Metodi di Post Processing in uso presso il il Centro Funzionale di ARPA Piemonte

Transcript

1 Metodi di Post Processing in uso presso il il Centro Funzionale di ARPA Piemonte Massimo Milelli Contributi di: Daniele Cane, Paolo Bertolotto, Elena berto, Christian Ronchi, Chiara De Luigi, Marco Turco Bologna, 4 Febbraio 2

2 Sommario Multimodel: teoria Caso di precipitazione Consigli pratici Commenti Alcuni risultati Multimodel vs Kalman Applicazioni climatiche Altri esempi di PPT usati in ARPA Piemonte QPF Temporali Foehn eve Referenze

3 Multimodel: teoria S Come suggerisce il nome, il metodo Multimodel SuperEnsemble richiede l output di diversi modelli, che sono pesati con un adeguato set di pesi calcolati durante il cosiddetto periodo di training (apprendimento). Il semplice Ensemble con dati bias-corrected o biased rispettivamente, è dato da + ( F ) i F i i S + ( F ) i () o (2) Il SuperEnsemble convenzionale (Krishnamurti et. al., 2) costruito con dati bias-corrected è dato da i S + i a i ( F F ) i i (3)

4 Multimodel: teoria S Come suggerisce il nome, il metodo Multimodel SuperEnsemble richiede l output di diversi modelli, che sono pesati con un adeguato set di pesi calcolati durante il cosiddetto periodo di training (apprendimento). Il semplice Ensemble con dati bias-corrected o biased rispettivamente, è dato da + ( F ) i F i i S + ( F ) i () o (2) Il SuperEnsemble convenzionale (Krishnamurti et. al., 2) costruito con dati bias-corrected è dato da i S + i a i ( F F ) i i (3) umero di modelli

5 Multimodel: teoria S Come suggerisce il nome, il metodo Multimodel SuperEnsemble richiede l output di diversi modelli, che sono pesati con un adeguato set di pesi calcolati durante il cosiddetto periodo di training (apprendimento). Il semplice Ensemble con dati bias-corrected o biased rispettivamente, è dato da + ( F ) i F i i S + ( F ) i () o (2) Il SuperEnsemble convenzionale (Krishnamurti et. al., 2) costruito con dati bias-corrected è dato da i S + i a i ( F F ) i i (3) i esima previsione

6 Multimodel: teoria S Come suggerisce il nome, il metodo Multimodel SuperEnsemble richiede l output di diversi modelli, che sono pesati con un adeguato set di pesi calcolati durante il cosiddetto periodo di training (apprendimento). Il semplice Ensemble con dati bias-corrected o biased rispettivamente, è dato da + ( F ) i F i i S + ( F ) i () o (2) Il SuperEnsemble convenzionale (Krishnamurti et. al., 2) costruito con dati bias-corrected è dato da i S + i a i ( F F ) i i (3) Previsione media

7 Multimodel: teoria S Come suggerisce il nome, il metodo Multimodel SuperEnsemble richiede l output di diversi modelli, che sono pesati con un adeguato set di pesi calcolati durante il cosiddetto periodo di training (apprendimento). Il semplice Ensemble con dati bias-corrected o biased rispettivamente, è dato da + ( F ) i F i i S + ( F ) i () o (2) Il SuperEnsemble convenzionale (Krishnamurti et. al., 2) costruito con dati bias-corrected è dato da i S + i a i ( F F ) i i (3) sservazione media

8 Multimodel: teoria S Come suggerisce il nome, il metodo Multimodel SuperEnsemble richiede l output di diversi modelli, che sono pesati con un adeguato set di pesi calcolati durante il cosiddetto periodo di training (apprendimento). Il semplice Ensemble con dati bias-corrected o biased rispettivamente, è dato da + ( F ) i F i i S + ( F ) i () o (2) Il SuperEnsemble convenzionale (Krishnamurti et. al., 2) costruito con dati bias-corrected è dato da i S + i a i ( F F ) i i (3) Pesi di Multim.

9 ( ) ( )( ) ( )( ) ( )( ) ( ) ( )( ) ( ) ( )( ) ( )( ) T k k T k k T k T k T k T k T k T k T k F F F F a a F F F F F F F F F F F F F F F F F F F F F F k k k k k k k k k k k k k M M M M M M L L M M M L a i G ( ) 2 T k S k k G Il calcolo dei parametri a i è dato dalla minimizzazione della deviazione quadratica media derivando si ottiene un set di equazioni, dove è il numero di modelli coinvolti: Si risolve il sistema di equazioni usando il metodo di Gauss-Jordan

10 Durante i Giochi limpici Per uso operativo CSM-I7 (UTC + 2UTC) CSM-7 (UTC + 2UTC) CSM-EU (UTC + 2UTC) ECMWF-IFS (UTC + 2UTC) CSM-I7 (UTC + 2UTC) CSM-ME (UTC + 2UTC) ECMWF-IFS (UTC + 2UTC) T2m, Rh2m, Wm, Precipitazione

11 Multimodel : precipitazione modello modello 2 modello 3 modello 4 modello 5 modelol 6 modello 7 modello 8 2 Solo 2 modelli su 8 danno pioggia in quel punto e a quella scadenza. Probabilmente la previsione migliore sarebbe pioggia assente. Ma SuperEnsemble dà sempre un risultato! S + i a i ( F F ) i i Come evitare la sovrastima di precipitazione?

12 False alarm ratio RC (Receiver perating Characteristic) Probability of detection (hit rate HRR) HRR FAR

13 Come si calcola il RC del Multimodel: modello modello 2 modello 3 modello 4 modello 5 modello 6 modello 7 modello 8 2 Per ogni modello calcoliamo HRR e FAR nel periodo di apprendimento FAR FAR 2 FAR 3 FAR 4 FAR 5 FAR 6 FAR 7 FAR 8 HRR HRR 2 HRR 3 HRR 4 HRR 5 HRR 6 HRR 7 HRR 8 Poi calcoliamo FAR e HRR combinando i valori rispetto alla previsione: FAR MM FAR (-FAR 2 ) ( - FAR 3 ) ( - FAR 4 ) FAR 5 (-FAR 6 ) ( - FAR 7 ) ( - FAR 8 ) HRR MM HRR (-HRR 2 ) ( - HRR 3 ) ( - HRR 4 ) HRR 5 (-HRR 6 ) ( - HRR 7 ) ( - HRR 8 ) IF FAR MM >HRR MM Multimodel SuperEnsemble è

14 Consigli pratici Molti test sono stati effettuati negli anni: combinazioni di diversi modelli (LAMs da soli o LAMs e ECMWF) diverse corse (UTC e/o 2UTC) diversi tipi di periodo di apprendimento (fisso o dinamico) diverse lunghezze del periodo di apprendimento E le risposte sono:

15 Consigli pratici (2) ECMWF deve essere incluso C è un valore aggiunto fino a 6/8 modelli L apprendimento dinamico permette di considerare la variazione stagionale della performance del modello, nonchè le sue eventuali variazioni di configurazione Le lunghezze minime (per i modelli e l area di riferimento usata) sono:. 9 giorni per T2m, Rh2m e Wm 2. 8 giorni per la precipitazione

16 Temperatura in pianura le previsioni di temperatura risultano accettabili, ma in montagna ci sono errori medi anche di 6/7 C. Il metodo proposto perm ette un considerevole miglioramento medio su tutte le stazioni e per tutte le scadenze previsionali. In particolare sulle montagne dove l errore medio viene ridotto a circa C, con RMSE sotto i 2 C Vento Il DM di CSM-I7 è utile per le raffiche di vento, ma per il vento medio MMSE è più affidabile. Le brezze di montagna non vengono osservate dai modelli e dunque non c è post-processing che tenga Umidità Relativa Il DM sottostima RH nelle valli e nelle pianure, ma MMSE corregge positivamente questo trend Precipitazione Commenti L errore del MMSE è in generale più stabile di quello del DM e la RC correction funziona correttamente rimuovendo la sovrastima spuria per basse soglie

17 Alcuni risultati SuperEns ECMWF ECMWF2 CSM-I7 CSM-I7 2 SuperEns ECMWF ECMWF2 CSM-I7 CSM-I RT MEA SQUARE ERRR ( C) RT MEA SQUARE ERRR ( C) forecast time (h) forecast time (h) SuperEns ECMWF ECMWF2 CSM-I7 CSM-I7 2-7 m 7-5 m 5-35 m RMSE di T2m a Febbraio e Marzo 26 in Piemonte RT MEA SQUARE ERRR ( C) forecast time (h)

18 Alcuni risultati (2) SuperEns ECMWF ECMWF2 CSM-I7 CSM-I72 SuperEns ECMWF ECMWF2 CSM-I7 CSM-I RT MEA SQUARE ERRR (%) RT MEA SQUARE ERRR (%) forecast time (h) forecast time (h) SuperEns ECMWF ECMWF2 CSM-I7 CSM-I72-7 m 7-5 m 5-35 m RMSE di RH2m a Febbraio e Marzo 26 in Piemonte RT MEA SQUARE ERRR (%) forecast time (h)

19 Alcuni risultati (3) SuperEns ECMWF ECMWF2 CSM-I7 CSM-I7 2 SuperEns ECMWF ECMWF2 CSM-I7 CSM-I RT MEA SQUARE ERRR (m/s) RT MEA SQUARE ERRR (m/s) forecast time (h) forecast time (h) SuperEns ECMWF ECMWF2 CSM-I7 CSM-I7 2-7 m 7-5 m 5-35 m RMSE di Wm a Febbraio e Marzo 26 in Piemonte RT MEA SQUARE ERRR (m/s) forecast time (h)

20 Alcuni risultati (4) bs SuperEns ECMWF ECMWF2 CSM-I7 CSM-I7 2 bs SuperEns ECMWF ECMWF2 CSM-I7 CSM-I DIURAL CYCLE ( C) DIURAL CYCLE (%) forecast time (h) forecast time (h) ss SuperEns ECMWF ECMWF2 CSM-I7 CSM-I7 2 T2m RH2m 6 5 Wm Ciclo diurno di T2m a febbraio 26 in Piemonte fra 7 e 5 m DIURAL CYCLE (m/s) forecast time (h)

21 Alcuni risultati (5) bs SuperEns ECMWF ECMWF2 CSM-I7 CSM-I7 2 bs SuperEns CSM-I7 ECMWF2 CSM-I72 ECMWF DIURAL CYCLE ( C) DIURAL CYCLE (%) forecast time (h) forecast time (h) bs SuperEns ECMWF ECMWF2 CSM-I7 CSM-I7 2 T2m RH2m 6 5 Wm Ciclo diurno di T2m a febbraio 26 in Piemonte sopra 5 m DIURAL CYCLE (m/s) forecast time (h)

22 Alcuni risultati (6) Indici statistici di precipitazione per: Multimodel SuperEnsemble ECMWF IFS UTC ECMWF IFS 2 UTC CSM-I7 UTC CSM-I7 2 UTC In funzione della soglia (mm) per scadenze +2h/+36h. Valore medio (sinistra) e valore massimo (destra). Periodo: settembre 26- agosto 28 Area: Piemonte BIAS HRR FAR SuperEns ECMWF ECMWF 2 CSM_I7 CSM_I7 2 SuperEns ECMWF ECMWF 2 CSM_I7 5 CSM_I SuperEns ECMWF ECMWF 2 CSM_I7 5 CSM_I FAR HRR BIAS SuperEns ECMWF ECMWF 2 CSM_I7 CSM_I7 2 SuperEns ECMWF ECMWF 2 CSM_I7 5 CSM_I SuperEns ECMWF ECMWF 2 CSM_I7 5 CSM_I

23 Indici statistici di precipitazione per: Multimodel SuperEnsemble ECMWF IFS UTC ECMWF IFS 2 UTC CSM-I7 UTC CSM-I7 2 UTC in funzione della soglia (mm) per scadenze +2h/+36h. Valore medio soglia mm/24h (sinistra) e valore massimo soglia 35mm/24h (destra). Periodo: settembre 26- agosto 28 Area: Piemonte BIAS SuperEns ECMWF ECMWF 2 CSM_I7 CSM_I MAM JJA S DJF MAM JJA S DJF MAM JJA SuperEns ECMWF ECMWF 2 CSM_I7 CSM_I HRR MAM JJA S DJF MAM FAR MAM JJA S DJF MAM JJA S DJF JJA S DJF MAM JJA SuperEns ECMWF ECMWF 2 CSM_I7 CSM_I MAM JJA SuperEns ECMWF ECMWF 2 CSM_I7 CSM_I BIAS.5.5 MAM JJA S DJF MAM JJA S DJF MAM HRR MAM JJA S DJF MAM JJA S DJF MAM JJA 28 SuperEns ECMWF ECMWF 2 CSM_I7 CSM_I FAR.5 Alcuni risultati (7) MAM JJA S DJF MAM JJA S DJF MAM JJA 28 SuperEns ECMWF ECMWF 2 CSM_I7 CSM_I JJA 28

24 Confronto con Kalman filter Temperatura media prevista nel mese di dicembre 2 in Piemonte in funzione della quota, sotto i 7 m: RMSE Kalman filter su ECMWF

25 Confronto con Kalman filter (2) Temperatura media prevista nel mese di dicembre 2 in Piemonte in funzione della quota, fra 7 e 5 m: RMSE Kalman filter su ECMWF

26 Confronto con Kalman filter (3) Temperatura media prevista nel mese di dicembre 2 in Piemonte in funzione della quota, oltre 5 m: RMSE Kalman filter su ECMWF

27 Confronto con Kalman filter (4) Temperatura media prevista nel mese di dicembre 2 in Piemonte in funzione della quota, sotto i 7 m: ME Kalman filter su ECMWF

28 Confronto con Kalman filter (5) Temperatura media prevista nel mese di dicembre 2 in Piemonte in funzione della quota, fra 7 e 5 m: ME Kalman filter su ECMWF

29 Confronto con Kalman filter (6) Temperatura media prevista nel mese di dicembre 2 in Piemonte in funzione della quota, oltre 5 m: ME Kalman filter su ECMWF

30 Confronto con Kalman filter (7) Il filtro di Kalman si comporta lievemente meglio di MMSE sopra I 5 m, in particolare per le scadenze più lontane. Sotto I 7 m MMSE è più accurato. on c è comunque una maggioranza schiacciante di risultati a favore di uno o dell altro. MMSE è un algoritmo più semplice, più veloce e più adattabile: si può utilizzare per molte variabili, non solo T MMSE non dipende da un solo modello, quindi da un punto di vista operativo c è sempre un first guess Di conseguenza, anche per motivi tecnici, MMSE è l algoritmo utilizzatio operativamente presso il Centro Funzionale

31 Applicazioni climatiche Progetto ACQWA: Assessing Climate impacts on the Quantity and quality of Water ( Downscaling statistico dei modelli climatici regionali (per un dato scenario mondiale) con utilizzo dei modelli provenienti dai progetti: Prudence: Prediction of Regional scenarios and Uncertainties for Defining Europea Climate change risks and Effects ( Ensembles: Ensembles-based predictions of climate changes and their impacts (

32 Dati disponibili: osservazioni lat lon Ricostruzione dei campi di T2m e precipitazione sul Piemonte con I dal 958 al 29 con risoluzione.25 (~ 4 km)

33 Metodo Interpolazione dei modelli sui punti griglia della I Risoluzione modelli: 2-25 km Risoluzione I: ~4 km Modelli: medie mensili o giornaliere I: valori giornalieri o mediati su un mese Calcolo dei pesi di Multimodel nel periodo di controllo dei modelli utilizzando I come osservazioni Controllo della bontà del metodo utilizzando come periodo di training la prima metà del periodo di controllo e come forecast la seconda metà Utilizzo dei pesi così ottenuti per il calcolo del Multimodel SuperEnsemble nel periodo di forecast Calcolati anche il Multimodel Ensemble e Poor Man Ensemble S + ( F ) i F i i

34 Risultati Temperature massime: differenza fra output di MMSE mediato nel periodo e osservazioni nel periodo 98-2 in funzione della stagione. Le temperature massime aumentano di più in montagna che in pianura in primavera ed in estate. Aumenti più contenuti e uniformi nelle altre stagioni.

35 Risultati (2) Temperature minime: differenza fra output di MMSE mediato nel periodo e osservazioni nel periodo 98-2 in funzione della stagione. Le temperature minime aumentano di più in montagna che in pianura, in tutte le stagioni.

36 Risultati (3) Precipitazione: differenza fra output di MMSE mediato nel periodo e osservazioni nel periodo 98-2 in funzione della stagione. Precipitazione fortemente ridotta in estate ed autunno. Riduzione più contenuta nelle altre stagioni.

37 Altri tipi di post-processing QPF Temporali Foehn eve in pianura

38 Post-processing probabilistico per QPF Il DM di CSM-I2 (in generale di un modello molto risoluto) può contenere un considerevole rumore! Un previsore esperto interpreterà il DM di un modello deterministico ad altissima risoluzione in modo probabilistico elevata probabilità di precipitazioni intense su Ticino e Toce, non 82mm/24h di pioggia nel punto x,y"

39 eighbourhood method (S. Theis) applicato a CSM-I2. La previsione nell intorno di un punto A (inteso a 4 dimensioni) costituisce un campione della previsione nello stesso punto, supponendo che le incertezze spaziali e temporali siano indipendenti. Il raggio, la forma e l estensione temporale devono essere calibrate empiricamente. el nostro caso: R t 6h e R xy 5pg.

40 Problema della verifica Ci sarebbe bisogno di osservazioni ad elevata risoluzione spaziale (radar) Verifica soggettiva dei previsori

41 First Guess per temporali forti Per temporale forte si utilizzerà nel seguito la seguente definizione: un evento di precipitazione avvenuto su di un area di allertamento in un dato giorno con, almeno per una scadenza di 6 ore nella giornata, le seguenti caratteristiche: Quantitativo di precipitazione superiore o uguale a 4mm/3h; Almeno una fulminazione nella scadenza nella quale si è osservato il picco di precipitazione.

42 First Guess per temporali forti (2) 3 diverse procedure di post-processing basate su parametri di instabilità derivati dalla previsione di CSM-I7. Tali parametri vengono calcolati sulle aree di allertamento mediando i valori di tutti i punti griglia che vi ricadono: P: KI, CAPE, SWEAT, LI, θ e5, QPF a soglie variabili P2: KI, QPF a soglie variabili P3 (non estiva): KI, SWEAT, QPF a soglie variabili gni procedura produce 2 livelli di allerta differenti, corrispondenti a moderata ed elevata probabilità di temporali forti.

43 First Guess per temporali forti (3) K Index (Whiting Index) K(T 85 -T 5 )-Td 85 -(T 7 -Td 7 ) Lifted Index LT L -T 5 SWEAT Index SW2(TT-49)+2Td 85 +2V 85 +V 5 +25[sin( V 5-85 )+.2] Total Total Index TTT 85 +Td 85-2T 5

44 Verifica Si tratta di una verifica di eventi rari, difficilmente prevedibili, si sono quindi utilizzate 4 differenti strategie di verifica: v: corrispondenza puntuale previsti-osservati; v2: per ogni area su cui la procedura prevede probabilità elevata, vengono allertate anche le aree confinanti; v3: per ogni area su cui la procedura prevede probabilità elevata, vengono allertate anche le aree confinanti distinguendo tra pianura e montagna v4: corrispondenza giorno-giorno (ignorando l informazione areale)

45 Verifica (2) La comparazione tra le 4 verifiche effettuate ci dice che in realtà gli algoritmi (ed in generale il modello) non sono in grado di discernere tra le zone che verranno interessate dai temporali, ma si hanno dei buoni risultati se si considera il Piemonte nel suo intero (v4, distinguendo solamente così tra giorni temporaleschi e giorni ordinari ); in alternativa, se si lavora per area, si possono estendere gli allarmi alle zone confinanti, migliorando i risultati (v2 o lievemente meglio v3) tra i tre algoritmi, P sembra essere tutto sommato il migliore; P3 è quello che dà meno allarmi, ma fa sì che ci siano troppi allarmi mancati.

46 Foehn Index osservato E un indice derivato empiricamente dalle misure di Temperatura, Vento, RH FI (-RH) * (+T-T ieri )* V Assume valori che vanno da a anche in casi di eventi di foehn estremi Vale se V, se RH, se T T ieri - Se T T ieri allora FIFI(RH,V)

47 Foehn Index previsto Implementata per ora su CSM-I7 (presto su CSM-I2) e operativa sulla intranet ad uso dei previsori, e così relazionata al Foehn Index (FI): FP*(-exp(-FI/4)) Viene calcolata al livello di 95 hpa Esiste solo una verifica soggettiva da parte dei previsori che ne incoraggiano l uso

48

49 Quota neve sulle aree di allertamento Si parte dalla quota dell isoterma a 2 C da CSM-I7 Si sottraggono m in caso di precipitazione moderata, 3 m in caso di precipitazione forte, 4 m in caso di precipitazione molto forte Ulteriore riduzione in caso di neve convettiva

50 Località: capoluoghi di provincia più Aeroporto di Caselle Si parte dalla quota neve calcolata al punto precedente (sull area corrispettiva) Vengono analizzati i sounding previsti di CSM-I7 Si calcola una classe di probabilità a seconda della temperatura prevista per quella scadenza da Multimodel SuperEnsemble nessuna probabilità di neve sulla località bassa probabilità di neve sulla località (indicativamente sotto al 3 %) 2 media probabilità di neve sulla località (indicativamente dal 3 al 6%) 3 alta probabilità di neve sulla località (indicativamente superiore al 6 %) 4 probabilità molto elevata di neve sulla località (indicativamente superiore all 8 %)

51 Referenze (SuperEnsemble) Krishnamurti, T.., Kishtawal, C.M., Larow, T., Bachiochi, D., Zhang, Z., Williford, C.E., Gadgil, S., Surendran, S., Multi-Model SuperEnsemble Forecasts For Weather And Seasonal Climate. J. Climate, 3, , 2. Cane, C., and Milelli, M., "Multimodel SuperEnsemble technique for weather parameter forecasts in Piemonte region", at. Hazards Earth Syst. Sci. (HESS),, , 2 Cane, D., and Milelli, M., "Comparison of CSM models and Multimodel SuperEnsemble outputs in Piemonte", CSM ewsletter o. 9, 69-72, 29 Milelli, M., and Cane, D., "Use of Multimodel SuperEnsemble technique for complex orography weather forecast", CSM ewsletter o. 6, 46-5, 26 Cane, D., and Milelli, M., "Weather forecasts with Multimodel SuperEnsemble Technique in a complex orography region", Meteorologische Zeitschrift, Vol. 5, o. 2, 27-24, 26 Cane, D., and Milelli, M., "A new method for t2m forecast in complex orography areas", CSM ewsletter o. 5, 5-57, 25

52 Referenze (eighbourhood Method) Theis, S., Hense, A., and Damrath, U., Probabilistic precipitation forecasts from a deterministic model: a pragmatic approach. Meteorological Applications, 2, 3, , 25 Kaufmann, P., Post-processing of the almo Precipitation with the eighbourhood Method. CSM ewsletter o. 7, 57-6, 27 Turco, M., and Milelli, M., "Towards perational Probabilistic Precipitation Forecast", CSM ewsletter o. 9, 56-62, 29

53 Referenze (Temporali) - Haklander A.J., Van Delden A., 23: Thunderstorm Predictors and their Forecast Skill for the etherlands. ATMS.RES., 67-68, CAR - Research Application Program (27). Verification: Forecast verification utilities. R package version.2 - Manzato, A., 28:A Verification of umerical Model Forecasts for Sounding-Derived Indices above Udine, E Italy, Weather and Forecasting, 23, n3, Manzato, A., 23: A climatology of instability indices derived from Friuli Venezia Giulia soundings, using three different methods,atmos. Res., 67-68, Referenze (eve) - G. Marigo, T. Luciani, A. Crepaz: Snow Level Forecasting Methods and Parameters; two pratical examples on Eastern Italian Alps; 3th Conference on Mountain Meteorology, 28 - W.J. SteenBurgh: The Influence of Terrain Induced Circulations on Wintertime Temperature and Snow Level in the Washington Cascades, Weather and Forecasting, 2-996

54 GRAZIE!