Guía de referencia para los productos de los sistemas de predicción por conjuntos (EPS) »
Diagramas de líneas

Descripción

Los diagramas de líneas («penachos») muestran cómo cambian ciertas variables pronosticadas por todos los miembros individuales del conjunto a lo largo del tiempo y en un lugar dado. Estos diagramas pueden representar valores instantáneos o acumulados (como en este ejemplo). Normalmente, se resaltan algunas de las líneas, como la media, la mediana, los ciclos de control o la climatología. Estos diagramas permiten deducir información acerca de los valores máximos y mínimos pronosticados, el resultado más probable y la probabilidad de ocurrencia de determinados valores.

Diagrama de líneas típico de un sistema de predicción por conjuntos (EPS) para una sola variable meteorológica acumulativa

Interpretación

Cada línea o trazo representa los valores pronosticados por un miembro individual del conjunto a lo largo del tiempo para el lugar especificado. A menudo, la mediana o el valor medio se destaca con una línea gruesa aproximadamente centrada en el grupo de líneas. En algunos de estos diagramas, se colorean las distintas variables, como los tipos de precipitación, mientras que en otros se asigna un color a las líneas que exceden un determinado umbral (por ejemplo, las líneas que superan 0 °C en rojo).

Diagrama de líneas típico de un sistema de predicción por conjuntos (EPS) para una sola variable meteorológica

Los diagramas de líneas pueden mostrar los valores atípicos, el máximo, el mínimo y cualquier agrupamiento. En este ejemplo, hay un valor atípico bastante alejado del grupo principal, aunque después de varios pasos de tiempo se reúne con las otras líneas. Conviene no descartar por completo los miembros con valores atípicos, pese a su escasa probabilidad de ocurrencia en un momento dado.

Ejemplo de agrupamiento de las soluciones del modelo.

Para determinar si el conjunto contiene un agrupamiento o es multimodal, busque lugares donde los miembros del conjunto se separan claramente en subgrupos, dejando una buena distancia entre otro grupo o los demás miembros. En nuestro ejemplo, hay una clara separación entre los grupos 1 y 2.

El agrupamiento ofrece excelentes oportunidades para agregar valor a la predicción consultando otros productos y las observaciones para comprender cuál de los grupos puede representar la solución más o menos probable.

Esta figura presenta la predicción cuantitativa de la precipitación de los miembros cada 3 horas y, en primer plano, la distribución completa del paso de tiempo 14. Los valores de precipitación máximo y mínimo pronosticados por el conjunto son los valores más alto y más bajo, respectivamente.

Diagrama de de líneas de la predicción cuantitativa de la precipitación de 3 h comparado con la distribución a las 03 UTC del 11 de enero de 2017.

Para comprender la probabilidad de que se alcance o se exceda un umbral, cuente el número de miembros que alcanzan o superan dicho umbral y luego divídalo por el número de miembros del conjunto. En el ejemplo siguiente hay una probabilidad del 75 % de que la precipitación en tres horas sea de 0,22 unidades o menos, ya que el 75 % de los miembros del conjunto (18 de 24) presentan valores de esa magnitud o menores.

Diagrama de líneas conceptual con el 75 % inferior de la distribución resaltado.

Esta manera de calcular la probabilidad puede ser difícil cuando las curvas están muy apretadas. Por eso se crean otros diagramas diseñados específicamente para identificar los umbrales.

Fortalezas y debilidades

Fortalezas

Los diagramas de líneas presentan la distribución de todos los miembros, de modo que permiten identificar las distribuciones normales y los agrupamientos, lo cual aumenta la capacidad de pronosticar el resultado más probable.

Estos diagramas también permiten determinar si la falta de concordancia entre los miembros se debe a diferencias de evolución temporal o de magnitud de un sistema atmosférico, o bien a una combinación de ambos factores. Por ejemplo, imagínese dos agrupamientos de alturas geopotenciales, uno que progresa de una vaguada a una cresta y otro que progresa de una cresta a una vaguada, ambos centrados directamente sobre un mismo lugar, como ocurre en este mapa de isolíneas («espagueti»).

Diagrama de isolíneas (espagueti) hipotético que acompaña trough_location.jpg. Juntas, estas dos imágenes ilustran el uso de la media y dispersión para determinar qué isolíneas usar en un mapa de isolíneas.

En este caso, el conjunto mostraría buena concordancia y poca dispersión en ese lugar, pero poca concordancia en los lugares al este y al oeste. Si utilizamos como base la mediana y el rango de soluciones, un diagrama de cajas y bigotes o un EPSgrama de percentiles con regiones coloreadas podría mostrar buena concordancia temporal en cuanto a las alturas durante varios pasos de tiempo. Sin embargo, eso sería engañoso. De todos estos productos, solo un diagrama de líneas puede mostrar claramente que aunque en las soluciones de los miembros del conjunto los grupos se encuentran en un lugar, luego avanzan en direcciones opuestas.

Dado que los diagramas de líneas muestran las soluciones de todos los miembros individuales, es posible comparar diagramas de líneas correspondientes a distintas variables del mismo conjunto para evaluar sus efectos combinados. Por ejemplo, la comparación del diagrama de líneas para precipitación y temperatura en la superficie puede ayudar a definir los tipos de precipitaciones.

Conocer las estructuras meteorológicas de los miembros individuales del modelo puede ayudar a determinar si los miembros que tienen determinadas estructuras meteorológicas provocan agrupamientos o soluciones atípicas.

Finalmente, los diagramas de líneas muestran las condiciones en un punto específico. A menudo el resultado es un mayor grado de precisión que la estimación del valor en un punto de un mapa.

Debilidades

Aunque podemos observar fácilmente la forma de la distribución en un diagrama de líneas, es más difícil estimar medidas estadísticas generales, como la probabilidad de que un determinado valor ocurra en un lugar, o el valor de la mediana.

Puede ser muy difícil seguir los miembros individuales con el tiempo. Nuestro ejemplo inicial incluye 24 miembros, pero hay sistemas de predicción de conjuntos integrados por más de 50 miembros. Aunque varios productos ofrecen un visor interactivo que resalta los miembros individuales cuando se pasa el ratón sobre ellos, esta no es una función común.

Diagrama de líneas típico de un sistema de predicción por conjuntos (EPS) para una sola variable meteorológica

Como ocurre con los productos puntuales en general, es probable que la predicción del modelo incluya interpolaciones bilineales o con el punto de malla terrestre o marino más cercano al lugar específico. En estos casos, el modelo trata de representar escalas horizontales y verticales que en realidad no existen, lo cual conlleva una cierta suavización de algunos de los valores de la predicción.

Uso eficaz

Los diagramas de líneas permiten ver la forma de la distribución y los agrupamientos en diferentes pasos de tiempo. Estas son las mejores maneras de combinarlos con otros tipos de productos:

  • Use un diagramas de cajas y bigotes o diagramas de percentiles con tonos de color para obtener las estadísticas generales y decidir si conviene usar o descartar la mediana y los valores promedio en pasos de tiempo específicos.
  • Use mapas de probabilidad, mapas de isolíneas («espagueti») o mapas de trayectorias para evaluar en mayor medida la falta de concordancia entre los miembros en términos de evolución temporal, magnitud o posición de un sistema o de una estructura meteorológica y el posible suavizado de los valores circundantes para el pronóstico de un lugar.

Tenga presentes estos aspectos cuando trabaje con diagramas de líneas:

  • Si le preocupa la posibilidad de que ocurra un evento raro o severo, busque información adicional sobre el clima del modelo, el reanálisis o la climatología observada. Cuando falta mucho tiempo hasta el momento pronosticado, la mediana del conjunto tiende a gravitar asintóticamente hacia el clima del modelo.
  • De vez en cuando, un ciclo de pronóstico determinista puede presentar valores que caen fuera del rango de soluciones del conjunto. Dado que muchos pronósticos deterministas usan espaciados de malla más pequeños que el sistema de predicción por conjuntos, esto puede indicar que las estructuras y la topografía de pequeña escala están mejor resueltas o que el sistema de predicción por conjuntos no está muestreando adecuadamente los procesos implicados o el régimen meteorológico. Esto no significa que los miembros del conjunto o las pasadas deterministas sean mejores o peores, sino que conviene estudiar atentamente la inicialización y las pasadas posteriores del modelo.

Ejemplos

Las preguntas en esta página y la siguiente se basan exclusivamente en el diagrama de líneas de la temperatura a 2 m (˚C) para Vancouver, Columbia Británica (Canadá) que se muestra a continuación. Cada uno de los 24 miembros del conjunto recibe un color diferente y la media se muestra con un trazo negro grueso.

Diagrama de líneas de SREF de la temperatura en Vancouver, Columbia Británica (Canadá)

Pregunta 1 de 2

Escoja la temperatura a 2 m más probable a las 06 UTC del 12 de febrero sobre la base de este diagrama de líneas.

La respuesta correcta es b).

Podemos ver que los miembros presentan una distribución aproximadamente normal, de modo que el valor de la media es una aproximación razonable del resultado más probable.

Escoja una opción.

Pregunta 2 de 2

A las 06 UTC del 10 de febrero, ¿qué probabilidad existe de que las temperaturas sean inferiores a 4,0 ˚C?

La respuesta correcta es b).

Cuente los miembros cuyo pronóstico es inferior a 4,0 ˚C (son dos). Divida entre el número total de miembros del conjunto (24) para obtener un resultado cerca del 8 %.

Escoja una opción.

Ejemplos

Estas preguntas se basan en el mismo diagrama de líneas de la temperatura a 2 m (˚C) para Vancouver, Columbia Británica (Canadá) utilizado en la página precedente. Cada uno de los 24 miembros del conjunto recibe un color diferente y la media se muestra con un trazo negro grueso.

Diagrama de líneas de SREF de la temperatura en Vancouver, Columbia Británica (Canadá)

Pregunta 1 de 2

Escoja el paso de tiempo en el cual el modelo exhibe el mayor grado de incertidumbre en el pronóstico de temperatura.

La respuesta correcta es d).

La mayor incertidumbre del modelo se nota a las 00 UTC del 12 de febrero, porque en ese momento la gráfica muestra la diferencia más grande entre los valores máximo y mínimo.

Recuerde que esto representa la incertidumbre del modelo en el pronóstico; es posible que usted no sienta el mismo grado de confianza. Dado que las soluciones deterministas a veces caen fuera del ámbito de las soluciones del conjunto, su grado personal de confianza en el conjunto puede diferir de la incertidumbre del conjunto.

Escoja una opción.

Pregunta 2 de 2

Escoja el momento en que el cálculo de la media no necesariamente representa bien la totalidad de la distribución.

Las respuestas correctas son a) y c).

Hay buenos motivos para desconfiar de la media a las 06 UTC y a las 18 UTC del 10 de febrero. El primero de estos dos momentos (06 UTC del 10 de febrero) contiene valores atípicos considerables que empujan la media hacia ese extremo de la distribución. Un mayor grado de concordancia entre los miembros facilitaría el uso de la media en ese momento. Podríamos quitar los valores atípicos del pronóstico y volver a calcular el valor de la media.

El segundo de los momentos en cuestión (18 UTC del 10 de febrero) presenta agrupamientos. Para decidir cuál usar, le conviene escoger el que más se acerca a su comprensión de la situación y usar la media correspondiente en su pronóstico. No debe sorprender que a medida que nos alejamos de la inicialización del modelo se vuelve más difícil determinar si el agrupamiento es exacto. Es otras palabras, es menos probable que el agrupamiento sea exacto.

Escoja una opción.

Enlaces

Arriba