ESTUDIO DE LA SENSIBILIDAD DEL MODELO WRF–ARW VERSIÓN
SMN/SHN USANDO CAMPOS DE HUMEDAD DEL SUELO DEL GLDAS.
Dillon, María Eugenia
Servicio de Hidrografía Naval
Av Montes de Oca 2124, CABA, Argentina
Servicio Meteorológico Nacional
25 de Mayo 658, CABA, Argentina
[email protected]
Ferreira, Lorena
Servicio Meteorológico Nacional
25 de Mayo 658, CABA, Argentina
[email protected]
Collini, Estela Ángela
Servicio de Hidrografía Naval
Av Montes de Oca 2124, CABA, Argentina
Servicio Meteorológico Nacional
25 de Mayo 658, CABA, Argentina
[email protected]
Pujol, Gloria
Servicio Meteorológico Nacional
25 de Mayo 658, CABA, Argentina
[email protected]
Se ha comprobado que la confiabilidad del pronóstico numérico del tiempo depende, en gran
parte, de la utilización de condiciones iniciales y de borde adecuadas por el modelo que lo genera.
En un trabajo previo, los autores han demostrado la sensibilidad del modelo WRF-ARW
(Weather Research and Forecasting – Advanced Research Weather Model), versión SMN/SHN
(Servicio Meteorológico Nacional / Servicio de Hidrografía Naval) respecto al campo inicial de
humedad de suelo, comparando los flujos de calor latente, sensible, Energía Potencial Disponible
para la Convección (CAPE), y consecuentemente la precipitación, obtenidas a partir de dos
inicializaciones diferentes de humedad del suelo para regiones seleccionadas del Sudeste de
Sudamérica.
En el Sistema Global de Asimilación de Datos del Suelo (GLDAS) se procesan los modelos de
suelo desacoplados CLM (Community Land Model), Mosaic, NOAH y VIC (Variable Infiltration
Capacity), los que proveen de campos diarios y mensuales de variables del estado del suelo en
distintas profundidades. Estos campos pueden ser empleados para la inicialización de los modelos
de pronóstico del tiempo de corto, mediano y largo plazo.
El objetivo de este trabajo es continuar con la evaluación del impacto de la humedad del suelo en
el pronóstico a corto plazo, inicializando el modelo WRF-ARW con los campos de humedad del
suelo provenientes del GLDAS. Se estudian procedimientos de normalización de la humedad de
suelo para evitar inconsistencias entre las distintas versiones de los modelos de suelo. En dichos
procedimientos se toma como referencia los campos del modelo de suelo NOAH del GLDAS. Con
1
el fin de asesorar sobre las diferencias entre los distintos modelos de suelo, se comparan los
valores de sus capas superficiales, con los datos derivados del radiómetro pasivo AMSR-E,
asimismo, la precipitación pronosticada por el WRF-ARW con las diferentes inicializaciones es
comparada con estimaciones satelitales CMORPH.
La sensibilidad del modelo WRF-ARW a distintas condiciones iniciales de humedad de suelo en el
Sudeste de Sudamérica es analizada, al tiempo que se muestra cómo el impacto en variables como
la humedad de suelo disponible y la precipitación, depende de la región. Finalmente, se observan
diferencias entre los resultados a partir de los campos normalizados respecto al NOAH-GLDAS y
los no normalizados.
Este trabajo resalta la importancia de la condición de borde inferior en el pronóstico a corto
plazo en la región del Sudeste de Sudamérica.
1. Introducción.
Para obtener un pronóstico numérico del tiempo confiable, es indispensable utilizar condiciones
iniciales y de borde de buena calidad, lo cual representa un desafío principalmente cuando se trabaja en
tiempo real. El límite inferior de un modelo atmosférico es la superficie terrestre, y por lo tanto las
condiciones tanto del mar como del suelo. En particular, la humedad del suelo es una de las variables
más importantes que caracteriza el estado del suelo. Los estudios de su impacto en la predicción del
tiempo han cobrado gran protagonismo en los últimos años debido al auge de las estimaciones
provenientes de sensores remotos, las cuales comenzaron a proporcionar mediciones de esta variable
con frecuencia prácticamente diaria. Dichas estimaciones son una ventaja respecto a observaciones in
situ, dado el elevado costo que estas últimas requieren. La humedad del suelo es imprescindible para la
inicialización de un modelo numérico del tiempo, influyendo en el pronóstico de variables como la
precipitación y flujos de calor en superficie (Collini et al., 2010; Saulo et al., 2010).
Actualmente en el Sistema Global de Asimilación de Datos del Suelo (GLDAS) se procesan los
modelos de suelo desacoplados CLM (Community Land Model), Mosaic, NOAH y VIC (Variable
Infiltration Capacity), los que proveen de campos diarios y mensuales de variables del estado del suelo
en distintas profundidades (Rodell et al., 2004) entre ellas la humedad de suelo, para la inicialización
de modelos atmosféricos y para estudios hidroclimáticos. Varios son los trabajos donde se emplea la
base de datos GLDAS (Syed et al., 2008; Ferreira et al., 2010; Spennemman 2010; Zaitchik et al.,
2010). Entre estos podemos citar el de Liu et al. (2009) quienes realizan comparaciones entre la
humedad del suelo obtenida a partir de estos modelos, con la correspondiente al radiómetro pasivo
AMSR-E, en la Cuenca de Murray Darling en Australia. Los resultados muestran un grado de acuerdo
entre ambas bases de datos y destacan que la coincidencia entre las distintas bases de datos depende de
las condiciones húmedas o secas.
En este trabajo se propone evaluar el impacto de la humedad del suelo en el pronóstico a corto
plazo en la región de la Cuenca del Río de la Plata, inicializando el modelo WRF-ARW con los
campos de humedad del suelo provenientes del GLDAS. En particular vamos a continuar con el
estudio del caso del 7 de marzo de 2009, fecha que ha sido previamente estudiada (Collini et al.,
2010), y es representativa del comienzo de las precipitaciones en la región del sudeste de Sudamérica,
luego del período prolongado de sequía 2008-2009.
Con el fin de asesorar sobre las diferencias entre los distintos modelos de suelo, se comparan los
valores de sus capas superficiales, con los datos derivados del radiómetro pasivo avanzado AMSR-E
que se encuentra a bordo del satélite EOS-Aqua. Se utilizan 2 algoritmos distintos: el producido por el
NSIDC-NASA (Nacional Show and Ice Data Center and NASA) (Njoku 1999) y el producido por
2
VUA-NASA (Vrije Universiteit Ámsterdam and NASA) (Owe et al., 2008), ya que en otras regiones se
ha demostrado que la dinámica de la humedad de suelo representada por cada uno es distinta (Rudiger
et al., 2009; Draper et al., 2009).
Para analizar la precipitación pronosticada por el WRF-ARW con las diferentes inicializaciones, se
emplean estimaciones satelitales CMORPH (Joyce et al., 2004).
Finalmente, Koster et al. (2009) y Dirmeyer et al. (2004) señalan que hay que ser cautos cuando se
emplean datos de humedad de suelo que provienen de un modelo de suelo distinto al utilizado en el
modelo de pronóstico. En tal sentido y basándonos en los resultados de estos autores, en este trabajo se
plantea una normalización de la humedad de suelo de los modelos GLDAS para la inicialización del
modelo WRF-ARW cuyo modelo de suelo es el NOAH, y se comparan estos resultados con los
obtenidos a partir de los datos sin normalizar.
2. Bases de datos de humedad del suelo.
Las simulaciones del GLDAS son forzadas por una combinación de los análisis del GDAS (Global
Data Assimilation System) y del CMAP (Climate Prediction Center Merged Analysis of Precipitation),
los cuales incorporan observaciones de superficie y de satélite. Las mismas se encuentran disponibles
en http://mirador.gsfc.nasa.gov con un desfasaje de 2 meses aproximadamente. El modelo Mosaic está
basado en el modelo SiB (Simple Biosphere) y se divide en tres capas de profundidad: 0 – 0.02m, 0.02
– 1.5 m, 1.5 – 3.5m. El modelo CLM surge de la combinación de los mejores componentes de 3
modelos (NCAR Land Surface Model – Biosphere Atmosphere Transfer Scheme – LSM of the
Institute of Atmospheric Physics of the Chinese Academy of Sciences) y presenta diez capas de
variados espesores: 0 – 0.018m, 0.018 – 0.045m, 0.045 – 0.091m, 0.091 – 0.166m, 0.166 – 0.289m,
0.289 – 0.493m, 0.493 – 0.829m, 0.829 – 1.383m, 1.383 – 2.296m, 2.296 – 3.433m. El NOAH es el
modelo utilizado operativamente en el NCEP (National Centres for Environmental Prediction), el cual
es actualizado continuamente, y está dividido en cuatro capas con espesores distintos: 0 – 0.1m, 0.1 –
0.4m, 0.4 – 1m, 1 – 2m. En el año 2008 se agregó al GLDAS el procesamiento del modelo VIC, con
tres capas de profundidad: 0 - 0.1m, 0.1 – 1.6m, 1.6 – 1.9m. Las salidas de las cuatro simulaciones
ofrecen variables como evapotranspiración total, radiación incidente sobre la superficie, humedad y
temperatura del suelo, entre otras.
Para efectuar una comparación consistente entre las distintas bases de datos GLDAS se interpolaron los
modelos VIC, CLM y Mosaic a los espesores de las cuatro capas correspondientes al NOAH. En este
análisis, además, se incluyen los datos de humedad de suelo del modelo NOAH del GFS (Global
Forecast System) del NCEP.
Por otro lado, el AMSR-E es un radiómetro pasivo que detecta la radiación de microondas,
permitiendo inferir temperaturas de brillo en 6 frecuencias que van desde 6,9 a 89,0 GHz. El producto
de humedad del suelo derivado del AMSR-E se obtiene de dos fuentes, como se menciona en la
Sección 1. El algoritmo del NSIDC se basa en razones de polarización (RP), mientras que el del VUA
utiliza el canal polarizado dual (6.925 o 10.65 GHz) para recuperar la humedad del suelo superficial y
el contenido de agua de la vegetación, y el de 36.5 GHz polarizado verticalmente para obtener la
temperatura de brillo. Este conjunto de datos de humedad del suelo, tiene alta frecuencia temporal (día
y noche ) y baja resolución espacial ( 0.25 grados ), limitándose a una profundidad de suelo de
3
a
b
c
Figura 1. Campos de humedad del suelo superficial obtenidas por el AMSR-E con a) el algoritmo del NSIDC/NASA b) el
algoritmo de VUA/NASA (La unidad gr/cm3 es equivalente a m3/m3). c) Diferencia entre ellos (VUA - NSIDC).
Figura 2. Campos de humedad del suelo volumétrica de inicialización del WRF – ARW de la capa 0-0.1 m, utilizando el
NOAH-GFS, MOSAIC-GLDAS, CLM-GLDAS, NOAH-GLDAS y VIC-GLDAS. Campo de humedad de suelo volumétrica de
la capa 0-0.02 m obtenido con el AMSR-E/VUA. Están indicados con rectángulos las cajas 1 (sobre la provincia de Buenos
Aires), 2 (sobre el Océano Atlántico) y 3 (sobre Uruguay) en las que se analiza el impacto de las diferentes inicializaciones.
aproximadamente 0.015 m. De esta forma, cada 24 horas es posible producir datos globales de
humedad del suelo. En la Figura 1 se muestran los campos obtenidos por cada algoritmo y la diferencia
entre ellos, para la fecha de interés, en el dominio de Sudamérica. Claramente, los resultados son
distintos, lo que nos llevó a analizar los valores de ambos algoritmos y las capas superficiales de los
4
modelos de suelo durante todo el mes de Marzo de 2009 (no mostrado aquí). Se decidió entonces,
utilizar el algoritmo del AMSR-E desarrollado en la Universidad de Amsterdam, ya que se vió que
representa mejor la dinámica de la humedad de suelo, coincidiendo con los resultados hallados en otras
regiones del mundo como Francia y Australia (Rudiger et al., 2009; Draper et al., 2009).
En la Figura 2 se muestran los cinco campos iniciales de humedad de suelo de la capa de profundidad
0-0.1m, ingeridos por el WRF – ARW, y el campo obtenido con el AMSR-E/VUA.
Considerando todo el dominio, se observa que los modelos de características más húmedas son el
NOAH-GFS y el VIC, mientras que el Mosaic y el CLM presentan las condiciones más secas. Tanto el
Mosaic como el NOAH-GLDAS poseen una distribución espacial parecida respecto a zonas húmedas y
secas, aunque el primero muestra los valores más extremos.
Cuando analizamos cualitativamente el campo obtenido con el AMSR-E vemos que en la región de la
Cuenca del Plata los modelos NOAH-GLDAS, VIC y NOAH-GFS son los que más coinciden con las
estimaciones satelitales. También la aridez de la región Patagónica sur y la húmeda al sur de Chile, que
se presenta en el campo del AMSR-E, está mejor representada por los modelos NOAH-GLDAS y
VIC. La región del Chaco parece ser una de las zonas donde hay mayores discrepancias entre el
AMSR-E y los modelos, siendo el NOAH-GFS el de mejor representatividad.
Cabe señalar que la utilización de los datos del AMSR-E abre un camino para la evaluación de los
modelos de suelo acoplados y no acoplados, considerando siempre la dependencia del algoritmo
utilizado para la recuperación de la información, y la diferencia entre el espesor de la capa de suelo
detectado por el AMSR-E y la profundidad de la primera capa de los modelos a evaluar.
3. Modelo de pronóstico WRF-ARW.
El modelo de pronóstico numérico utilizado es el WRF-ARW versión 3.1.1, el cual se procesa en forma
automática no operativa en el SMN, como ya se mencionó con anterioridad, cuyo dominio se muestra
en la Figura 2, con una resolución espacial de 24km en la horizontal y 38 niveles en la vertical. La
configuración usada es no-hidrostática, y algunas de las parametrizaciones físicas son: esquema de
microfísica del Eta, con procesos de diagnóstico de fase mixta; esquema de radiación de onda larga
RRTM (Rapid Radiative Transfer Model); esquema de radiación de onda corta de Dudhia, que incluye
integración simple, permitiendo absorción y dispersión en nubes y cielo despejado; esquema de MoninObukhov con la longitud de rugosidad de Zilitinkevich para la capa de superficie; esquema de MellorYamada-Janjic para la capa límite planetaria; esquema de Betts-Miller-Janjic para la parametrización
de cúmulos, que incluye un ajuste de la columna húmeda que tiende a un perfil vertical mezclado.
(www.mmm.ucar.edu/wrf/users/docs/user_guide/ARWUsersGuide.pdf_sav)
Respecto al modelo de suelo con el cual se configura el WRF-ARW, se emplea el NOAH, por un lado
porque coincide con el modelo utilizado por el GFS, cuyos datos se utilizan como condiciones iniciales
y de borde del modelo WRF; y por otro lado porque es la opción más adecuada en cuanto a
representación de los flujos de superficie, los cuales proveen las condiciones de borde inferior
necesarias para los modelos numéricos de pronóstico y climáticos. Este modelo de suelo comprende
avances significativos en la simulación del balance de energía y agua en superficie, así como en la
simulación de la respuesta de ambos balances a los forzantes atmosféricos originados en los niveles
cercanos de superficie. En particular, la humedad y temperatura del suelo y el pack de nieve
evolucionan con el balance de energía de superficie y con el balance de humedad en todas las escalas
temporales, que a su vez se reflejan en las distintas escalas de pronóstico, y dependen de las
condiciones de superficie como el tipo de vegetación y la textura del suelo.
5
A continuación, en las secciones 4 y 5, se muestran los análisis de distintas variables para todas las
simulaciones. Para ello se calcularon promedios areales en las tres subregiones mostradas en la Figura
2: la caja 1 corresponde a la provincia de Buenos Aires, la caja 2 a un sector del Océano Atlántico y la
caja 3 a Uruguay y sur de Brasil. Esta elección responde al análisis de la precipitación realizado por los
autores (Collini et al., 2010).
4. Análisis de los pronósticos del modelo WRF-ARW.
En esta sección analizaremos los resultados de las corridas del modelo WRF-ARW inicializado con los
diferentes modelos de suelo provistos por el GLDAS.
La Figura 3 muestra la evolución de la humedad de suelo en la capa superficial 0-10cm promediada
arealmente en la caja 1 y 3 y para todas las salidas del modelo WRF-ARW. Se puede ver que en las dos
cajas la corrida del Mosaic es las más seca en tanto que la del VIC es las mas húmeda, manteniendo la
característica de la condición inicial. El CLM y el NOAH-GLDAS presentan configuraciones
similares, mientras que el NOAH-GFS se aparta levemente en cuanto a los valores, aunque mantiene la
estructura de la evolución. En general las series muestran una disminución de la humedad de suelo con
un leve incremento hacia el final de la corrida, el cual se relaciona con un incremento en la
precipitación en el quinto día de pronóstico, como se observa en la Figura 6.
En las Figura 4 y Figura 5 se observan las series de los promedios areales del flujo de calor latente y
sensible, respectivamente, en las cajas 1 y 3. Es clara su dependencia con el estado del suelo: la corrida
del Mosaic que presenta el estado más seco, muestra los valores más altos de calor sensible y los más
bajos de calor latente; mientras que la corrida del VIC, que es el modelo con mayor humedad, presenta
los menores valores de calor sensible y los mayores de calor latente.
Humedad de suelo: 0-10cm
0,45
0,4
m3m-3
0,35
0,3
GFS/NOAH
0,25
GLDAS/NOAH
GLDAS/CLM
0,2
GLDAS/MOS
GLDAS/VIC
0,15
0,1
12-12
0
11-12
0
10-12
0
9-12
0
8-12
0
7-12
12-12
0
11-12
0
10-12
0
9-12
0
8-12
0
7-12
caja 1
caja3
Figura 3: Evolución temporal de la humedad de suelo volumétrica en la capa 0-10cm promediada arealmente en las cajas
1 y 3.
6
Calor Latente
500
GLDAS/NOAH
GLDAS/MOS
GLDAS/CLM
GLDAS/VIC
GFS/NOAH
400
300
200
100
0
11-12
0
10-12
0
9-12
0
8-12
0
7-12
12-12
0
11-12
0
10-12
0
9-12
0
8-12
0
7-12
-100
caja 1
caja3
Figura 4: Evolución temporal del calor latente (W m-2) promediado arealmente en las cajas 1 y 3.
Calor Sensible
400
GLDAS/NOAH
GLDAS/MOS
GFS/NOAH
350
GLDAS/CLM
GLDAS/VIC
300
250
200
150
100
50
0
11-12
0
10-12
0
9-12
0
8-12
0
7-12
12-12
0
11-12
0
10-12
0
9-12
0
8-12
0
7-12
-50
-100
caja 1
caja3
Figura 5: Evolución temporal del calor sensible (W m-2) promediado arealmente en las cajas 1 y 3.
Estos flujos representan la interacción entre el suelo y la atmósfera y de ellos dependen, entre otros, los
procesos de la capa límite planetaria, que a su vez interactúa con el resto de la columna atmosférica,
afectando consecuentemente a otras variables como la precipitación, como se puede ver en la Figura 6.
Ésta muestra la precipitación areal promediada en las cajas para las distintas inicializaciones del
modelo WRF-ARW. Al gráfico se agrega la precipitación estimada por el método CMORPH (CPC
MORPHing technique), cuya técnica consiste en derivar los campos de precipitación cada media hora a
partir de datos provenientes de satélites de microondas pasivas, propagándolos con vectores de
7
movimiento, derivados de imágenes de infrarrojo de satélites geoestacionarios. En líneas generales
observamos que las diferencias en la inicialización tiene un impacto en la precipitación. Este impacto
parece más evidente con la inicialización del Mosaic donde, para el caso de la caja 1, conduce a una
reducción en la precipitación.
La relación (más/menos) humedad de suelo (más/menos) precipitación se observa tanto en la caja 1
como en la 3 si tenemos en cuenta la inicialización MOS (seca) versus VIC (húmeda). Esta relación
directa no se observa en el último ciclo en la caja 3 donde la inicialización seca (MOS) genera más
precipitación que la inicialización húmeda (VIC). Esto podría estar relacionado con un desplazamiento
de la precipitación hacia el noreste (disminución en la caja 1 y un aumento en la caja 3).
Notamos durante los primeros 3-4 días de corrida y en las cajas continentales, un ciclo diurno con
valores muy bajos (≈1mm) en la precipitación pronosticada, que no se observa en la precipitación
estimada satelitalmente. Por último, los resultados en la caja 2 muestran el impacto remoto en el
sistema, puesto que las modificaciones que se producen en el continente también afectan a las regiones
oceánicas, tal como podemos ver en la variable precipitación. Sin embargo, las diferencias entre las
inicializaciones no son tan marcadas como en los casos sobre el continente.
Precipitación
6
GLDAS/NOAH
GLDAS/CLM
GLDAS/VIC
5
GLDAS/MOS
GFS/NOAH
OBS
mm
4
3
2
1
0
12
6
0
11-18
12
6
0
10-18
12
6
0
9-18
12
6
0
8-18
12
6
0
7-18
12
6
0
11-18
12
6
0
10-18
12
6
0
9-18
12
6
0
8-18
12
6
0
7-18
12
6
0
11-18
12
6
0
10-18
12
6
0
9-18
12
6
0
8-18
12
6
0
7-18
caja1
caja2
Tiempo
caja3
Figura 6: Evolución de la precipitación promediada arealmente en las cajas 1,2 y 3.
5. Normalización de los campos de Humedad de suelo.
Basándonos en los trabajos de Dirmeyer et al. (2004) y Koster et al. (2009), planteamos una
normalización de la humedad de suelo de los modelos Mosaic, CLM y VIC, respecto al NOAHGLDAS, ya que el NOAH es el modelo de suelo utilizado en el WRF-ARW.
8
Primero, se calculan los valores medios de los campos de humedad de suelo de cada modelo para
marzo de la década entre 2000 y 2009. Luego, se estima el desvío estándar de marzo respecto al
promedio calculado. Por último, se aplica la normalización (análoga a la ecuación 2 de Koster et al.)
para un día en particular:
xb  ( x a  x a )
b
 xb
a
(Ecuación 1)
donde el sufijo “a” corresponde al modelo que se quiere normalizar, y “b” al modelo de referencia; y
las variables son: x humedad de suelo de un día, x humedad de suelo media mensual,  desvío
estándar de la humedad de suelo. De esta forma, el modelo “a” puede ser leído consistentemente por el
modelo “b”, es decir que un estado seco/húmedo en el modelo “a” va a ser traducido al estado
seco/húmedo correspondiente al “b”.
Figura 7. Campos de humedad del suelo volumétrica de inicialización del WRF – ARW de la capa 0-0.1 m, utilizando el
MOSAIC-GLDAS, CLM-GLDAS y VIC-GLDAS, todos normalizados con el NOAH-GLDAS.
El modelo de referencia seleccionado es el NOAH-GLDAS, ya que en la configuración del WRF-ARW
se emplea al NOAH como modelo de suelo. La normalización que se presenta en la Ecuación 1 es
aplicada a los campos de humedad de suelo empleados en la condición inicial.
La Figura 7 muestra la condición inicial normalizada para el VIC, el Mosaic y el CLM. Como muestra
la Figura 2, en la porción sur del dominio el campo del CLM es más parecido al campo del NOAH por
lo que los cambios en la normalización no son grandes. Sin embargo esto no es así para el caso del
campo del Mosaic que es más seco que el NOAH, ni el campo del VIC que es más húmedo. Estas
diferencias generan que los campos normalizados sean diferentes a los no-normalizados.
Cuando se emplean los campos normalizados para inicializar el modelo WRF-ARW, se observa que las
diferencias entre las distintas corridas son, como es de esperar, muy pequeñas (ver Figura 8 para el
caso de la precipitación). Este resultado es similar para otras variables como los flujos en superficie y el
CAPE (no se muestra).
A partir de estos resultados preliminares, se aprecia la influencia en los pronósticos del modelo de
suelo acoplado al modelo atmosférico, ya que constituye el modelo de referencia, y cualquiera sea el
modelo de inicialización, este último deberá adaptarse al primero.
9
Precipitation
5
4
mm
3
GLDAS/VIC
GLDAS/MOS
GLDAS/CLM
GFS
GLDAS/NOAH
2
1
12
6
0
11-18
12
6
0
10-18
12
6
0
9-18
12
6
0
8-18
12
6
0
7-18
caja 1
12
6
0
11-18
12
6
0
10-18
12
6
0
9-18
12
6
0
8-18
12
6
0
7-18
12
6
0
11-18
12
6
0
10-18
12
6
0
9-18
12
6
0
8-18
12
6
0
7-18
0
caja 2
caja3
Figura 8. Idem Figura 6 pero para el caso normalizado.
6. Conclusiones Generales.
Este trabajo aborda la problemática del impacto de la condición inicial en el pronóstico numérico del
tiempo a corto plazo. Este tema, ampliamente reconocido por la comunidad científica, en nuestro caso
se ha aplicado considerando el rol de la humedad del suelo. Trabajos previos en la región del Sur de
Sudamérica muestran que dicha variable tiene un gran impacto en el pronóstico a corto y mediano
plazo, fundamentalmente sobre la precipitación. Los objetivos de este trabajo de investigación están
motivados por los resultados de esos estudios.
La disponibilidad de la base de datos de los modelos del suelo GLDAS, es muy beneficiosa para
efectuar análisis como los que se proponen en esta investigación, y su existencia es muy valiosa
debido a la escasez de observaciones in situ de humedad de suelo presentes en la región. Con el fin de
aprovechar esta información en la inicialización del modelo WRF-ARW, se ha experimentado con la
aplicación de una normalización de los modelos GLDAS que no son NOAH, para que sean consistentes
con el modelo de suelo empleado por el WRF-ARW, y se han evaluado las diferencias con los campos
no normalizados.
Como trabajo a futuro se pretende extender la metodología a un período de tiempo más extenso a fin
de generalizar los resultados aquí obtenidos, como así también desarrollar nuevas metodologías en
normalización, para lograr condiciones iniciales más representativas del “verdadero” estado del suelo.
7. Agradecimientos.
Este trabajo fue realizado en el marco del proyecto “Aplicaciones de modelos numéricos de última
generación, en el ámbito del Servicio Meteorológico Nacional para el pronóstico del tiempo. Estudios
de vulnerabilidad del medio ambiente e impacto socioeconómico”, PIDDEF 41/10 del Ministerio de
Defensa.
10
Los datos del AMSR-E/NSIDC están disponibles en el National Snow and Ice Data Center de la NASA
(http://nsidc.org/data/docs/daac/ae_land_l2b_soil_moisture.gd.html ) a los cuales se accede vía ftp. Los
datos del AMSR-E/VUA están disponibles en la Vrije Universitet Amsterdan
(http://geoservices.falw.vu.nl/amsr_soil_moisture_description.html). Los datos del CMORPH están
disponibles en http://www.cpc.ncep.noaa.gov/products/janowiak/cmorph_description.html
8. Bibliografía.
Collini E. A., Dillon M. E., Ferreira L., Pujol G. (2010) Estudio de la sensibilidad del modelo WRF-ARW
versión SMN empleando los campos de humedad de suelo provenientes de modelos globales y de sensores
remotos. XXV Reunión Científica de la AAGG, Córdoba, Argentina; Resumen publicado en las Actas de la
Reunión ISBN 978-987-25291-2-3.
Dirmeyer P. A., Guo Z., Gao X. (2004) Comparison, Validation, and Transferability of Eight Multiyear Global
Soil Wetness Products. J. Hydrometeorology, Vol 5, 1011 – 1033.
Draper C. S., Walker J. P., Steinle P. J., de Jeu R. A. M., Holmes T. R. H. (2009) An evaluation of AMSR-E
derived soil moisture over Australia. Remote Sensing of Environment, Elsevier, Vol 113, 703 – 710.
Ferreira L., Salgado H., Saulo C., Collini E. A. (2010) Comparison of soil moisture values derived from models
with observations from a field campaign over Argentina. enviado al Atmos. Scie.Let.
Joyce, R. J., Janowiak J. E., Arkin P. A., Xie P. (2004) CMORPH: A method that produces global precipitation
estimates from passive microwave and infrared data at high spatial and temporal resolution. J. Hydromet., 5,
487-503.
Koster R. D., Guo Z., Yang R., Dirmeyer P. A., Mitchell K., Puma M. J. (2009) On the nature of Soil Moisture
in Land Surface Models. J. Climate, Vol 22, 4322 – 4335.
Liu Y. Y., McCabe M. F., Evans J. P., van Dijk A. I. J. M., de Jeu R. A. M., Su H. (2009) Comparison of soil
moisture in GLDAS model simulations and satellite observations over the Murray Darling Basin. The 18th
World IMACS Congress and MODSIM09 International Congress on Modelling and Simulation. Cairns,
Australia. 2798 – 2804.
Njoku E., (1999) AMSR Land Surface Parameters. Algorithm Theoretical Basis Document: Surface Soil
Moisture, Land Surface Temperature, Vegetation Water Content, Version 3.0. Pasadena, California USA: NASA
Jet Propulsion Laboratory.
Owe M., de Jeu R. A. M., Colmes T. (2008) Multi-Sensor Historical Climatology of Satellite-Derived Global
Land Surface Moisture, J. Geophys. Res., 113, F01002, doi:1029/2007JF000769.
Rodell M., Houser P. R., Jambor U., Gottschalck J., Mitchell K., Meng C. J., Arsenault K., Cosgrove B.,
Radakovich J., Bosilovich M., Entin J. K., Walker J. P., Lohmann D., Toll D. (2004) The Global Land Data
Assimilation System. Bull. Ame. Meteo. Soc., Vol 85, 381 – 394, doi: 10.1175/BAMS-85-3-381.
Rudiger C., Calvet J., Gruhier C., Holmes T. R. H., de Jeu R. A. M., Wagner W. (2009) An intercomparison of
ERS-Scat and AMSR-E Soil Moisture Observations with Model Simulations over France. J. Hydrometeorology,
Vol 10, 431 – 447.
Saulo C., Ferreira L., Nogues-Paegle J., Seluchi M., Ruiz J. (2010) Land–Atmosphere Interactions during a
Northwestern Argentina Low Event. Mon. Wea. Rev., 138, 2481-2498. doi: 10.1175/2010MWR3227.1.
Spennemman Pablo (2010) Evaluación de la representación de la humedad de suelo por el modelo WRF-ARW.
Tesis de Licenciatura. Departamento de Ciencias de la Atmósfera y los océanos de la Universidad de Buenos
Aires.
Syed T. H., Famiglietti J. S., Rodell M., Chen J., Wilson C. R. (2008) Analysis of terrestrial water storage
changes from GRACE and GLDAS.
Zaitchik B. F., Rodell M., Olivera F. (2010) Evaluation of the Global Land Data Assimilation System using
global river discharge data and a source-to-sink routing scheme. Water Resources Research, Vol 46, W06507,
17 pp, doi:10.1029/2009WR007811.
11
Descargar

Idea abstract para chile