Investigadores de la UNNE, que trabajan en estudios de fenómenos del clima, destacan esfuerzos a nivel país para el desarrollo de sistemas “regionales” de pronósticos meteorológicos y asimilación de datos para minimizar errores de los actuales pronósticos. Remarcan importancia de modelar pronósticos regionales del tiempo para la alerta temprana de eventos extremos.
Las numerosas evidencias en los últimos años de los efectos del cambio climático en la intensificación y en una mayor frecuencia de eventos extremos, hacen que resulte de importancia el desarrollo de sistemas de pronósticos y alerta temprana en el país.
La simulación de la evolución de la atmósfera se realiza a través de modelos matemáticos. Estos modelos por un lado se enfocan en la “predicción del clima” la cual es a largo plazo (a varios años) y de gran escala territorial, y por otro lado se enfocan en los “pronósticos meteorológicos del tiempo” que son de muy alta resolución para dar el pronóstico a corto plazo (hasta 5 días) en escalas más pequeñas.
Estos últimos modelos, de pronóstico, son los que permiten dar alertas tempranas y que van ganando relevancia ante la ocurrencia de fenómenos meteorológicos extremos en el actual escenario de cambio climático.
Mejores pronósticos
En la tarea de desarrollar y mejorar los modelos de pronósticos, el aporte de los investigadores del Grupo de Investigación en Ciencias Atmosféricas de la UNNE se orienta principalmente a lo que se conoce como “estimación de parámetros de los modelos utilizando asimilación de datos”.
“Los modelos de pronósticos son ecuaciones matemáticas, pero no son exactos, es común que tengan errores de modelado. Para mejorarlos se deben incorporar datos y nuestra tarea consiste en diagnosticar los errores a partir de observaciones meteorológicas, y hacer propuestas para mejorar los modelos” comentó el doctor Pulido.
Así, la estimación de parámetros basada en asimilación de datos es una manera objetiva y eficiente de ajustar diversos parámetros que aparecen en los modelos numéricos de atmósfera. La técnica se basa en optimizar el valor de los parámetros de forma tal de minimizar el error del pronóstico con respecto a un conjunto de observaciones.
