Desarrollo y verificación de un sistema de
predicción de precipitación estocástica en
tiempo real para la hidrología urbana en
Bélgica
L. Foresti1, M. Reyniers1, A. Seed2 y L. Delobbe1
1Royal Meteorological Institute of Belgium, Bruselas,
Bélgica
2Bureau of Meteorology, Melbourne, Australia.
Correspondencia a: L. Foresti (loris.foresti@gmail.com)
Recibido: 26 de mayo de 2015 - Publicado en Hydrol.
Earth Syst. Sci. Discutir .: 20 de julio de 2015 Revisado:
9 de enero de 2016 - Fecha de aceptación: 13 de enero
de 2016 - Publicación: 29 de enero de 2016.
Abstracto. El Sistema de predicción por conjuntos
a corto plazo (STEPS) se implementa en tiempo
real en el Royal Mete -ological Institute (RMI) de
Bélgica. La idea principal detrás de STEPS es
cuantificar la incertidumbre del pronóstico
agregando perturbaciones estocásticas a la
extrapolación determinista lagrangiana de
imágenes de radar. Las perturbaciones
estocásticas están diseñadas para explicar los
procesos impredecibles de crecimiento y
descomposición de la precipitación y para
reproducir el escalamiento dinámico de los campos
de precipitación, es decir, la observación de que las
estructuras de lluvia a gran escala son más
persistentes y predecibles que las células
convectivas de pequeña escala. Este artículo
presenta el desarrollo, la adaptación y la
verificación del sistema STEPS para Bélgica
(STEPS-BE). STEPS-BE proporciona en tiempo
real precipitaciones por conjuntos de precipitación
de 20 miembros a resoluciones de 1 km y 5 min con
un tiempo de entrega de 2 h utilizando un
compuesto de radar de 4 bandas C como entrada.
En el contexto del proyecto PLURISK, se generaron
los pronósticos STEPS para ser utilizados como
insumo en los modelos hidráulicos del sistema de
alcantarillado para proyectar ahora las
instalaciones urbanas en las ciudades de Gante y
Lovaina. Se realizó una verificación integral del
pronóstico con el fin de detectar sesgos
sistemáticos sobre las áreas urbanas dadas y
analizar la confiabilidad de los pronósticos
probabilísticos para un conjunto de estudios de
casos en 2013 y 2014. Los sesgos de pronóstico
sobre las ciudades de Leuven y Ghent fueron
encontrado pequeño, lo que es alentador para la
futura integración de STEPS en los modelos
hidráulicos. Las predicciones probabilísticas de
exceder 0.5 mm h-1 son confiables hasta 60-90
min. De tiempo de anticipación, mientras que las
que superan 5.0 mm h-1 son confiables solo hasta
30 min. Los conjuntos STEPS son poco dispersivos
y representan solo el 75-90% de los errores de
pronóstico.
1. Introducción
El uso de mediciones de radar para aplicaciones
hidrológicas urbanas ha aumentado
sustancialmente durante los últimos años (por
ejemplo, Berne et al., 2004, Einfalt et al., 2004,
Bruni et al., 2015). Dado el rápido tiempo de
respuesta de las captaciones urbanas y los
sistemas de alcantarillado, la predicción de
precipitación a muy corto plazo basada en radar
(predicción inmediata) tiene el potencial de
extender el tiempo de anticipación de las
predicciones de flujo hidrológico e hidráulico.
Nowcasting se refiere a la descripción precisa de la
situación meteorológica actual junto con
pronósticos a muy corto plazo obtenidos al
extrapolar las observaciones en tiempo real. La
predicción de la precipitación cuantitativa (QPN) se
realiza tradicionalmente al estimar el movimiento
aparente de los campos de precipitación de radar
utilizando técnicas de seguimiento óptico o de eco
variable y extrapolando el último campo de
precipitación observado en el futuro (por ejemplo,
Germann y Zawadzki, 2002; et al., 2004a). Durante
los últimos años ha habido un progreso significativo
en el modelado de PNT con técnicas de asimilación
de datos de radar (ver una revisión en Sun et al.,
2014), que reduce el tiempo de espera útil de las
difusiones basadas en extrapolación en
comparación con las predicciones de PNT. El
desarrollo de sistemas de predicción sin fisuras que
combinen de manera óptima la extrapolación de
nowcast con la producción de los modelos de PNT
hace que la definición del intervalo de tiempo de
difusión inmediata sea aún más difusa (véase, por
ejemplo, Pierce et al., 2010).
Debido a la falta de previsibilidad del crecimiento de
la lluvia y los procesos de abandono a escalas
espaciales pequeñas (Radhakrishna et al., 2012),
es muy importante proporcionar junto con un
pronóstico una estimación de su incertidumbre. El
método establecido para representar la
incertidumbre del pronóstico en Predicción
Numérica del Tiempo (NWP) es generar un
conjunto de pronósticos por perturbar las
condiciones iniciales del modelo en las direcciones
que exhiben el mayor crecimiento de error, lo que
amplifica más la dispersión del conjunto obtenido.
Sin embargo, en el rango actual de lanzamiento, el
cálculo de grandes conjuntos de PNT (50-100
miembros) que resuelven las características en las
escalas de 1 km y se actualizan cada 5 min es aún
imposible de lograr. En consecuencia, los esfuerzos
en la investigación de predicción inmediata se han
centrado recientemente en el desarrollo de técnicas
heurísticas para precipitación probabilística
inmediata, que fue el tema del Taller Heurístico de
Pronósticos Probabilísticos que se organizó en
Munich, Alemania (Foresti et al., 2014).
Los métodos probabilísticos de QPN se pueden
categorizar en tres clases principales: analógico,
lagrangiano local y enfoques estocásticos. El
enfoque basado en la analogía deriva la función de
densidad de probabilidad pronosticada (pdf)
recuperando un conjunto de situaciones similares
de un archivo de eventos de precipitación (Panziera
et al., 2011; Foresti et al., 2015), deriva el enfoque
laragiano local. el pdf recolectando los valores de
precipitación en un vecindario de un punto de
cuadrícula dado en el marco de referencia de
Lagardi (Hohti et al., 2000; Germann y Zawadzki,
2004) y el enfoque estocástico explota un
generador de números aleatorios para calcular un
conjunto de campos de precipitación igualmente
probables, por ejemplo, agregando perturbaciones
estocásticas a una predicción extrapolación actual
(Pegram y Clothier, 2001a, b; Bowler et al., 2006;
Metta et al., 2009; Berenguer et al., 2011; Seed et
al., 2013; Atenia y Zawadzki, 2014; Dai et al., 2015).
El enfoque estocástico también se usa
extensivamente para producir conjuntos de campos
de precipitación que caracterizan la incertidumbre
de medición del radar (p. Ej., Jordan et al., 2003;
Germann et al., 2009) y para estudios de tormenta
de diseño (por ejemplo, Willems, 2001a; Paschalis
et al. al., 2013).
La cuantificación de la incertidumbre es hoy en día
una parte integral de las predicciones
meteorológicas y hidrológicas (Pappenberger y
Beven, 2006). No es sorprendente que una parte
importante de la investigación hidrometeorológica
tenga como objetivo comprender cómo propagar la
incertidumbre de las observaciones y pronósticos
de precipitación en los modelos hidrológicos (por
ejemplo, Willems, 2001b; Cloke y Pappenberger,
2009; Collier, 2009; Zappa et al. 2010).
Varios estudios ya analizaron el valor de los
sistemas determinantes de predicción inmediata
para la hidrología de cuencas (por ejemplo,
Berenguer et al., 2005) y para un mejor control de
los sistemas de drenaje urbano (por ejemplo,
Achleitner et al., 2009; Verworn et al., 2009;
Thorndahl y Rasmussen, 2013). Dado que una
fracción importante de la incertidumbre de las
predicciones hidrológicas se debe a la
incertidumbre de las observaciones y predicciones
de precipitaciones recibidas, los sistemas de
predicción por conjuntos basados en radar se
utilizan cada vez más como entradas para el
modelado de sistemas de inundación y
alcantarillado (por ejemplo, Ehret et al., 2008;
Silvestro y Rebora, 2012; Silvestro et al., 2013;
Xuan et al., 2009, 2014). En rangos de predicción
más largos, los conjuntos NWP también se explotan
para la propagación de la incertidumbre en modelos
hidrológicos (véase Roulin y Vannitsem, 2005;
Thielen et al., 2009; Schellekens et al., 2011).
El sistema de predicción por conjuntos a corto plazo
(STEPS) es un sistema probabilístico de predicción
inmediata desarrollado en Australian Bureau of
Meteorology y en el Reino Unido MetOffice (ver la
serie de documentos: Seed, 2003; Bowler et al.,
2006; Seed et al. , 2013). STEPS se usa
operativamente en ambos servicios meteorológicos
y proporciona predicciones de precipitación de
conjunto a corto plazo utilizando tanto la
extrapolación de imágenes de radar como la salida
de precipitación reducida de los modelos de PNT.
La idea principal detrás de STEPS es representar
la incertidumbre debida a los impredecibles
procesos de crecimiento y descomposición de la
precipitación al agregar perturbaciones
estocásticas a la extrapolación determinística de las
imágenes de radar. Las perturbaciones
estocásticas están diseñadas para representar la
dependencia de escala de la predictibilidad de la
precipitación y para reproducir la correlación
espacio-temporal correcta y el crecimiento de los
errores de pronóstico.
Una de las primeras aplicaciones de STEPS en
hidrología se presenta en Pierce et al. (2005),
quienes usaron el programa STEPS para difundir
las predicciones de flujo en una cuenca mediana en
el Reino Unido. El valor de los cambios
instantáneos de STEPS para la hidrología urbana
fue extensamente analizado por Liguori y Rico-
Ramirez (2012), Liguori et al. (2012), Liguori y Rico-
Ramirez (2013) y Xuan et al. (2014). Liguori y Rico-
Ramirez (2012) concluyeron que el rendimiento de
la extrapolación basada en radar nowcast se puede
mejorar después de 1 h de anticipación si se
combina con la salida de un modelo de NWP.
También encontraron que, de acuerdo con la curva
Característica Operativa del Receptor (ROC), los
nowcasts probabilísticos tienen más poder de
discriminación que los deterministas. Liguori et al.
(2012) STEPS integrado ahora se difunde como
entrada en los modelos hidráulicos del sistema de
alcantarillado en una cuenca urbana en Yorkshire
(Reino Unido). Llegaron a la conclusión de que la
combinación de pronósticos de radar y PNT tiene el
potencial de aumentar el tiempo de espera de las
predicciones de flujo, pero está fuertemente
limitada por la baja precisión del modelo de PNT en
la predicción de características de pequeña escala.
Liguori y Rico-Ramirez (2013) realizaron una
verificación detallada de la precisión de las
predicciones de flujo y concluyeron que los
conjuntos STEPS proporcionan un rendimiento
similar al uso de un pronóstico de control STEPS
determinista, pero los conjuntos conducen a una
ligera subestimación de las predicciones de flujo
Xuan et al. (2014) utilizaron el juego STEPS
nowcasts como entradas en un modelo hidrológico
agrupado para una cuenca mediana en el sudoeste
del Reino Unido. El modelo hidrológico calibrado
con pluviómetros tuvo RMSE más bajo que el que
usa datos de radar, pero la capacidad de STEPS
para explicar la incertidumbre del pronóstico fue útil
para capturar algunos de los picos de flujo alto y
extender el tiempo de previsión. Sin embargo, las
conclusiones de los estudios previos se ven
fuertemente afectadas por el número limitado de
eventos de inundación analizados. En Lewis et al.
Se proporciona una revisión exhaustiva del uso de
los sistemas de predicción de precipitaciones para
las predicciones hidrológicas operacionales en el
Reino Unido desde intervalos muy cortos hasta
largos (incluidos los PASOS). (2015).
El objetivo de este documento es presentar el
desarrollo y la verificación del sistema STEPS en el
Real Instituto Meteorológico de Bélgica (RMI),
conocido como STEPS-BE.
STEPS-BE proporciona en tiempo real predicciones
de predicción de conjuntos de 20 miembros a
resoluciones de 1 km y 5 min. Hasta 2 h de
anticipación en un dominio de 512 512 km
utilizando el compuesto belga de 4 bandas C de
radar como entrada. Fue desarrollado en el marco
del proyecto PLURISK de Belspo para una mejor
gestión de los riesgos inducidos por las
precipitaciones en el entorno urbano. Con respecto
a la implementación original de STEPS (Bowler et
al., 2006), STEPS-BE incluye dos mejoras
principales, que están diseñadas para generar
mejores evasiones de STEPS sin mezcla de NWP.
El primero está relacionado con el algoritmo de flujo
óptico, que se amplía con un método de
interpolación basado en kernel para obtener
campos de velocidad más suaves. El segundo se
refiere a la generación de ruido estocástico solo
dentro del compuesto de radar advectado. Si bien
la verificación de STEPS nowcasts con NWP
Blending ya ha sido extensa (Bowler et al., 2006;
Seed et al., 2013), este trabajo analiza la precisión
de los conjuntos de STEPS sin fusión de NWP en
el rango de pronóstico de 0-2 h. en Lewis et al.
(2015).
Los nowcasts de Ensemble STEPS se calculan
para un conjunto de casos de desbordamiento de
alcantarillado que afectaron a las ciudades de
Lovaina y Ghent en 2013 y 2014. La precisión de la
previsión media del conjunto se verifica utilizando
puntuaciones de verificación continua (sesgo
multiplicativo, RMSE) y puntuaciones categóricas
derivadas de la tabla de contingencia (probabilidad
de detección, ratio de falsa alarma y puntaje de
habilidad de Gilbert). Sin embargo, la parte más
interesante de este documento es la verificación
probabilística y por conjuntos de los episodios de
STEPS utilizando eventos de precipitación tanto
estratiformes como convectivos. Los nowcasts
probabilísticos se verifican usando diagramas de
confiabilidad y curvas ROC. Por otro lado, la
dispersión de los conjuntos de nowcast se verifica
utilizando histogramas de rango y comparando la
dispersión del conjunto con el error de la media del
conjunto.
El documento está estructurado de la siguiente
manera. La Sección 2 presenta el procesamiento
de datos de radar y estudios de casos que se
utilizan para generar y verificar los pronósticos de
STEPS. La Sección 3 describe el sistema de
predicción inmediata STEPS y su extensión y
aplicación local para Bélgica (STEPS-BE). La
Sección 4 ilustra los resultados de la verificación del
pronóstico. La Sección 5 concluye el documento y
analiza las perspectivas futuras.
2. Datos de radar y estudios de casos de
precipitación
STEPS-BE integra como entrada una imagen
compuesta producida a partir de los radares de
banda C de Wideumont (RMI, single-pol),
Zaventem (Belgocontrol, single-pol), Jabbeke (RMI,
dual-pol) y Avesnois (Meteo-France, dual-pol). El
compuesto se produce en una cuadrícula de
resolución de 500 m mediante la combinación de
pseudo-indicadores de posición de plan de altitud
constante (CAPPI) de un solo radar a una altura de
1500 m a.s.l. El algoritmo de composición toma el
valor máximo de reflectividad de cada radar en cada
punto de la grilla.
Los radares tienen diferentes hardware y
estrategias de escaneo, y son operados por
diferentes agencias (RMI, Belgo-control y Meteo-
France), lo que inevitablemente lleva a diferentes
en el procesamiento de datos. Los radares
Wideumont y Zaventem eliminan los ecos no
meteorológicos utilizando el filtrado Doppler
estándar. El radar Jabbeke incluye un filtro
adicional de ecos parásitos que utiliza un algoritmo
de lógica difusa basado en los momentos de
polarización dual (esencialmente el coeficiente de
correlación copolar, la textura de la reflectividad
diferencial y la textura del cambio de fase diferencial
específico) . Meteo-France utiliza un mapa estático
de ecos parásitos y un filtro estadístico para
eliminar los ecos no meteorológicos del radar
Avensois. La cadena francesa de procesamiento de
datos de radar se describe en Tabary (2007) y en
Figueras i Ventura y Tabary (2013).
Dado que el radar Zaventem se utiliza
principalmente para aplicaciones de aviación, su
estrategia de exploración está optimizada para la
medición de vientos. Excepto por el escaneo de
elevación más bajo, se usa un modo dual PRF
(1200/800 Hz). Los acimuts que se escanean con
un alto PRF (1200 Hz) solo tienen un alcance
máximo de 125 km y se ven más afectados por el
segundo eco de disparo causado por células
convectivas ubicadas más allá del rango de 125 km.
Todos los radares usan la relación estándar de
Marshall-Palmer Z 200R1.6 para convertir la
reflectividad medida a la tasa de lluvia.
Recientemente se desarrolló una imagen
compuesta con una estimación más avanzada de
precipitación cuantitativa basada en radar (QPE),
que incluye mejores algoritmos de eliminación de
ecos parásitos y también una corrección para la
banda brillante, y la verificación del nuevo producto
está en curso.
Los pronósticos de STEPS se generaron y
verificaron para un conjunto de casos de
desbordamiento del sistema de alcantarillado que
afectaron a las ciudades de Gante y Lovaina (ver
Tabla 1). Los casos de Ghent tienen un carácter
más estratiforme y ocurrieron a finales de otoño e
invierno. Por otro lado, los casos de Lovaina son
más convectivos y ocurrieron en los meses de
verano. En Goudenhoofdt y Delobbe (2009) se
puede encontrar una climatología detallada de las
tormentas de convección en Bélgica.
3. Sistema de predicción de conjuntos a corto
plazo (STEPS)
3.1 descripción de STEPS
El Sistema de predicción de conjuntos a corto plazo
(STEPS) fue desarrollado conjuntamente por la
Oficina de Meteorología de Australia (BOM) y el
MetOffice del Reino Unido (Bowler et al., 2006). Los
pronósticos STEPS se producen operacionalmente
en ambos servicios meteorológicos y se distribuyen
a los pronosticadores meteorológicos y a varios
usuarios externos, en particular los servicios
hidrológicos.
La idea clave detrás de STEPS es explicar el
crecimiento impredecible de la lluvia y los procesos
de descomposición al agregar perturbaciones
estocásticas a la extrapolación determinística de las
imágenes de radar (Seed, 2003). Para ser eficaces,
las perturbaciones estocásticas deben reproducir
importantes propiedades estadísticas de los
campos de precipitación y los errores de pronóstico:
Tabla 1. Lista de eventos de precipitación que
causaron inundaciones en el sistema de
alcantarillado en Gante y Lovaina.
**** TABLA 1
1. escala espacial de los campos de precipitación,
2. escala dinámica de los campos de precipitación,
3. correlación espacial de los errores de pronóstico,
4. correlación temporal de los errores de pronóstico.
La escala espacial considera que el campo de
precipitación surge de procesos multiplicativos en
cascada (Schertzer y Lovejoy, 1987; Seed, 2003).
La presencia de escalado espacial se puede
demostrar calculando el espectro de potencia (PS)
de Fourier 2-D de un campo de precipitación. Una
PS 1-D puede obtenerse promediando radialmente
la PS 2-D. Se dice que el campo de precipitación
está escalando si la PS 1-D traza una línea recta en
el diagrama log-log de la potencia contra la
frecuencia espacial (ley de potencia), que puede
ser parametrizada por uno o dos exponentes
espectrales (ver , por ejemplo, Seed et al., 2013;
Foresti y Seed, 2014). Dentro del marco
multiplicativo, un campo de lluvia no se representa
como una colección de células convectivas de un
tamaño característico, sino más bien como una
jerarquía de estructuras de precipitación
incrustadas entre sí en un continuo de escalas.
STEPS considera la escala espacial
descomponiendo el campo de lluvia del radar en
una cascada multiplicativa utilizando una
transformada rápida de Fourier (FFT) para aislar un
conjunto de ocho frecuencias espaciales (Seed,
2003; Bowler et al., 2006; Seed et al. ., 2013). Los
niveles superiores de la cascada (0, 1 y 2)
representan las bajas frecuencias espaciales
(grandes estructuras de precipitación), mientras
que los niveles inferiores de la cascada (5, 6, 7)
representan las frecuencias espaciales altas
(estructuras de precipitación pequeñas). Otro
comportamiento importante de los campos de lluvia
se conoce como escalamiento dinámico, que es la
observación empírica de que la tasa de desarrollo
temporal de las estructuras de lluvia es una función
de ley de poder de su escala espacial (Venugopal
et al., 1999; Foresti y Seed, 2014 ) Esto significa
que las grandes características de precipitación son
más persistentes y, por lo tanto, predecibles en
comparación con las pequeñas células de
precipitación, lo cual está estrechamente
relacionado con el concepto de dependencia de la
predecibilidad de la precipitación (Germann y
Zawadzki, 2002; Turner et al., 2004)
Las perturbaciones estocásticas deberían poder
reflejar las propiedades de los errores de
pronóstico. La generación de errores de predicción
correlacionados espacial y temporalmente es
obligatoria para aplicaciones hidrológicas, en
particular cuando la longitud de correlación de los
errores es comparable o superior al tamaño y
tiempo de respuesta de la cuenca. El ruido
estocástico correlacionado espacialmente se
puede construir aplicando un filtro de ley de
potencia a un campo de ruido blanco (Schertzer y
Lovejoy, 1987). En la práctica, consta de tres pasos:
calcular la FFT de un campo de ruido blanco,
multiplicar los componentes obtenidos en
frecuencia do- minante por un filtro dado y aplicar la
FFT inversa para regresar al dominio espacial. Los
espectros de potencia 1-D o 2-D del campo de lluvia
pueden usarse como un filtro para obtener campos
de ruido que tengan la misma escala y la misma
correlación espacial del campo de lluvia. La PS 1-D
de los campos de precipitación a menudo parece
ser una ley de potencia de la frecuencia espacial y
explica por qué el procedimiento también se conoce
como ley de potencia que filtra el ruido blanco. Para
representar las anisotropías del campo de
precipitaciones, el PS 2-D también se puede usar
como filtro. En ausencia de un campo de
precipitación objetivo a partir del cual derivar el PS,
el filtro puede parametrizarse utilizando una ley de
potencia climatológica (véase Seed et al., 2013).
Finalmente, las correlaciones temporales son
impuestas por el filtrado auto-regresivo (AR). Una
jerarquía de procesos de RA define la evolución
temporal de los niveles de cascada. Con la
excepción de los plazos de pronóstico más allá de
2-3 h (Atencia y Zawadzki, 2014), un proceso de AR
de orden 1 o 2 ya es una buena aproximación para
describir la descorrelación temporal de los errores
de pronóstico.
La implementación práctica de STEPS para
reproducir estas importantes propiedades consiste
en los siguientes pasos (ver Bowler et al., 2006;
Foresti y Seed, 2014).
1. Estimación del campo de velocidad utilizando
flujo óptico en las dos últimas imágenes de lluvia de
radar (Bowler et al., 2004a)
2. Descomposición de ambos campos de lluvia en
una cascada multiplicativa usando una FFT para
aislar un conjunto de ocho frecuencias espaciales
3. Estimación de la tasa de evolución temporal de
las características de lluvia en cada nivel de la
cascada (autocorrelación de Lagrange)
4. Generación de una cascada de ruido estocástico
correlacionado espacialmente usando como filtro
los espectros de potencia 1-D o 2-D del último
campo de lluvia de radar observado. Se usa un filtro
gaussiano para aislar una frecuencia espacial dada
(ver Foresti y Seed, 2014).
5. La perturbación estocástica de la cascada de
lluvia usando la cascada de ruido (nivel por nivel)
6. Extrapolación de los niveles de cascada usando
un esquema de advección semi-lagrangiano.
Figura 1. Plataforma web de STEPS-BE que
muestra el pronóstico de la media del conjunto.
7. Aplicación del modelo AR (1) o AR (2) para la
actualización temporal de los niveles de cascada en
cada tiempo de previsión utilizando las
autocorrelaciones de Lagrange estimadas en el
paso (3)
8. Recomposición de la cascada en un campo de
lluvia
9.Cobertura de probabilidad del campo de lluvia
pronosticado con
el campo original observado (Ebert, 2001)
10.Computación de las acumulaciones
pronosticadas de lluvia a partir de las tasas
instantáneas pronosticadas de precipitación. Este
procedimiento se conoce como corrección de
advección y consiste en advectar la velocidad de
precipitación instantánea hacia adelante durante el
período de 5 minutos discretizando la advección en
pasos de tiempo más pequeños.
3.2 Implementación de STEPS en RMI (STEPS-BE)
Bowler et al. (2006) introdujeron un marco general
para combinar una predicción extrapolada basada
en radar con una o más salidas de modelos NWP
reducidos (ver también Pierce et al., 2010; Seed et
al., 2013). Debido a que está diseñado para
aplicaciones urbanas, el tiempo de entrega máximo
de STEPS-BE está restringido a 2 h. El modelo
NWP operacional de RMI (ALARO) se ejecuta solo
cuatro veces al día utilizando un espaciado de malla
de 4 km. Teniendo en cuenta el tiempo de
aceleración del modelo y la ausencia de asimilación
de datos de radar, es muy poco probable que
ALARO proporcione habilidades útiles para
combinar su salida con una extrapolación basada
en radar nowcast dentro del rango de lanzamiento
inmediato considerado. También debe recordarse
que la resolución efectiva.
La solución de los modelos de PNT es mucho más
grande que el espaciado de la cuadrícula. Por
ejemplo, Grasso (2000) estima que la resolución
efectiva es al menos 4 veces el espaciado de la
cuadrícula, mientras Skamarock (2004) estima que
es hasta 7 veces el espaciado de la cuadrícula.
ALARO solo podría entonces resolver
características que son mayores de 20 km. Por
todas estas razones, STEPS-BE solo implica una
extrapolación de nowcast sin mezcla de NWP.
El dominio de pronóstico STEPS-BE es más
pequeño que la extensión del compuesto de 4
radares de banda C (véase la Fig. 1). El campo de
radar se aumentó de la resolución original de 500
ma 1 km y se extrajo una subregión de 512 512
puntos de cuadrícula centrados sobre Belgium. El
dominio de pronóstico se amplió en 32 píxeles en
cada lado para reducir los efectos de borde debido
a la FFT. Esto lleva a una cascada multiplicativa de
ocho niveles que representa las siguientes escalas
espaciales (redondeadas al entero más cercano):
576-256-114, 256-114-51, 114-51-23, 51-23-11,
23-11-4, 11-4-2, 4-2-1 y 2-1 km. Los caracteres en
cursiva marcan las escalas en las que se centra el
filtro gaussiano en el dominio de la frecuencia (ver
Foresti y Seed, 2014, para una explicación y
visualización más detallada del filtro FFT
gaussiano). Los filtros gaussianos de las escalas
espaciales más grandes y más pequeñas se
truncan para preservar la potencia del campo. El
nivel de cascada superior representa escalas entre
las longitudes de onda de 576 y 256 km y no es un
filtro gaussiano perfecto. Se puede observar que las
escalas espaciales no son múltiplos exactos de 2.
De hecho, se empleó un factor de multiplicación de
2.246 para que coincida con el tamaño de dominio
STEPS-BE ampliado.
STEPS-BE incluye un par de mejoras en
comparación con la implementación original de la
lista de materiales:
1. interpolación del kernel de vectores de flujo
óptico;
2. generación de ruido estocástico solo dentro de la
máscara de radar advectado.
El algoritmo de flujo óptico de Bowler et al. (2004a)
estima el campo de velocidad dividiendo el dominio
del radar en una serie de bloques dentro de los
cuales se resuelve la ecuación del flujo óptico. La
minimización de la divergencia de campo solo se
realiza al nivel del bloque, lo que deja
discontinuidades pronunciadas en el campo de
velocidad entre los bloques. Para superar este
problema, se aplicó un suavizado del núcleo
gaussiano para interpolar los vectores de velocidad
ubicados en el centro de los bloques en la fina red
del radar. El ancho de banda del kernel de Gauss
se seleccionó para que fuera σ 24 km 0.4k, donde
k 60 puntos de cuadrícula es el tamaño del bloque.
Esta configuración tiene la ventaja de obtener
campos de velocidad que se ven menos afectados
por el movimiento diferencial de las pequeñas
características de lluvia y la presencia de ecos
parásitos. Un campo de velocidad demasiado
preciso proporcionaría mayor predictibilidad a
tiempos de entrega muy cortos, pero peores
pronósticos a tiempos de entrega más largos
debido a la convergencia excesiva y la divergencia
de las características de precipitación durante la
advección. También se pueden obtener campos de
velocidad suave utilizando un tamaño de bloque
más pequeño y compensando con un ancho de
banda mayor del núcleo de suavizado.
En STEPS-BE, el espectro de potencia 1-D del
último campo de lluvia observado se utiliza como
filtro para generar las perturbaciones estocásticas
espacialmente correlacionadas. El PS se
parametriza utilizando dos pendientes espectrales
para dar cuenta de una ruptura de escala que a
menudo se observa en la longitud de onda de 40
km (ver Seed et al., 2013; Foresti y Seed, 2014).
Para simplificar los cálculos, se empleó un modelo
autorregresivo de orden 1 (AR (1)) para imponer las
correlaciones temporales y modelar el crecimiento
de los errores de pronóstico.
La implementación original de STEPS (Bowler et
al., 2006) se diseñó para combinar los extradificios
de extrapolación de radar con la salida de los
modelos de PNT. Sin embargo, el dominio cubierto
por los radares es más pequeño que el dominio
rectangular del modelo NWP y pequeñas
cantidades de ruido estocástico se generan por
defecto también fuera del compuesto de radar. Este
ajuste no se adaptó para las transmisiones ahora
basadas en radar sin mezcla de NWP y necesitó
alguna adaptación. De hecho, cuando se adverte la
máscara de radar durante varios pasos de tiempo,
áreas grandes con pequeñas cantidades de lluvia
estocástica aparecen fuera del dominio de validez
del pronóstico y perturban la coincidencia de
probabilidad. En STEPS-BE, las perturbaciones
estocásticas solo se generan dentro del dominio de
radar advectado y se establece en cero en
cualquier otro lugar.
STEPS-BE también puede explicar la incertidumbre
en la estimación del campo de velocidad. La versión
STEPS que se implementa en el Reino Unido
(Bowler et al., 2006) incluye un procedimiento
detallado para generar perturbaciones de velocidad
que reproducen varias propiedades estadísticas de
las diferencias entre la velocidad pronosticada y la
velocidad real diagnosticada en el futuro (ver
detalles en Bowler et al., 2004b). En las
implementaciones de BOM y RMI, se aplica un
procedimiento más simple. El campo de velocidad
diagnosticado se multiplica por un único factor C
que se extrae de la siguiente distribución:
C = 101.5N / 10, (1)
donde N es una variable aleatoria distribuida
normalmente con media cero y varianza unitaria. En
otras palabras, el campo de velocidad es acelerado
o desacelerado por un solo factor aleatorio sin
afectar la dirección de los vectores. De hecho, se
observó que la incertidumbre sobre la velocidad
diagnosticada era mayor que la de la dirección del
movimiento (Bowler et al., 2006).
Las versiones BOM y RMI de STEPS también
incluyen un modelo estocástico para el error de
medición de radar, un modelo de línea discontinua
para dar cuenta de la evolución futura desconocida
de la precipitación media de la zona y la posibilidad
de utilizar conjuntos con retardo temporal. Sin
embargo, un modelo de predicción inmediata con
demasiados componentes es más difícil de calibrar
y complica la interpretación de los campos de
pronóstico. Por estas razones, STEPS-BE solo
explota el modelo estocástico básico para el campo
de velocidad y para la evolución de los campos de
lluvia (debido a procesos de crecimiento y
descomposición).
El núcleo de STEPS y las extensiones STEPS-BE
se implementan en C / C ++ y la producción de
figuras en python. Los scripts Bash se escribieron
para llamar a varias instancias STEPS y calcular los
miembros del conjunto en paralelo en varios
procesadores. Una vez que todos los miembros del
conjunto se computan, una script separado recoge
los archivos netCDF correspondientes y calcula las
probabilidades de pronóstico. La mayor parte del
costo computacional de STEPS consiste en filtrar el
campo de ruido blanco con FFT, advectar y
actualizar la cascada de radar con el modelo AR. El
recálculo de los campos de flujo óptico en cada
procesador toma menos del 10% del tiempo
computacional total.
La biblioteca python matplotlib se usa para leer los
archivos netCDF, exportar las cifras PNG y la serie
de tiempo de la precipitación observada y
pronosticada en la ubicación de las principales
ciudades y estaciones meteorológicas. Un solo
STEPS nowcast genera más de 600 figuras, lo que
requiere una fracción significativa del tiempo
computacional total. Para optimizar el tiempo, un
script bash supervisa continuamente el directorio
con compuestos de radar entrantes y activa
STEPS-BE una vez que se encuentra un campo
con una nueva marca de tiempo. Todos estos
detalles de implementación aseguran que el
usuario / pronosticador pueda tener acceso a un
STEPS de conjunto ahora emitido en menos de 5
minutos después de recibir la imagen compuesta de
radar.
El sistema de visualización de STEPS-BE es muy
similar al de INCA-BE, la implementación belga
local del sistema de Análisis Integrado Ahora a
través de Análisis Integral (INCA, Haiden et al.,
2011) desarrollado en la oficina meteorológica de
Australia (ZAMG). ) La Figura 1 ilustra la interfaz
web con un ejemplo de una transmisión actual en
un conjunto. El usuario puede resaltar las
principales ciudades, las estaciones
meteorológicas y hacer clic para visualizar las
series temporales de precipitaciones /
probabilidades observadas y pronosticadas, que
aparecen en la parte inferior de la página web. La
navegación a través de las observaciones y los
plazos de pronóstico se ve facilitada por la rueda de
desplazamiento del mouse. Por otro lado, al hacer
clic en la imagen, es posible desplazarse fácilmente
a través de los diversos miembros del conjunto o
niveles de probabilidad para un tiempo de entrega
dado. Desplazar a los miembros del conjunto en
diferentes tiempos de entrega es muy instructivo y
puede informar al usuario sobre la incertidumbre del
pronóstico. De hecho, en un tiempo de espera de 5
minutos, los miembros del conjunto acordaron muy
bien la intensidad y la ubicación de la precipitación.
Esto significa que la dispersión del conjunto es
pequeña y el pronóstico probabilístico es nítido; es
decir, la mayoría de las probabilidades
pronosticadas son cercanas a 1 o 0 (ver una
explicación en el Apéndice A). Por otro lado, con 1
o 2 h de anticipación, los miembros del conjunto no
están de acuerdo con la ubicación y la intensidad
de la lluvia, lo que aumenta la dispersión del
conjunto y disminuye la nitidez del pronóstico
probabilístico. La página web incluye una amplia
documentación para guiar al usuario y una serie de
estudios de casos para ayudar a comprender las
fortalezas y limitaciones de STEPS. El sistema de
visualización se implementó con gran atención para
aprovechar al máximo el contenido de información
multidimensional de pronósticos probabilísticos y
conjuntos.
Figura 2. Previsión promedio y acumulaciones de lluvia observadas para los casos de Ghent. (a) Pronóstico y (b)
observaciones de 0-30 min de precipitación el 10 de noviembre de 2013. (c) Pronóstico y (d) acumulaciones observadas
de 0-30 min de lluvia el 3 de enero de 2014. La media y la desviación estándar del campo dentro del rango de 120 km
de los radares se muestran en la esquina inferior izquierda. Los valores de campo se muestran solo si hay al menos 10
muestras para el cálculo de la media. Los triángulos rojos indican la ubicación de los radares Wideumont (WID, coordina
438 km al este / 405 km al norte), Zaventem (ZAV, 363/296), Jabbeke (JAB, 266/263) y Avesnois (AVE, 317/382). El
rango de 120 km desde el radar se muestra como un círculo discontinuo. La cordillera de las Ardenas abarca los tres
distritos más meridionales de Bélgica y Luxemburgo (LUX).

4 verificación de previsión
4.1 Configuración de la verificación
Esta sección presenta la verificación de los pronósticos STEPS-BE utilizando un conjunto de estudios de
casos (ver Sección 2). Las observaciones de radar acumuladas se emplearon como referencia para la
verificación. Las tasas de lluvia se acumulan en los últimos 5 minutos invirtiendo los vectores de campo en
función de las observaciones y luego realizando la corrección de advección. La previsión media de 30
minutos se verificó frente a las acumulaciones de radar observadas durante 30 minutos utilizando tanto
datos continuos como categóricos.puntajes de verificación. El procedimiento de verificación determinista
sigue el presentado en Foresti y Seed (2015), que fue diseñado para analizar la distribución espacial de los
errores de pronóstico. Se brindan más detalles sobre la configuración y los puntajes de la verificación del
pronóstico en el Apéndice A.
Los puntajes continuos incluyen el sesgo multiplicativo y el error cuadrático medio (RMSE), mientras que
los puntajes categóricos incluyen la probabilidad de detección (POD), el índice de falsas alarmas (FAR) y el
puntaje de habilidad Gilbert (GSS) derivados de la tabla de contingencia para umbrales de lluvia de 0.5 y5.0
mm h-1. Los umbrales de lluvia se dan en equivalentes intensidad independientemente de la acumulación
de lluvia pronosticada.
Figura 3. Promedio de acumulación de lluvia pronosticada y pronosticada para los casos de Lovaina. (a) Pronóstico y
(b) acumulaciones de lluvia observadas de 0 a 30 minutos los días 9 y 10 de junio de 2014. (c) Pronóstico y (d)
acumulaciones observadas de lluvia de 0 a 30 minutos del 19 al 20 de julio de 2014.

Por lo tanto, un umbral de 5.0 mm h-1 en una acumulación de 30 minutos corresponde a 2.5 mm de lluvia.
El sesgo multiplicativo y el RMSE se evaluaron solo en los lugares donde el pronóstico o las observaciones
de verificación excedieron 0.1 mm h-1, lo que se puede denominar una verificación débilmente condicional.
El pronóstico probabilístico de exceder 0.1, 0.5 y
5.0 mm h-1 se verificó usando los diagramas de confiabilidad y
Curvas ROC. Finalmente, la dispersión del conjunto se analizó comparando la extensión del conjunto con
el RMSE de la media del conjunto y mediante el uso de histogramas de rango. La verificación probabilística
y por conjuntos no tiene en cuenta la distribución espacial de los errores y agrupa los datos en espacio y
tiempo para derivar las estadísticas.
4.2 Verificación determinista
Las Figuras 2 y 3 muestran el pronóstico promedio y las tasas de precipitación pluvial observadas
correspondientes a la acumulación de medias de conjunto de 0-30 minutos actualizadas para los casos de
Gante y Lovaina, respectivamente. En otras palabras, representan el pronóstico promedio y las tasas de
lluvia observadas durante la duración del evento de precipitación (para el tiempo de anticipación de 0-30
minutos). El promedio se calculó utilizando el principio condicional débil explicado anteriormente. El
pronóstico promedio y las acumulaciones observadas en general coinciden muy bien con el pronóstico de
tiempo de anticipación de 0-30 min. El caso de Ghent el 10 de noviembre de 2013 (Figuras 2a yb) es el
único con flujos hacia el noroeste y se caracteriza por las tasas de precipitación promedio más bajas. El
radar Avesnois demuestra muy bien la dependencia de la gama de las tasas de lluvia promedio, que
disminuyen gradualmente al aumentar la distancia de la
Figura 4. Promedios sesgos de pronóstico multiplicativos de 0-30 min para los casos de Ghent el (a) 10 de
noviembre de 2013 y en (b) el 3 de enero de 2014 y los casos de Lovaina el (c) 9-10 de junio de 2014 y en (d) 19- 20
de julio de 2014. La interpretación de subestimación y sobreestimación por STEPS como crecimiento y deterioro
sistemático de las precipitaciones o simplemente como sesgos de medición de radar está sujeta a interpretación, tal
como se explica en el texto.

radar. Por el contrario, el anillo más pequeño de altas tasas de lluvia alrededor del radar Zaventem se debe
principalmente a la banda brillante (Fig. 2b).
El efecto de banda brillante influye en las observaciones del radar y, por lo tanto, los difuntos se basan en
su extrapolación. En tiempos de entrega más largos, las estimaciones de lluvia más grandes debido a la
banda brillante se extrapolan lejos de la ubicación del radar. Las perturbaciones estocásticas de STEPS
pueden ayudar a disolver gradualmente los patrones circulares introducidos por el efecto de banda brillante.
Sin embargo, la banda brillante afecta más a las observaciones usadas para la verificación, en particular
cuando la lluvia se aduce desde aguas arriba sobre la región del radar. En tal caso, las estimaciones locales
más grandes de lluvia conducen a un sesgo de verificación y los pronósticos se suponen erróneamente de
subestimación de la precipitación. A pesar de estos problemas, los efectos de banda brillante podrían no ser
tan importante para las aplicaciones hidrológicas urbanas. De hecho, a excepción de un caso estratiforme
presentado en este documento, las inundaciones pluviales ocurren principalmente en verano con eventos
de precipitación convectiva, durante los cuales la banda brillante está ausente o es insignificante.
El caso de Ghent el 3 de enero de 2014 tiene tasas de lluvia más altas y las estructuras alargadas de las
áreas de precipitación demuestran bien el régimen de flujo del sudoeste (Figuras 2c yd). En este caso, las
mediciones del radar Zaventem también se ven afectadas por ecos de segundo viaje, que aparecen como
un conjunto de estructuras de lluvia radialmente orientadas al noroeste del radar. Estos patrones alternantes
se explican por el modo dual de PRF de Zaventem (ver Sección 2).
Los casos de Lovaina del 9 de junio y del 19 al 20 de julio de 2014 tienen una importante actividad convectiva
(Figuras 3a-d). El máximo de av.
Figura 5. RMSE promedio pronosticado de 0-30 min para (a) el caso de invierno de Ghent el 3 de enero de 2014 y (b)
el caso de verano de Lovaina del 19 al 20 de julio de 2014.

Las tasas de lluvia de la época se encuentran sobre la cordillera de las Ardenas y la ciudad de Lovaina,
respectivamente. Debido a que las inundaciones repentinas urbanas pueden ser desencadenadas por una
única célula convectiva, la tasa promedio de lluvia durante la duración del evento puede no ser tan alta en
la ciudad considerada (p. Ej., Figura 3b).
La Figura 4 ilustra el sesgo multiplicativo de la predicción instantánea 0-30 min promediada sobre cada uno
de los cuatro eventos. En Foresti y Seed (2015) se da una interpretación detallada de tales sesgos de
pronóstico usando datos de radar australianos y su conexión a características orográficas, que señalan que
una fracción importante de los errores de pronóstico es causada por los sesgos de las observaciones de
radar de verificación en lugar de procesos sistemáticos de crecimiento y descomposición de la lluvia debido
a la orografía. En la figura 4a, es fácil advertir el efecto de la banda brillante, que provoca una serie de
sesgos de pronóstico sistemáticos alrededor del radar Zaventem y orientados perpendicularmente con
respecto a la dirección de flujo predominante (NW). La subestimación sistemática de las lluvias se produce
a lo largo de la costa belga del Mar del Norte. Un factor que contribuye a esta subestimación es la ausencia
de visibilidad del radar a distancias más largas. La precipitación entrante es detectada de repente por el
radar y, por lo tanto, STEPS subestima fuertemente. La única situación donde la dependencia del rango de
la estimación de la precipitación no afecta la verificación de predicción ocurre cuando el campo de velocidad
es perfectamente rotativo y está centrado en el radar (suponiendo que no haya bloqueo del haz). ¡Todos los
demás casos tienen que ver con el hecho de que la precipitación ahora también extrapola los sesgos de las
observaciones del radar! Contrariamente a lo esperado, en el lado del viento de las Ardenas existe una
sobreestimación, que puede representar una región de decaimiento sistemático de las precipitaciones. El
prejuicio sobre la ciudad de Ghent es afortunadamente pequeño y está incluido en el rango de 0 a 0.5 dB
(sobreestimación ligera, disminución de las precipitaciones). Tener pequeños prejuicios sistemáticos sobre
las ciudades de interés es muy importante para la integración futura de STEPS ahora se emite como entrada
en modelos hidráulicos.
En la figura 4b, la subestimación sistemática también se localiza aguas arriba con respecto a los vientos
predominantes (SW). Las sobreestimaciones fuertes en Alemania y los Países Bajos se deben
principalmente a la subestimación de las precipitaciones por la verificación de las observaciones de radar
en lugar de a la decadencia sistemática de la lluvia. Esto es particularmente visible después de un rango de
125 km desde el radar Zaventem, lo que demuestra una vez más que las discontinuidades y los sesgos en
las observaciones de radar conducen a errores en el pronóstico de extrapolación. También en este caso el
sesgo sobre la ciudad de Gante es pequeño, pero en el rango de 0.5 a 0 dB (subestimación ligera,
crecimiento de la lluvia). Las discontinuidades compuestas del radar también son visibles en la figura 4c,
pero esta vez ubicadas a un rango de 240 km al norte del radar Wideumont al entrar en el área cubierta por
el radar Jabbeke. Este sesgo de pronóstico se explica principalmente por el sesgo de calibración negativa
del radar Jabbeke, que se sabe que subestima ligeramente las tasas de lluvia con respecto al radar
Wideumont. Se produce una fuerte subestimación en las Ardenas debido a la iniciación sistemática y el
crecimiento de la convección que STEPS no puede predecir (figura 4c). Afortunadamente, la ciudad de
Leuven se encuentra en una región con pequeños sesgos en el rango de
0.5 a 0.5 dB. La Figura 4d es bastante interesante ya que se encuentran subestimaciones fuertes en frente
de la banda de lluvia (desde Charleroi hasta Lovaina y más allá) y sobreestimaciones en la parte posterior
de la banda de lluvia (al oeste del radar de Jabbeke). Las subestimaciones se deben a la iniciación
sistemática de lluvia frente a la banda de lluvia, mientras que las sobreestimaciones son probablemente
causadas por una extrapolación demasiado lenta de la lluvia, que tiende a arrastrarse en la parte posterior
de la banda de lluvia. Las dos bandas de subestimaciones al sur de Lovaina son causadas por dos tormentas
diferentes. El primero pasó sobre la ciudad de Lovaina y tuvo.

Figura 6. (a) POD, (b) FAR y (c) GSS de la previsión media del conjunto de 30-60 min de más de 0,5 mm h-1 para el
caso de Lovaina del 19 al 20 de julio de 2014.

un componente más fuerte del oeste con respecto al flujo predominante del sur. La segunda tormenta fue
más débil y tuvo un componente este más fuerte. Cuando la convección aislada no sigue el movimiento
predominante del campo de lluvia, pueden aparecer fuertes sesgos en el nowcast durante los primeros
tiempos de entrega.
La Figura 5 muestra la distribución espacial del RMSE para el evento estratiforme el 3 de enero de 2014 en
Gante y el evento convectivo del 19 al 20 de julio de 2014 en Lovaina. Si se compara con las Figs. 2d y 3d
está claro que el RMSE está fuertemente correlacionado con las regiones que tienen las mayores
acumulaciones medias de lluvia (efecto proporcional). Por lo tanto, no es sorprendente que el RMSE del
caso convectivo (figura 5b) muestre valores superiores a 10 mm h-1 en la ciudad de Lovaina. El invierno el
caso solo muestra valores de RMSE por debajo de 2 mm h-1 en la ciudad de Ghent.
La Figura 6 ilustra un ejemplo de verificación categórica de la previsión media de conjuntos de 30-60 minutos
para el caso de Lovaina del 19 al 20 de julio de 2014 en relación con el umbral de precipitaciones de 0.5
mm h-1. La probabilidad de detección es alta en todas partes (media de 0,75), excepto en los alrededores
de Amberes y al sur de Lovaina, donde STEPS no pudo predecir el inicio de las tormentas (figura 6a). La
relación de falsas alarmas es bastante baja (media de 0,36) y las regiones con valores altos se encuentran
principalmente en la parte posterior del frente, donde la precipitación es muy lenta en comparación con el
movimiento real del frente (Fig. 6b). Un alto puntaje de habilidad de Gilbert generalmente coincide con las
regiones con las mayores acumulaciones de lluvia y
Figura 7. Diagramas de confiabilidad para el caso de Ghent el 3 de enero de 2014 en relación con el pronóstico
probabilístico de exceder (a) 0.5 mm h-1 y (b) 5,0 mm h-1. (c, d) Igual que (a, b) pero para el caso de Lovaina del 19 al
20 de julio de 2014.

se vuelve más bajo en los bordes de las áreas de lluvia (Fig. 6c). Este hallazgo puede explicarse
conceptualmente si se piensa en la verificación del camino futuro de una sola célula convectiva. Las regiones
con la incertidumbre más alta se ubican a lo largo de los bordes de la trayectoria de tormenta pronosticada
y la habilidad más alta se obtiene en el centro de la trayectoria predicha.
4.3 Verificación probabilística
La figura 7 muestra los diagramas de fiabilidad relativos al pronóstico probabilístico de superar los umbrales
de lluvia de 0.5 y 5.0 mm h-1 para el caso Ghent el 3 de enero de 2014 (figuras 7a yb) y el caso de Lovaina
el 19-20 Julio de 2014 (Fig. 7c yd). El pronóstico probabilístico de referencia se toma como la frecuencia
climática de exceder un umbral de lluvia determinado durante ese evento de precipitación (línea punteada
horizontal). Inesperadamente, las previsiones del caso estratiforme en Gant.
Figura 8. Curvas ROC relativas al pronóstico probabilístico de exceder 0,1 mm h-1 para (a) el caso Ghent el 3 de enero
de 2014 y (b) el caso Lovaina del 19 al 20 de julio de 2014.

son menos confiables que los del caso convectivo en Leuven para ambos umbrales de lluvia. Las
predicciones probabilísticas de exceder 0.5 mm h-1 para el caso Ghent tienen una buena confiabilidad y
puntaje de habilidad Brier positivo (BSS) hasta 60 min de tiempo de anticipación (Fig. 7a). El umbral de lluvia
más alto de 5.0 mm h-1 es más difícil de predecir y solo hay habilidad hasta 30 minutos de tiempo de espera
(figura 7b). El caso convectivo en Lovaina es más predecible y el pronóstico probabilístico de exceder 0,5
mm h-1 muestra una habilidad de hasta 90 minutos (Fig. 7c). Es interesante notar que las probabilidades
pronosticadas que están cerca de la frecuencia climatológica (intersección de líneas alrededor de la
probabilidad 0.15) pueden fácilmente quedar fuera de la región hábil (Figura 7c). De hecho, es probable que
un pequeño sesgo de pronóstico sistemático sea peor que la climatología del evento en esas frecuencias.
El umbral de precipitación de 5.0 mm h-1 muestra nuevamente un límite de predictibilidad de 30 minutos
(Fig. 7d). A pesar de tener un BSS negativo, los siguientes tiempos de entrega (Fig. 7d) tienen una resolución
más alta que el caso estratiforme en Ghent (Fig. 7b).
La figura 8 ilustra las curvas ROC relativas al pronóstico probabilístico de exceder 0,1 mm h-1 para el caso
Ghent el 3 de enero de 2014 (figura 8a) y el caso Lovaina del 19 al 20 de julio de 2014 (figura 8b). Todas
las curvas ROC están muy lejos de la línea diagonal de ninguna habilidad. El nivel de probabilidad que está
marcado con una cruz es el que maximiza la diferencia entre la tasa de acierto (HR) y la tasa de falsa alarma
(F) (que no debe confundirse con la relación de falsa alarma, que está condicionada a las predicciones).
Este punto se ubica dentro de las probabilidades 0.1 y 0.2, lo que significa que se logra un pronóstico óptimo
de la probabilidad de lluvia cuando solo el 10-20% de los miembros del conjunto exceden el umbral 0.1 mm
h-1. Un anunciador que no tiene miedo de hacer falsas alarmas elegiría un nivel de probabilidad más bajo
para aumentar el número de visitas. Por el contrario, un pronosticador no confiado que quisiera minimizar
las falsas alarmas elegiría un nivel de probabilidad más alto, que sin embargo tiene la consecuencia de
reducir el número de aciertos. Como se esperaba, el área bajo las curvas ROC (AUC) disminuye para
aumentar los tiempos de entrega. La habilidad de discriminación para el evento convectivo en Lovaina es
ligeramente más alta que la del evento estratiforme en Gante, que confirma los hallazgos en los diagramas
de confiabilidad (Fig. 7). Esto no significa que las características de pequeña escala sean más fáciles de
predecir que las características de mayor escala, que se sabe que son falsas (ver Foresti y Seed, 2014).
Significa que la predictibilidad de sistemas convectivos bien definidos y organizados es más alta que la de
convección más moderada con vida más corta, al menos para los casos analizados en este documento.
4.4 Verificación del conjunto
La Figura 9 compara el error de la media del conjunto (RMSE) y la dispersión del conjunto para el caso de
Ghent el 3 de enero de 2014 y el caso de Lovaina del 19 al 20 de julio de 2014 (véase la interpretación de
la dispersión del conjunto en el Apéndice A). En ambos casos, el RMSE aumenta hasta un tiempo de entrega
de 50-60 minutos y luego comienza una disminución lenta, que puede ser contraintuitivo. Sin embargo, debe
recordarse que el pronóstico de la media del conjunto se vuelve más uniforme para aumentar los tiempos
de espera, lo que reduce el doble error de penalización debido a la predicción de una tormenta eléctrica en
el lugar equivocado. La extensión del conjunto también aumenta hasta
Figura 9. Comparación de la dispersión del conjunto y RMSE de la predicción media del conjunto en una resolución de
5 minutos para (a) el caso de Ghent el 3 de enero de 2014 y (b) el caso de Lovaina del 19 al 20 de julio de 2014.

Figura 10. Clasifique los histogramas para el caso de Lovaina del 19 al 20 de julio de 2014 para un tiempo de anticipación
de (a) 5 min y (b) 60 min.

tiempo de espera de 50-60 minutos y luego se estabiliza lentamente. Para los casos de Gante y Lovaina, la
dispersión del conjunto es menor que el error de la media del conjunto en todos los tiempos de entrega, lo
que sugiere que las predicciones por conjuntos son poco dispersivas. El grado de subdispersión es más alto
en un tiempo de avance de 5 minutos, con los valores de dispersión equivalentes al 60% del error de
pronóstico para el evento de invierno en Gante (figura 9a) y del 70% para el evento de verano en Lovaina
(figura 9b). Excepto por el tiempo de entrega de 5 minutos, la dispersión del conjunto representa el 75-90%
del error de pronóstico para el caso Ghent (figura 9a) y el 75-80% para el caso Leuven (figura 9b), que es
un buen resultado. Todavía no está claro por qué el RMSE en un tiempo de avance de 5 minutos es mayor
que el de 10 minutos para el caso de invierno en Gante (figura 9a).
La subestimación de la dispersión del conjunto en el primer tiempo de entrega puede atribuirse tanto a la
subestimación de la dispersión del conjunto como a la sobreestimación del conjunto. significa RMSE, pero
con diferentes grados según las diferentes causas. Los RMS altos al comienzo del lanzamiento pueden
deberse a que utiliza un campo de velocidad muy suave para la advección (véase la sección 3.2), que no
explota lo suficiente la predictibilidad a muy corto plazo de la precipitación a pequeña escala. características,
pero está optimizado para predicciones con plazos de entrega más largos. Otra explicación para esta
subestimación de la dispersión del conjunto podría deberse a la variabilidad espacio-temporal de la relación
Z-R. Los cambios espaciales y temporales en la distribución del tamaño de gota (DSD) pueden llevar a
cambios en la tasa de lluvia estimada que se usa para la verificación. Por lo tanto, podría haber un desajuste
entre el DSD "fijo" de los pronósticos y el DSD variable subyacente a las observaciones de verificación. Otra
posible fuente de desajuste podría deberse a la corrección de la advección con flujo óptico cuando se
calculan las acumulaciones de lluvia. El pronóstico acumula
las lation se calculan advectando el campo de lluvia
anterior hacia adelante. Por otro lado, las
acumulaciones observadas se calculan invirtiendo
los vectores de flujo óptico y retrocediendo hacia el
campo de lluvia (véase la Sección 4.1). Esta
elección aumenta las diferencias al comparar las
acumulaciones de predicción de 0-5 min (advección
de la imagen de 0 min hacia adelante) con las
acumulaciones observadas de 0-5 min a posteriori
(observación de la imagen de 5 min hacia atrás). El
enfoque ideal sería derivar la acumulación al
desplazar tanto la imagen anterior hacia adelante
como la última hacia atrás. Una acumulación
óptima podría calcularse mediante un promedio
ponderado de las dos imágenes advectadas
discretizando el intervalo de 5 min. Sin embargo, tal
enfoque no es muy pragmático y requeriría tiempo
computacional adicional para obtener una mejora
marginal en los pronósticos.
La Figura 10 ilustra los histogramas de rango para
el caso de Lovaina del 19 al 20 de julio de 2014 para
tiempos de entrega de 5 y 60 minutos. La forma en
U de los histogramas de rango demuestra de nuevo
un cierto grado de baja dispersión del conjunto. En
particular, todos los miembros del conjunto para el
tiempo de avance de 5 min son inferiores a las
observaciones en el 16% de los casos (Fig. 10a),
mientras que para el tiempo de avance de 60 min
ocurre en más del 30% de los casos ( Fig. 10b). Por
otro lado, la fracción de observaciones que cae por
debajo del valor del miembro de conjunto más bajo
es solo del 8% para ambos tiempos de entrega. A
pesar de que STEPS está diseñado para reproducir
la variabilidad espacio-temporal de la lluvia,
subestima una cierta fracción de los extremos de
lluvia observados. Esta subestimación aumenta al
aumentar el tiempo de espera y representa una
suavidad creciente de los conjuntos STEPS, lo que
probablemente se deba a la advección de la
cascada de lluvia del radar (consulte la Sección 3,
paso 6). De hecho, las características de la
precipitación a pequeña escala representadas por
los niveles de la cascada inferior sufren más por la
difusión numérica durante la extrapolación
lagrangiana, que se observa como una pérdida
gradual de la variabilidad en los conjuntos
pronosticados.
4.5 Resumen de verificación de los eventos
La Tabla 2 proporciona una comparación de los
puntajes de verificación para cada evento. La
desviación estándar promedio de los sesgos
multiplicativos del pronóstico del tiempo de
anticipación de 30 min está en el rango de 0.3-0.8.
Excepto por el evento del 19 al 20 de julio de 2014,
los sesgos se mantienen muy por debajo de 1 dB
para todos los tiempos de entrega, lo que es un
resultado positivo. Por supuesto, estos son valores
promedio, y localmente pueden incluso exceder los
3 dB (ver Fig. 4).
Por otro lado, los valores de RMSE marcan más la
distinción entre los dos casos de invierno en Gante
y los dos casos de verano en Lovaina. Para los
casos de invierno, los valores RMSE aumentan de
0.38-0.95 a un tiempo de espera de 30 minutos a
0.78-
1.48 a 120 min, mientras que para los casos de
verano de 1.84-2.45 a 2.52-3.38 mm h-1. Por lo
tanto, el RMSE de un tiempo actual de 30 minutos
de transmisión de los dos casos convectivos es más
alto que el RMSE de un nowcast de 120 minutos de
los dos casos estratiformes, como podría
esperarse. Es interesante mencionar que los
puntajes de verificación lineal como el RMSE
dependen fuertemente de la varianza de los datos.
En consecuencia, sería difícil comparar el error de
la transmisión actual de la media del conjunto
STEPS con la de una predicción inmediata, por
ejemplo, calculada por INCA-BE. De hecho, el
proceso de promedio de conjunto filtra las
características de precipitación impredecibles y se
recompensa en términos de RMSE. Resultados
similares ya fueron observados en Foresti et al.
(2015), quien también señaló la dificultad de
comparar los sistemas de predicción por conjuntos
con un número diferente de miembros del conjunto.
La probabilidad de detección relativa al 0.5 mm h-1
el umbral disminuye de 78-86 a 33-58%, mientras
que la proporción de falsas alarmas aumenta de 10-
17 a 46-65%. El puntaje de habilidad de Gilbert
comienza con valores de 0.58-0.64 y 0.29-0.40 en
los tiempos de anticipación de 30 y 60 minutos,
respectivamente, y disminuye a valores de 0.08-
0.20 a los 120 minutos. Wang et al. (2009)
informaron un valor de índice de éxito crítico de 0,45
para las transmisiones instantáneas STEPS de 0-
60 acumulaciones en relación con el umbral de 1
mm h-1. Teniendo en cuenta que el GSS es el CSI
corregido por azar, este valor es comparable con
los de las acumulaciones de 30-60 minutos
obtenidas en este documento. Los valores de GSS
relativos al umbral de 5,0 mm h-1 son mucho más
bajos. Oscilan entre 0.15 y 0.44 para el primer
tiempo de entrega y se vuelven muy bajos y cerca
de 0 después. Por lo tanto, la previsibilidad de las
estructuras de caída de lluvia que exceden 5.0 mm
h-1 rara vez excede los 30 minutos según el GSS.
Las áreas bajo los valores de la curva ROC que
caracterizan el poder potencial de discriminación
del pronóstico probabilístico de exceder 0.5 mm h-
1 comienzan en 0.92-0.95 a los 30 minutos y
disminuyen a 0.69-0.79 a los 120 minutos. Para el
pronóstico probabilístico de exceder 5.0 mm h-1
comienzan en 0.88-0.90 y disminuyen a 0.62 para
los casos convectivos y a 0.50 para los casos
estratiformes (sin discriminación).
De todos estos resultados podemos concluir que no
hay mucha predictibilidad más allá de 2 h de tiempo
de espera al extrapolar las 4 imágenes compuestas
de radar de banda C en Bélgica. Por lo tanto, un
tiempo de espera máximo de 2 h en STEPS-BE es
una buena opción. Extender este tiempo de espera
requiere combinar la extrapolación de radar con la
salida de los modelos de PNT para aumentar la
predictibilidad de la precipitación.
5. Conclusiones

El sistema de predicción por conjuntos a corto plazo

(STEPS) es un sistema probabilístico de predicción
inmediata basado en la extrapolación de imágenes
de radar desarrolladas en el Australian Bureau of
Meteorology en colaboración con el MetOffice del
Reino Unido. El principio detrás de STEPS es
producir una predicción de conjunto mediante el
avance de una extrapolación determinista nowcast
con ruido estocástico. Las perturbaciones están
diseñadas para reproducir las correlaciones
espaciales y temporales de los errores de
pronóstico y la dependencia de escala de la
predictibilidad de la precipitación.
Este documento presentó la implementación local,
adaptación y verificación de STEPS en el Real
Instituto Meteorológico de Bélgica, conocido como
STEPS-BE. STEPS-BE pro.
Tabla 2. Resumen de los puntajes de verificación del pronóstico de los próximos cuatro pronósticos de acumulación de
30 minutos para los eventos de precipitación en Gante y Lovaina. El tiempo de espera que se muestra es el final del
período de acumulación de 30 minutos (por ejemplo, 60 minutos es relativo a la acumulación de 30-60 minutos). Los
valores de sesgo corresponden a la desviación estándar del sesgo multiplicativo, que es más interesante que su media
(a menudo cerca de 0).

en conjunto de 20 miembros en tiempo real se difunde a una resolución de 1 km y 5 min. hasta 2 h de tiempo de espera
utilizando los cuatro compuestos de radar de banda C de Bélgica. Comparado con la implementación original, STEPS-
BE incluye una interpolación basada en núcleo de vectores de flujo óptico para obtener campos de velocidad más suaves
y una mejora para generar ruido estocástico solo dentro del compuesto de radar advectado para respetar el dominio de
la validez. de los nowcasts.

El rendimiento de STEPS-BE se verificó utilizando las observaciones de radar como referencia en cuatro estudios de
casos que causaron inundaciones en las ciudades de Gante y Lovaina durante los años 2013 y 2014. Se verificó el
pronóstico de conjunto de las siguientes cuatro acumulaciones de 30 minutos utilizando el sesgo multiplicativo, el RMSE,
así como algunos puntajes categóricos derivados de la tabla de contingencia: la probabilidad de detección, la proporción
de falsa alarma y la puntuación de habilidad de Gilbert (puntaje de habilidad equitativa). La distribución espacial de los
sesgos multiplicativos reveló las regiones de sobreestimación y subestimación sistemáticas por STEPS. Las
subestimaciones a menudo se asocian con las ubicaciones de iniciación convectiva y crecimiento de tormentas
eléctricas, que STEPS no puede predecir. Por otro lado, las regiones de sobrestimación se deben principalmente a la
subestimación de la lluvia por las observaciones verifica- doras en lugar de la disminución sistemática de las
precipitaciones (ver Foresti y Seed, 2015, para una discusión más detallada). Para desenredar el pronóstico y los sesgos
de observación, se necesita un conocimiento detallado sobre la distribución espacial de los errores de medición del
radar para una situación climática dada. Los sesgos multiplicativos sobre las ciudades de Lovaina y Gante son muy
bajos (de 0.5 a 0.5 dB), lo cual es un buen punto de partida para integrar STEPS como transmisiones en los modelos
hidráulicos del sistema de alcantarillado. La verificación de pronóstico categórico ayudó a descubrir los lugares con baja
probabilidad de detección debido a la iniciación convectiva en el frente de la banda de lluvia y la alta proporción de falsas
alarmas en el parte posterior de la banda de lluvia, probablemente debido a una extrapolación de lluvia demasiado lenta
por parte de STEPS. Los diagramas de confiabilidad demostraron que las predicciones probabilísticas que exceden 0.5
mm h-1 tienen una habilidad de hasta 60-90 minutos. Por el contrario, las características de convección que exceden
5.0 mm h-1 son solo predecibles hasta 30 min. En términos de confiabilidad y capacidad de discriminación, también se
observó que las predicciones de eventos convectivos tienen más habilidades que las de eventos estratiformes. Los
conjuntos STEPS se caracterizan por un cierto grado de subestimación de la incertidumbre del pronóstico, con valores
del conjunto extendidos cerca del 75-90% del error de pronóstico.

La contribución actual se centró en la verificación de STEPS-BE nowcasts utilizando solo cuatro casos de precipitación
de diferente carácter. Las verificaciones deterministas y categóricas requieren muchos más casos para analizar la
distribución climatológica de los errores de pronóstico, por ejemplo, como se hizo en Foresti y Seed (2015). Por otro
lado, la verificación probabilística y de enmiendas reúne los datos en espacio y tiempo y converge mucho más rápido a
las estadísticas estables.
Desde una perspectiva de investigación, STEPS-BE
también podría ampliarse incluyendo un modelo
estocástico para dar cuenta de los errores de medición
de radar residuales, en particular para obtener
estimaciones más precisas de la incertidumbre del
pronóstico a corto plazo. El marco STEPS también
permite combinar el nowcast de extrapolación con la
salida de los modelos de NWP, que es un paso necesario
para aumentar la predictibilidad de la precipitación para
los tiempos de entrega más allá de las 2 h.

Tabla A1. Correspondencia entre la escala de decibelios

y la relación de potencia.

Apéndice A: puntajes de verificación del pronóstico.

La verificación de previsión es un aspecto importante de

un sistema de previsión. Un pronóstico sin una
estimación de su precisión no es muy informativo. Para
una descripción detallada de la ciencia de verificación de
pronóstico y los puntajes correspondientes, nos referimos
a Jolliffe y Stephenson (2011) y al sitio web de
verificación mantenido en la Oficina de Meteorología
(http: // www.cawcr.gov.au/projects /verificación/).

El pronóstico de la media del conjunto de STEPS se

verificó utilizando los siguientes puntajes.

- Sesgo multiplicativo: