Un solo pronóstico no basta: por qué necesitamos ensembles para pronosticar el tiempo

Los modelos numéricos son una parte esencial para predecir el tiempo y el clima. Sin ellos es imposible imaginar los avances en predicciones a corto, mediano y largo plazo, ni mucho menos las proyecciones climáticas para fines de siglo.

Sin embargo, la información proveniente de modelos numéricos posee varias fuentes de incertidumbre. Conocer y reducir esas incertidumbres es tarea primordial a la hora de realizar pronósticos meteorológicos confiables.

En ese contexto, una muy buena práctica es no basar los pronósticos en una sola salida de un modelo, sino analizar conjuntos de salidas y comparar la información entre distintos modelos para obtener escenarios más robustos y confiables.

Un problema de condiciones iniciales

El pronóstico numérico del tiempo depende fuertemente de las condiciones iniciales: lo que se observa hoy influye en lo que ocurrirá más adelante. A medida que pasa el tiempo, esa influencia disminuye, pero nunca desaparece por completo, marcando siempre la evolución futura de la atmósfera.

La evolución desde esa condición inicial hasta un tiempo futuro dependerá de muchas cosas, entre ellas la aleatoriedad de un sistema tan caótico como la atmósfera. Mientras más observaciones, precisas y de calidad tengamos de esas condiciones iniciales, mejor podremos pronosticar el futuro.

Pero medir en todos los lugares del mundo todas las variables necesarias para que los modelos de pronóstico funcionen bien no es tarea fácil. Se requieren estaciones de superficie, embarcaciones, globos radiosondas, satélites, boyas, etc. Lo que inevitablemente hace de este proceso uno muy susceptible a errores o fallos. Pero no queremos que los pronósticos estén influenciados por esos posibles errores.

Por ello se introducen miembros de ensemble, simulaciones hermanas en un mismo modelo que tienen como diferencia las condiciones iniciales. En cada miembro se introduce una pequeña perturbación aleatoria y se lanza el modelo. Este procedimiento se realiza decenas de veces.

Con los miembros de ensemble, al ser múltiples, se puede realizar estadística y conocer cosas como la dispersión que tiene el modelo, la probabilidad de observar cierto valor extremo y, sobre todo, tener una estimación de lo que el modelo considera “variabilidad”. Ese rango “natural” que sirve de margen físico para las diferentes variables.

Entonces, pensemos en un ejemplo. Digamos que ahora mismo, en promedio, tenemos una temperatura de 15 °C y que para mañana el pronóstico del modelo indica una temperatura de 32 °C. Es un cambio bastante grande. Si cambiar esos 15 °C por valores similares cercanos, digamos 13, 14, 16 o 17 °C, genera pronósticos de 30, 31 o 33 °C, quiere decir que ese cambio grande se produce independiente de las variaciones en las condiciones iniciales. Es un cambio real, que se debe a razones físicas y no es algo aleatorio o debido sólo a ese valor inicial. Ahora podemos tener una mayor seguridad en el pronóstico.

El problema de los extremos

Pronosticar extremos es siempre un problema. La mera definición de extremo es complicada: es algo inusual. Esto hace que tener una climatología robusta de extremos sea bastante complejo. Para los modelos de pronóstico siempre es difícil capturar los extremos, ya que muchas veces dependen de parámetros o escalas que no son bien representados en los modelos. Si además de eso usamos sólo una salida o el promedio de las salidas de un modelo, es aún peor.

Miremos un ejemplo. La siguiente figura muestra el pronóstico de precipitaciones para una localidad cualquiera, extraído del modelo ECMWF. Se ve que los distintos miembros del ensemble están de acuerdo en que lloverá, pero difieren bastante en la cantidad. Algunos miembros muestran que lloverá poco, en cambio, otros muestran mucha más lluvia.

Si usamos el promedio para resumir la información, diríamos que lloverán 29 l/m². Notad que si hubiésemos usado la corrida principal del modelo (Main run), aquella que no incorpora ninguna perturbación inicial, habríamos dicho sólo 15 l/m².

Ahora la pregunta es, ¿cuál es la probabilidad de tener un evento fuerte en este caso? Un par de miembros del ensemble dicen que puede llover más 70 l/m²; eso es significativamente más que los 29 l/m² del promedio. Entonces, la ocurrencia de un evento fuerte no es descartable, es poco probable pero no es cero.

Teniendo en consideración que los eventos fuertes o extremos tienen, por definición, ocurrencias muy bajas, un 5% de probabilidad se debe tomar con precaución. Si no hubiésemos usado miembros de ensemble, un pronóstico de 80 l/m² se vería como algo "fuera de rango" o "imposible", cuando en realidad no es así.

Por estas y otras razones es que siempre es necesario mirar el resultado de los distintos miembros de un modelo, para tener un panorama completo de las posibilidades dentro del pronóstico que se quiere realizar.