Con el aumento del cambio climático, las estimaciones de precipitaciones globales se han convertido en una necesidad para predecir desastres relacionados con el agua, como inundaciones y sequías, así como para gestionar los recursos hídricos. Los datos más precisos que se pueden utilizar para estas predicciones son las observaciones de pluviómetros terrestres, pero a menudo es complicado debido a las ubicaciones limitadas y a la escasez de datos de pluviómetros.
Para resolver este problema, el profesor adjunto Yuka Muto del Centro de Teledetección Ambiental de Japón y el profesor Shunji Kotsuki del Instituto de Investigación Académica Avanzada del Centro de Teledetección Ambiental, así como del Instituto de Investigación de Medicina de Desastres de la Universidad de Chiba, Japón, han creado un método de última generación utilizando la técnica del filtro de Kalman de transformada de conjunto local (LETKF).
Este estudio se publica en la revista Hydrology and Earth System Sciences .
LETKF es un sofisticado algoritmo de asimilación de datos que permite obtener datos de precipitaciones globales con mayor precisión y se utiliza en meteorología, oceanografía y ciencias ambientales. Combina observaciones del mundo real con simulaciones de modelos informáticos para proporcionar predicciones precisas y en tiempo real de sistemas complejos.
Al combinarse con diferentes fuentes de información, como sensores, satélites y estaciones terrestres, puede proporcionar predicciones más precisas y minimizar los errores. En este estudio, el Dr. Muto y el Profesor Kotsuki utilizaron el LETKF para mejorar las estimaciones de datos terrestres mediante un nuevo análisis.
«Nuestro objetivo era mejorar las estimaciones de precipitaciones globales integrando observaciones fiables de pluviómetros terrestres con datos dinámicamente consistentes de precipitaciones reanalíticas», explica el Dr. Muto.
Y añade: «Hemos observado que el algoritmo LETKF no solo mejora la precisión de las estimaciones de precipitación, sino que también ofrece eficiencia computacional, lo que lo convierte en una solución confiable para aplicaciones a gran escala».
Para empezar, el equipo necesitaba dos conjuntos de datos de entrada: los datos reales de las observaciones del pluviómetro y los datos del reanálisis. Para ello, utilizaron las observaciones del pluviómetro adquiridas en el Centro de Predicción Climática de la Administración Nacional Oceánica y Atmosférica (NOAA CPC).
Además, incorporaron los datos de precipitación de reanálisis del Centro Europeo de Previsiones Meteorológicas de Medio Plazo (ERA5), que es un conjunto de datos de reanálisis atmosférico de quinta generación producido por el ERA5 utilizando datos satelitales y modelos numéricos de predicción meteorológica.
Al utilizar un conjunto de datos climatológicos de 20 años de los datos ERA5 (para 10 años antes y 10 años después de una fecha determinada), el algoritmo LETKF construyó una «primera estimación» para el campo de precipitación y su covarianza de error.
Además, las observaciones de pluviómetros del NOAA CPC se integraron en estos campos de precipitación basados en ERA5 de primera estimación mediante el uso del LETKF. El modelo permitió una interpolación precisa, incluso para regiones que tienen una cobertura de observación escasa.
Al explicar la eficiencia de este método, el profesor Kotsuki añade: «Nuestras estimaciones mostraron una mejor concordancia con las observaciones de pluviómetros independientes y fueron más confiables incluso en regiones montañosas o con escasos pluviómetros en comparación con el producto CPC de la NOAA existente».
El modelo mostró mejoras significativas en la captura de los patrones de precipitaciones en áreas como el Himalaya, los Andes y la región central de África. Esta confiabilidad podría tener un gran potencial para abordar desastres naturales y la asignación de recursos.
La metodología propuesta es más confiable que las técnicas convencionales debido a su capacidad de construir una primera estimación físicamente consistente mediante el uso de datos de reanálisis. En este sentido, el modelo preserva las variaciones críticas en los patrones de precipitación y, al mismo tiempo, reduce los efectos de suavizado que suelen observarse en los modelos existentes. Esta consistencia dinámica es especialmente beneficiosa para terrenos complejos, como las montañas, donde los métodos convencionales tienen dificultades.
Reflexionando sobre las implicaciones a largo plazo del estudio, el Dr. Muto añade: «Creemos que las estimaciones precisas de las precipitaciones pueden transformar la forma en que nos preparamos y respondemos ante los desastres. Al reducir la incertidumbre, podemos mitigar las pérdidas económicas , apoyar la gestión sostenible del agua y evitar el estancamiento de las actividades económicas causado por fenómenos meteorológicos extremos».
En resumen, este estudio tiene el potencial de impulsar colaboraciones internacionales y también innovaciones en la ciencia del clima para garantizar que los recursos hídricos globales se gestionen bien para enfrentar los desafíos del cambio climático.
Más información: Yuka Muto et al, Estimación de campos de precipitación global mediante la interpolación de observaciones de pluviómetros utilizando el filtro de Kalman de transformación de conjunto local y el reanálisis de la precipitación, Hydrology and Earth System Sciences (2024). DOI: 10.5194/hess-28-5401-2024
