%0 Journal Article
%T Calibraci車n de los pron車sticos probabil赤sticos de precipitaci車n derivados de un ensamble multi-modelo utilizando diferentes metodologias Probabilistic quantitative precipitation forecasts calibration using different techniques applied to a multi model ensemble
%A Soledad Cardazzo
%A Juan Ruiz
%A Celeste Saulo
%J Meteorologica
%D 2010
%I Centro Argentino de Meteor車logos
%X El pron車stico probabil赤stico constituye una de las alternativas para incorporar la incertidumbre asociada a los pron車sticos. En particular, cuando se utilizan ensambles para obtener pron車sticos probabil赤sticos de precipitaci車n (PPP), los mismos deben ser calibrados de forma tal de corregir el efecto de los errores sistem芍ticos de los modelos que componen el ensamble y la imperfecci車n del ensamble para representar la evoluci車n de los errores durante el plazo de pron車stico. En este trabajo se generaron, calibraron y verificaron pron車sticos probabil赤sticos de precipitaci車n derivados del sistema de Super- Ensamble de Modelos (SMES) desarrollado en la Universidad de San Pablo, sobre una sub-regi車n de Sudam谷rica. Se evalu車 el desempeno de diferentes metodolog赤as para la calibraci車n, incluyendo una calibraci車n basada en el promedio Bayesiano que permite incorporar los errores sistem芍ticos de cada uno de los miembros del ensamble por separado. Los resultados muestran que las diferentes t谷cnicas implementadas permitieron mejorar la calidad del pron車stico probabil赤stico, no obstante la t谷cnica m芍s sencilla basada en la calibraci車n de la media del ensamble fue la que mostr車 los mejores resultados. Por otra parte, se evalu車 la variaci車n de la calidad del pron車stico a lo largo del ano, observ芍ndose una significativa mejor赤a de los 赤ndices durante la 谷poca invernal. Durante esta misma 谷poca, las diferencias entre el pron車stico no calibrado y el calibrado son menores que durante los meses de verano en donde la calibraci車n tiene un impacto mayor. Probabilistic forecasts constitute a way to introduce the uncertainty in climate-weather forecasts. When probabilistic quantitative precipitation forecasts are derived from dynamically generated ensembles, a statistical post-processing or calibration should be done in order to improve forecasts reliability. The lack of forecast reliability is mainly due to systematic errors associated with each different ensemble member and from errors in the ensemble formulation. In this work, probabilistic forecasts derived from the University of San Pablo Multi Model ensemble system have been calibrated and verified. Several calibration strategies have been implemented and tested, including some that take into account systematic errors associated with individual ensemble members, as the Bayesian Model Averaging technique (BMA). Results show that all the calibration strategies improve forecasts reliability. However, the simpler approach based on the ensemble mean shows, in general, the best results. An annual cycle has been found in PQPF ski
%K Ensamble
%K Pron車stico probabil赤stico de precipitaci車n
%K Calibraci車n de pron車sticos
%K Ensemble
%K Probabilistic precipitation forecast
%K Forecast calibration
%U http://www.scielo.org.ar/scielo.php?script=sci_arttext&pid=S1850-468X2010000200001