis e Investigación del Clima, INM, Madrid.
Calvo, J. 1993. Clasificación de flujos en 500 hPa sobre la península ibérica. Nota técnica Nº 32 del Servicio de Predicción Numérica, INM.
Casado et al., 2011. Evaluación de los modelos AR4 del IPCC sobre la P. Ibérica y su región Euro-Atlántica. AEMET. http://hdl.handle.net/20.500.11765/3123.
Casado, M.J. and Pastor, M.A., 2012. Use of variability modes to evaluate AR4 climate models over the Euro-Atlantic region. Climate dynamics, 38(1-2), pp.225-237.
Fernández García, A. D. J., Martín Vide, J., Díaz Pérez, Y. A. y Mestre Barceló, A., 2003. Aplicación de los procesos sinópticos objetivos a la península ibérica en otoño. Investigaciones Geográficas (Esp), (31).
Ferranti, L. y Corti, S., 2011. New clustering products. ECMWF Newsletter, 127(6-11), 1-2.
Font-Tullot, I., 2000. Climatología de España y Portugal (Vol. 76). Universidad de Salamanca.
Font-Tullot, I., 1983. Climatología de España y Portugal. Instituto Nacionalde Meteorología, 1983. Madrid.

Gutiérrez, J.M., Cofiño, A.S., Cano, R. y Rodríguez, M.A., 2004. Clustering methods for statistical downscaling in short-range weather forecasts. Monthly Weather Review, 132(9), pp.2169-2183.
Hartigan, J. A., 1975. Clustering algorithms (Vol. 209). John Wiley and Sons. New York.
Holton, J. R. y Hakim, G. J., 2012. An introduction to dynamic meteorology (Vol. 88). Academic press.
Jolliffe, I. T., 1986. Principal Component Analysis and Factor Analysis. In Principal component analysis (pp. 115-128). Springer, New York.
Jollife I. T. y Cadima J., 2016. Principal Component Analysis: a review and recent developments. Philos Trans A Math Phys Eng Sci.
Kalnay, E., Kanamitsu, M., Kistler, R., Collins, W., Deaven, D., Gandin, L., Iredell, M., Saha, S., White, G., Woollen, J. and Zhu, Y., 1996. The NCEP/NCAR 40-year reanalysis project. Bulletin of the American meteorological Society, 77(3), pp.437-472.
Linés, A., 1981. Perturbaciones típicas que afectan a la península ibérica y precipitaciones asociadas. INM, serie A, Nº 80, Madrid.
Mass, C. F., Edmon, H. J., Friedman, H. J., Cheney, N. R. y Recker, E. E., 1987. The use of compact discs for the storage of large meteorological and oceanographic data sets. Bulletin of the American Meteorological Society, 68(2), 1556-1558.
Peña, J. C., Aran, M., Pérez Zanón, N., Casas Castillo, M., Rodríguez Solá, R. y Redaño Xipell, A., 2015. Análisis de las situaciones sinópticas correspondientes a episodios de lluvia severa en Barcelona. En XXXV Reunión Bienal de la Real Sociedad Española de Física. Libro de Resúmenes (pp. 450-451). Real Sociedad Española de Física (RSEF).
Persson, A., 2001. User Guide to ECMWF forecast products. ECMWF.
Petisco, E. y Martın, J. M., 1995. Caracterización de la circulación general atmosférica en la Península Ibérica y Baleares (Characterization of the atmospheric general circulation in the Iberian Peninsula and Balearic Islands). Service of Analysis and Research of Climate, Instituto Nacional de Meteorología, Tech. Service of Analysis and Research of Climate, Tech. Note 5.
Ribalaygua Batalla, J. y Borén Iglesias, R., 1995. Clasificación de patrones espaciales de precipitación diaria sobre la España peninsular y Baleárica. Informe Nº 3 del Servicio de Análisis e Investigación del Clima. INM. Madrid.
Ribalaygua Batalla, J., Borén Iglesias, R. y Balairón Ruíz, L., 1999. Clasificación de repartos de precipitación diaria sobre la España peninsular y baleárica: aplicación para la generación de clasificaciones atmosféricas de apoyo a la predicción de precipitaciones. Informe nº 4. Servicio de Análisis e Investigación del Clima. INM. Madrid.
Rodríguez, A., 2014. Nuevas técnicas de agrupamiento de predicciones por conjuntos del ECMWF aplicadas a campos de superficie. Nota Técnica nº 1. Área de Innovación. AEMET. Madrid.
Romero, R., Ramis, C. y Guijarro, J.A., 1999. Daily rainfall patterns in the Spanish Mediterranean area: an objective classification. International Journal of Climatology: A Journal of the Royal Meteorological Society, 19(1), pp.95-112.
Sánchez Rodríguez, J., 1993. Situaciones atmosféricas en España. INM. Madrid.
Santos y col., 2018. Física del caos en la predicción meteorológica. AEMET. Madrid.
Soriano Ortiz, C., Fernández, A. G. y Martín Vide, J., 2003. Sobre el uso de los procesos sinópticos objetivos y los modelos meteorológicos a alta resolución para el estudio de los patrones circulatorios a escala regional. Departament de Matemàtiques, Reports de recerca. Universitat Politècnica de Catalunya.
Strahler, A. y Strahler, A., 2007. Physical geography. John Wiley & Sons.
Subías A., y Roa. A., 2018. Adaptación de la nueva técnica de clusters de ECMWF en AEMET. Sexto Simposio Nacional de Predicción. AEMET.
Tveito, O.E., Huth, R., Beck, C., Demuzere, M., Esteban, P., Pasqui, M., Philipp, A. and Post, P., 2011. COST733-Harmonisation and Applications of Weather Types Classifications for European Regions. In European Conference on Applied Climatology/European Meteorological Services (EMS/ECAC) 2011, Berlin. http://cost733.met.no/ y http://cost733.geo.uni-augsburg.de/cost733wiki.
Uppala, S. M., Kållberg, P. W., Simmons, A. J., Andrae, U., Bechtold, V. D., Fiorino, M., Li, X. y coautores, 2005. The ERA‐40 re‐analysis. Quarterly Journal of the royal meteorological society, 131(612), 2961-3012.

LOS 23 PATRONES FONT