Calibración de los pronósticos probabilísticos de precipitación derivados de un ensamble multi-modelo utilizando diferentes metodologias Translated title: Probabilistic quantitative precipitation forecasts calibration using different techniques applied to a multi model ensemble

Abstract

El pronóstico probabilístico constituye una de las alternativas para incorporar la incertidumbre asociada a los pronósticos. En particular, cuando se utilizan ensambles para obtener pronósticos probabilísticos de precipitación (PPP), los mismos deben ser calibrados de forma tal de corregir el efecto de los errores sistemáticos de los modelos que componen el ensamble y la imperfección del ensamble para representar la evolución de los errores durante el plazo de pronóstico. En este trabajo se generaron, calibraron y verificaron pronósticos probabilísticos de precipitación derivados del sistema de Super- Ensamble de Modelos (SMES) desarrollado en la Universidad de San Pablo, sobre una sub-región de Sudamérica. Se evaluó el desempeno de diferentes metodologías para la calibración, incluyendo una calibración basada en el promedio Bayesiano que permite incorporar los errores sistemáticos de cada uno de los miembros del ensamble por separado. Los resultados muestran que las diferentes técnicas implementadas permitieron mejorar la calidad del pronóstico probabilístico, no obstante la técnica más sencilla basada en la calibración de la media del ensamble fue la que mostró los mejores resultados. Por otra parte, se evaluó la variación de la calidad del pronóstico a lo largo del ano, observándose una significativa mejoría de los índices durante la época invernal. Durante esta misma época, las diferencias entre el pronóstico no calibrado y el calibrado son menores que durante los meses de verano en donde la calibración tiene un impacto mayor.

Translated abstract

Probabilistic forecasts constitute a way to introduce the uncertainty in climate-weather forecasts. When probabilistic quantitative precipitation forecasts are derived from dynamically generated ensembles, a statistical post-processing or calibration should be done in order to improve forecasts reliability. The lack of forecast reliability is mainly due to systematic errors associated with each different ensemble member and from errors in the ensemble formulation. In this work, probabilistic forecasts derived from the University of San Pablo Multi Model ensemble system have been calibrated and verified. Several calibration strategies have been implemented and tested, including some that take into account systematic errors associated with individual ensemble members, as the Bayesian Model Averaging technique (BMA). Results show that all the calibration strategies improve forecasts reliability. However, the simpler approach based on the ensemble mean shows, in general, the best results. An annual cycle has been found in PQPF skill over the region with higher skill scores during winter. During this same time of the year the impact of the PQPF calibration was smaller than in summer.