Aplicación práctica de un post-procesador para la estimación de la incertidumbre en la predicción estacional de precipitaciones y aportaciones de caudal mensuales

Abstract

[ES] Los pronósticos mensuales y estacionales proporcionan una perspectiva a largo plazo de los cambios en el sistema hidrológico ya que brindan predicciones tempranas de eventos como olas de calor, periodos fríos, sequias, entre otros, además contribuyen a la gestión siendo útiles para el análisis de los impactos de dichos eventos en sectores como la agricultura, la energía y el abastecimiento de agua. Sin embargo, dichos pronósticos generan grandes incertidumbres debido a errores en las condiciones iniciales, la estimación de parámetros, la conceptualización de los modelos atmosféricos y a la variabilidad propia del fenómeno a predecir.

Es por esto que la finalidad de esta investigación es la estimación de la incertidumbre predictiva en los pronósticos estacionales y mensuales de precipitación y caudal usando un modelo de error a modo de post-procesador denominado Model Conditional Processor (MCP). Este modelo tiene como objetivo evaluar y cuantificar la incertidumbre en la predicción, permitiendo combinar las observaciones con uno o varios modelos de pronóstico, estimando así con que probabilidad se puede verificar la ocurrencia real de una variable de cierta magnitud, condicionada a la estimación que se ha realizado sobre esta con el modelo de pronóstico. Para garantizar la bondad del modelo de error, el primer paso es correrlo con predicciones históricas de precipitación en un cierto periodo de tiempo y contrastar el comportamiento de estas frente a las observaciones reales que se hicieron en ese periodo histórico, analizando diferentes estadísticos como la prueba de Kolmogorov-Smirnov, la precisión, la confiabilidad y la proporción de excedencia del 95%, asi como medidas de eficiencia tales como el indice de Nash-Sutcliffe, el criterio de Kling-Gupta, el coeficiente de correlacion de Pearson, entre otros, con lo que después se podrá justificar la validez de dicho modelo para predecir a futuro. Posteriormente se podrá analizar cuanta incertidumbre agrega la simulación hidrológica realizando el mismo procedimiento en la variable caudal.

El primer caso de estudio se ubica en la cuenca del rio Oria en el País Vasco, en la cual se cuentan con datos históricos de precipitación y temperatura provenientes de Spain02 V05, datos históricos de aforo provenientes de la Diputación Foral de Gipuzkoa y datos de predicciones históricas de precipitación y temperatura del ECMWF (European Centre for Medium-Range Weather Forecasts); para este primer caso de estudio se implementará un modelo hidrológico distribuido llamado TETIS 9.0.1. Existe la posibilidad de implementar un segundo caso de estudio que se ubica en la cuenca del rio Júcar, en la cual se cuentan con datos históricos de precipitación y temperatura también provenientes de Spain02 V05, datos históricos de aforo provenientes del CEDEX y del SAIH de la Confederación Hidrográfica del Júcar y datos de predicciones históricas de precipitación y temperatura del ECMWF (European Centre for Medium-Range Weather Forecasts). Para la aplicación del modelo de error se tendrá una etapa de validación y calibración, las cuales serán 2000-2012 y 2013-2015 respectivamente. Al final se podrá analizar la bondad del modelo de error en la predicción de las variables precipitación y temperatura, y en los resultados de la modelación hidrológica con la prediccion de la variable caudal.

[EN] The monthly and seasonal forecasts provide a long-term perspective of changes in the hydrological system as they provide early predictions of events such as heat waves, cold periods, droughts, among others, also contribute to the management of water resources being useful for the analysis of the impacts of such events in sectors such as agriculture, energy and water supply. However, these forecasts generate great uncertainties due to errors in the initial conditions, the estimation of parameters, the conceptualization of atmospheric models and the variability of the phenomenon to be predicted. This is why the purpose of this research is the comparison between the informal or empirical estimation of the predictive uncertainty in the seasonal and monthly forecasts of precipitation, temperature and flow of the ECMWF and the estimation of the predictive uncertainty using an error model as a post-processor called Model Conditional Processor (MCP). The objective of this model is to evaluate and quantify the uncertainty in the prediction, allowing observations to be combined with one or several forecast models, thus estimating the probability of verifying the real occurrence of a variable of a certain magnitude, conditioned to the estimation that has been made on it with the forecast model. To guarantee the goodness of the error model, the first step is to run it with historical predictions of precipitation and temperature in a certain period of time and contrast the behavior of these against the real observations that were made in that historical period, analyzing different statistics such as the Kolmogorov-Smirnov test, the accuracy, reliability and 90% exceedance ratio, as well as efficiency measures such as the Nash-Sutcliffe index, the Kling-Gupta criterion, the Pearson correlation coefficient, among others, which can then justify the validity of this model to predict the future. Subsequently, it will be possible to analyze how much uncertainty the hydrological simulation adds by performing the same procedure in the flow variable. The case study is located in the Oria river basin in the Basque Country, in which there are historical data on precipitation, temperature and gauging flows from the Provincial Council of Gipuzkoa and historical predictions of precipitation and temperature from the ECMWF (European Centre for Medium-Range Weather Forecasts); for this first case study a distributed hydrological model called TETIS 9 will be implemented.0.1. For the application of the post-process there will be a validation and calibration stage, which will be 2000-2010 and 2011-2015 respectively. At the end it will be possible to analyze the goodness of the error model in the prediction of the precipitation and temperature variables, and in the results of the hydrological modeling with the prediction of the flow variable.

[CA] Els pronòstics mensuals i estacionals proporcionen una perspectiva a llarg termini dels canvis en el sistema hidrològic ja que brinden prediccions primerenques d'esdeveniments com a onades de calor, períodes freds, sequeres, entre altres, a més contribueixen a la gestió dels recursos hídrics sent útils per a l'anàlisi dels impactes d'aquests esdeveniments en sectors com l'agricultura, l'energia i el proveïment d'aigua. No obstant això, aquests pronòstics generen grans incerteses a causa d'errors en les condicions inicials, l'estimació de paràmetres, la conceptualització dels models atmosfèrics i a la variabilitat pròpia del fenomen a predir. És per això que la finalitat d'aquesta investigació és la comparació entre l'estimació informal o empírica de la incertesa predictiva en els pronòstics estacionals i mensuals de precipitació, temperatura i cabal del ECMWF i l'estimació de la incertesa predictiva usant un model d'error a manera de post-processador denominat Model Conditional Processor (MCP). Aquest model té com a objectiu avaluar i quantificar la incertesa en la predicció, permetent combinar les observacions amb un o diversos models de pronòstic, estimant així que probabilitat es pot verificar l'ocurrència real d'una variable de certa magnitud, condicionada a l'estimació que s'ha realitzat sobre aquesta amb el model de pronòstic. Per a garantir la bondat del model d'error, el primer pas és córrer-lo amb prediccions històriques de precipitació i temperatura en un cert període de temps i contrastar el comportament d'aquestes enfront de les observacions reals que es van fer en aqueix període històric, analitzant diferents estadístics com la prova de Kolmogorov-Smirnov, la precisió, la confiabilitat i la proporció d'excedència del 90%, així com mesures d'eficiència tals com l'índex de Nash-Sutcliffe, el criteri de Kling-Gupta, el coeficient de correlació de Pearson, entre altres, amb el que després es podrà justificar la validesa d'aquest model per a predir a futur. Posteriorment es podrà analitzar quanta incertesa agrega la simulació hidrològica realitzant el mateix procediment en la variable cabal. El cas d'estudi se situa en la conca del rio Oria al País Basc, en la qual es compten amb dades històriques de precipitació, temperatura i cabals d'aforament provinents de la Diputació Foral de Guipúscoa i dades de prediccions històriques de precipitació i temperatura del ECMWF (European Centre for Medium-Range Weather Forecasts); per a aquest primer cas d'estudi s'implementarà un model hidrològic distribuït anomenat TETIS 9.0.1. Per a l'aplicació del post-procés es tindrà una etapa de validació i calibratge, les quals seran 2000-2010 i 2011-2015 respectivament. Al final es podrà analitzar la bondat del model d'error en la predicció de les variables precipitació i temperatura, i en els resultats del modelatge hidrològic amb la predicció de la variable cabal.