Usuario:
Modelo Conceptual
Descripción
Modelo D8 - Modelado Numérico y Predicción
El modelo conceptual busca comprender los mecanismos que dan origen a un comportamiento, y describirlos de la forma más simple posible. Para eso, el comportamiento se segmenta en temas (grupos): cada uno identifica los objetos o variables que participan —tanto en su funcionamiento normal como en sus posibles anomalías o desviaciones— y describe, mediante verbos, la forma en que esos objetos interactúan entre sí. El resultado es lo que llamamos una red semántica: la estructura con la que representamos y comunicamos el modelo conceptual, antes de introducir ecuación alguna.
ID:4927
Estructura de los Grupos
Descripción
El primer paso consiste en analizar la descripción general del modelo e identificar los distintos aspectos que intervienen en el fenómeno y que deben ser representados. Cada uno de estos aspectos se organiza como un grupo, entendido como una unidad conceptual coherente que describe una parte específica del funcionamiento del modelo.
Cada grupo reúne los objetos o conceptos relevantes para ese aspecto y las relaciones o verbos que describen cómo interactúan, se modifican o dependen unos de otros. De esta manera, cada grupo constituye una parte de la red semántica del modelo, mientras que el conjunto de los grupos permite representar de forma estructurada su funcionamiento global.
La división en grupos facilita además separar mecanismos, condiciones, procesos y resultados que cumplen funciones diferentes dentro del modelo, manteniendo al mismo tiempo las relaciones que existen entre ellos. Los grupos no son, por tanto, componentes aislados: pueden compartir conceptos y establecer relaciones entre sí, formando conjuntamente una única representación semántica del fenómeno.
La imagen anterior ofrece una visión general de los distintos aspectos en que se ha estructurado el modelo. A continuación se presentan los grupos identificados, indicando para cada uno su título y una breve descripción del aspecto del modelo que representa.
Grupo 1: Grupo 1: Estado inicial y predicción numérica
Cómo el análisis producido por la asimilación se transforma en estado inicial y se integra hacia el futuro mediante las ecuaciones primitivas atmosféricas.
Grupo 2: Grupo 2: Modelos globales y horizonte predictivo
Cómo los modelos globales discretizan la atmósfera con resolución horizontal y vertical finita, producen pronósticos hasta unos quince días y pierden habilidad con el plazo.
Grupo 3: Grupo 3: Modelos regionales de alta resolución
Cómo la reducción de escala espacial sacrifica cobertura global para alcanzar resolución kilométrica y resolver explícitamente fenómenos de mesoescala como la convección profunda.
Grupo 4: Grupo 4: Predicción por conjuntos e incertidumbre
Cómo perturbaciones del estado inicial y, a veces, del propio modelo generan múltiples miembros cuya dispersión cuantifica incertidumbre y predictibilidad.
Grupo 5: Grupo 5: Verificación estadística de predicciones
Cómo diferentes puntajes comparan pronóstico y realidad para medir error medio, semejanza del patrón de anomalías y calibración probabilística.
Grupo 6: Grupo 6: Predicción meteorológica con inteligencia artificial
Cómo modelos neuronales entrenados con grandes volúmenes de reanálisis aprenden la dinámica atmosférica y alcanzan habilidad comparable con menor tiempo de cálculo.
Grupo 7: Grupo 7: Nowcasting de cero a dos horas
Cómo la extrapolación de imágenes recientes de radar y satélite se combina con modelos regionales para predecir el plazo inmediato siguiendo el movimiento observado.
Grupo 8: Grupo 8: Arquitectura multimetodológica de predicción
Cómo integración física explícita, aprendizaje neuronal, conjuntos y extrapolación convergen en el objetivo común de convertir el estado presente en la mejor predicción posible.
ID:1794
Grupo 1: Grupo 1: Estado inicial y predicción numérica
Descripción
Cómo el análisis producido por la asimilación se transforma en estado inicial y se integra hacia el futuro mediante las ecuaciones primitivas atmosféricas.
Pregunta clave: ¿cómo se convierte el análisis atmosférico en una predicción futura mediante física explícita?
Cómo el análisis producido por la asimilación se transforma en estado inicial y se integra hacia el futuro mediante las ecuaciones primitivas atmosféricas. Ese estado inicial no es otro que el análisis que produce la asimilación de datos: el modelado numérico del tiempo toma ese análisis, lo hace avanzar en el tiempo resolviendo las ecuaciones primitivas atmosféricas paso a paso, y así construye la predicción. Así, desde la integración lenta y explícita de las ecuaciones primitivas atmosféricas hasta el aprendizaje directo de los modelos neuronales y la simple extrapolación del nowcasting, el modelado numérico del tiempo reúne distintos caminos que persiguen el mismo objetivo: convertir el estado presente de la atmósfera, capturado por el análisis, en la mejor predicción posible de su futuro. El modelado numérico del tiempo consiste en integrar numéricamente las ecuaciones primitivas atmosféricas, las que describen cómo se mueve y cambia el aire, partiendo de un estado inicial hacia el futuro.
ID:2163
Grupo 2: Grupo 2: Modelos globales y horizonte predictivo
Descripción
Cómo los modelos globales discretizan la atmósfera con resolución horizontal y vertical finita, producen pronósticos hasta unos quince días y pierden habilidad con el plazo.
Pregunta clave: ¿cómo condicionan resolución y plazo la predicción global?
Cómo los modelos globales discretizan la atmósfera con resolución horizontal y vertical finita, producen pronósticos hasta unos quince días y pierden habilidad con el plazo. Dentro del modelado numérico del tiempo, distintos centros meteorológicos operan su propio modelo global de predicción, cada uno con una resolución horizontal de entre nueve y trece kilómetros y más de un centenar de niveles verticales, y cada uno capaz de predecir el estado atmosférico hasta quince días hacia adelante, aunque con una habilidad que decrece cuanto más lejos en el futuro se proyecta la predicción. Como ningún modelo global de predicción puede conocer el estado inicial de la atmósfera con precisión perfecta, la predicción por conjuntos cuantifica la incertidumbre que ese desconocimiento introduce: ejecuta el mismo modelo muchas veces, cada vez con un estado inicial ligeramente distinto —a veces varias decenas de estados iniciales perturbados, por ejemplo cincuenta y uno— y a veces, además, con distintas versiones del propio modelo. La inteligencia artificial aplicada a la meteorología ofrece, en los últimos años, una vía distinta para llegar a esa misma habilidad de predicción: varios modelos neuronales, entrenados por distintos laboratorios, logran una habilidad de predicción comparable a la de los modelos globales de predicción convencionales, pero en minutos de cálculo en lugar de horas.
ID:2164
Grupo 3: Grupo 3: Modelos regionales de alta resolución
Descripción
Cómo la reducción de escala espacial sacrifica cobertura global para alcanzar resolución kilométrica y resolver explícitamente fenómenos de mesoescala como la convección profunda.
Pregunta clave: ¿qué se gana y qué se sacrifica al aumentar la resolución regional?
Cómo la reducción de escala espacial sacrifica cobertura global para alcanzar resolución kilométrica y resolver explícitamente fenómenos de mesoescala como la convección profunda. Los modelos regionales de alta resolución, en cambio, sacrifican la cobertura global a cambio de una resolución mucho más fina, de uno a tres kilómetros, lo bastante fina como para resolver explícitamente fenómenos de mesoescala como la convección profunda, en vez de tener que aproximarlos como hacen los modelos globales de predicción con esa misma resolución más gruesa. Dentro del modelado numérico del tiempo, distintos centros meteorológicos operan su propio modelo global de predicción, cada uno con una resolución horizontal de entre nueve y trece kilómetros y más de un centenar de niveles verticales, y cada uno capaz de predecir el estado atmosférico hasta quince días hacia adelante, aunque con una habilidad que decrece cuanto más lejos en el futuro se proyecta la predicción. Para el plazo más corto de todos, de cero a dos horas hacia adelante, ni el modelado numérico del tiempo ni los modelos neuronales llegan a tiempo: el nowcasting resuelve ese plazo combinando la extrapolación de las imágenes más recientes de radar y de satélite con los modelos regionales de alta resolución, aprovechando que a una escala de minutos y de pocos kilómetros basta con seguir el movimiento de lo que ya está ocurriendo en el cielo.
ID:2165
Grupo 4: Grupo 4: Predicción por conjuntos e incertidumbre
Descripción
Cómo perturbaciones del estado inicial y, a veces, del propio modelo generan múltiples miembros cuya dispersión cuantifica incertidumbre y predictibilidad.
Pregunta clave: ¿cómo se cuantifica la incertidumbre debida al desconocimiento del estado inicial?
Cómo perturbaciones del estado inicial y, a veces, del propio modelo generan múltiples miembros cuya dispersión cuantifica incertidumbre y predictibilidad. Como ningún modelo global de predicción puede conocer el estado inicial de la atmósfera con precisión perfecta, la predicción por conjuntos cuantifica la incertidumbre que ese desconocimiento introduce: ejecuta el mismo modelo muchas veces, cada vez con un estado inicial ligeramente distinto —a veces varias decenas de estados iniciales perturbados, por ejemplo cincuenta y uno— y a veces, además, con distintas versiones del propio modelo. La dispersión que muestran los distintos miembros de ese conjunto de predicciones es, en sí misma, una medida de la incertidumbre: cuanto mayor es la dispersión entre los miembros del conjunto, menor es la predictibilidad de la atmósfera en ese momento. Qué tan buena es, en definitiva, cualquiera de estas predicciones —venga de un modelo global, de un modelo regional o de un conjunto de predicciones— se mide con distintos puntajes estadísticos: unos miden el error promedio entre lo que predijo el modelo y lo que realmente ocurrió, otros miden cuánto se parece el patrón completo de la anomalía que predijo el modelo al patrón que realmente ocurrió, y otros miden qué tan bien calibradas están las probabilidades que entrega la predicción por conjuntos cuando anuncia, por ejemplo, una probabilidad de lluvia.
ID:2166
Grupo 5: Grupo 5: Verificación estadística de predicciones
Descripción
Cómo diferentes puntajes comparan pronóstico y realidad para medir error medio, semejanza del patrón de anomalías y calibración probabilística.
Pregunta clave: ¿cómo se mide estadísticamente la calidad de una predicción?
Cómo diferentes puntajes comparan pronóstico y realidad para medir error medio, semejanza del patrón de anomalías y calibración probabilística. Qué tan buena es, en definitiva, cualquiera de estas predicciones —venga de un modelo global, de un modelo regional o de un conjunto de predicciones— se mide con distintos puntajes estadísticos: unos miden el error promedio entre lo que predijo el modelo y lo que realmente ocurrió, otros miden cuánto se parece el patrón completo de la anomalía que predijo el modelo al patrón que realmente ocurrió, y otros miden qué tan bien calibradas están las probabilidades que entrega la predicción por conjuntos cuando anuncia, por ejemplo, una probabilidad de lluvia. Ese estado inicial no es otro que el análisis que produce la asimilación de datos: el modelado numérico del tiempo toma ese análisis, lo hace avanzar en el tiempo resolviendo las ecuaciones primitivas atmosféricas paso a paso, y así construye la predicción. Dentro del modelado numérico del tiempo, distintos centros meteorológicos operan su propio modelo global de predicción, cada uno con una resolución horizontal de entre nueve y trece kilómetros y más de un centenar de niveles verticales, y cada uno capaz de predecir el estado atmosférico hasta quince días hacia adelante, aunque con una habilidad que decrece cuanto más lejos en el futuro se proyecta la predicción.
ID:2167
Grupo 6: Grupo 6: Predicción meteorológica con inteligencia artificial
Descripción
Cómo modelos neuronales entrenados con grandes volúmenes de reanálisis aprenden la dinámica atmosférica y alcanzan habilidad comparable con menor tiempo de cálculo.
Pregunta clave: ¿cómo produce predicciones la IA sin integrar explícitamente las ecuaciones en cada corrida?
Cómo modelos neuronales entrenados con grandes volúmenes de reanálisis aprenden la dinámica atmosférica y alcanzan habilidad comparable con menor tiempo de cálculo. La diferencia de fondo está en cómo llegan a esa predicción: mientras el modelado numérico del tiempo resuelve explícitamente las ecuaciones primitivas atmosféricas paso a paso, estos modelos neuronales se entrenan sobre grandes volúmenes de datos de reanálisis y aprenden las ecuaciones del fluido atmosférico directamente de esos datos, sin resolverlas de forma explícita en cada predicción. La inteligencia artificial aplicada a la meteorología ofrece, en los últimos años, una vía distinta para llegar a esa misma habilidad de predicción: varios modelos neuronales, entrenados por distintos laboratorios, logran una habilidad de predicción comparable a la de los modelos globales de predicción convencionales, pero en minutos de cálculo en lugar de horas. Ese estado inicial no es otro que el análisis que produce la asimilación de datos: el modelado numérico del tiempo toma ese análisis, lo hace avanzar en el tiempo resolviendo las ecuaciones primitivas atmosféricas paso a paso, y así construye la predicción.
ID:2168
Grupo 7: Grupo 7: Nowcasting de cero a dos horas
Descripción
Cómo la extrapolación de imágenes recientes de radar y satélite se combina con modelos regionales para predecir el plazo inmediato siguiendo el movimiento observado.
Pregunta clave: ¿cómo se predice el plazo inmediato de cero a dos horas?
Cómo la extrapolación de imágenes recientes de radar y satélite se combina con modelos regionales para predecir el plazo inmediato siguiendo el movimiento observado. Para el plazo más corto de todos, de cero a dos horas hacia adelante, ni el modelado numérico del tiempo ni los modelos neuronales llegan a tiempo: el nowcasting resuelve ese plazo combinando la extrapolación de las imágenes más recientes de radar y de satélite con los modelos regionales de alta resolución, aprovechando que a una escala de minutos y de pocos kilómetros basta con seguir el movimiento de lo que ya está ocurriendo en el cielo. Así, desde la integración lenta y explícita de las ecuaciones primitivas atmosféricas hasta el aprendizaje directo de los modelos neuronales y la simple extrapolación del nowcasting, el modelado numérico del tiempo reúne distintos caminos que persiguen el mismo objetivo: convertir el estado presente de la atmósfera, capturado por el análisis, en la mejor predicción posible de su futuro. La inteligencia artificial aplicada a la meteorología ofrece, en los últimos años, una vía distinta para llegar a esa misma habilidad de predicción: varios modelos neuronales, entrenados por distintos laboratorios, logran una habilidad de predicción comparable a la de los modelos globales de predicción convencionales, pero en minutos de cálculo en lugar de horas.
ID:2169
Grupo 8: Grupo 8: Arquitectura multimetodológica de predicción
Descripción
Cómo integración física explícita, aprendizaje neuronal, conjuntos y extrapolación convergen en el objetivo común de convertir el estado presente en la mejor predicción posible.
Pregunta clave: ¿cómo convergen métodos distintos hacia un mismo objetivo predictivo?
Cómo integración física explícita, aprendizaje neuronal, conjuntos y extrapolación convergen en el objetivo común de convertir el estado presente en la mejor predicción posible. Así, desde la integración lenta y explícita de las ecuaciones primitivas atmosféricas hasta el aprendizaje directo de los modelos neuronales y la simple extrapolación del nowcasting, el modelado numérico del tiempo reúne distintos caminos que persiguen el mismo objetivo: convertir el estado presente de la atmósfera, capturado por el análisis, en la mejor predicción posible de su futuro. Como ningún modelo global de predicción puede conocer el estado inicial de la atmósfera con precisión perfecta, la predicción por conjuntos cuantifica la incertidumbre que ese desconocimiento introduce: ejecuta el mismo modelo muchas veces, cada vez con un estado inicial ligeramente distinto —a veces varias decenas de estados iniciales perturbados, por ejemplo cincuenta y uno— y a veces, además, con distintas versiones del propio modelo. Dentro del modelado numérico del tiempo, distintos centros meteorológicos operan su propio modelo global de predicción, cada uno con una resolución horizontal de entre nueve y trece kilómetros y más de un centenar de niveles verticales, y cada uno capaz de predecir el estado atmosférico hasta quince días hacia adelante, aunque con una habilidad que decrece cuanto más lejos en el futuro se proyecta la predicción.
ID:2170