Hispanopedia Wiki
Articulo de referencia

Pronóstico de conjunto

Arriba : Simulación del modelo de Investigación y Pronóstico del Tiempo de la trayectoria del huracán Rita . Abajo : Dispersión del pronóstico del conjunto multimodelo del Centr...

Hispanopedia WikiContenido en espanolLectura gratuita
Arriba : Simulación del modelo de Investigación y Pronóstico del Tiempo de la trayectoria del huracán Rita . Abajo : Dispersión del pronóstico del conjunto multimodelo del Centro Nacional de Huracanes .

La predicción por conjuntos es un método utilizado en la predicción numérica del tiempo . En lugar de realizar una única predicción del tiempo más probable, se genera un conjunto de predicciones. Este conjunto de predicciones tiene como objetivo indicar el rango de posibles estados futuros de la atmósfera.

La predicción por conjuntos es una forma de análisis de Monte Carlo . Se realizan múltiples simulaciones para tener en cuenta las dos fuentes habituales de incertidumbre en los modelos de predicción: (1) los errores introducidos por el uso de condiciones iniciales imperfectas, amplificados por la naturaleza caótica de las ecuaciones de la atmósfera, lo que a menudo se denomina dependencia sensible de las condiciones iniciales ; y (2) los errores introducidos debido a imperfecciones en la formulación del modelo, como los métodos matemáticos aproximados para resolver las ecuaciones. Idealmente, el estado atmosférico futuro verificado debería estar dentro de la dispersión del conjunto predicho , y la magnitud de la dispersión debería estar relacionada con la incertidumbre (error) de la predicción.

En general, este enfoque puede utilizarse para realizar pronósticos probabilísticos de cualquier sistema dinámico , y no solo para la predicción meteorológica.

Instancias

Actualmente, las predicciones de conjunto se realizan habitualmente en la mayoría de las principales instalaciones operativas de predicción meteorológica del mundo, entre las que se incluyen:

En varias universidades, como la Universidad de Washington, se realizan pronósticos experimentales de conjunto, y la Armada y la Fuerza Aérea de los Estados Unidos también generan pronósticos de conjunto . Existen diversas maneras de visualizar los datos, como diagramas de dispersión , medias de conjunto o gráficos de estampillas, que permiten comparar los resultados de los diferentes modelos ejecutados.

Historia

Como propuso Edward Lorenz en 1963, es imposible que los pronósticos a largo plazo —aquellos realizados con más de dos semanas de anticipación— predigan el estado de la atmósfera con algún grado de habilidad debido a la naturaleza caótica de las ecuaciones de dinámica de fluidos involucradas. [ 1 ] Además, las redes de observación existentes tienen una resolución espacial y temporal limitada (por ejemplo, sobre grandes masas de agua como el Océano Pacífico), lo que introduce incertidumbre en el verdadero estado inicial de la atmósfera. Si bien existe un conjunto de ecuaciones, conocidas como ecuaciones de Liouville , para determinar la incertidumbre inicial en la inicialización del modelo, las ecuaciones son demasiado complejas para ejecutarse en tiempo real, incluso con el uso de supercomputadoras. [ 2 ] La importancia práctica de los pronósticos de conjunto se deriva del hecho de que en un sistema caótico y por lo tanto no lineal, la tasa de crecimiento del error de pronóstico depende de las condiciones iniciales. Por lo tanto, un pronóstico de conjunto proporciona una estimación previa de la predictibilidad dependiente del estado, es decir, una estimación de los tipos de clima que podrían ocurrir, dadas las incertidumbres inevitables en las condiciones iniciales del pronóstico y en la precisión de la representación computacional de las ecuaciones. Estas incertidumbres limitan la precisión del modelo de pronóstico a unos seis días en el futuro. [ 3 ] Los primeros pronósticos de conjunto operativos se produjeron para escalas de tiempo subestacionales en 1985. [ 4 ] Sin embargo, se comprendió que la filosofía que sustenta dichos pronósticos también era relevante en escalas de tiempo más cortas, escalas de tiempo en las que las predicciones se habían hecho previamente por medios puramente deterministas.

Edward Epstein reconoció en 1969 que la atmósfera no podía describirse completamente con una sola ejecución de pronóstico debido a la incertidumbre inherente, y propuso un modelo dinámico estocástico que producía medias y varianzas para el estado de la atmósfera. [ 5 ] Aunque estas simulaciones de Monte Carlo demostraron habilidad, en 1974 Cecil Leith reveló que producían pronósticos adecuados solo cuando la distribución de probabilidad del conjunto era una muestra representativa de la distribución de probabilidad en la atmósfera. [ 6 ] No fue hasta 1992 que el Centro Europeo de Predicción Meteorológica a Medio Plazo (ECMWF) y los Centros Nacionales de Predicción Ambiental (NCEP) comenzaron a preparar pronósticos de conjunto .

Métodos para representar la incertidumbre

Hay dos fuentes principales de incertidumbre que deben tenerse en cuenta al realizar un pronóstico meteorológico de conjunto: la incertidumbre de las condiciones iniciales y la incertidumbre del modelo. [ 7 ]

Incertidumbre de la condición inicial

La incertidumbre de las condiciones iniciales surge debido a errores en la estimación de las condiciones iniciales para el pronóstico, tanto por observaciones limitadas de la atmósfera como por incertidumbres involucradas en el uso de mediciones indirectas, como datos satelitales , para medir el estado de las variables atmosféricas. La incertidumbre de las condiciones iniciales se representa perturbando las condiciones iniciales entre los diferentes miembros del conjunto. Esto explora el rango de condiciones iniciales consistentes con nuestro conocimiento del estado actual de la atmósfera, junto con su evolución pasada. Hay varias maneras de generar estas perturbaciones de las condiciones iniciales. El modelo ECMWF, el Sistema de Predicción de Conjunto (EPS), [ 8 ] utiliza una combinación de vectores singulares y un conjunto de asimilaciones de datos (EDA) para simular la densidad de probabilidad inicial . [ 9 ] Las perturbaciones de vectores singulares son más activas en los extratrópicos, mientras que las perturbaciones de EDA son más activas en los trópicos. El conjunto NCEP, el Sistema Global de Pronóstico de Conjunto, utiliza una técnica conocida como reproducción de vectores . [ 10 ] [ 11 ] Perturbar el estado inicial a partir de las mediciones satelitales de manera que los estados perturbados parezcan físicos es una tarea difícil. Además, el aprendizaje profundo ha aportado algunas técnicas para perturbar el estado inicial complejo de forma casi física mediante la coincidencia de flujo. [ 12 ]

Incertidumbre del modelo

La incertidumbre del modelo surge debido a las limitaciones del modelo de pronóstico. El proceso de representación de la atmósfera en un modelo informático implica numerosas simplificaciones, como el desarrollo de esquemas de parametrización , que introducen errores en el pronóstico. Se han propuesto diversas técnicas para representar la incertidumbre del modelo.

Esquemas de parámetros perturbados

Al desarrollar un esquema de parametrización , se introducen muchos parámetros nuevos para representar procesos físicos simplificados. Estos parámetros pueden ser muy inciertos. Por ejemplo, el « coeficiente de arrastre » representa la mezcla turbulenta de aire ambiental seco en una nube convectiva , y por lo tanto representa un proceso físico complejo usando un solo número. En un enfoque de parámetros perturbados, se identifican los parámetros inciertos en los esquemas de parametrización del modelo y su valor cambia entre los miembros del conjunto. Mientras que en la modelización climática probabilística, como climateprediction.net , estos parámetros a menudo se mantienen constantes globalmente y durante toda la integración, [ 13 ] en la predicción numérica del tiempo moderna es más común variar estocásticamente el valor de los parámetros en el tiempo y el espacio. [ 14 ] El grado de perturbación de los parámetros puede guiarse mediante el juicio de expertos, [ 15 ] o estimando directamente el grado de incertidumbre de los parámetros para un modelo dado. [ 16 ]

Parametrizaciones estocásticas

Un esquema de parametrización tradicional busca representar el efecto promedio del movimiento a escala subreticular (por ejemplo, nubes convectivas) sobre el estado a escala resuelta (por ejemplo, los campos de temperatura y viento a gran escala). Un esquema de parametrización estocástica reconoce que puede haber muchos estados a escala subreticular consistentes con un estado a escala resuelta particular. En lugar de predecir el movimiento a escala subreticular más probable, un esquema de parametrización estocástica representa una posible realización de la subretícula. Lo hace incluyendo números aleatorios en las ecuaciones de movimiento. Esto muestrea de la distribución de probabilidad asignada a los procesos inciertos. Las parametrizaciones estocásticas han mejorado significativamente la habilidad de los modelos de pronóstico del tiempo y ahora se utilizan en centros de pronóstico operativos en todo el mundo. [ 17 ] Las parametrizaciones estocásticas se desarrollaron por primera vez en el Centro Europeo de Pronósticos Meteorológicos a Medio Plazo . [ 18 ]

conjuntos multimodelos

Cuando se utilizan muchos modelos de pronóstico diferentes para intentar generar un pronóstico, el enfoque se denomina pronóstico de conjunto multimodelos. Este método de pronóstico puede mejorar los pronósticos en comparación con un enfoque basado en un solo modelo. [ 19 ] Cuando los modelos dentro de un conjunto multimodelos se ajustan para sus diversos sesgos, este proceso se conoce como "pronóstico de superconjunto". Este tipo de pronóstico reduce significativamente los errores en la salida del modelo. [ 20 ] Cuando se combinan modelos de diferentes procesos físicos, como combinaciones de modelos atmosféricos, oceánicos y de olas, el conjunto multimodelos se denomina hiperconjunto. [ 21 ]

Evaluación de probabilidad

El pronóstico de conjunto se evalúa generalmente comparando el promedio del conjunto de los pronósticos individuales para una variable de pronóstico con el valor observado de esa variable (el "error"). Esto se combina con la consideración del grado de acuerdo entre varios pronósticos dentro del sistema de conjunto, representado por su desviación estándar general o "dispersión". La dispersión del conjunto se puede visualizar mediante herramientas como diagramas de espagueti, que muestran la dispersión de una cantidad en gráficos de pronóstico para pasos de tiempo específicos en el futuro. Otra herramienta donde se utiliza la dispersión del conjunto es un meteograma , que muestra la dispersión en el pronóstico de una cantidad para una ubicación específica. Es común que la dispersión del conjunto sea demasiado pequeña, de modo que el estado atmosférico observado quede fuera del pronóstico del conjunto. Esto puede llevar al pronosticador a tener un exceso de confianza en su pronóstico. [ 22 ] Este problema se vuelve particularmente grave para los pronósticos del tiempo con unos 10 días de anticipación, [ 23 ] especialmente si no se tiene en cuenta la incertidumbre del modelo en el pronóstico.

Fiabilidad y resolución (calibración y nitidez)

La dispersión del pronóstico de conjunto indica la confianza que el pronosticador puede tener en su predicción. Cuando la dispersión del conjunto es pequeña y las soluciones de pronóstico son consistentes en múltiples ejecuciones del modelo, los pronosticadores perciben mayor confianza en el pronóstico en general. [ 22 ] Cuando la dispersión es grande, esto indica mayor incertidumbre en la predicción. Idealmente, debería existir una relación entre la dispersión y la habilidad , donde la dispersión del conjunto sea un buen predictor del error esperado en la media del conjunto. Si el pronóstico es confiable , el estado observado se comportará como si se extrajera de la distribución de probabilidad del pronóstico. La confiabilidad (o calibración ) se puede evaluar comparando la desviación estándar del error en la media del conjunto con la dispersión del pronóstico: para un pronóstico confiable, ambos deben coincidir, tanto para diferentes plazos de pronóstico como para diferentes ubicaciones. [ 24 ]

También se puede evaluar la fiabilidad de las predicciones de un evento meteorológico específico. Por ejemplo, si 30 de 50 miembros indicaron  precipitaciones superiores a 1 cm durante las próximas 24 horas, la probabilidad de que se supere 1  cm podría estimarse en un 60 %. La predicción se consideraría fiable si, teniendo en cuenta todas las situaciones pasadas en las que se predijo una probabilidad del 60 %, en el 60 % de esas ocasiones las precipitaciones superaron realmente 1  cm. En la práctica, las probabilidades generadas a partir de las predicciones meteorológicas de conjunto operativas no son muy fiables, aunque con un conjunto de predicciones pasadas ( repredicciones o análisis retrospectivos ) y observaciones, las estimaciones de probabilidad del conjunto pueden ajustarse para garantizar una mayor fiabilidad.

Otra propiedad deseable de los pronósticos de conjunto es la resolución. Esta es una indicación de cuánto se desvía el pronóstico de la frecuencia del evento climatológico; siempre que el conjunto sea confiable, aumentar esta desviación aumentará la utilidad del pronóstico. Esta calidad del pronóstico también puede considerarse en términos de nitidez , o cuán pequeña es la dispersión del pronóstico. El objetivo principal de un pronosticador debe ser maximizar la nitidez, manteniendo la confiabilidad. [ 25 ] Los pronósticos a largo plazo inevitablemente no serán particularmente nítidos (tendrán una resolución particularmente alta), ya que los errores inevitables (aunque generalmente pequeños) en la condición inicial crecerán con el aumento del plazo del pronóstico hasta que la diferencia esperada entre dos estados del modelo sea tan grande como la diferencia entre dos estados aleatorios de la climatología del modelo de pronóstico.

Calibración de pronósticos de conjunto

Si se van a utilizar pronósticos de conjunto para predecir probabilidades de variables meteorológicas observadas, normalmente se requiere calibración para generar pronósticos imparciales y fiables. Para los pronósticos de temperatura, un método de calibración sencillo y eficaz es la regresión lineal , conocida en este contexto como estadística de salida del modelo . El modelo de regresión lineal toma la media del conjunto como predictor de la temperatura real, ignora la distribución de los miembros del conjunto alrededor de la media y predice las probabilidades utilizando la distribución de los residuos de la regresión. En esta configuración de calibración, el valor del conjunto para mejorar el pronóstico reside en que la media del conjunto suele proporcionar un mejor pronóstico que cualquier miembro individual del conjunto, y no debido a ninguna información contenida en la amplitud o la forma de la distribución de los miembros del conjunto alrededor de la media. Sin embargo, en 2004 se introdujo una generalización de la regresión lineal (ahora conocida como regresión gaussiana no homogénea ) [ 26 ] que utiliza una transformación lineal de la dispersión del conjunto para dar la amplitud de la distribución predictiva, y se demostró que esto puede conducir a pronósticos con mayor habilidad que los basados ​​únicamente en la regresión lineal. Esto demostró por primera vez que la información en la forma de la distribución de los miembros de un conjunto alrededor de la media, en este caso resumida por la dispersión del conjunto, puede usarse para mejorar los pronósticos en relación con la regresión lineal . Si la regresión lineal puede o no ser superada utilizando la dispersión del conjunto de esta manera varía, dependiendo del sistema de pronóstico, la variable de pronóstico y el tiempo de anticipación.

Predecir la magnitud de los cambios previstos

Además de utilizarse para mejorar las predicciones de incertidumbre, la dispersión del conjunto también puede emplearse como predictor de la magnitud probable de los cambios en la media de las previsiones entre una previsión y la siguiente. [ 27 ] Esto funciona porque, en algunos sistemas de previsión de conjuntos, los conjuntos estrechos tienden a preceder a pequeños cambios en la media, mientras que los conjuntos amplios tienden a preceder a cambios mayores en la media. Esto tiene aplicaciones en el sector financiero, para el que comprender la magnitud probable de los cambios en las previsiones futuras puede ser importante.

Investigación coordinada

El Experimento de Investigación y Previsibilidad del Sistema de Observación (THORPEX) es un programa internacional de investigación y desarrollo de 10 años de duración cuyo objetivo es acelerar la mejora de la precisión de los pronósticos meteorológicos de alto impacto a corto y medio plazo (de uno a dos semanas) en beneficio de la sociedad, la economía y el medio ambiente. Este programa establece un marco organizativo que aborda los problemas de investigación y pronóstico meteorológico, cuyas soluciones se acelerarán mediante la colaboración internacional entre instituciones académicas, centros operativos de pronóstico y usuarios de productos de pronóstico.

Uno de sus componentes clave es el THORPEX Interactive Grand Global Ensemble (TIGGE), un programa mundial de investigación meteorológica cuyo objetivo es acelerar la mejora de la precisión de los pronósticos meteorológicos de alto impacto a corto plazo (de 1 día a 2 semanas) en beneficio de la humanidad. Se utilizan archivos centralizados de datos de pronósticos de modelos de conjunto, procedentes de numerosos centros internacionales, para facilitar el intercambio de datos y la investigación a gran escala.

Véase también

Referencias

  1. ↑ Cox, John D. (2002). Observadores de tormentas . John Wiley & Sons, Inc. págs. 222–224 . ISBN  978-0-471-38108-2.
  2. ↑ Manousos, Peter (19 de julio de 2006). "Sistemas de predicción de conjuntos" . Centro de predicción hidrometeorológica . Consultado el 31 de diciembre de 2010 .
  3. ↑ Weickmann, Klaus, Jeff Whitaker, Andres Roubicek y Catherine Smith (1 de diciembre de 2001). El uso de pronósticos de conjunto para producir  pronósticos meteorológicos mejorados a medio plazo (3-15 días). Centro de Diagnóstico Climático . Consultado el 16 de febrero de 2007.
  4. ↑ Palmer, Tim (2018). "El sistema de predicción de conjunto del ECMWF: Mirando hacia atrás (más de) 25 años y proyectando hacia adelante 25 años". Quarterly Journal of the Royal Meteorological Society . 145 (S1): 12– 24. arXiv : 1803.06940 . Bibcode : 2019QJRMS.145S..12P . doi : 10.1002/qj.3383 . ISSN 1477-870X . S2CID 4944687 .  
  5. ^ Epstein, ES (diciembre de 1969). "Predicción dinámica estocástica". Tellus A. 21 (6): 739– 759. Bibcode : 1969Tell...21..739E . doi : 10.1111/j.2153-3490.1969.tb00483.x .
  6. ↑ Leith, CE (junio de 1974). "Habilidad teórica de los pronósticos de Monte Carlo" . Monthly Weather Review . 102 (6): 409– 418. Bibcode : 1974MWRv..102..409L . doi : 10.1175/1520-0493(1974)102 < 0409 :TSOMCF > 2.0.CO ; 2. ISSN 1520-0493 . 
  7. ↑ Slingo, Julia; Palmer, Tim (13 de diciembre de 2011). "Incertidumbre en la predicción meteorológica y climática" . Phil. Trans. R. Soc. A. 369 ( 1956): 4751–4767 . Bibcode : 2011RSPTA.369.4751S . doi : 10.1098 / rsta.2011.0161 . ISSN 1364-503X . PMC 3270390. PMID 22042896 .   
  8. ↑ "El Sistema de Predicción de Conjunto (EPS)" . ECMWF . Archivado del original el 30-10-2010 . Consultado el 05-01-2011 .
  9. ↑ "Cuantificación de la incertidumbre de las previsiones | ECMWF" . www.ecmwf.int . 29-11-2013 . Consultado el 20-11-2016 .
  10. ↑ Toth, Zoltan; Kalnay, Eugenia (diciembre de 1997). "Pronóstico de conjunto en NCEP y el método de reproducción". Monthly Weather Review . 125 (12): 3297– 3319. Bibcode : 1997MWRv..125.3297T . CiteSeerX 10.1.1.324.3941 . doi : 10.1175/1520-0493(1997)125 < 3297:EFANAT > 2.0.CO ; 2 . ISSN 1520-0493 . S2CID 14668576 .   
  11. ↑ Molteni, F.; Buizza, R.; Palmer, TN ; Petroliagis, T. (enero de 1996). "El sistema de predicción por conjuntos del ECMWF: metodología y validación". Quarterly Journal of the Royal Meteorological Society . 122 (529): 73– 119. Bibcode : 1996QJRMS.122...73M . doi : 10.1002/qj.49712252905 .
  12. ↑ Rout, Siddharth; Haber, Eldad; Gaudreault, Stéphane (2025). "Pronóstico probabilístico para sistemas dinámicos con datos faltantes o imperfectos". arXiv : 2503.12273 [ physics.comp-ph ].
  13. ↑ "Conjuntos de física perturbada | climateprediction.net" . www.climateprediction.net . Consultado el 20 de noviembre de 2016 .
  14. ↑ McCabe, Anne; Swinbank, Richard; Tennant, Warren; Lock, Adrian (2016-10-01). "Representación de la incertidumbre del modelo en el sistema de predicción de conjunto que permite la convección de la Met Office y su impacto en la predicción de niebla". Quarterly Journal of the Royal Meteorological Society . 142 (700): 2897– 2910. Bibcode : 2016QJRMS.142.2897M . doi : 10.1002/qj.2876 . ISSN 1477-870X . S2CID 124729470 .  
  15. ↑ Ollinaho, Pirkka; Lock, Sarah-Jane; Leutbecher, Martin; Bechtold, Peter; Beljaars, Anton; Bozzo, Alessio; Forbes, Richard M.; Haiden, Thomas; Hogan, Robin J. (2016-10-01). "Hacia la representación a nivel de proceso de las incertidumbres del modelo: parametrizaciones estocásticamente perturbadas en el conjunto ECMWF". Quarterly Journal of the Royal Meteorological Society . 143 (702): 408– 422. Bibcode : 2017QJRMS.143..408O . doi : 10.1002/qj.2931 . ISSN 1477-870X . S2CID 125248441 .  
  16. ↑ Christensen, HM; Moroz, IM ; Palmer, TN (2015-02-04). "Representaciones de parámetros estocásticos y perturbados de la incertidumbre del modelo en la parametrización de la convección". Journal of the Atmospheric Sciences . 72 (6): 2525– 2544. Bibcode : 2015JAtS...72.2525C . doi : 10.1175/JAS-D-14-0250.1 . ISSN 0022-4928 . S2CID 123117331 .  
  17. ^ Berner, Judith; Achatz, Ulrich; Batté, Lauriane; Bengtsson, Lisa; De La Cámara, Álvaro; Christensen, Hannah M.; Colangeli, Matteo; Coleman, Danielle RB; Crommelin, Daan (19 de julio de 2016). "Parametrización estocástica: hacia una nueva visión de los modelos meteorológicos y climáticos". Boletín de la Sociedad Meteorológica Estadounidense . 98 (3): 565. arXiv : 1510.08682 . Código Bib : 2017BAMS...98..565B . doi : 10.1175/BAMS-D-15-00268.1 . ISSN 0003-0007 . S2CID 33134061 .  
  18. ↑ Buizza, R.; Milleer, M.; Palmer, TN (1999-10-01). "Representación estocástica de las incertidumbres del modelo en el sistema de predicción de conjunto del ECMWF". Quarterly Journal of the Royal Meteorological Society . 125 (560): 2887– 2908. Bibcode : 1999QJRMS.125.2887B . doi : 10.1002/qj.49712556006 . ISSN 1477-870X . S2CID 123346799 .  
  19. ↑ Zhou, Binbin y Jun Du (febrero de 2010). "Predicción de niebla a partir de un sistema de predicción de conjunto de mesoescala multimodelo" (PDF) . Weather and Forecasting . 25 (1): 303. Bibcode : 2010WtFor..25..303Z . doi : 10.1175/2009WAF2222289.1 . S2CID 4947206. Consultado el 2 de enero de 2011 . 
  20. ↑ Cane, D. y M. Milelli (12 de febrero de 2010). "Técnica de superconjunto multimodelo para pronósticos cuantitativos de precipitación en la región de Piamonte" . Natural Hazards and Earth System Sciences . 10 (2): 265. Bibcode : 2010NHESS..10..265C . doi : 10.5194/nhess-10-265-2010 .
  21. ↑ Vandenbulcke, L.; et al. (2009). "Técnicas de superconjunto: aplicación a la predicción de la deriva superficial" (PDF) . Progress in Oceanography . 82 (3): 149– 167. Bibcode : 2009PrOce..82..149V . doi : 10.1016/j.pocean.2009.06.002 . 
  22. 1 2 Warner, Thomas Tomkins (2010). Predicción numérica del tiempo y el clima . Cambridge University Press . págs. 266–275 . ISBN  978-0-521-51389-0.
  23. ↑ Palmer, TN; GJ Shutts; R. Hagedorn; FJ Doblas-Reyes; T. Jung; M. Leutbecher (mayo de 2005). "Representación de la incertidumbre del modelo en la predicción meteorológica y climática". Annual Review of Earth and Planetary Sciences . 33 : 163–193 . Bibcode : 2005AREPS..33..163P . doi : 10.1146/annurev.earth.33.092203.122552 .
  24. ↑ Leutbecher, M.; Palmer, TN (2008-03-20). "Pronóstico de conjunto". Journal of Computational Physics . Predicción del tiempo, el clima y los eventos extremos. 227 (7): 3515– 3539. Bibcode : 2008JCoPh.227.3515L . doi : 10.1016/j.jcp.2007.02.014 .
  25. ↑ Gneiting, Tilmann; Balabdaoui, Fadoua; Raftery, Adrian E. (2007-04-01). "Pronósticos probabilísticos, calibración y nitidez". Journal of the Royal Statistical Society, Serie B . 69 (2): 243– 268. CiteSeerX 10.1.1.142.9002 . doi : 10.1111/j.1467-9868.2007.00587.x . S2CID 123181502 .  
  26. ↑ Jewson, S; Brix, A; Ziehmann, C (2004). "Un nuevo modelo paramétrico para la evaluación y calibración de pronósticos de temperatura de conjunto de rango medio". Atmospheric Science Letters . 5 (5): 96– 102. arXiv : physics/0308057 . Bibcode : 2004AtScL...5...96J . doi : 10.1002/asl.69 . S2CID 118358858 . 
  27. ↑ Jewson, S; Ziehmann, C (2004). "Uso de pronósticos de conjunto para predecir la magnitud de los cambios en los pronósticos, con aplicación al valor en riesgo de los swaps meteorológicos" . Atmospheric Science Letters . 4 ( 1–4 ): 15–27 . doi : 10.1016/S1530-261X(03)00003-3 .

Lecturas adicionales

  • Ian Roulstone y John Norbury (2013). Invisible en la tormenta: el papel de las matemáticas en la comprensión del clima . Princeton University Press. ISBN 978-0691152721.
  • Página de investigación de TIGGE archivada el 8 de marzo de 2010 en Wayback Machine .
  • Archivo de datos de la trayectoria del ciclón tropical TIGGE en NCAR. Archivado el 9 de junio de 2010 en Wayback Machine.
  • Página de investigación de THORPEX