Evaluación de los pronósticos de los modelos dinámicos y de IA del ECMWF durante una ola de calor de Argentina

Abstract

Se compara el desempeño de Temperatura a 2 Metros (T2M) entre pronósticos con aprendizaje automático y dinámicos, en la escala subestacional (plazo de dos semanas) del ECMWF, durante una ola de calor entre enero y febrero de 2025 en Argentina. Se utiliza el modelo dinámico ensamblado (IFS) para comparar dos modelos de aprendizaje automático, en formato ensamble (AIFS-ENS) y determinístico (AIFS-OPER). Se utiliza de referencia la temperatura media de las estaciones del SMN. Con plazos de dos semanas, todos los modelos pronostican T2M menores a la observada. Aun así, existe acuerdo entre los modelos y las observaciones en la primera semana del evento, en todo el rango de temperaturas observadas. Además, al predecir el inicio de la ola de calor, los pronósticos hechos con aprendizaje automático son comparables al pronóstico dinámico. La subestimación es mayor al pronosticar la segunda semana del evento, especialmente en temperaturas mayores a 30oC. Por lo tanto, los modelos presentaron dificultades en predecir la duración e intensidad del evento. Al analizar la evolución de los pronósticos en las localidades de Rivadavia y Neuquén, se observa mejor desempeño en Neuquén, con señal 7 días antes del inicio del evento, mientras que en Rivadavia la señal se observa 4 días antes. El modelo dinámico IFS tiende a predecir T2M 1 a 2 °C mayores que los modelos AIFS, con menor incertidumbre. Aun así, en plazos cortos los modelos convergen a valores similares. El buen desempeño de los modelos de aprendizaje automático en este evento no aseguran un desempeño similar en otras instancias. Es necesario continuar el análisis en otros eventos y variables.

It is compared the performance between dynamic and machine learning subseasonal forecasts of Two Meter Temperature (T2M) from ECMWF, during a heatwave event in Argentina. The dynamical ensemble model (IFS) is chosen to compare with two AI models; AIFS-OPER which is deterministic, and AIFS-ENS that has an ensemble of the same size as IFS. The mean daily temperature observed by National Meteorological Service’s stations is used as a benchmark. With a two week lead, every model underestimates the T2M. Still, there is agreement between models and observations in the first event week, in all the observed temperature range. Additionally, when predicting the heatwave onset, dynamical and machine learning forecasts are comparable. During the event’s second week the underestimation is larger than in the first week, specially for T2M above 30ºC. Therefore, all models presented difficulties to predict the events' duration and intensity. When analyzing forecast evolution in two stations, Rivadavia and Neuquen, is it observed better performance in Neuquen, with a signal 7 days before event’s onset, while in Rivadavia the signal is observed 4 days before. IFS tends to predict T2M 1 to 2ºC larger than AIFS models, with less uncertainty. However, the values converge in short er lead times. The good performance of machine learning models during this event does not guarantee an equal performance in similar instances. It is necessary to further this analysis in other events and variables.