Escolar Documentos
Profissional Documentos
Cultura Documentos
INTRODUCCIN
Hay una gran variedad de fuentes de informacin sobre las variables atmosfricas. Muchas plataformas
diferentes proporcionan informacin sobre el estado actual de la atmsfera, mientras que los proxies
climticos (registros fsicos del pasado) permiten la reconstruccin del paleo clima. Proxies climticos
son, por ejemplo, los ncleos de hielo, anillos de los rboles, lago y mar, los sedimentos o los corales.
Todos estos proxies conservan informacin sobre el clima, cientos de miles o cientos de miles de aos
atrs en el tiempo. Sin embargo, en este mdulo nos concentraremos en el perodo ms reciente,
cuando la atmsfera se explor mediante mediciones instrumentales.
Sobre todo, trabajaremos con los conjuntos de datos existentes. Sin embargo, es posible ponerse en la
situacin que tenemos que llevar a cabo las observaciones del clima por nosotros mismos. Para obtener
alta calidad y datos comparables, es fundamental seguir algunas reglas y normas.
Para utilizar los datos adecuados para el propsito correcto, tenemos que saber el origen de los datos y
tenemos que ser conscientes de los problemas y las incertidumbres de la observacin.
HISTORIA DE LOS SISTEMAS DE OBSERVACION
Para utilizar correctamente los datos de observacin, tenemos que entender el fondo de los datos y el
contexto de su coleccin. Para esto, debemos echar un vistazo a la historia de la exploracin
instrumental de la atmsfera.
La exploracin fsica del medio ambiente y la atmsfera comenzaron hace cerca de 350 aos en el Siglo
de las Luces. Hoy en da, estos primeros datos se siguen utilizando en la investigacin del clima. Durante
todos estos aos, no slo los dispositivos de medicin cambian, sino tambin la motivacin detrs de la
realizacin de las mediciones.
Hace ya mucho tiempo, la gente documento el tiempo en forma escrita, ya que era de gran importancia
para la produccin de alimentos en las sociedades agrcolas. En la navegacin, la documentacin del
tiempo tena que ser con normas ms precisas.
Algunos de la primera medicin instrumental (por ejemplo, con los termmetros y barmetros) fueron
hechos por los mdicos. Antes del descubrimiento de la transmisin de enfermedades por grmenes, las
enfermedades se relacionaban a menudo con los factores climticos. La primera red global con el
objetivo de explorar el cambio climtico no existi hasta 1992, cuando se estableci el SMOC (Sistema
Mundial de Observacin del Clima). Los antiguos sistemas de observacin tenan diferentes tareas como
la previsin del tiempo o el control del trfico areo. Los ejemplos para diferente motivacin y objetivos
en la atmosfera observada influyen en los datos a producir. Si no somos conscientes y no tomamos en
cuenta este contexto, haremos mal uso de los datos, cometeremos errores y obtendremos resultados
poco fiables o simplemente equivocadas en el final.
Observaciones, documentacin de datos: El tiempo siempre se observ, tal como es y fue un factor que
influye fuertemente en el ser humano. Sobre todo en la agricultura y, por tanto, la produccin de
alimentos, el tiempo era muy importante. Las personas anotaron sus observaciones (por ejemplo, en las
industrias lcteas, el tiempo). Tales observaciones descritas slo pueden en parte ser estandarizados.
Todas estas plataformas de medicin recogen una gran cantidad de informacin acerca de la atmsfera.
La cantidad de datos recogidos sigue aumentando. Aportando informacin sobre el reciente estado de
la atmsfera, sin embargo no se distribuye por igual en el mundo.
Observaciones atmosfricas se realizan siempre con una cierta intencin, para aplicaciones de instancia
meteorolgica o climatolgica (y muchos otros). La intencin detrs de una observacin es importante
ya que afecta a las propiedades de los datos y la calidad. Aplicaciones meteorolgicas (por ejemplo, la
prediccin del tiempo) llamado disponibilidad en tiempo real, de alta precisin y alta resolucin espacial
de los datos. Consideraciones importantes para las aplicaciones climatolgicas (investigacin del clima,
la planificacin, o evaluacin de riesgos) son de alta precisin, representatividad, y la estabilidad a largo
plazo.
Observaciones sistemticas son caras y requieren un alto grado de coordinacin. Al mismo tiempo que
pueden ser de inters nacional (por ejemplo, para los sistemas de alerta o intereses estratgicos). Por lo
tanto, las observaciones sistemticas se llevan a cabo en su mayora por las grandes organizaciones,
tanto nacionales como los servicios meteorolgicos, que se organizan a nivel mundial en la Organizacin
Meteorolgica Mundial (OMM). La OMM publica normas y recomendaciones relativas a los
instrumentos, las calibraciones, las prcticas de medicin, elaboracin de informes, y la garanta de
control de calidad / calidad. La OMM tambin regula el intercambio de datos y promueve la educacin
profesional.
Slo se necesita un subconjunto de la red meteorolgica mundial para las observaciones del clima, pero
con exigencias particulares relativas a la calidad, la comparabilidad y la estabilidad a largo plazo.
Garantizar la existencia de redes adecuadas es una de las funciones del Sistema Mundial de Observacin
del Clima (SMOC), una institucin que es co-patrocinado por la OMM y otras organizaciones
intergubernamentales.
OMM define el Sistema Mundial de Observacin (SMO) de la siguiente manera:
"El sistema coordinado de mtodos y facilidades para la realizacin de observaciones meteorolgicas y
medioambientales a escala mundial con apoyo de todos los programas de la OMM. El sistema se
compone de instalaciones operativamente confiables subsistemas basados en el espacio basado en la
superficie y el SMO comprende observacin en tierra, en el mar, en el aire y en el espacio exterior. Estas
instalaciones son propiedad y operados por los pases miembros de la OMM cada uno de los cuales se
obliga a cumplir con ciertas responsabilidades en el esquema global acordado para que todos los pases
puedan beneficiarse de los esfuerzos consolidados.
ESTACIONES METEOROLOGICAS
Las mediciones pueden ser descripciones parciales del estado atmosfrico en un momento dado. No por
s son tiles para la ciencia. Los sistemas de observacin necesitan asegurar que las mediciones son
significativas y comparables para obtener datos adecuados
Para algunas variables observadas (como la radiacin, la concentracin de CO2 o el ozono total en
columna) existen normas de trazabilidad mantenidos a nivel internacional. A menudo, las normas se
refieren a un instrumento primario mundial y se transfieren a los instrumentos individuales utilizando
estndares que viajan (es decir, instrumentos que se comparan con regularidad contra el patrn
primario) y una cadena de centros de calibracin regionales y nacionales. Sin embargo, no existen
normas de trazabilidad para muchas mediciones meteorolgicas.
Si queremos saber la temperatura en un lugar determinado, por ejemplo, tenemos que conocer las
reglas y normas requeridas. La Organizacin Meteorolgica Mundial (OMM) define la temperatura del
aire como la temperatura indicada por un termmetro expuesto al aire en un lugar protegido de la
radiacin solar directa. Adems, a fin de lograr resultados representativos al comparar las lecturas del
termmetro en diferentes lugares y en diferentes momentos, se requiere una exposicin estandarizada
de la pantalla. Para las mediciones en la superficie de la tierra (por ejemplo, en una estacin
meteorolgica), la temperatura del aire observada debe ser representativa de las condiciones del aire
libre que rodean la estacin sobre un rea tan grande como sea posible, a una altura de 1,2 a 2,0 m
sobre el nivel del suelo. Preferiblemente las mediciones se realizan sobre el nivel del suelo, libremente
expuestos a la luz solar y el viento y no blindado por, o cerca de, rboles, edificios y otros obstculos. Las
mediciones que no siguen estas normas son igualmente "verdaderas y tal vez tiles para algunas
aplicaciones, pero ciertamente no es significativa para las comparaciones. Abajo puedes ver algunos
ejemplos de estaciones de medicin en diferentes entornos.
Estacin meteorolgica
La foto muestra a la estacin meteorolgica automtica en
Zollikofen, Suiza. La estacin es parte de la red de estaciones de
Suiza, operado por MeteoSwiss
desde satlites meteorolgicos en rbita polar durante el perodo pertinente. Si el efecto haba sido
genuino, no parece probable que tal encuesta satlite habra perdido por nada.
Jonathan Shanklin escribi una carta al grupo de la NASA quien cree que est involucrado con el anlisis
de los datos de ozono por satlite, tratando de discutir los resultados de Halley Bay anmalos:
En realidad, yo escrib a dos grupos que participan en las mediciones por satlite de la capa de ozono
antes de la publicacin de nuestro artculo en la revista Nature. Tal vez por suerte un grupo no
respondi y la otra enviada mi carta a un tercer grupo, ya que ya no estaban trabajando en el campo
(Shanklin, 1996).
Texto 2: Las observaciones por satlite
Bhartia, PK (2009) El papel de las mediciones por satlite en el descubrimiento del agotamiento del
ozono estratosfrico. En: Zerefos, C., G. Contopoulos, G. Skalkeas (Eds.) Veinte aos de disminucin de
ozono. Springer, pp. 183-190.
Recuperacin de ozono total de los satlites, como todas las tcnicas de teledeteccin, es un problema
matemtico mal planteado. Ahora es bien conocido (Rodgers 2000) que para hacer estos problemas
necesita una informacin manejable a priori. Reconociendo este problema, Mateer (1971) propuso el
uso de un conjunto de perfiles de ozono "estndar" para estimar el total de la columna de ozono de
radiancias satellitemeasured. La forma de estos perfiles estndar vari con el ozono total. Al adoptar
este enfoque Mateer aprovech una caracterstica del ozono atmosfrico que fue muy conocido en el
momento en que las variaciones en el ozono total en columna reflejan variaciones a gran escala en el
perfil de ozono de la estratosfera inferior. Por lo tanto, se utiliza el ozono total en s mismo para
seleccionar el (la estratosfera inferior) el perfil de ozono correcta. Resulta que esta idea innovadora
funciona muy bien y sigue siendo utilizada por los algoritmos de satlite modernas. En gran parte debido
al xito del algoritmo Mateer, por la dcada de 1980 el ozono total haba convertido en una de las
variables atmosfricas mejor medidos-desde el espacio, comparable en calidad a las mejores estaciones
de tierra (Bhartia et al. 1984). A veces se menciona con euforia que los satlites podran un da hacer las
mediciones en tierra innecesarios.
Sin embargo, en la fabricacin de este tipo de reclamaciones de la gente ignora el papel crtico in situ las
mediciones juegan en recuperaciones satelitales. Para construir los perfiles estndar, Mateer utiliz
datos ozonosondas por debajo de 25 km y servicio de datos cohetesonda arriba. Aunque los perfiles
superiores de la estratosfera se han mejorado progresivamente el uso de datos de satlites de las
extremidades de visin, los datos siguen siendo indispensables ozonosondas por debajo de 25 km para
la construccin de la informacin necesaria para recuperaciones satelitales. Antes del descubrimiento
del agujero de ozono, prcticamente no existan perfiles de ozono a partir de sondas que contenan
menos de 180 DU de ozono total; por lo tanto, el rango inferior de la validez de las consultas de satlite
se fij en 180 DU. Los valores ms bajos fueron marcados como no vlidos ya que no podan ser
recuperados utilizando correctamente los perfiles estndar. Cuando se procesan los datos y SBUV TOMS
a partir de octubre de 1983 en la NASA en agosto de 1984, se convirti rpidamente en que ambos
instrumentos de los satlites estaban midiendo mucho ms radiacin UV que se espera de un perfil total
de 180 DU normal de ozono. Para analizar estos datos los perfiles de ozono estndar se extrapolaron
arbitrariamente a valores ms bajos de ozono. La figura 1 muestra el primer mapa completo del agujero
de ozono antrtico jams se ha hecho. Fue hecho a finales de 1984 el uso de Nimbus-7 datos TOMS. Este
mapa y los perfiles de ozono derivadas de los instrumentos SBUV se presentaron en el simposio IAGA /
IAMA en Praga, Checoslovaquia, 1985 (Bhartia et al. 1985). Varias figuras de esta presentacin fueron
posteriormente reproducidos en un documento (Callis y Natarajan 1986). Cuando los datos
ozonosondas tomadas dentro del vrtice polar antrtico se dispusiera de los perfiles estndar se
ampliaron a 125 DU. Estos perfiles se utilizan ahora para el procesamiento de todos los datos obtenidos
por satlite.
Desafortunadamente, algunos en la comunidad cientfica han derivado conclusiones errneas de esta
experiencia. Ha sido ampliamente pero incorrectamente informado de que el equipo TOMS se perdi el
descubrimiento del agujero de ozono, ya que "ellos rechazaron los datos y descubri que slo despus
de la publicacin de Farman et al., 1985 papel" (ver Seinfeld y Pandis 1998, pgina 189, para un ejemplo
tpico). De hecho, cuando los datos del Polo Sur Dobson de octubre 1984 se convirtieron a disposicin
del equipo TOMS a finales de 1984, mucho antes de la publicacin de Farman et al. papel, no haba duda
sobre la validez de las consultas de ozono total satlite. (Irnicamente, octubre 1983 valores de ozono
total reportado inicialmente por la estacin de S. Polo mostraron valores normales de ozono que eran
mucho ms grande que la que se inform por TOMS. Estos datos fueron posteriormente retirados por la
estacin.) La conclusin correcta que deberan derivarse de esta experiencia es que las tcnicas de
teledeteccin, como los utilizados por los satlites nadir de visin, dependen fundamentalmente de la
informacin generada por las tcnicas in situ, debido a su dependencia de la informacin previa. Cuando
las recuperaciones son empujados ms all de los lmites establecidos por la informacin previa de los
datos se convierten en sospechoso. Para informar de estos datos sin validacin adecuada es
cientficamente irresponsable. El equipo TOMS sigui el enfoque correcto a pesar de que caus varios
meses de retraso en la presentacin de informes de los datos a la comunidad cientfica.
categora
Tipo de metadatos
Breve explicacin
Identificadores de
estacin
Cdigo local
Cdigo de la OMM
Nombre y alias
Activo / Cerrado
Comenzando / Fecha de
finalizacin
Tipo de estacin
Organizacin Responsable
Manual / AWS
huso horario
Redes
datos geogrficos
latitud
longitud
elevacin
Fechas de reubicacin
Informacin topogrfica
Mtodo de obtencin de latitud
/ longitud
Resolucin de latitud / longitud
Instrumentacin y
mantenimiento de la
estacin
Tipo de instrumentos
comparaciones de instrumentos
Fechas de inicio / fin de
instrumentos
Condicin de instrumentos
Instrumento
a cubierto y Montaje
Tipo de grabacin
resultados de la calibracin
Mantenimiento / Fallos
especiales
Modificaciones
altura del barmetro
La observacin de las
prcticas
informacin Observador
Observar nivel de formacin
Lista de los elementos
observados
La observacin de los tiempos
Unidades utilizadas
instrucciones de observacin
Las operaciones de
mantenimiento de rutina
Los artculos desechables de
reemplazo
proceso de datos
Los acontecimientos
histricos
comunicacin
Unidades
cdigos especiales
Clculos
Algoritmos
Control de calidad aplicado? (s /
no)
Otros detalles sobre control de
calidad
Aplica homogeneizacin? (s /
no)
Otros detalles sobre la
homogeneizacin
La recuperacin de datos
esfuerzo? (s / no)
Otros detalles sobre la
recuperacin de datos
Tratamiento de datos
redundantes
Pruebas de tolerancia (detectar valores atpicos mediante la definicin de los lmites superior e
inferior)
Comprobacin de coherencia interna (por ejemplo, temperatura mxima <temperatura
mnima, 100% cobertura de nubes reportado no es consistente con muy alta radiacin solar)
Coherencia temporal (cambio que se podra esperar en un elemento en cualquier intervalo de
tiempo)
Coherencia espacial (comparar si cada observacin es consistente con las tomadas al mismo
tiempo en las estaciones de vecinos afectados por las influencias climticas similares)
Media mensual de las temperaturas mximas diarias para noviembre de tres estaciones en Espaa
(datos de 1 / 10C). Los datos muestran un valor de la periferia de la serie histrica de Gerona en 1960
(crculo rojo). Trazado de una serie de tiempo es un proceso simple, pero revela muchos errores
(incluyendo las estaciones vecinas ayuda a identificar los valores errneos). Tambin permite identificar
valores como cdigos especiales (por ejemplo, es muy comn el uso de figuras como el "-999" para
identificar los datos que faltan) (Aguilar et al., 2003).
Distribucin de las series de tiempo de
temperatura mxima a Quillabamba, Per
(base de datos 2010-2012). El crculo rojo
marca un caso tpico de un caso atpico. En
este caso, se trata de un error de
mecanografa (punto decimal) (Gubler et al.
2013).
Como un ejemplo de QA / QC aplicado en la investigacin, KUGLITSCH et al. (2009) defini los criterios
de control de calidad / control de calidad antes de homogeneizacin (ver seccin Homogeneizacin) a
varias series de temperatura mxima en el Mediterrneo de la siguiente manera:
Los valores fueron excluidos por etiquetarlos como valores faltantes, si
superaron los 50 C
super 4 desviaciones estndar de la longitud completa de la serie respectiva estacin
superaron una diferencia de 25 C entre observaciones consecutivas
haba cuatro o ms iguales valores consecutivos en una fila
Cmo se definen los criterios en un caso concreto? depende de su propsito, la variable que est
viendo, la regin climtica, etc. En Per, por ejemplo, los lmites de las diferencias de temperatura entre
dos das consecutivos son muy inferiores a los 25 C se utiliza en el ejemplo descrito anteriormente,
debido a la menor variabilidad en el da a da la temperatura en las regiones tropicales (el lmite actual
para la regin costera se establece un valor tan bajo como 5 C) (Gubler et al. 2013).
Procedimientos QA / QC aplicados deben ser documentados y se almacenan como metadatos. La razn
de la importancia de documentar procedimientos de GC / CC se describen por Aguilar et al. (2003):
"Cualquier detalle disponibles sobre las tcnicas exactas que se aplican son de gran ayuda para el futuro
usuario de los datos, as como informacin sobre los datos que fallan las pruebas y el tiempo que han
llevado a cabo las pruebas para. ()
La alteracin de los procedimientos de control de calidad en un momento dado puede tener un impacto
importante en los datos. Por ejemplo, antes de 1999, los datos de temperatura de radiosonda
procesados en los EE.UU. se truncan a -90 C. Despus de ese tiempo, las temperaturas tan fras como 93 C comenzaron a aparecer. Si bien este cambio era adecuado ya que permite temperaturas fras
vlidos a existen en el expediente, lo hizo crear un sesgo fro en el anlisis en busca de cambios en la
temperatura en la tropopausa tropical.
QA / QC tiene como objetivo detectar y eliminar solo valores o grupos de valores errneos. Despus de
este proceso, todava existen posibles errores sistemticos (es decir, no influencia climtica, ver seccin
inhomogeneidades) en series de tiempo climatolgico que no pueden ser detectados por el control de
calidad habitual / QC. El proceso para detectar y corregir tales inhomogeneidades se llama
homogeneizacin (ver seccin Homogeneizacin).
EL RECORD MUNDIAL DE TEMPERATURA
En 2012, QA / QC-cuestiones hicieron que el mundo la cada rcord de temperatura de 58 a 56,7 C. Un
panel de la OMM comprueba la medida desde el 13 de septiembre 1922 en El Azizia (Libia), que fue
considerada la ms alta temperatura de la superficie del planeta durante 90 aos.
En el comunicado de prensa de la OMM N 956 de 13 septiembre de 2012, las principales
preocupaciones son descritos como:
"(a) instrumentacin problemtica, (b) un observador inexperto probable, (c) un sitio de observacin de
ms de un material similar al asfalto que no era representativa del suelo del desierto nativo, (d) pobre
juego del extremo a otras localidades cercanas y (e) pobre juego a temperaturas posteriores registrados
en el sitio.
El comit de evaluacin de la OMM concluy el escenario ms convincente para el evento 1922 fue que
un nuevo e inexperto observador, no entrenado en el uso de un instrumento de sustitucin inadecuada
que podra ser malinterpretado fcilmente, registr incorrectamente la observacin y en consecuencia
fue un error de unos siete grados Celsius ".
La imagen siguiente muestra la falta de homogeneidad probable debido a un nuevo e inexperto
observado
Las temperaturas mximas de 09 1922 registraron en El Azizia (32,5 N, 13.0 E) en comparacin con las
estaciones cercanas. Sospechosamente se midieron altas temperaturas a partir del 11 de septiembre. A
partir del mismo da, en la hoja de observacin meteorolgica temperaturas mximas se indican en la
columna de las temperaturas mnimas y viceversa. Por lo tanto, es probable que un observador nuevo y
/ o sin experiencia comenz a grabar errneamente lectura del termmetro Bellani-Six en Azizia (El Fadli
et al. 2013).
Profesor Randell Cerveny, un relator de Clima y tiempo extremos de la OMM, se cita en el comunicado
de prensa de la OMM N 956:
"Esta investigacin demuestra que, a causa de las continuas mejoras en meteorologa y climatologa,
expertos en el clima pueden ahora reanalizan registros climticos del pasado con mucho ms detalle
que antes. El resultado final es un mejor conjunto de datos climticos para el anlisis de importantes
cuestiones mundiales y regionales que implica la variabilidad del clima y el cambio.
El 56,7 C medido en 10 de julio 1913 en el rango de Groenlandia en el Valle de la Muerte (EE.UU.) es
ahora la temperatura de la superficie ms alta jams registrada oficial. Sin embargo, esta medida
tambin es cuestionada por algunos
INHOMOGENEIDADES
Inhomogeneidades son saltos no climticos y cambios en los datos climticos. La mayora de series de
de tiempo climatolgico de largo plazo se ven afectados por una serie de factores no climticos que
hacen que estos datos no representativos de la variacin del clima real que ocurre en el tiempo. Esto es
particularmente un problema para el cambio climtico que se analiza.
Como se muestra en el vdeo en la introduccin, hay una gran variedad de posibles fuentes de
inhomogeneidades. Por lo general paso heterogeneidades y la falta de homogeneidad de tendencias se
distinguen, a pesar de la falta de homogeneidad puede tener muchas otras dependencias temporales.
Paso inhomogeneidades se detectan ms fcilmente que otros tipos. Pueden ocurrir pasos, por ejemplo,
debido a una reubicacin de la estacin o debido a un cambio de un instrumento o refugio.
Inhomogeneidades tendencia (por ejemplo, debido a los cambios en un entorno de la estacin), son ms
difciles de distinguir de las influencias climticas reales. Por otra parte, la falta de homogeneidad
pueden afectar los valores extremos (por ejemplo, slo los cambios en un escudo sensor de
temperatura con diferente susceptibilidad a la radiacin).
Las cifras a continuacin muestran algunos ejemplos de la falta de homogeneidad reales que se
encuentran en los datos de observacin.
Cambio de instrumento: Las mediciones de horas de sol brillante para febrero en Graz (Austria) por un
autgrafo sol Campbell-Stokes y un sistema Haenni Solar de estaciones meteorolgicas automticas. Los
dos se instalaron dispositivos de medicin junto a la otra. Sol ha aumentado desde 1970: para los no
modificados Campbell-Stokes 2,13 horas por ao, continuando con la serie con Haenni solar desde 1989
la tendencia podra estar sesgada con un exceso de 0,47 horas al ao (Aguilar et al., 2003)
Cambio en la ubicacin de la estacin: la serie de precipitacin para abril en Pula Monte Zaro (Croacia).
Las mediciones se realizaron en la azotea de un edificio desde y en el patio. Turbulencias causadas por el
viento y el edificio como obstculo reducen la cantidad de gotas de lluvia alcanzar el indicador de lluvia
en la parte superior del techo, lo que lleva a una deficiencia de la cantidad media de precipitacin en el
techo de la exposicin 35% en comparacin con la exposicin patio (Aguilar et al. 2003).
La mejor manera de evitar la falta de homogeneidad en los datos de clima es mantener las mediciones
homogneas. Sin embargo, puesto que esto es casi imposible en el largo plazo y ya que la
homogeneidad de series de tiempo no es un objeto principal por un largo tiempo (la primera red global
con el objetivo de observar el clima fue fundada en 1992, vase la historia de los sistemas de
observacin), casi todos registros de las estaciones a largo plazo se ven afectados por la falta de
homogeneidad. Mtodos para detectar y corregir faltas de homogeneidad se llaman homogeneizacin y
se describen en la siguiente seccin.
LA HOMOGENEIZACIN
El objetivo de la homogeneizacin es eliminar todos los cambios no climticos en los datos. Si el
procedimiento se realiza con xito, tenemos una serie temporal homognea de una variable atmosfrica
que es representativa y se puede utilizar para anlisis de tendencias.
Los pasos que se enumeran a continuacin se siguen comnmente en el proceso de homogeneizacin:
Anlisis de metadatos y QA / QC
Deteccin de punto de interrupcin (en su mayora mediante el uso de las estaciones vecinas como
referencias)
Atribucin de un error a la rotura detectada si es posible ajuste de las vacaciones
Incluso si sabemos que un control de calidad total / QC se ha aplicado a la serie de datos, se recomienda
llevar a cabo una comprobacin bsica de nuevo (por ejemplo, el trazado de los datos). Obviamente los
datos errneos que no se detect en QA / QC o surgieron despus deben ser corregidas o eliminadas ya
que los valores perifricas obstaculizan la deteccin estadstica de faltas de homogeneidad e influyen en
la desintegracin de la correccin. Hay una gran variedad de mtodos estadsticos para detectar puntos
de interrupcin en diferentes escalas de tiempo. La atribucin de un error (por ejemplo, traslado
estacin o cambio en la instrumentacin) demuestra la ruptura detectado por una falta de
homogeneidad y posiblemente permite un ajuste especfico y ms precisa de los datos.
Hay varios paquetes de software para la deteccin de punto de interrupcin y tras el ajuste descanso
estn disponibles. Sin embargo, la homogeneizacin de datos climticos exige ms esfuerzo que acaba
de ejecutar un programa de software. Hay muchas decisiones que tomar y para lograr buenos
resultados, el conocimiento y la comprensin de la asignatura es necesario.
Deteccin de punto de interrupcin
El proceso de deteccin de las influencias no climticas en el clima de series de tiempo de datos se
denomina deteccin de punto de interrupcin. Si haba metadatos totalmente completos para los datos
de observacin, se inform de todas las faltas de homogeneidad en los datos, no sera necesaria la
deteccin de punto de interrupcin estadstica y se rompe cual se puede modificar directamente. Sin
embargo, apenas existen tales metadatos perfecto. E incluso en la presencia de los metadatos ms
Top: promedio mensual de la temperatura mnima diaria para diciembre en Burgos, Espaa. Abajo:
Diferencia entre el candidato y normalizado de series de tiempo de referencia, utilizando 10 estaciones
vecinas (Aguilar et al., 2003). La diferencia entre el candidato y la serie de tiempo de referencia muestra
claramente una falta de homogeneidad, indicado por el color de fondo amarillo. Los datos originales
(arriba) ocultan la falta de homogeneidad. La ruptura se documenta en los metadatos como una
estacin de reubicacin en 1941 (lnea discontinua azul). Dos aos con excepcionalmente clidas
temperaturas mnimas diarias para diciembre causaron el retraso entre la reubicacin de la estacin y la
aparicin de la ruptura de los datos. Como se ilustra en este ejemplo, la deteccin de ruptura estadstica
no permite datacin exacta de la falta de homogeneidad. Si la causa de la falta de homogeneidad se
inform en los metadatos, la fecha exacta de la ruptura puede ser determinada, lo que permite un
ajuste ms preciso.
Cmo se construye una serie de tiempo de referencia y los dos principales problemas de los mtodos
de deteccin relativos descanso se describen por Aguilar et al. (2003):
"El enfoque ms comn para la construccin de una serie de tiempo de referencia es calcular para cada
ao un promedio ponderado de los datos de las estaciones o secciones de estacin vecina de series de
tiempo que los metadatos son homogneos indican vecino. Algunos medida de similitud (generalmente
coeficiente de correlacin) se emplea para seleccionar a los vecinos ms adecuados y les peso de
acuerdo a su semejanza estadstica para el candidato. (...).
Creacin y uso de series de tiempo de referencia puede encontrarse con dos problemas principales, la
primera es la falta de datos para construir ellos. As, para los datos de satlite, no ser posible utilizar
esta fuente para fechas anteriores a la dcada de 1970. Del mismo modo, para algunas regiones del
mundo, la red de observacin era, o es, demasiado escaso para encontrar suficientes estaciones vecinas
para construir una referencia fiable. (...). Tambin es cierto que las dificultades para la construccin de
un aumento de series de tiempo de referencia exponencialmente con el aumento de la variabilidad
espacial de los datos. Variabilidad espacial depende de tres factores clave: el elemento meteorolgico
que nos ocupa; el tipo de clima; y la resolucin de tiempo. Es muy comprensible intuitivamente que es
ms fcil para crear una buena serie de tiempo de referencia para temperaturas promedio anuales de
una estacin en el ecuador de la construccin de una referencia para la precipitacin de agosto para una
estacin en el Mediterrneo.
Al lado el problema de las series de tiempo de referencia que falta y demasiado escasa, el mtodo
relativo de deteccin de rotura de falla si la causa de una falta de homogeneidad afecta a la totalidad o
gran parte de una red de medicin al mismo tiempo. Este es el caso, por ejemplo, si un nuevo legado de
medicin se instala en todas las estaciones de una red de estaciones nacional en aproximadamente el
mismo tiempo. Las pruebas de homogeneidad se consideran esta falta de homogeneidad como una
caracterstica climtica, ya que est presente en todas las series de tiempo. Adems de comprobar los
metadatos es, por tanto, conveniente incluir series de tiempo de otras redes (por ejemplo, otro pas) en
el proceso de deteccin de rotura si es posible.
Hay una gran variedad de mtodos estadsticos para buscar puntos de interrupcin. En el captulo 3.4
de las Directrices de documentos de la OMM sobre el Clima de metadatos y homogeneizacin, hay una
revisin de las tcnicas ampliamente utilizadas para la deteccin de faltas de homogeneidad.
Investigaciones recientes sobre la homogeneizacin de datos se centra principalmente en el desarrollo o
la mejora de los mtodos para identificar los puntos de interrupcin en las resoluciones ms altas (datos
temporales es decir sub-mensual) y en los valores extremos.
Ajuste de las vacaciones
No todos los puntos de interrupcin detectadas en el proceso de deteccin de punto de interrupcin
son necesariamente inhomogeneidades reales. Las pruebas de homogeneidad pueden producir
resultados falsos positivos. Por lo tanto, antes de ajustar los descansos, las causas fsicas de los puntos
de ruptura detectados deben idealmente ser encontrados en los metadatos. Adems de confirmar el
punto de interrupcin a ser una falta de homogeneidad, saber la razn exacta y la fecha de aparicin de
la influencia climtica no puede permitir una correccin ms adecuada (como se demuestra ms
adelante en esta pgina). Si no hay metadatos disponibles o si no existe una causa para el punto de
ruptura detectado informado, se necesita la opinin de expertos para decidir si el punto de interrupcin
es de origen no climtico o no.
Como el ltimo paso del proceso de homogeneizacin, los puntos de interrupcin no climticos son
ajustados (ver cuadro abajo). El enfoque ms habitual es la correccin para calcular el promedio de las
secciones homogneas antes y despus de cada punto de interrupcin. Por los valores medios, el factor
de correccin se calcula, que es la diferencia de los medios en el caso de variables medidas en una
escala de intervalo (por ejemplo, temperatura) o la relacin de los medios para las variables medidas en
una escala proporcional (por ejemplo, precipitacin). El factor de correccin se aplica entonces a la
seccin no homognea.
El enfoque de correccin explic antes procede ajustar los cambios repentinos. En caso de
inhomogeneidades graduales, la seccin no homognea debe ser des-tendi mediante la aplicacin de
un factor de correccin calculado por la pendiente de la parte no homognea.
Los puntos de interrupcin son normalmente corregidas para que coincida con la seccin homognea
ms reciente. Por ejemplo si se traslad una estacin, los datos de la ubicacin de la estacin vieja se
corrigen para que coincida con la nueva ubicacin de la estacin y no a la inversa. De esta manera, los
datos actuales y futuros reportados son homogneos hasta que se produce una nueva interrupcin
Vacaciones de ajuste de una serie de tiempo. Hay un punto de interrupcin obvia en los datos (lnea de
puntos amarillo). Tal falta de homogeneidad clara podra surgir, por ejemplo, en una serie de tiempo de
temperatura debido a una reubicacin de la estacin el fondo del valle a un lugar cercano en una cresta
o una pendiente.
La mayora de los enfoques de homogeneizacin se han aplicado a los datos anuales o mensuales. Para
el ajuste de las rupturas de series de tiempo de tales medios a largo plazo, el clculo y la adaptacin de
los factores de ajuste es adecuado. Centrndose en la homogeneizacin de los datos y extremos submensual sin embargo (como la mayora de los proyectos de investigacin reales lo hacen), los nuevos
problemas y desafos que surgen. Un ejemplo demostrativo de la mayor complejidad de ajuste descanso
adecuado en los datos sub-mensual (en este caso en las observaciones de datos extremos) es descrito
por Aguilar et al. (2003):
"Considere la posibilidad de (...) la falta de homogeneidad en un mximo de observaciones diarias de
temperatura causados por el cambio de termmetro de lquido en vidrio en un refugio de listones de
madera a un termistor electrnico en un refugio de aspirado. En gran parte del mundo, sumamente
clidos das es probable que ocurran en condiciones de calma soleados. en estas situaciones, los
refugios de pizarra de madera tienden a recalentarse cuando el sol est brillando fuertemente sobre l y
la ventilacin natural es mnima. por otra parte, las temperaturas mximas de fro extremo en muchas
partes del mundo se asocian a nublado , lluvioso, y las condiciones de viento. En tales casos, el refugio
de madera no se sobrecaliente. por lo tanto, los ajustes de homogeneidad precisa de los extremos fros
y clidos sera probablemente muy diferentes unos de otros y de observaciones de datos que no son
extremos ".
Para corregir roturas en estos casos se necesitan anlisis ms sofisticados. Los enfoques basados en la
fsica pueden ayudar a ajustar las pausas ms adecuadamente en los datos sub-mensual. Para un caso
similar como el descrito antes, y Auchmann Brnnimann (2012) desarrollaron un mtodo para la
correccin de cambios en las caractersticas del sensor de escudo.
En Basilea (Suiza), se midi la temperatura en una pantalla Wild hasta 1966, que la pantalla se cambi a
una pantalla Stevensson (ver fotos de abajo). Este cambio caus una falta de homogeneidad en la serie
de tiempo, ya que afecta el balance de energa en funcin de las condiciones climticas del ambiente.
Izquierda: La pantalla Wild es una pantalla metlica,
abierta hacia el norte y la parte inferior. Derecha: El,
pantalla de madera ms pequea Stevenson est
cerrado por todos los lados y tiene un doble techo y
paredes de lamas, con persianas mucho ms
pequeas que en la pantalla Wild (Auchmann y
Brnnimann 2012).
El calor puede alcanzar el sensor de temperatura en la pantalla por flujo de calor sensible o por flujo de
radiacin. Debido a las diferentes caractersticas de las dos pantallas, los flujos de calor difieren
sustancialmente. Auchmann y Brnnimann (2012) modelan estos flujos de energa. Como resultado, los
valores medidos con el anterior sistema de la pantalla Wild se pueden ajustar a los datos de medicin
recientes.
Por la maana, el signo de la correccin (ver figuras de abajo) depende, en gran cantidad en la posicin
del sol en el momento de la medicin (por encima o por debajo del horizonte). El signo de la correccin
es negativo al medioda, cuando la radiacin de onda corta llega a la pantalla (que se calienta la pantalla
Wild ms de la pantalla de Stevenson) y una noche positiva, cuando la radiacin de onda corta est
ausente (la pantalla Wild irradia ms y se enfra). Durante la medicin de la maana, el sol est sobre el
horizonte desde finales de primavera hasta principios de otoo, lo que lleva a un cambio de signo de la
correccin. Para cualquier momento del da y cualquier da del ao, se necesita ms correccin para
condiciones de cielo despejado (ms radiacin penetra en la atmsfera). El viento tambin influye en las
mediciones, ya que los refugios de pantalla Stevenson el sensor ms y reduce la ventilacin.
Gracias al estudio descrito, la ruptura causada por el cambio de una pantalla salvaje a una pantalla de
Stevenson se puede corregir adecuadamente en escalas sub-diarios y para los extremos. Sin embargo,
estos mtodos necesitan un gran esfuerzo, son aplicables a los casos especficos slo una frecuencia
depender de la disponibilidad de nuevas observaciones (en este caso en la nubosidad y la velocidad del
viento).
PRODUCTOS DE DATOS
En nuestro trabajo diario que apenas utilizamos los datos de observacin directa. Sobre todo,
trabajamos con productos de datos. Hay una gran cantidad de mapas, grficos y conjuntos de datos
disponibles. Para usarlos correctamente, es importante saber cmo se producen los productos de datos
climticos y que procesa los datos originales atravesaron en su camino en el producto de datos.
Este mdulo muestra los diferentes pasos de los datos climticos de productos de datos reticulares, los
conceptos detrs de los diferentes enfoques, las decisiones que se deben tomar y las incertidumbres
que se asocian con las diferentes etapas de procesamiento. Esto fortalecer sus habilidades para evaluar
la idoneidad de los productos de datos para un fin determinado, a ser conscientes de los supuestos
detrs de los distintos procedimientos, y para hacer las preguntas correctas en cuanto a la calidad de los
productos. Un enfoque especial de esta seccin es en conjuntos de datos de reanlisis, que son muy
comunes en ciencias de la atmsfera y el clima.
INTRODUCCION
Hay una gran cantidad de productos de datos meteorolgicos y climatolgicos disponibles. Vienen en
muchas formas diferentes: como mapas, grficos, animaciones, etc La mayora de los productos son
espacial y temporalmente completa (ver la figura siguiente). A menudo, estos productos se tratan como
las observaciones, pero no lo son. De hecho, puede ser muy lejos de las observaciones meteorolgicas a
los productos de datos climticos. Los pasos individuales se asocian a mayor incertidumbre, adems de
mediciones de la incertidumbre (ver observaciones mdulo climtico). En algunos productos, se
combinan los datos de diversas fuentes, otros factores como la topografa se incorporan, y o
conocimientos estadsticos y fsico se introduce .
Se introducen a continuacin algunas tcnicas para obtener los datos cuadriculados. En el campo de la
meteorologa y la climatologa, el mtodo de asimilacin de datos es de gran importancia. Se pone
describe ms detallada en el captulo siguiente (asimilacin de datos).
Promediado espacial en celdas de la cuadrcula (posiblemente con ajuste de la varianza)
La forma ms sencilla para obtener un conjunto de datos cuadriculados sera para promediar todos los
puntos de datos en una celda de cuadrcula y calcular la media. Si decidimos hacerlo, debemos tener en
cuenta si nos cuenta el diferente nmero de puntos de datos por celda de la cuadrcula, la forma en que
tratamos la varianza de las celdas de la cuadrcula o lo que hacemos con las cuadrculas sin puntos de
datos.
La interpolacin lineal
Si hay celdas de la cuadrcula sin valores y decidir a llenarlos, podramos nosotros interpolacin lineal. La
interpolacin lineal se basa en la suposicin de que la tasa de cambio entre los valores conocidos es
constante y puede calcularse a partir de estos valores utilizando una frmula de la pendiente simple. La
interpolacin lineal es un mtodo relativamente sencillo, pero a menudo no es lo suficientemente
sofisticada para interpolar eficazmente datos de la estacin a una red an. La interpolacin lineal se usa
a menudo para la cuadrcula uniformemente espaciadas datos, tales como datos de longitud / latitud
cuadriculado, a una resolucin ms alta o ms baja.
Suavizante / interpolacin con splines u otras funciones
La interpolacin lineal a veces no puede captar adecuadamente la estructura de los datos subyacentes.
Splines o funciones ms complejas pueden adaptarse mejor a los datos.
Ponderacin de distancia inversa
Para interpolar irregularmente datos espaciales sobre una rejilla regular, a menudo se utiliza la
ponderacin de distancia inversa. Puntos de la rejilla se rellenan con valores que corresponden a una
media ponderada de los puntos vecinos, con la inversa de su distancia como un peso. En lugar de la
distancia espacial, se pueden usar otras medidas de distancia o medidas de similitud.
Espacio Reducido ptima interpolacin (RSOI)
Si se conoce la estructura de covarianza espacial (por ejemplo, a partir de un perodo de referencia con
cobertura completa), la escasez de datos pueden ser interpolados por proyeccin sobre los
componentes principales (PC) derivados del perodo de referencia. Este enfoque es similar al de las
tcnicas de reconstruccin de campo climtico utilizado en paleoclimatologa.
kriging
Kriging es un mtodo de interpolacin lleva el nombre de un ingeniero de minas de Sudfrica llamado
DG Krige que desarroll la tcnica en un intento de predecir con mayor exactitud las reservas de
mineral. En los ltimos decenios, Kriging ha vuelto una herramienta fundamental en el campo de la ge
estadstica. El mtodo utiliza un conjunto de rutinas de regresin lineal que minimizan la varianza de
estimacin de un modelo de covarianza predefinido. Kriging considera adicionalmente la varianza
espacial entre puntos vecinos. Como consecuencia de ello, da menos peso a los puntos que se agrupan.
Esto permite utilizar el mtodo tambin en los casos con distribucin heterognea de los datos de
observacin.
Aunque desarrollado para aplicaciones de minera, para muchos casos en la ciencia del clima Kriging
parece ser el mtodo de interpolacin que produce los mejores resultados (por ejemplo, Hofstra et al.,
2008). El mtodo es un proceso intenso bastante complejo y clculo. Sin embargo, se integra como una
herramienta estndar en muchos programas de ordenador (por ejemplo, software SIG).
RESOLUCION
La resolucin de un producto de datos tiene una gran influencia sobre sus posibles aplicaciones. Usted
puede esperar suposiciones e incertidumbres que difieren mucho entre un producto de datos de
resolucin fina y gruesa.
El siguiente ejemplo muestra la precipitacin, el 21 de mayo de 1999 en Suiza. Los productos de datos
presentados son creados de una manera diferente, todos tienen diferentes supuestos detrs y por lo
tanto las incertidumbres en los conjuntos de datos no son los mismos. As que conjunto de datos es la
mejor? Todo depende de la aplicacin que desea utilizar el producto de datos para. Por lo tanto, es
importante pensar en lo que la resolucin de los datos (incluidos los supuestos detrs del producto de
datos) es adecuado para el propsito.
La figura de arriba a la izquierda muestra las mediciones de la estacin (mm / da). Hubo una gran
cantidad de precipitacin de los Alpes centrales para la regin prealpina en el noreste de Suiza. En la
figura de arriba a la derecha, datos de la estacin de la precipitacin fue cuadriculada en una cuadrcula
de 2x2 km, incorporando de esta manera informacin adicional, como la topografa. El campo
precipitacin muestra ahora mucho ms detalle, pero no todos de que es real. En la parte inferior
izquierda estn los datos de precipitacin interpolados de un conjunto con una resolucin de 0.25x0.25
datos europeos. Por ltimo, la figura de la parte inferior derecha se ve un producto de datos, donde los
datos de satlite se combinaron con datos de la estacin. Se trata de un producto a nivel mundial con
una resolucin de 1x1 , lo que equivale en Suiza rejillas clulas de aproximadamente 110x80 km.
ASIMILACION DE DATOS
Uno de los mtodos ms importantes para obtener datos espacialmente completos de variables
atmosfricas es la asimilacin de datos. La mayora de los productos de datos meteorolgicos o
climatolgicos que ver y trabajar con se basan en los sistemas de asimilacin de datos, a pesar de que se
parecen a los datos de observacin. Sin la asimilacin de datos, el pronstico del tiempo no estara en el
nivel actual y que nunca sera saber tanto sobre el pasado del tiempo y el clima como lo hacemos
nosotros.
Las tcnicas de interpolacin presentaron ante el uso de datos y las estadsticas de observacin. La
asimilacin de datos, adems, combina los datos de medicin con modelos numricos. Por tanto, un
producto de la asimilacin de datos se basa y un modelo numrico.
es
dinmicamente
consistente
espacialmente
completa.
Metodologa
La asimilacin de datos es un proceso secuencial. En la prctica, un modelo numrica del tiempo se
inicializa y ejecuta un par de horas en el futuro. A continuacin, el pronstico se compara con las nuevas
observaciones en este momento, y los errores resultantes (ponderados por los errores estimados de las
observaciones y el pronstico) se utilizan para corregir el estado del modelo. Estos campos se
denominan "anlisis" y se utilizan como campos iniciales para el siguiente paso de tiempo previsto. El
procedimiento se repite cada 3-6 horas.
En describir la metodologa de la asimilacin de datos en palabras simples:
Un modelo de prediccin numrica del tiempo est en constante "empujado" hacia las observaciones
En el proceso de asimilacin de
datos, se utiliza un filtro que calcula
la ms probable verdadero estado
de la variable (el anlisis) mediante
el uso de la observacin, el modelo y
las incertidumbres
Ahora podemos comparar el estado modelo con una nueva observacin, lo que nos permite calcular un nuevo
anlisis
El nuevo anlisis es nuestra condicin inicial para el siguiente paso de previsin que se calcula mediante la ejecucin
del modelo.
Matemticas
Aunque las matemticas de sistema de asimilacin de datos operativa es compleja, la idea detrs es
sorprendentemente simple. La asimilacin de datos puede ser entendido como un problema de
mnimos cuadrados. Usted obtendr una visin ms clara despus de trabajar a travs de las pginas
siguientes.
Recordemos la informacin necesaria para la asimilacin de datos (que es similar a la produccin de un
mapa del tiempo):
Observaciones, en la forma de un vector de longitud n (en el caso de n observaciones) denominan y.
La informacin sobre los errores en los datos, que en la asimilacin de datos tiene la forma de la matriz
de n n covarianza de los errores de observacin R.
El desarrollo del paso de tiempo anterior (por lo general un pronstico de un modelo de prediccin
numrica del tiempo) que nos fondo plazo o xb. xb tambin tiene la forma de un vector (longitud m),
que contiene todo el estado del modelo (todas las variables en todas las celdas de la cuadrcula y todos
los niveles verticales).
La informacin sobre los errores en el pronstico y su estructura de dependencia espacial, que tiene la
forma de la matriz de covarianza mxm B (matriz de covarianza de fondo).
Lo llamaremos el "anlisis" resultado o x (de nuevo un vector de longitud m). En contraste con los
Mapas de tiempo, el procedimiento de asimilacin de datos es objetiva y automatizada, pero requiere el
procesamiento de grandes cantidades de datos (millones de observaciones)
La temperatura en un tanque de agua
Queremos saber la temperatura en un tanque de agua, donde haba una capa de hielo slido antes.
Ahora, el hielo se est derritiendo y slo algunas piezas sueltas de hielo todava est nadando en el
agua.
Segn la fsica, el agua debe tener una temperatura de 0.0 C (= xb). Pero ya que puede haber
estratificacin o sustancias (por ejemplo, sal) en el agua, existe una incertidumbre con una desviacin
estndar de 0,5 C. La covarianza de error de fondo (= B) es el cuadrado de la desviacin estndar.
Este es nuestro modelo.
Con un termmetro que mide la temperatura de 0,2 C (= y). La incertidumbre de la medicin tiene un
error estndar de 0,2 C, por lo tanto, la covarianza de error de observacin (= R) es su plaza. Esta es
nuestra observacin.
En tal caso simple, la asimilacin de datos es puramente un problema de mnimos cuadrados:
Con la solucin (que es slo el promedio de la observacin y el modelo ponderado por la inversa de la
covarianza de error en los datos y el modelo):
Cul es la mejor estimacin (= x) de la temperatura real ( C) en el tanque que podemos obtener con
dicha informacin?
Hay un ejercicio similar, pero ms avanzado en la asimilacin de datos (Ejemplo decaimiento radiactivo)
en la seccin "tutelado y actividad de grupo". Bsicamente est destinado a ser resuelto bajo el apoyo
de un tutor. Sin embargo, si usted est usando este material de e-learning sin el apoyo de un profesor o
tutor, usted puede tratar de resolver este ejercicio tambin.
En contraste con el ejemplo del tanque de agua, para la asimilacin de datos en la atmsfera que
tenemos que tratar con gran cantidad de datos y nmeros diferentes de los valores de observacin y
Modelo-.
Suponiendo que todos los errores son gaussianas, la estimacin ptima para x se puede obtener de
minimizar la funcin de coste siguiente, que es esencialmente un problema de mnimos cuadrados:
Donde x es el anlisis,
xb el fondo o primera conjetura,
Y las observaciones,
R la observacin matriz de covarianza de error,
B la matriz de covarianza de error de fondo,
H el operador de observacin (imita las observaciones en el espacio modelo).
Anlisis y reanalisis
En el servicio operativo, las mejoras se hacen constantemente, en relacin, por ejemplo, la fsica del
modelo, la resolucin del modelo, y los algoritmos de asimilacin. El objetivo es mejorar las previsiones
y producir los mejores campos actualmente alcanzables. Sin embargo, al mismo tiempo, esta mejora
constante conduce a inhomogeneidades en los datos y por lo tanto estos anlisis operacionales puede
no ser el mejor producto para aplicaciones climatolgicas. Por lo tanto, se llevan a cabo proyectos de
reanlisis grandes en los que el sistema de asimilacin y modelo numrico se mantienen constantes y
todos los datos disponibles para las ltimas dcadas son transformados de nuevo utilizando el mismo
sistema. Otra ventaja del nuevo anlisis es que ms datos se pueden incluir controles de calidad y se
pueden realizar antes de incluir los datos.
La siguiente lista muestra los reanlisis globales disponibles en la actualidad:
Anlisis
Producto Datos operativos
El esquema de asimilacin de datos, el modelo, y el procesamiento de datos se actualizan
continuamente
Mejor producto posible para un momento dado, pero las series temporales son no homogneos
Adecuado para las ciencias atmosfricas y meteorologa
Reanlisis
El esquema de asimilacin, el modelo, y el de procesamiento de datos quedan "congelados"
Adecuado para aplicaciones climatolgicas
Adecuado para el anlisis de las tendencias? Precaucin (ver pgina siguiente)
Que hay que utilizar para Reanlisis?
Productos de datos de reanlisis son algunos de los conjuntos de datos ms usados en ciencias de la
tierra en la actualidad. Una fraccin importante de nuestro conocimiento sobre los procesos climticos
se basa en nuevos anlisis. Hay de alta resolucin de datos de reanlisis de 3 dimensiones de cualquier
parmetro atmosfrico. No hace falta decir que este tipo de conjuntos de datos ofrecen casi un sinfn de
oportunidades para el anlisis de la atmsfera.
Por ejemplo, las condiciones atmosfricas durante eventos extremos histricos pueden ser
reconstruidas, lo que permite una mejor comprensin de los procesos potencialmente causantes de
este tipo de eventos.
El 5 de enero de 1919, se inform de una tormenta y trombas marinas en el Lago de Zurich, Suiza (vase
el cuadro abajo). El siglo Reanlisis 20a muestra las condiciones atmosfricas para ese da que favorecen
Fhn (la propia Fhn no puede ser visto en el reanlisis, ya que es un fenmenos de mesoescala). Fhn
es uno de los famosos fenmenos elicos en los Alpes, donde las masas de aire se cruzan en la cordillera
de sur a norte. Canalizados en los valles de montaa, pueden producirse rachas de muy alta velocidad.
Sin embargo, a pesar de que los datos de reanlisis parece ser la fuente de datos perfectos para casi
cualquier propsito, tiene que utilizarse con precaucin. En general, la fiabilidad de los datos disminuye
con la disminucin de observaciones. Este es el caso de regiones como los polos o ms atrs en la lnea
de tiempo.
Los conjuntos de datos de reanlisis no son adecuados para todos los propsitos. Por ejemplo, se trata
de un debate en curso en qu medida los datos de reanlisis se pueden utilizar para los anlisis de
tendencia del clima. El siguiente ejemplo (ver figura siguiente) muestra que pueden producirse grandes
diferencias en las tendencias entre un nuevo anlisis y radiosonda, que conduce a una interpretacin
errnea. En este caso, el reanlisis (ERA-40) sufre de un salto artificial de la temperatura sobre la regin
cubierta de hielo en la dcada de 1980, lo que provoca una tendencia errnea.
Reanlisis son inmensamente complejos. Evitar todos los errores es prcticamente imposible. Todos los
conjuntos de datos tienen ciertos problemas y errores, que en algunos casos pueden ser importantes,
en otros no. Por tanto, es muy importante comprobar cuidadosamente la idoneidad de los datos de
reanlisis.