Comprensión de los sistemas de asimilación: cómo los modelos crean sus propias condiciones iniciales, versión 2

Comprensión de los sistemas de asimilación: cómo los modelos crean sus propias condiciones iniciales, versión 2

Cuando termine de estudiar este módulo, podrá:

  • Recordar las 2 fuentes (tipos) principales de información que se emplean en el análisis numérico.
  • Enumerar 3 ventajas de usar una predicción numérica a corto plazo como primera aproximación para el análisis.
  • Identificar la suposición fundamental de la asimilación de datos en los modelos numéricos y describir algo que puede suceder con frecuencia en caso de que se viole dicha suposición. La respuesta a esta pregunta es siempre igual, independientemente del método de asimilación empleado (3d-var, 4d-var, filtro de Kalman para conjuntos, etc.).
  • Describir lo que puede ocurrir en el análisis y el pronóstico cuando un modelo es capaz de resolver y crear estructura de dimensiones menores de lo que los datos asimilados de la red de observaciones pueden resolver cerca de la estructura.
  • Explicar un motivo por el cual un modelo puede producir un mejor pronóstico si su análisis no coincide demasiado bien con una observación perfecta.
  • Dada una serie de observaciones de una estructura meteorológica que muestra un error de primera aproximación de la estructura, describir la diferencia en la estructura según se use el análisis 3d-var, 4d-var o de filtro de Kalman para conjuntos.
  • Enumerar 4 escenarios que pueden producir un análisis pobre que puede llevar a un pronóstico de baja calidad, y describir la causa o naturaleza del problema en el análisis.