OBSERVACIONES DEL CLIMA

INTRODUCCIN
Hay una gran variedad de fuentes de informacin sobre las variables atmosfricas. Muchas plataformas
diferentes proporcionan informacin sobre el estado actual de la atmsfera, mientras que los proxies
climticos (registros fsicos del pasado) permiten la reconstruccin del paleo clima. Proxies climticos
son, por ejemplo, los ncleos de hielo, anillos de los rboles, lago y mar, los sedimentos o los corales.
Todos estos proxies conservan informacin sobre el clima, cientos de miles o cientos de miles de aos
atrs en el tiempo. Sin embargo, en este mdulo nos concentraremos en el perodo ms reciente,
cuando la atmsfera se explor mediante mediciones instrumentales.
Sobre todo, trabajaremos con los conjuntos de datos existentes. Sin embargo, es posible ponerse en la
situacin que tenemos que llevar a cabo las observaciones del clima por nosotros mismos. Para obtener
alta calidad y datos comparables, es fundamental seguir algunas reglas y normas.
Para utilizar los datos adecuados para el propsito correcto, tenemos que saber el origen de los datos y
tenemos que ser conscientes de los problemas y las incertidumbres de la observacin.
HISTORIA DE LOS SISTEMAS DE OBSERVACION
Para utilizar correctamente los datos de observacin, tenemos que entender el fondo de los datos y el
contexto de su coleccin. Para esto, debemos echar un vistazo a la historia de la exploracin
instrumental de la atmsfera.
La exploracin fsica del medio ambiente y la atmsfera comenzaron hace cerca de 350 aos en el Siglo
de las Luces. Hoy en da, estos primeros datos se siguen utilizando en la investigacin del clima. Durante
todos estos aos, no slo los dispositivos de medicin cambian, sino tambin la motivacin detrs de la
realizacin de las mediciones.
Hace ya mucho tiempo, la gente documento el tiempo en forma escrita, ya que era de gran importancia
para la produccin de alimentos en las sociedades agrcolas. En la navegacin, la documentacin del
tiempo tena que ser con normas ms precisas.
Algunos de la primera medicin instrumental (por ejemplo, con los termmetros y barmetros) fueron
hechos por los mdicos. Antes del descubrimiento de la transmisin de enfermedades por grmenes, las
enfermedades se relacionaban a menudo con los factores climticos. La primera red global con el
objetivo de explorar el cambio climtico no existi hasta 1992, cuando se estableci el SMOC (Sistema
Mundial de Observacin del Clima). Los antiguos sistemas de observacin tenan diferentes tareas como
la previsin del tiempo o el control del trfico areo. Los ejemplos para diferente motivacin y objetivos
en la atmosfera observada influyen en los datos a producir. Si no somos conscientes y no tomamos en
cuenta este contexto, haremos mal uso de los datos, cometeremos errores y obtendremos resultados
poco fiables o simplemente equivocadas en el final.
Observaciones, documentacin de datos: El tiempo siempre se observ, tal como es y fue un factor que
influye fuertemente en el ser humano. Sobre todo en la agricultura y, por tanto, la produccin de

alimentos, el tiempo era muy importante. Las personas anotaron sus observaciones (por ejemplo, en las
industrias lcteas, el tiempo). Tales observaciones descritas slo pueden en parte ser estandarizados.

Registros de buques / mediciones: En la navegacin, las observaciones y la informacin sobre el clima

era esencial para la supervivencia. Por ejemplo, era fundamental saber el tiempo durante el ao para
navegar. Por lo tanto, las normas (por ejemplo, la escala Baufort para la velocidad del viento) fueron
utilizados para proporcionar informacin precisa y exacta sobre el tiempo.
Serie ms larga de mediciones: las primeras mediciones de la atmsfera (por ejemplo, con los
termmetros y barmetros) fueron hechas por los cientficos interesados en la fsica de la atmsfera, as
como por los mdicos, que pensaban que las enfermedades estaban relacionadas con el clima y el
tiempo (la existencia de bacterias y virus que no se conoca en este momento ) o los administradores en
las colonias, que queran proporcionar tanta informacin como sea posible sobre la colonia a su pas de
origen. Las primeras publicaciones en un diario se hicieron a finales del siglo 17.
Redes meteorolgicas: en el siglo 18, las mediciones fueron ms coordinadas. Adems de la intencin
de aprender ms acerca de tiempo y el clima, el objetivo de las primeras redes era aumentar la
eficiencia de la agricultura y obtener prcticas agrcolas sobre una base cientfica. En ese momento, las
prcticas agrcolas se basaban en gran parte en la astrologa.
Sin embargo, la operacin de las redes no dur por mucho tiempo. Se hizo evidente que se necesita un
gran esfuerzo para mantener este tipo de redes
Conferencia martima de Bruselas: En 1853, se celebr la conferencia martima de Bruselas. En esta
conferencia, se definieron las normas para la observacin instrumental del tiempo en el mar. En cuanto
a las observaciones sobre la tierra, la mayora de los servicios meteorolgicos nacionales y redes
meteorolgicas fueron construidos y se fundaron alrededor de los aos 1870s. Ahora, el pronstico del
tiempo tuvo informacin de enfoque. El primer pronstico se public en 1861.
Int. Meteorol. Organizacin: 1873, fue fundada la Organizacin Meteorolgica Internacional (OMI). La
OMI coordinaba el trabajo de los servicios meteorolgicos nacionales y se iniciaron las normas para las
mediciones, informes, control de calidad, etc.
En 1953, las Naciones Unidas cre la Organizacin Meteorolgica Mundial (OMM) en sucesin directa
de la OMI.
Cometas: Para comprender los procesos de la atmsfera, las mediciones en el terreno no son
suficientes. Por lo tanto, los servicios meteorolgicos y las universidades comenzaron las mediciones en
la vertical, mediante el uso de las cometas. Los cometas se fijaron en los cables metlicos, haciendo
aligerar un peligro constante y causando algunas muertes.
AGI: El Ao Geofsico Internacional (AGI) en 1957/1958 fue un gran programa de investigacin
internacional con un fuerte enfoque en los datos. Muchas campaas de medidas importantes (por
ejemplo CO2, ozono) fueron iniciados por la AGI.
Se formaron redes estandarizadas de observaciones en altitud, antes no haba apenas ningn tipo de
coordinacin entre las diferentes campaas de mediciones. La calidad de los datos se increment
fuertemente gracias a la AGI.
Por lo tanto, muchos conjuntos de datos se remontan a 1957 y no ms atrs, a pesar de que hay datos
disponibles en ocasiones anteriores.
Globos piloto: Los globos piloto no contienen instrumentos. Mediante el seguimiento de la trayectoria
del globo, es posible derivar el perfil de viento. El mtodo est en uso desde el siglo 19.
Globos (radiosonda): Los primeros globos meteorolgicos que permitieron mediciones en alturas
mayores que los cometas. Sin embargo, los datos eran recibidos con una gran demora. La invencin de
la transmisin de radio en los 1930s dio un gran paso adelante para la obtencin de los datos de la
atmosfera. Ahora, la informacin sobre la atmsfera fue adquirida en tiempo real y poda ser utilizado
para pronsticos. La mayora de las redes basadas en los datos del impulso del tiempo comenzaron a
operar en los 1940s.
GCOS: En 1992, fue fundado el Sistema de Observacin del Clima Global (GCOS). El GCOS es una red
global diseada para documentar el cambio climtico. Antes, no haba un sistema de observacin con
esta tarea especfica.
Satlites: la imagen del primer satlite fue tomada en 1960. Sin embargo, los datos tiles de los satlites
se producen desde finales de 1970s.
Hoy en da, los datos satelitales se vuelven ms y ms la columna vertebral de los conjuntos de datos
atmosfricos recientes. Sin embargo, todava es difcil obtener valores absolutos de los satlites (por
ejemplo, no hay continuidad en los dispositivos de medicin, a veces las misiones fallan y no existe
solapamiento entre el funcionamiento de un viejo satlite y su reemplazo).

OBSERVACIONES EN ALTITUD Y POR SATELITE

Las observaciones de la atmsfera en el aire libre o desde el espacio son tcnica y organizativamente
mucho ms exigente que las observaciones de la superficie de la tierra. Por lo tanto, la exploracin en la
vertical de la atmsfera comenz bastante tarde. Dado que estas actividades revolucionaron nuestro
conocimiento y comprensin de la atmsfera, vamos a tener un rpido vistazo a este tema.
Los datos del clima y el tiempo cerca de la superficie de la tierra slo proporcionan una visin limitada
de la estructura tridimensional de la atmsfera. Las mediciones en altitud comenzaron a fines del siglo
19 y principios del siglo 20, pero eran ms bien experimentales hasta despus de la Segunda Guerra
Mundial. En muchos pases, las redes obtenan las observaciones en altitud a partir de globos de
registro, cometas y globos piloto (sin volar globos de orugas de la tierra para obtener perfiles de viento);
se establecieron gradualmente durante la dcada de 1900 a 1920, aumentada en la dcada de 1920 por
las observaciones de aeronave, mientras que redes de radiosonda (globos meteorolgicos para medir la
temperatura, la presin y la humedad y la transmisin de los datos a un receptor en la tierra) slo
comenzaron a finales de los aos 1930 y 1940. El Ao Geofsico Internacional (AGI) en 1957/1958
finalmente trajo una red de altura mundial de estaciones de globos meteorolgicos, que sigue siendo la
columna vertebral de las observaciones en altitud.
Otro cambio importante en el sistema de observacin del clima mundial era el inicio de la observacin
de la Tierra a bordo de vehculos espaciales, en la dcada de 1970. Los satlites llevan instrumentos que
miden la radiacin en diferentes longitudes de onda, que puede facilitar informacin sobre la atmsfera
que se puede derivar. Es importante sealar que este ltimo paso, denominado de recuperacin, a
menudo es un problema mal planteado. Muchas condiciones atmosfricas tericas podra resultar en la
misma medicin de irradiacin, y la informacin previa es a menudo necesario para obtener una
solucin.
Los satlites proporcionan una cobertura casi mundial de numerosas variables climticas, tales como la
cobertura de hielo del mar o la nieve, la nubosidad, la estructura vertical de temperatura, o viento en la
superficie. En particular, los satlites proporcionan informacin detallada sobre la concentracin de
gases traza y de la cantidad y propiedades de los aerosoles. Por lo menos tan importante como la de los
datos de superficie, la calidad sigue siendo un tema fundamental para los datos de satlite. El
solapamiento entre diferentes sensores es a menudo demasiado corto para obtener funciones de
transferencia fiables.
*el globo sonda es inflado con hidrogeno o helio.
*segn desciende la presin del aire, el dimetro del globo decreciendo hasta 10 veces su tamao
*un globo sonda asciende tpicamente hasta 20-35km.
SISTEMAS ACTUALES DE OBSERVACIN
En contraste con pocas anteriores, hoy en da la mayora de las observaciones atmosfricas son
mediciones, es decir, la mayora de las propiedades de la atmsfera se cuantifican usando instrumentos.
Los ejemplos incluyen la temperatura del aire y la presin, humedad, velocidad y direccin del viento, la
radiacin, y la composicin de la atmsfera. Sin embargo, las observaciones visuales del tipo de nubes y
fraccin, el tipo de precipitacin, o escribe el clima tambin son importantes, sobre todo ms atrs en el
tiempo.
En los sistemas de observacin se miden las propiedades fsicas o qumicas del aire circundante in situ.
Sistemas de percepcin remota derivan indirectamente propiedades de la atmsfera a partir de las
perturbaciones de las seales electromagnticas que pasan a travs de la atmsfera. Plataformas
utilizadas para las observaciones atmosfricas incluyen estaciones en tierra y las torres en tierra, barcos
y boyas en el ocano, y los globos meteorolgicos, aviones o satlites de la atmsfera libre.

Todas estas plataformas de medicin recogen una gran cantidad de informacin acerca de la atmsfera.
La cantidad de datos recogidos sigue aumentando. Aportando informacin sobre el reciente estado de
la atmsfera, sin embargo no se distribuye por igual en el mundo.
Observaciones atmosfricas se realizan siempre con una cierta intencin, para aplicaciones de instancia
meteorolgica o climatolgica (y muchos otros). La intencin detrs de una observacin es importante
ya que afecta a las propiedades de los datos y la calidad. Aplicaciones meteorolgicas (por ejemplo, la
prediccin del tiempo) llamado disponibilidad en tiempo real, de alta precisin y alta resolucin espacial
de los datos. Consideraciones importantes para las aplicaciones climatolgicas (investigacin del clima,
la planificacin, o evaluacin de riesgos) son de alta precisin, representatividad, y la estabilidad a largo
plazo.
Observaciones sistemticas son caras y requieren un alto grado de coordinacin. Al mismo tiempo que
pueden ser de inters nacional (por ejemplo, para los sistemas de alerta o intereses estratgicos). Por lo
tanto, las observaciones sistemticas se llevan a cabo en su mayora por las grandes organizaciones,
tanto nacionales como los servicios meteorolgicos, que se organizan a nivel mundial en la Organizacin
Meteorolgica Mundial (OMM). La OMM publica normas y recomendaciones relativas a los
instrumentos, las calibraciones, las prcticas de medicin, elaboracin de informes, y la garanta de
control de calidad / calidad. La OMM tambin regula el intercambio de datos y promueve la educacin
profesional.
Slo se necesita un subconjunto de la red meteorolgica mundial para las observaciones del clima, pero
con exigencias particulares relativas a la calidad, la comparabilidad y la estabilidad a largo plazo.
Garantizar la existencia de redes adecuadas es una de las funciones del Sistema Mundial de Observacin
del Clima (SMOC), una institucin que es co-patrocinado por la OMM y otras organizaciones
intergubernamentales.
OMM define el Sistema Mundial de Observacin (SMO) de la siguiente manera:
"El sistema coordinado de mtodos y facilidades para la realizacin de observaciones meteorolgicas y
medioambientales a escala mundial con apoyo de todos los programas de la OMM. El sistema se
compone de instalaciones operativamente confiables subsistemas basados en el espacio basado en la
superficie y el SMO comprende observacin en tierra, en el mar, en el aire y en el espacio exterior. Estas
instalaciones son propiedad y operados por los pases miembros de la OMM cada uno de los cuales se
obliga a cumplir con ciertas responsabilidades en el esquema global acordado para que todos los pases
puedan beneficiarse de los esfuerzos consolidados.

ESTACIONES METEOROLOGICAS
Las mediciones pueden ser descripciones parciales del estado atmosfrico en un momento dado. No por
s son tiles para la ciencia. Los sistemas de observacin necesitan asegurar que las mediciones son
significativas y comparables para obtener datos adecuados
Para algunas variables observadas (como la radiacin, la concentracin de CO2 o el ozono total en
columna) existen normas de trazabilidad mantenidos a nivel internacional. A menudo, las normas se
refieren a un instrumento primario mundial y se transfieren a los instrumentos individuales utilizando
estndares que viajan (es decir, instrumentos que se comparan con regularidad contra el patrn
primario) y una cadena de centros de calibracin regionales y nacionales. Sin embargo, no existen
normas de trazabilidad para muchas mediciones meteorolgicas.
Si queremos saber la temperatura en un lugar determinado, por ejemplo, tenemos que conocer las
reglas y normas requeridas. La Organizacin Meteorolgica Mundial (OMM) define la temperatura del
aire como la temperatura indicada por un termmetro expuesto al aire en un lugar protegido de la
radiacin solar directa. Adems, a fin de lograr resultados representativos al comparar las lecturas del
termmetro en diferentes lugares y en diferentes momentos, se requiere una exposicin estandarizada
de la pantalla. Para las mediciones en la superficie de la tierra (por ejemplo, en una estacin
meteorolgica), la temperatura del aire observada debe ser representativa de las condiciones del aire
libre que rodean la estacin sobre un rea tan grande como sea posible, a una altura de 1,2 a 2,0 m
sobre el nivel del suelo. Preferiblemente las mediciones se realizan sobre el nivel del suelo, libremente
expuestos a la luz solar y el viento y no blindado por, o cerca de, rboles, edificios y otros obstculos. Las
mediciones que no siguen estas normas son igualmente "verdaderas y tal vez tiles para algunas
aplicaciones, pero ciertamente no es significativa para las comparaciones. Abajo puedes ver algunos
ejemplos de estaciones de medicin en diferentes entornos.

Ejemplos de estaciones de medicin. De izquierda a derecha: Estacin meteorolgica en Niwot Ridge en

Colorado, EE.UU. (Foto: Instituto de Investigacin rtica y Alpina de la Universidad de Colorado, EE.UU.),
de la estacin de Lausana, Suiza (foto de previsin-meteo), estacin en Dubai (foto de Biral).
Algunas estaciones meteorolgicas miden muchos parmetros atmosfricos diferentes, incluyendo
otros parmetros ambientales tales como la temperatura del suelo o radiactividad. En otros lugares, por
otra parte, slo los parmetros individuales se miden (por ejemplo, precipitacin). Los instrumentos
utilizados para las observaciones de la atmsfera varan de simples herramientas utilizadas en
estaciones meteorolgicas convencionales a los dispositivos modernos de alta precisin en estaciones
automticas.
Ejemplos de dispositivos de medicin para las estaciones meteorolgicas automticas se muestran a
continuacin. Los fabricantes podrn ofrecer dispositivos para medir el mismo parmetro, pero los
dispositivos se basan en diferentes mtodos de medicin. Es importante tener en cuenta que los
diferentes dispositivos no toman medidas idnticas. Por lo tanto, el intercambio de un instrumento
afecta a la serie de tiempo registrado.

Estacin meteorolgica
La foto muestra a la estacin meteorolgica automtica en
Zollikofen, Suiza. La estacin es parte de la red de estaciones de
Suiza, operado por MeteoSwiss

Incertidumbres de datos: Deteccin del agujero de ozono

La deteccin del agujero de ozono fue de gran importancia (1985), ya que la reduccin de la capa de
ozono estratosfrico causo la mayor cantidad de radiacin ultravioleta (UVB; longitud de onda de 280 a
320 nm) daina para los seres vivos. Gracias a esta deteccin, se descubrieron los procesos
responsables de la disminucin de la capa ozono. Las estrictas regulaciones de las emisiones de
clorofluorocarbonos (CFC) desde la dcada de 1970 llevaron a una reciente tendencia a la recuperacin
de la capa de ozono.
Texto 1: Las observaciones desde tierra
Christie, M. (2001) La capa de ozono. Una filosofa de la perspectiva de la Ciencia. Cambridge University
Press, Cambridge, pp. 41-42.
Por lo tanto, cuando se present por primera Farman por sus colegas ms jvenes con la evidencia de
bajos niveles de ozono de primavera en la Baha Halley, que no estaba convencido de que eran
significativas. Se proporcion un ao ms tarde la confirmacin de la tendencia, y poco despus de que
los datos de los aos de anlisis de cartera llegaron a estar disponible, y una imagen muy clara comenz
a emerger. Los niveles de ozono de la primavera en la Baha Halley haban sido ms o menos constantes
hasta 1976, pero a partir de entonces en adelante se mostr una marcada, continua y creciente
decadencia.
Todava haba por lo menos dos problemas, sin embargo, que necesitaban ser aclaradas. La explicacin
ms probable de cualquier variacin inexplicada e inexplicable en los niveles de ozono medidos siempre
ha sido un artefacto instrumental. La forma en que los instrumentos se utilizan para obtener los datos
significa que cualquiera de un nmero de factores podra causar su calibracin a la deriva, o algn otro
problema fundamental que podra no ser fcilmente evidente. En este caso en particular, fue un poco
difcil de entender por qu un instrumento podra fallar por seis a ocho semanas cada primavera, pero
producir resultados normales durante el verano y el otoo. Sin embargo, haba una necesidad de
demostrar que un artefacto instrumental no estaba involucrado. Durante el verano, un espectrmetro
diferente fue bajado a Halley Bay, y el instrumento que haba estado all regres a Cambridge para la
recalibracin y de cheques. La primavera siguiente, resultados similares se obtuvieron en el segundo
instrumento.
Esta actividad se denomina oblicuamente en la publicacin (Farman et al, 1985, p 207..):
Hubo un cambio de espectrofotmetros en la estacin en enero de 1982; el equipo de recambio haba
sido calibrado frente al estndar Oficina Meteorolgica del Reino Unido en junio de 1981. As, dos
espectrofotmetros han mostrado valores de octubre del total O3 a ser mucho ms bajos que los
valores de marzo, una caracterstica totalmente carente en el conjunto de datos de 1957 a 1973.
El pasaje contina, lo que sugiere y despedir a algunas otras formas en las que los resultados podran ser
artefactual.
La segunda cuestin que realmente preocupaba el equipo era por qu nadie se haba dado cuenta de la
tendencia que estaban observando. En la cara de ella, debera haber habido otros seis conjuntos de
datos recogidos de las estaciones antrticas que podra haber mostrado algo similar. Pero todo esto
podra ser fcilmente despedido. (...)
La mayor parte de las otras estaciones de tierra que podra haber recopilado datos para complementar
los resultados de Halley Bay estaban en subantrtica en lugar de latitudes antrticas verdaderamente.
Otros, por una variedad de razones, no haban estado recogiendo sistemticamente datos en el
momento adecuado. La base estadounidense en el Polo Sur tuvo su propio problema especial, que se
discute ms adelante en este captulo.
Hubo un problema ms grave que la falta de confirmacin por parte de otras estaciones de monitoreo
de ozono en tierra. La NASA haba estado recogiendo un conjunto sistemtico de datos sobre el ozono

desde satlites meteorolgicos en rbita polar durante el perodo pertinente. Si el efecto haba sido
genuino, no parece probable que tal encuesta satlite habra perdido por nada.
Jonathan Shanklin escribi una carta al grupo de la NASA quien cree que est involucrado con el anlisis
de los datos de ozono por satlite, tratando de discutir los resultados de Halley Bay anmalos:
En realidad, yo escrib a dos grupos que participan en las mediciones por satlite de la capa de ozono
antes de la publicacin de nuestro artculo en la revista Nature. Tal vez por suerte un grupo no
respondi y la otra enviada mi carta a un tercer grupo, ya que ya no estaban trabajando en el campo
(Shanklin, 1996).
Texto 2: Las observaciones por satlite
Bhartia, PK (2009) El papel de las mediciones por satlite en el descubrimiento del agotamiento del
ozono estratosfrico. En: Zerefos, C., G. Contopoulos, G. Skalkeas (Eds.) Veinte aos de disminucin de
ozono. Springer, pp. 183-190.
Recuperacin de ozono total de los satlites, como todas las tcnicas de teledeteccin, es un problema
matemtico mal planteado. Ahora es bien conocido (Rodgers 2000) que para hacer estos problemas
necesita una informacin manejable a priori. Reconociendo este problema, Mateer (1971) propuso el
uso de un conjunto de perfiles de ozono "estndar" para estimar el total de la columna de ozono de
radiancias satellitemeasured. La forma de estos perfiles estndar vari con el ozono total. Al adoptar
este enfoque Mateer aprovech una caracterstica del ozono atmosfrico que fue muy conocido en el
momento en que las variaciones en el ozono total en columna reflejan variaciones a gran escala en el
perfil de ozono de la estratosfera inferior. Por lo tanto, se utiliza el ozono total en s mismo para
seleccionar el (la estratosfera inferior) el perfil de ozono correcta. Resulta que esta idea innovadora
funciona muy bien y sigue siendo utilizada por los algoritmos de satlite modernas. En gran parte debido
al xito del algoritmo Mateer, por la dcada de 1980 el ozono total haba convertido en una de las
variables atmosfricas mejor medidos-desde el espacio, comparable en calidad a las mejores estaciones
de tierra (Bhartia et al. 1984). A veces se menciona con euforia que los satlites podran un da hacer las
mediciones en tierra innecesarios.
Sin embargo, en la fabricacin de este tipo de reclamaciones de la gente ignora el papel crtico in situ las
mediciones juegan en recuperaciones satelitales. Para construir los perfiles estndar, Mateer utiliz
datos ozonosondas por debajo de 25 km y servicio de datos cohetesonda arriba. Aunque los perfiles
superiores de la estratosfera se han mejorado progresivamente el uso de datos de satlites de las
extremidades de visin, los datos siguen siendo indispensables ozonosondas por debajo de 25 km para
la construccin de la informacin necesaria para recuperaciones satelitales. Antes del descubrimiento
del agujero de ozono, prcticamente no existan perfiles de ozono a partir de sondas que contenan
menos de 180 DU de ozono total; por lo tanto, el rango inferior de la validez de las consultas de satlite
se fij en 180 DU. Los valores ms bajos fueron marcados como no vlidos ya que no podan ser
recuperados utilizando correctamente los perfiles estndar. Cuando se procesan los datos y SBUV TOMS
a partir de octubre de 1983 en la NASA en agosto de 1984, se convirti rpidamente en que ambos
instrumentos de los satlites estaban midiendo mucho ms radiacin UV que se espera de un perfil total
de 180 DU normal de ozono. Para analizar estos datos los perfiles de ozono estndar se extrapolaron
arbitrariamente a valores ms bajos de ozono. La figura 1 muestra el primer mapa completo del agujero
de ozono antrtico jams se ha hecho. Fue hecho a finales de 1984 el uso de Nimbus-7 datos TOMS. Este
mapa y los perfiles de ozono derivadas de los instrumentos SBUV se presentaron en el simposio IAGA /
IAMA en Praga, Checoslovaquia, 1985 (Bhartia et al. 1985). Varias figuras de esta presentacin fueron
posteriormente reproducidos en un documento (Callis y Natarajan 1986). Cuando los datos
ozonosondas tomadas dentro del vrtice polar antrtico se dispusiera de los perfiles estndar se
ampliaron a 125 DU. Estos perfiles se utilizan ahora para el procesamiento de todos los datos obtenidos
por satlite.
Desafortunadamente, algunos en la comunidad cientfica han derivado conclusiones errneas de esta
experiencia. Ha sido ampliamente pero incorrectamente informado de que el equipo TOMS se perdi el
descubrimiento del agujero de ozono, ya que "ellos rechazaron los datos y descubri que slo despus
de la publicacin de Farman et al., 1985 papel" (ver Seinfeld y Pandis 1998, pgina 189, para un ejemplo
tpico). De hecho, cuando los datos del Polo Sur Dobson de octubre 1984 se convirtieron a disposicin
del equipo TOMS a finales de 1984, mucho antes de la publicacin de Farman et al. papel, no haba duda
sobre la validez de las consultas de ozono total satlite. (Irnicamente, octubre 1983 valores de ozono

total reportado inicialmente por la estacin de S. Polo mostraron valores normales de ozono que eran
mucho ms grande que la que se inform por TOMS. Estos datos fueron posteriormente retirados por la
estacin.) La conclusin correcta que deberan derivarse de esta experiencia es que las tcnicas de
teledeteccin, como los utilizados por los satlites nadir de visin, dependen fundamentalmente de la
informacin generada por las tcnicas in situ, debido a su dependencia de la informacin previa. Cuando
las recuperaciones son empujados ms all de los lmites establecidos por la informacin previa de los
datos se convierten en sospechoso. Para informar de estos datos sin validacin adecuada es
cientficamente irresponsable. El equipo TOMS sigui el enfoque correcto a pesar de que caus varios
meses de retraso en la presentacin de informes de los datos a la comunidad cientfica.

Figura 1 La figura muestra 01 de octubre 1983 mapa de la

columna de ozono total sobre la Antrtida y las regiones
circundantes. Fue hecho a finales de 1984 por un
procesamiento especial de los datos tomados por el
instrumento
TOMS
en
el satlite Nimbus-7.
Procesamiento especial era necesario ya que la
informacin del perfil de la capa de ozono que necesita el
algoritmo operativo no estaba disponible para las
cantidades de ozono total por debajo de 180 DU. Valores
de color rojo y naranja en el centro del mapa se
encuentran por debajo de 180 DU. Ellos pueden tener
errores de hasta 10% desde que se producen al hacer un
clculo aproximado del perfil de ozono. Los datos fueron
reprocesados posteriormente cuando los datos
ozonosondas de la Antrtida estuvieron disponibles.

DATOS DEL CLIMA

Los datos de las observaciones y medidas atmosfricas son una base fundamental de la meteorologa y
la climatologa. El acceso a los datos atmosfricos se ha facilitado en gran medida con el internet. Sin
embargo, a partir de datos sin el conocimiento de su procesamiento, sus fortalezas y debilidades, y sus
incertidumbres pueden distorsionar fcilmente los resultados de anlisis de datos.
En este mdulo nos centramos en las incertidumbres de los datos atmosfricos. Los procedimientos de
aseguramiento de la calidad y control de calidad se describen brevemente. Se muestra la importancia de
documentar la creacin de datos. A continuacin explicamos los procesos de deteccin y eliminacin de
efectos artificiales en las mediciones climticas, denominado homogeneizacin. El uso exitoso y la
interpretacin de los datos del clima se basan en la conciencia de las incertidumbres, y la deteccin y
eliminacin de errores.
INTRODUCCIN
Si usted quiere saber lo que est pasando en la atmsfera hoy en da, usted encontrar una gran
cantidad de informacin a su discrecin. Slo unos pocos clics del ratn de distancia se encuentran las
observaciones, anlisis, simulaciones de modelos, imgenes de satlite, datos de radar y muchos otros
productos. Puede analizar los detalles del desarrollo de las tormentas tropicales, el zoom en su regin
de origen o centrarse en variables muy especficas. Con todos esos datos y productos de datos
disponibles, la atmsfera podra ser como un libro abierto para nosotros. Las imgenes de abajo son
ejemplos de productos de datos que usted encuentra y puede acceder sin ningn problema.
Lo que tenemos que preguntar acerca de los datos de observacin: De dnde provienen los datos?
Cmo se obtuvieron los datos? Por cuales controles y procedimientos pasan los datos? Es la
informacin adecuada para nuestro propsito?
Para resumir estas preguntas: Qu hay detrs de los datos y productos de datos?

QU ES UN BUEN CONJUNTO DE DATOS?

Antes de empezar a trabajar con los datos climticos, debemos tener en cuenta la calidad de los datos.
Si utilizamos los datos malos, podramos hacer un gran trabajo de analizar los datos, pero el resultado
final todava ser malo. Sobre todo hoy, con grandes cantidades de datos disponibles, es muy
importante pensar en las siguientes preguntas:
Qu es un buen conjunto de datos?
Qu cualidades debe tener un conjunto de datos para las aplicaciones y los anlisis?
METADATOS
Los metadatos son informacin sobre los datos o "datos sobre datos". La palabra combina la "meta"
griega (ms all) y el "datum" Amrica (un hecho). Los metadatos son importantes para todos los datos
de observacin de la atmsfera, con independencia de la plataforma de medicin (por ejemplo, boyas,
radiosondas, satlites). A continuacin vamos a ver los metadatos reunidos para las estaciones
meteorolgicas. Sin embargo, las principales declaraciones sobre metadatos son vlidas para las
observaciones atmosfricas en general.
Aguilar et al. (2003) describen los metadatos y su importancia en las Directrices sobre WMOs Climtico
Metadatos y homogeneizacin de la siguiente manera:
"Los metadatos deben reflejar cmo, dnde, cundo y por quin se recogi la informacin. Lo ideal sera
uno de los metadatos completa debe registrar todos los cambios de una estacin que ha sufrido durante
su vida til, que componen lo que se llama la historia de la estacin. (...).
Se necesitan buenas metadatos para garantizar que el usuario no tenga ninguna duda sobre las
condiciones en las que se han grabado los datos, recogidos y transmitidos, con el fin de extraer
conclusiones precisas de su anlisis. El conocimiento de la fecha exacta y hora en que se reemplaz un
termmetro y las caractersticas tcnicas de la nueva y la vieja instrumental, seguramente ayudar a
eliminar la huella digital no climtica de este cambio en ese registro de temperatura en particular. Se
necesitan de alta calidad y los conjuntos de datos homogneos a largo plazo para evaluar los problemas
relacionados con el clima.
Los metadatos tienen un papel clave en el proceso de creacin de este tipo de datos, como el
conocimiento de la historia de la estacin ofrece una mayor confianza en las tcnicas estadsticas
empleadas para garantizar que las nicas variaciones que permanecen en una serie de tiempo climtico
se deben a la variabilidad del clima y el cambio real. Usuarios de los datos meteorolgicos distintos de la
comunidad climatolgica, que trabajan en campos como la meteorologa agrcola, la ingeniera o la
aeronutica, tambin se benefician de los metadatos. Estos profesionales tambin tienen que extraer la
mxima precisin de las observaciones, y comparar los datos con frecuencia tomadas en distintos
lugares o tiempos. Un conocimiento completo de las condiciones de medicin les ayudar a lograr este
objetivo.
La importancia y la necesidad de metadatos en la ciencia del clima tambin pueden ser entendidas por
citar uno de los principios de vigilancia del clima del SMOC: "Los detalles y la historia de las condiciones
locales, instrumentos, procedimientos operativos, los algoritmos de procesamiento de datos y otros
factores pertinentes para la interpretacin de los datos (es decir, los metadatos) deben ser
documentados y tratados con el mismo cuidado que los propios datos de la OMM "(2003).
Por desgracia, los metadatos son en su mayora incompleta y en muchas redes de observacin apenas
hay metadatos grabados. Por otra parte, los metadatos son a menudo escritos a mano y en las lenguas
nativas. Es, sobre todo, la tarea de la los Servicios Meteorolgicos e Hidrolgicos (SMHN) para recopilar
metadatos y desarrollar un sistema flexible, ampliable para administrar metadatos en la estacin
climatolgica en forma digitalizada.
La siguiente tabla ofrece una visin general sobre cules son los elementos de metadatos deben y que
deben ser almacenados. A pesar de que la mayora de los tipos de metadatos no son parte de los
requisitos mnimos, la mayor cantidad de informacin sobre los datos como sea posible debe ser
registrada. Los metadatos disponibles ms fiables, se pueden utilizar ms aplicaciones para los datos.
Para mantener observaciones comparables entre diferentes redes de observacin, es crucial un
barbecho de las directrices de la OMM.

categora

Tipo de metadatos

Breve explicacin

Identificadores de
estacin

Cdigo local
Cdigo de la OMM
Nombre y alias
Activo / Cerrado
Comenzando / Fecha de
finalizacin
Tipo de estacin
Organizacin Responsable
Manual / AWS
huso horario
Redes

Identificar claramente la estacin y de quien es la

responsabilidad. Es muy importante hacerlo
informando todos los diferentes cdigos, ya que
algunas veces los cdigos de la OMM no se
utilizan a nivel local y los cdigos nacionales no
son conocidos en el extranjero. Tambin es til
saber que una estacin est incluido en las redes.

datos geogrficos

latitud
longitud
elevacin
Fechas de reubicacin
Informacin topogrfica
Mtodo de obtencin de latitud
/ longitud
Resolucin de latitud / longitud

Coordenadas geogrficas y fechas exactas de las

reubicaciones, junto con otros detalles
topogrficos. Se debe tener cuidado en la
diferenciacin N / S y E / W latitudes/altitudes,
as como con la presentacin de informes
fracciones de grado (minutos y segundos o
milsimas de grado)

medio ambiente local

Uso de la tierra local portada /

tierra
exposicin Instrumentos
tipo de suelo
condiciones del sitio
Fotografas
Los planos del sitio
diagramas de Skyline

Documentar el entorno de la estacin y la

exposicin de instrumentos: los obstculos, por
ejemplo, uso de la tierra, el crecimiento
demogrfico, la cobertura del suelo, sitio de
exposicin, etc.

Instrumentacin y
mantenimiento de la
estacin

Tipo de instrumentos
comparaciones de instrumentos
Fechas de inicio / fin de
instrumentos
Condicin de instrumentos
Instrumento
a cubierto y Montaje
Tipo de grabacin
resultados de la calibracin
Mantenimiento / Fallos
especiales
Modificaciones
altura del barmetro

Informar sobre las caractersticas de los

instrumentos en uso y su encubrimiento, la
precisin, la calibracin y el mantenimiento;
indican cmo se transmiten los datos. Observar
cuidadosamente cualquier cambio en la
instrumentacin.

La observacin de las
prcticas

informacin Observador
Observar nivel de formacin
Lista de los elementos
observados
La observacin de los tiempos
Unidades utilizadas
instrucciones de observacin
Las operaciones de
mantenimiento de rutina
Los artculos desechables de
reemplazo

Mantener documentados qu elementos se

observan y cuando, con atencin especial a la
aplicacin de las veces el horario de verano;
informar el momento exacto de las operaciones
de mantenimiento y de las correcciones hechas a
los datos

Las correcciones hechas por el

observador

proceso de datos

Los acontecimientos
histricos

comunicacin

Unidades
cdigos especiales
Clculos
Algoritmos
Control de calidad aplicado? (s /
no)
Otros detalles sobre control de
calidad
Aplica homogeneizacin? (s /
no)
Otros detalles sobre la
homogeneizacin
La recuperacin de datos
esfuerzo? (s / no)
Otros detalles sobre la
recuperacin de datos
Tratamiento de datos
redundantes

Informe de unidades en uso y dar factores de

conversin si no pertenecen al sistema mtrico.
Indique los cdigos especiales utilizados y su
significado; mencionar en los metadatos de
cualquier modificacin introducida en los datos
grabados:
clculos,
correcciones,
homogeneizacin y los datos de interpolacin.
Criterios de informe para los datos que faltan, y si
ms de un instrumento para el mismo elemento,
que se considera el principal instrumento.

Los cambios en el entorno social, Aadir a metadatos cualquier cambio

poltico e institucional
significativo en el contexto estacin que pueda
Fechas de horario de verano
afectar la recopilacin de datos
Transporte de la seal / de
transmisin de datos
La correspondencia general

La correspondencia general, tales como el correo

electrnico entre los operadores y los
observadores de la estacin pueden incluir
informacin potencialmente valiosa sobre la
calidad de las observaciones.

ASEGURAMIENTO DE CALIDAD/CONTROL DE CALIDAD

Hay muchos errores posibles que pueden ocurrir a partir de mediciones para el conjunto de datos final.
Para reducir esos errores, se aplican Garanta de Calidad (QA) y los procedimientos de control de calidad
(QC). QA es un esfuerzo sistemtico para garantizar que las cosas correctas se hacen de la manera
correcta, por ejemplo, inspecciones regulares si las mediciones siguen estrictamente las directrices de la
OMM. QC se centra en la calidad del producto final, por ejemplo, examinar una serie de tiempo y,
posiblemente, rechazarlo si se incluyen demasiados valores sospechosos. Sin embargo, en ciencias de la
atmsfera a menudo es difcil distinguir claramente entre QA y QC. Por lo tanto, en la siguiente nos
referiremos a la combinacin de los dos procesos (QA / QC), como se hace a veces en la literatura.
Antes de trabajar con los datos de medicin, el conjunto de datos necesita ser comprobada por los
errores. Como se indica en las directrices de la OMM sobre el Clima de metadatos y homogeneizacin,
los errores pueden ocurrir en el proceso de grabacin, la manipulacin, el formato, transmitir y archivar
datos. Procedimientos QA / QC se aplican para identificar esos errores. Si obtiene un conjunto de datos,
debemos averiguar si ya se ha aplicado QA / QC. Sin embargo, incluso si el conjunto de datos ha sido
objeto de un control de calidad / procedimiento completo de control de calidad, es recomendable
realizar algunas pruebas bsicas, ya que para muchas aplicaciones ya un nico valor atpico puede
afectar significativamente el resultado del anlisis.
Hay una gran variedad de mtodos de GC / CC. Los errores ms grandes y ms evidentes pueden ser
detectados por tcnicas simples tales como el trazado de los datos contra el tiempo (solo o junto con
estaciones vecinas), visualizar estadsticas simples (ver figuras siguientes) o datos de identificacin
perifricas umbrales prefijados. Para la deteccin de otros errores, se necesitan mtodos sofisticados,
por ejemplo, la validacin cruzada de diferentes parmetros de la correlacin en una o varias
estaciones. Segn Aguilar et al. (2003), algunas de las tcnicas utilizadas para el control de calidad /
control de calidad son:
Cheques bruto de error (por ejemplo, cambio en las comas, las precipitaciones negativo)

Pruebas de tolerancia (detectar valores atpicos mediante la definicin de los lmites superior e
inferior)
Comprobacin de coherencia interna (por ejemplo, temperatura mxima <temperatura
mnima, 100% cobertura de nubes reportado no es consistente con muy alta radiacin solar)
Coherencia temporal (cambio que se podra esperar en un elemento en cualquier intervalo de
tiempo)
Coherencia espacial (comparar si cada observacin es consistente con las tomadas al mismo
tiempo en las estaciones de vecinos afectados por las influencias climticas similares)

Media mensual de las temperaturas mximas diarias para noviembre de tres estaciones en Espaa
(datos de 1 / 10C). Los datos muestran un valor de la periferia de la serie histrica de Gerona en 1960
(crculo rojo). Trazado de una serie de tiempo es un proceso simple, pero revela muchos errores
(incluyendo las estaciones vecinas ayuda a identificar los valores errneos). Tambin permite identificar
valores como cdigos especiales (por ejemplo, es muy comn el uso de figuras como el "-999" para
identificar los datos que faltan) (Aguilar et al., 2003).
Distribucin de las series de tiempo de
temperatura mxima a Quillabamba, Per
(base de datos 2010-2012). El crculo rojo
marca un caso tpico de un caso atpico. En
este caso, se trata de un error de
mecanografa (punto decimal) (Gubler et al.
2013).

Como un ejemplo de QA / QC aplicado en la investigacin, KUGLITSCH et al. (2009) defini los criterios
de control de calidad / control de calidad antes de homogeneizacin (ver seccin Homogeneizacin) a
varias series de temperatura mxima en el Mediterrneo de la siguiente manera:
Los valores fueron excluidos por etiquetarlos como valores faltantes, si
superaron los 50 C
super 4 desviaciones estndar de la longitud completa de la serie respectiva estacin
superaron una diferencia de 25 C entre observaciones consecutivas
haba cuatro o ms iguales valores consecutivos en una fila

Cmo se definen los criterios en un caso concreto? depende de su propsito, la variable que est
viendo, la regin climtica, etc. En Per, por ejemplo, los lmites de las diferencias de temperatura entre
dos das consecutivos son muy inferiores a los 25 C se utiliza en el ejemplo descrito anteriormente,
debido a la menor variabilidad en el da a da la temperatura en las regiones tropicales (el lmite actual
para la regin costera se establece un valor tan bajo como 5 C) (Gubler et al. 2013).
Procedimientos QA / QC aplicados deben ser documentados y se almacenan como metadatos. La razn
de la importancia de documentar procedimientos de GC / CC se describen por Aguilar et al. (2003):
"Cualquier detalle disponibles sobre las tcnicas exactas que se aplican son de gran ayuda para el futuro
usuario de los datos, as como informacin sobre los datos que fallan las pruebas y el tiempo que han
llevado a cabo las pruebas para. ()
La alteracin de los procedimientos de control de calidad en un momento dado puede tener un impacto
importante en los datos. Por ejemplo, antes de 1999, los datos de temperatura de radiosonda
procesados en los EE.UU. se truncan a -90 C. Despus de ese tiempo, las temperaturas tan fras como 93 C comenzaron a aparecer. Si bien este cambio era adecuado ya que permite temperaturas fras
vlidos a existen en el expediente, lo hizo crear un sesgo fro en el anlisis en busca de cambios en la
temperatura en la tropopausa tropical.
QA / QC tiene como objetivo detectar y eliminar solo valores o grupos de valores errneos. Despus de
este proceso, todava existen posibles errores sistemticos (es decir, no influencia climtica, ver seccin
inhomogeneidades) en series de tiempo climatolgico que no pueden ser detectados por el control de
calidad habitual / QC. El proceso para detectar y corregir tales inhomogeneidades se llama
homogeneizacin (ver seccin Homogeneizacin).
EL RECORD MUNDIAL DE TEMPERATURA
En 2012, QA / QC-cuestiones hicieron que el mundo la cada rcord de temperatura de 58 a 56,7 C. Un
panel de la OMM comprueba la medida desde el 13 de septiembre 1922 en El Azizia (Libia), que fue
considerada la ms alta temperatura de la superficie del planeta durante 90 aos.
En el comunicado de prensa de la OMM N 956 de 13 septiembre de 2012, las principales
preocupaciones son descritos como:
"(a) instrumentacin problemtica, (b) un observador inexperto probable, (c) un sitio de observacin de
ms de un material similar al asfalto que no era representativa del suelo del desierto nativo, (d) pobre
juego del extremo a otras localidades cercanas y (e) pobre juego a temperaturas posteriores registrados
en el sitio.
El comit de evaluacin de la OMM concluy el escenario ms convincente para el evento 1922 fue que
un nuevo e inexperto observador, no entrenado en el uso de un instrumento de sustitucin inadecuada
que podra ser malinterpretado fcilmente, registr incorrectamente la observacin y en consecuencia
fue un error de unos siete grados Celsius ".
La imagen siguiente muestra la falta de homogeneidad probable debido a un nuevo e inexperto
observado

Las temperaturas mximas de 09 1922 registraron en El Azizia (32,5 N, 13.0 E) en comparacin con las
estaciones cercanas. Sospechosamente se midieron altas temperaturas a partir del 11 de septiembre. A
partir del mismo da, en la hoja de observacin meteorolgica temperaturas mximas se indican en la
columna de las temperaturas mnimas y viceversa. Por lo tanto, es probable que un observador nuevo y
/ o sin experiencia comenz a grabar errneamente lectura del termmetro Bellani-Six en Azizia (El Fadli
et al. 2013).

Profesor Randell Cerveny, un relator de Clima y tiempo extremos de la OMM, se cita en el comunicado
de prensa de la OMM N 956:
"Esta investigacin demuestra que, a causa de las continuas mejoras en meteorologa y climatologa,
expertos en el clima pueden ahora reanalizan registros climticos del pasado con mucho ms detalle
que antes. El resultado final es un mejor conjunto de datos climticos para el anlisis de importantes
cuestiones mundiales y regionales que implica la variabilidad del clima y el cambio.
El 56,7 C medido en 10 de julio 1913 en el rango de Groenlandia en el Valle de la Muerte (EE.UU.) es
ahora la temperatura de la superficie ms alta jams registrada oficial. Sin embargo, esta medida
tambin es cuestionada por algunos
INHOMOGENEIDADES
Inhomogeneidades son saltos no climticos y cambios en los datos climticos. La mayora de series de
de tiempo climatolgico de largo plazo se ven afectados por una serie de factores no climticos que
hacen que estos datos no representativos de la variacin del clima real que ocurre en el tiempo. Esto es
particularmente un problema para el cambio climtico que se analiza.
Como se muestra en el vdeo en la introduccin, hay una gran variedad de posibles fuentes de
inhomogeneidades. Por lo general paso heterogeneidades y la falta de homogeneidad de tendencias se
distinguen, a pesar de la falta de homogeneidad puede tener muchas otras dependencias temporales.
Paso inhomogeneidades se detectan ms fcilmente que otros tipos. Pueden ocurrir pasos, por ejemplo,
debido a una reubicacin de la estacin o debido a un cambio de un instrumento o refugio.
Inhomogeneidades tendencia (por ejemplo, debido a los cambios en un entorno de la estacin), son ms
difciles de distinguir de las influencias climticas reales. Por otra parte, la falta de homogeneidad
pueden afectar los valores extremos (por ejemplo, slo los cambios en un escudo sensor de
temperatura con diferente susceptibilidad a la radiacin).
Las cifras a continuacin muestran algunos ejemplos de la falta de homogeneidad reales que se
encuentran en los datos de observacin.

Cambio de instrumento: Las mediciones de horas de sol brillante para febrero en Graz (Austria) por un
autgrafo sol Campbell-Stokes y un sistema Haenni Solar de estaciones meteorolgicas automticas. Los
dos se instalaron dispositivos de medicin junto a la otra. Sol ha aumentado desde 1970: para los no
modificados Campbell-Stokes 2,13 horas por ao, continuando con la serie con Haenni solar desde 1989
la tendencia podra estar sesgada con un exceso de 0,47 horas al ao (Aguilar et al., 2003)

Cambio en la ubicacin de la estacin: la serie de precipitacin para abril en Pula Monte Zaro (Croacia).
Las mediciones se realizaron en la azotea de un edificio desde y en el patio. Turbulencias causadas por el
viento y el edificio como obstculo reducen la cantidad de gotas de lluvia alcanzar el indicador de lluvia
en la parte superior del techo, lo que lleva a una deficiencia de la cantidad media de precipitacin en el
techo de la exposicin 35% en comparacin con la exposicin patio (Aguilar et al. 2003).
La mejor manera de evitar la falta de homogeneidad en los datos de clima es mantener las mediciones
homogneas. Sin embargo, puesto que esto es casi imposible en el largo plazo y ya que la
homogeneidad de series de tiempo no es un objeto principal por un largo tiempo (la primera red global
con el objetivo de observar el clima fue fundada en 1992, vase la historia de los sistemas de
observacin), casi todos registros de las estaciones a largo plazo se ven afectados por la falta de
homogeneidad. Mtodos para detectar y corregir faltas de homogeneidad se llaman homogeneizacin y
se describen en la siguiente seccin.
LA HOMOGENEIZACIN
El objetivo de la homogeneizacin es eliminar todos los cambios no climticos en los datos. Si el
procedimiento se realiza con xito, tenemos una serie temporal homognea de una variable atmosfrica
que es representativa y se puede utilizar para anlisis de tendencias.
Los pasos que se enumeran a continuacin se siguen comnmente en el proceso de homogeneizacin:
Anlisis de metadatos y QA / QC
Deteccin de punto de interrupcin (en su mayora mediante el uso de las estaciones vecinas como
referencias)
Atribucin de un error a la rotura detectada si es posible ajuste de las vacaciones
Incluso si sabemos que un control de calidad total / QC se ha aplicado a la serie de datos, se recomienda
llevar a cabo una comprobacin bsica de nuevo (por ejemplo, el trazado de los datos). Obviamente los
datos errneos que no se detect en QA / QC o surgieron despus deben ser corregidas o eliminadas ya
que los valores perifricas obstaculizan la deteccin estadstica de faltas de homogeneidad e influyen en
la desintegracin de la correccin. Hay una gran variedad de mtodos estadsticos para detectar puntos
de interrupcin en diferentes escalas de tiempo. La atribucin de un error (por ejemplo, traslado
estacin o cambio en la instrumentacin) demuestra la ruptura detectado por una falta de
homogeneidad y posiblemente permite un ajuste especfico y ms precisa de los datos.
Hay varios paquetes de software para la deteccin de punto de interrupcin y tras el ajuste descanso
estn disponibles. Sin embargo, la homogeneizacin de datos climticos exige ms esfuerzo que acaba
de ejecutar un programa de software. Hay muchas decisiones que tomar y para lograr buenos
resultados, el conocimiento y la comprensin de la asignatura es necesario.
Deteccin de punto de interrupcin
El proceso de deteccin de las influencias no climticas en el clima de series de tiempo de datos se
denomina deteccin de punto de interrupcin. Si haba metadatos totalmente completos para los datos
de observacin, se inform de todas las faltas de homogeneidad en los datos, no sera necesaria la
deteccin de punto de interrupcin estadstica y se rompe cual se puede modificar directamente. Sin
embargo, apenas existen tales metadatos perfecto. E incluso en la presencia de los metadatos ms

cuidadosamente documentado, Directrices WMOs sobre metadatos climticos y asesoramiento

homogeneizacin a comparar la historia de la estacin y se rompe estadsticamente identificado como
una especie de doble control.
Encontrar los puntos de interrupcin
A pesar de que existen mtodos estadsticos sofisticados para detectar influencias no climticos en
series de tiempo, la evaluacin visual y el juicio por el ojo del experto es todava una herramienta muy
fuerte en la homogeneizacin de los datos. Varios mtodos utilizan las estadsticas, pero la decisin
sobre la definicin de los puntos de interrupcin no climticos se realiza visualmente. Sin embargo, para
obtener buenos resultados de tales mtodos subjetivos, el conocimiento y la experiencia profunda son
necesarios (vase, por ejemplo Venema et al. 2012).
Para la deteccin de ruptura estadstica, mtodos absolutos y relativos se distinguen. Mtodos de
prueba absolutos utilizan slo los datos de la serie temporal para ser homogeneizada. Puesto que la
magnitud de las inhomogeneidades es en su mayora ms pequea o igual que la magnitud de las
verdaderas variaciones relacionadas con el clima, las pausas detectadas por el mtodo de prueba
absoluta deben ser confirmados por la historia de la estacin. Por lo tanto, cuando se utiliza el mtodo
absoluto, todava dependemos en gran parte en los metadatos.
El mtodo de prueba relativa en el otro lado utiliza los datos de las estaciones de vecinos como
referencias. Mayormente, una llamada serie de tiempo de referencia se calcula de los datos de varias
estaciones vecinas. La serie de tiempo de referencia se compara con la serie histrica de la estacin
queremos homogeneizar (llamada la estacin de candidato). La serie de tiempo de referencia debera
haber idealmente experimentado las mismas influencias climticas como la serie histrica estacin de
candidato y no debe incluir faltas de homogeneidad. La siguiente figura muestra cmo un punto de
interrupcin en una serie de tiempo (que se enmascara en los datos originales) aparece claramente en
la diferencia entre la estacin de candidato y de series de tiempo de referencia.
Enfoques ms recientes en su mayora no construyen una serie de referencia, pero comparar un nmero
de estaciones de vecinos con alta correlacin valores uno por uno con la estacin de candidato. Las
estaciones ms adecuadas para usar como referencias, los mejores resultados son de esperar. Si un
nmero definido de estaciones vecinas muestran la misma ruptura o tendencia en los datos, se acepta
como caracterstica climtica.

Top: promedio mensual de la temperatura mnima diaria para diciembre en Burgos, Espaa. Abajo:
Diferencia entre el candidato y normalizado de series de tiempo de referencia, utilizando 10 estaciones
vecinas (Aguilar et al., 2003). La diferencia entre el candidato y la serie de tiempo de referencia muestra
claramente una falta de homogeneidad, indicado por el color de fondo amarillo. Los datos originales
(arriba) ocultan la falta de homogeneidad. La ruptura se documenta en los metadatos como una

estacin de reubicacin en 1941 (lnea discontinua azul). Dos aos con excepcionalmente clidas
temperaturas mnimas diarias para diciembre causaron el retraso entre la reubicacin de la estacin y la
aparicin de la ruptura de los datos. Como se ilustra en este ejemplo, la deteccin de ruptura estadstica
no permite datacin exacta de la falta de homogeneidad. Si la causa de la falta de homogeneidad se
inform en los metadatos, la fecha exacta de la ruptura puede ser determinada, lo que permite un
ajuste ms preciso.
Cmo se construye una serie de tiempo de referencia y los dos principales problemas de los mtodos
de deteccin relativos descanso se describen por Aguilar et al. (2003):
"El enfoque ms comn para la construccin de una serie de tiempo de referencia es calcular para cada
ao un promedio ponderado de los datos de las estaciones o secciones de estacin vecina de series de
tiempo que los metadatos son homogneos indican vecino. Algunos medida de similitud (generalmente
coeficiente de correlacin) se emplea para seleccionar a los vecinos ms adecuados y les peso de
acuerdo a su semejanza estadstica para el candidato. (...).
Creacin y uso de series de tiempo de referencia puede encontrarse con dos problemas principales, la
primera es la falta de datos para construir ellos. As, para los datos de satlite, no ser posible utilizar
esta fuente para fechas anteriores a la dcada de 1970. Del mismo modo, para algunas regiones del
mundo, la red de observacin era, o es, demasiado escaso para encontrar suficientes estaciones vecinas
para construir una referencia fiable. (...). Tambin es cierto que las dificultades para la construccin de
un aumento de series de tiempo de referencia exponencialmente con el aumento de la variabilidad
espacial de los datos. Variabilidad espacial depende de tres factores clave: el elemento meteorolgico
que nos ocupa; el tipo de clima; y la resolucin de tiempo. Es muy comprensible intuitivamente que es
ms fcil para crear una buena serie de tiempo de referencia para temperaturas promedio anuales de
una estacin en el ecuador de la construccin de una referencia para la precipitacin de agosto para una
estacin en el Mediterrneo.
Al lado el problema de las series de tiempo de referencia que falta y demasiado escasa, el mtodo
relativo de deteccin de rotura de falla si la causa de una falta de homogeneidad afecta a la totalidad o
gran parte de una red de medicin al mismo tiempo. Este es el caso, por ejemplo, si un nuevo legado de
medicin se instala en todas las estaciones de una red de estaciones nacional en aproximadamente el
mismo tiempo. Las pruebas de homogeneidad se consideran esta falta de homogeneidad como una
caracterstica climtica, ya que est presente en todas las series de tiempo. Adems de comprobar los
metadatos es, por tanto, conveniente incluir series de tiempo de otras redes (por ejemplo, otro pas) en
el proceso de deteccin de rotura si es posible.
Hay una gran variedad de mtodos estadsticos para buscar puntos de interrupcin. En el captulo 3.4
de las Directrices de documentos de la OMM sobre el Clima de metadatos y homogeneizacin, hay una
revisin de las tcnicas ampliamente utilizadas para la deteccin de faltas de homogeneidad.
Investigaciones recientes sobre la homogeneizacin de datos se centra principalmente en el desarrollo o
la mejora de los mtodos para identificar los puntos de interrupcin en las resoluciones ms altas (datos
temporales es decir sub-mensual) y en los valores extremos.
Ajuste de las vacaciones
No todos los puntos de interrupcin detectadas en el proceso de deteccin de punto de interrupcin
son necesariamente inhomogeneidades reales. Las pruebas de homogeneidad pueden producir
resultados falsos positivos. Por lo tanto, antes de ajustar los descansos, las causas fsicas de los puntos
de ruptura detectados deben idealmente ser encontrados en los metadatos. Adems de confirmar el
punto de interrupcin a ser una falta de homogeneidad, saber la razn exacta y la fecha de aparicin de
la influencia climtica no puede permitir una correccin ms adecuada (como se demuestra ms
adelante en esta pgina). Si no hay metadatos disponibles o si no existe una causa para el punto de
ruptura detectado informado, se necesita la opinin de expertos para decidir si el punto de interrupcin
es de origen no climtico o no.
Como el ltimo paso del proceso de homogeneizacin, los puntos de interrupcin no climticos son
ajustados (ver cuadro abajo). El enfoque ms habitual es la correccin para calcular el promedio de las
secciones homogneas antes y despus de cada punto de interrupcin. Por los valores medios, el factor
de correccin se calcula, que es la diferencia de los medios en el caso de variables medidas en una
escala de intervalo (por ejemplo, temperatura) o la relacin de los medios para las variables medidas en
una escala proporcional (por ejemplo, precipitacin). El factor de correccin se aplica entonces a la
seccin no homognea.

El enfoque de correccin explic antes procede ajustar los cambios repentinos. En caso de
inhomogeneidades graduales, la seccin no homognea debe ser des-tendi mediante la aplicacin de
un factor de correccin calculado por la pendiente de la parte no homognea.
Los puntos de interrupcin son normalmente corregidas para que coincida con la seccin homognea
ms reciente. Por ejemplo si se traslad una estacin, los datos de la ubicacin de la estacin vieja se
corrigen para que coincida con la nueva ubicacin de la estacin y no a la inversa. De esta manera, los
datos actuales y futuros reportados son homogneos hasta que se produce una nueva interrupcin

Vacaciones de ajuste de una serie de tiempo. Hay un punto de interrupcin obvia en los datos (lnea de
puntos amarillo). Tal falta de homogeneidad clara podra surgir, por ejemplo, en una serie de tiempo de
temperatura debido a una reubicacin de la estacin el fondo del valle a un lugar cercano en una cresta
o una pendiente.
La mayora de los enfoques de homogeneizacin se han aplicado a los datos anuales o mensuales. Para
el ajuste de las rupturas de series de tiempo de tales medios a largo plazo, el clculo y la adaptacin de
los factores de ajuste es adecuado. Centrndose en la homogeneizacin de los datos y extremos submensual sin embargo (como la mayora de los proyectos de investigacin reales lo hacen), los nuevos
problemas y desafos que surgen. Un ejemplo demostrativo de la mayor complejidad de ajuste descanso
adecuado en los datos sub-mensual (en este caso en las observaciones de datos extremos) es descrito
por Aguilar et al. (2003):
"Considere la posibilidad de (...) la falta de homogeneidad en un mximo de observaciones diarias de
temperatura causados por el cambio de termmetro de lquido en vidrio en un refugio de listones de
madera a un termistor electrnico en un refugio de aspirado. En gran parte del mundo, sumamente
clidos das es probable que ocurran en condiciones de calma soleados. en estas situaciones, los
refugios de pizarra de madera tienden a recalentarse cuando el sol est brillando fuertemente sobre l y
la ventilacin natural es mnima. por otra parte, las temperaturas mximas de fro extremo en muchas
partes del mundo se asocian a nublado , lluvioso, y las condiciones de viento. En tales casos, el refugio
de madera no se sobrecaliente. por lo tanto, los ajustes de homogeneidad precisa de los extremos fros
y clidos sera probablemente muy diferentes unos de otros y de observaciones de datos que no son
extremos ".
Para corregir roturas en estos casos se necesitan anlisis ms sofisticados. Los enfoques basados en la
fsica pueden ayudar a ajustar las pausas ms adecuadamente en los datos sub-mensual. Para un caso
similar como el descrito antes, y Auchmann Brnnimann (2012) desarrollaron un mtodo para la
correccin de cambios en las caractersticas del sensor de escudo.
En Basilea (Suiza), se midi la temperatura en una pantalla Wild hasta 1966, que la pantalla se cambi a
una pantalla Stevensson (ver fotos de abajo). Este cambio caus una falta de homogeneidad en la serie
de tiempo, ya que afecta el balance de energa en funcin de las condiciones climticas del ambiente.
Izquierda: La pantalla Wild es una pantalla metlica,
abierta hacia el norte y la parte inferior. Derecha: El,
pantalla de madera ms pequea Stevenson est
cerrado por todos los lados y tiene un doble techo y
paredes de lamas, con persianas mucho ms
pequeas que en la pantalla Wild (Auchmann y
Brnnimann 2012).

El calor puede alcanzar el sensor de temperatura en la pantalla por flujo de calor sensible o por flujo de
radiacin. Debido a las diferentes caractersticas de las dos pantallas, los flujos de calor difieren
sustancialmente. Auchmann y Brnnimann (2012) modelan estos flujos de energa. Como resultado, los
valores medidos con el anterior sistema de la pantalla Wild se pueden ajustar a los datos de medicin
recientes.
Por la maana, el signo de la correccin (ver figuras de abajo) depende, en gran cantidad en la posicin
del sol en el momento de la medicin (por encima o por debajo del horizonte). El signo de la correccin
es negativo al medioda, cuando la radiacin de onda corta llega a la pantalla (que se calienta la pantalla
Wild ms de la pantalla de Stevenson) y una noche positiva, cuando la radiacin de onda corta est
ausente (la pantalla Wild irradia ms y se enfra). Durante la medicin de la maana, el sol est sobre el
horizonte desde finales de primavera hasta principios de otoo, lo que lleva a un cambio de signo de la
correccin. Para cualquier momento del da y cualquier da del ao, se necesita ms correccin para
condiciones de cielo despejado (ms radiacin penetra en la atmsfera). El viento tambin influye en las
mediciones, ya que los refugios de pantalla Stevenson el sensor ms y reduce la ventilacin.
Gracias al estudio descrito, la ruptura causada por el cambio de una pantalla salvaje a una pantalla de
Stevenson se puede corregir adecuadamente en escalas sub-diarios y para los extremos. Sin embargo,
estos mtodos necesitan un gran esfuerzo, son aplicables a los casos especficos slo una frecuencia
depender de la disponibilidad de nuevas observaciones (en este caso en la nubosidad y la velocidad del
viento).
PRODUCTOS DE DATOS
En nuestro trabajo diario que apenas utilizamos los datos de observacin directa. Sobre todo,
trabajamos con productos de datos. Hay una gran cantidad de mapas, grficos y conjuntos de datos
disponibles. Para usarlos correctamente, es importante saber cmo se producen los productos de datos
climticos y que procesa los datos originales atravesaron en su camino en el producto de datos.
Este mdulo muestra los diferentes pasos de los datos climticos de productos de datos reticulares, los
conceptos detrs de los diferentes enfoques, las decisiones que se deben tomar y las incertidumbres
que se asocian con las diferentes etapas de procesamiento. Esto fortalecer sus habilidades para evaluar
la idoneidad de los productos de datos para un fin determinado, a ser conscientes de los supuestos
detrs de los distintos procedimientos, y para hacer las preguntas correctas en cuanto a la calidad de los
productos. Un enfoque especial de esta seccin es en conjuntos de datos de reanlisis, que son muy
comunes en ciencias de la atmsfera y el clima.
INTRODUCCION
Hay una gran cantidad de productos de datos meteorolgicos y climatolgicos disponibles. Vienen en
muchas formas diferentes: como mapas, grficos, animaciones, etc La mayora de los productos son
espacial y temporalmente completa (ver la figura siguiente). A menudo, estos productos se tratan como
las observaciones, pero no lo son. De hecho, puede ser muy lejos de las observaciones meteorolgicas a
los productos de datos climticos. Los pasos individuales se asocian a mayor incertidumbre, adems de
mediciones de la incertidumbre (ver observaciones mdulo climtico). En algunos productos, se
combinan los datos de diversas fuentes, otros factores como la topografa se incorporan, y o
conocimientos estadsticos y fsico se introduce .

Temperatura del aire media

diaria a 2 m por encima del
suelo (en K) del 1 de enero
de 1948. El producto se
deriva del re anlisis NCEP /
NCAR (Centro Integrado de
Datos del Clima de la
Universidad de Hamburgo,
Alemania).

Excepto satlites, plataformas de medicin tales como estaciones meteorolgicas automticas,

observaciones oculares, boyas, barcos comerciales, globos meteorolgicos, aviones comerciales o suelo
basados estaciones de teledeteccin proporcionan datos de puntos sin cobertura espacial. Estos datos
de puntos pueden ser importantes para el estudio de las variaciones del clima, pero los campos
espaciales son a menudo el producto de datos deseada. La forma ms fcil de obtener campos de datos
de puntos de promedio y es a travs de interpolacin espacial, que se puede realizar en diferentes
escalas temporales (informacin o tiempo promedio estatal) y para diferentes estadsticas (variable de
estado, parmetros de distribucin) a travs de diferentes mtodos.
TECNICAS DE INTERPOLACION
Existen varias tcnicas para la interpolacin espacial de datos de puntos, que van desde algoritmos
simples como el vecino ms cercano a los mtodos complejos como Kriging o la asimilacin de datos.
Como regla general, se puede esperar bastante buenos resultados con cualquier mtodo de
interpolacin si los puntos de datos son bastante densa y uniformemente distribuida en toda el rea de
estudio. En contraste, si los puntos de datos caen dentro de unos grupos con grandes lagunas en el
medio, las estimaciones sern ms bien poco fiable, independientemente del algoritmo de
interpolacin. Especialmente en las regiones montaosas, pero tambin en zonas remotas, como los
desiertos o selva, observaciones meteorolgicas tienden a agruparse en torno a las zonas habitadas
pequeos. Una alta heterogeneidad espacial de la variable conduce a resultados insatisfactorios de
interpolacin tambin.
Esto se demuestra por la suma precipitacin de dos das de Suiza (ver figuras siguientes). En las zonas
montaosas como los Alpes suizos, se producen grandes gradientes espaciales de las variables
climticas. Por otra parte, la precipitacin es una variable altamente heterognea. Sin embargo, desde la
red de estaciones de Suiza es denso, los eventos de lluvia pueden interpolar con precisin (ver las dos
figuras de la derecha; los pequeos puntos indican las estaciones de medicin). En las figuras de la
izquierda slo se utilizan unas pocas estaciones de interpolacin (indicado por los crculos). En un caso
(cifras superiores 24 de abril de 2002), donde el evento de lluvia afect la mayor parte de Suiza, con una
distribucin bastante uniforme, los buenos resultados se obtienen por interpolacin. En el segundo caso
(las cifras ms bajas, 1 junio de 2003), la precipitacin vara en escalas ms pequeas que la red gruesa
la interpolacin izquierda se basa en. La interpolacin por lo tanto, no representa el patrn de
precipitacin efectiva.

Comparacin de las interpolaciones de un nmero relativamente homogneos (figuras superiores) y un

(figuras inferiores) patrn muy heterognea precipitacin. Los diarios de precipitacin sumas de dos
das con eventos de precipitacin en Suiza se muestran (mm / da). Las figuras de la izquierda son
interpolaciones de un conjunto de puntos de datos, ilustrados como crculos. Las cifras de la derecha
representan el "verdadero" patrn de precipitacin; una red de estaciones mucho ms denso se utiliz
(pequeos puntos) (Schiemann et al. 2010).

Se introducen a continuacin algunas tcnicas para obtener los datos cuadriculados. En el campo de la
meteorologa y la climatologa, el mtodo de asimilacin de datos es de gran importancia. Se pone
describe ms detallada en el captulo siguiente (asimilacin de datos).
Promediado espacial en celdas de la cuadrcula (posiblemente con ajuste de la varianza)
La forma ms sencilla para obtener un conjunto de datos cuadriculados sera para promediar todos los
puntos de datos en una celda de cuadrcula y calcular la media. Si decidimos hacerlo, debemos tener en
cuenta si nos cuenta el diferente nmero de puntos de datos por celda de la cuadrcula, la forma en que
tratamos la varianza de las celdas de la cuadrcula o lo que hacemos con las cuadrculas sin puntos de
datos.
La interpolacin lineal
Si hay celdas de la cuadrcula sin valores y decidir a llenarlos, podramos nosotros interpolacin lineal. La
interpolacin lineal se basa en la suposicin de que la tasa de cambio entre los valores conocidos es
constante y puede calcularse a partir de estos valores utilizando una frmula de la pendiente simple. La
interpolacin lineal es un mtodo relativamente sencillo, pero a menudo no es lo suficientemente
sofisticada para interpolar eficazmente datos de la estacin a una red an. La interpolacin lineal se usa
a menudo para la cuadrcula uniformemente espaciadas datos, tales como datos de longitud / latitud
cuadriculado, a una resolucin ms alta o ms baja.
Suavizante / interpolacin con splines u otras funciones
La interpolacin lineal a veces no puede captar adecuadamente la estructura de los datos subyacentes.
Splines o funciones ms complejas pueden adaptarse mejor a los datos.
Ponderacin de distancia inversa
Para interpolar irregularmente datos espaciales sobre una rejilla regular, a menudo se utiliza la
ponderacin de distancia inversa. Puntos de la rejilla se rellenan con valores que corresponden a una
media ponderada de los puntos vecinos, con la inversa de su distancia como un peso. En lugar de la
distancia espacial, se pueden usar otras medidas de distancia o medidas de similitud.
Espacio Reducido ptima interpolacin (RSOI)
Si se conoce la estructura de covarianza espacial (por ejemplo, a partir de un perodo de referencia con
cobertura completa), la escasez de datos pueden ser interpolados por proyeccin sobre los
componentes principales (PC) derivados del perodo de referencia. Este enfoque es similar al de las
tcnicas de reconstruccin de campo climtico utilizado en paleoclimatologa.
kriging
Kriging es un mtodo de interpolacin lleva el nombre de un ingeniero de minas de Sudfrica llamado
DG Krige que desarroll la tcnica en un intento de predecir con mayor exactitud las reservas de
mineral. En los ltimos decenios, Kriging ha vuelto una herramienta fundamental en el campo de la ge
estadstica. El mtodo utiliza un conjunto de rutinas de regresin lineal que minimizan la varianza de
estimacin de un modelo de covarianza predefinido. Kriging considera adicionalmente la varianza
espacial entre puntos vecinos. Como consecuencia de ello, da menos peso a los puntos que se agrupan.
Esto permite utilizar el mtodo tambin en los casos con distribucin heterognea de los datos de
observacin.
Aunque desarrollado para aplicaciones de minera, para muchos casos en la ciencia del clima Kriging
parece ser el mtodo de interpolacin que produce los mejores resultados (por ejemplo, Hofstra et al.,
2008). El mtodo es un proceso intenso bastante complejo y clculo. Sin embargo, se integra como una
herramienta estndar en muchos programas de ordenador (por ejemplo, software SIG).
RESOLUCION
La resolucin de un producto de datos tiene una gran influencia sobre sus posibles aplicaciones. Usted
puede esperar suposiciones e incertidumbres que difieren mucho entre un producto de datos de
resolucin fina y gruesa.
El siguiente ejemplo muestra la precipitacin, el 21 de mayo de 1999 en Suiza. Los productos de datos
presentados son creados de una manera diferente, todos tienen diferentes supuestos detrs y por lo

tanto las incertidumbres en los conjuntos de datos no son los mismos. As que conjunto de datos es la
mejor? Todo depende de la aplicacin que desea utilizar el producto de datos para. Por lo tanto, es
importante pensar en lo que la resolucin de los datos (incluidos los supuestos detrs del producto de
datos) es adecuado para el propsito.

La figura de arriba a la izquierda muestra las mediciones de la estacin (mm / da). Hubo una gran
cantidad de precipitacin de los Alpes centrales para la regin prealpina en el noreste de Suiza. En la
figura de arriba a la derecha, datos de la estacin de la precipitacin fue cuadriculada en una cuadrcula
de 2x2 km, incorporando de esta manera informacin adicional, como la topografa. El campo
precipitacin muestra ahora mucho ms detalle, pero no todos de que es real. En la parte inferior
izquierda estn los datos de precipitacin interpolados de un conjunto con una resolucin de 0.25x0.25
datos europeos. Por ltimo, la figura de la parte inferior derecha se ve un producto de datos, donde los
datos de satlite se combinaron con datos de la estacin. Se trata de un producto a nivel mundial con
una resolucin de 1x1 , lo que equivale en Suiza rejillas clulas de aproximadamente 110x80 km.
ASIMILACION DE DATOS
Uno de los mtodos ms importantes para obtener datos espacialmente completos de variables
atmosfricas es la asimilacin de datos. La mayora de los productos de datos meteorolgicos o
climatolgicos que ver y trabajar con se basan en los sistemas de asimilacin de datos, a pesar de que se
parecen a los datos de observacin. Sin la asimilacin de datos, el pronstico del tiempo no estara en el
nivel actual y que nunca sera saber tanto sobre el pasado del tiempo y el clima como lo hacemos
nosotros.
Las tcnicas de interpolacin presentaron ante el uso de datos y las estadsticas de observacin. La
asimilacin de datos, adems, combina los datos de medicin con modelos numricos. Por tanto, un
producto de la asimilacin de datos se basa y un modelo numrico.

Objetivo de la asimilacin de datos:

Encuentra la mejor estimacin posible del estado atmosfrico, dada la observacin (y sus errores), que

es

dinmicamente

consistente

espacialmente

completa.

A partir de los mapas del tiempo a la asimilacin de datos

Existe el problema de tratar con datos meteorolgicos dispersos, incompletos y no homogneos desde
hace mucho tiempo. Hasta la dcada de 1970, la produccin de los campos de observaciones
meteorolgicas fue en gran medida un proceso manual que implicaba la habilidad y el conocimiento del
experto a cargo. Los meteorlogos llaman Isolineas en los mapas del tiempo sobre la base de los datos
disponibles (mediciones de presin atmosfrica, viento, etc.). Sin embargo, la informacin adicional se
requiere para obtener un mapa del tiempo. El meteorlogo tambin usara el conocimiento de la calidad
de las observaciones (por ejemplo, que las estaciones no eran fiables o influenciados localmente), el
conocimiento de los das anteriores el tiempo y su desarrollo, el conocimiento de muchas situaciones
similares anteriores, y el conocimiento de la fsica atmosfrica bsica. Los valores atpicos fueron
excluidos y Isolineas suavizada. Aunque subjetiva, este procedimiento puede producir datos de alta
calidad. El mtodo es laborioso e imposible de aplicar para grandes cantidades de datos.
Qu se necesita para dibujar un mapa del tiempo?
1. Recoger observaciones (es decir, datos) y dibujar puntos en
un mapa
2. Isolineas Draw basado en
El conocimiento experto de los datos climticos
El desarrollo de la jornada anterior
La experiencia del conocimiento del tiempo y del clima a largo
plazo.
La asimilacin de datos es una versin objetiva del mismo
procedimiento. El conocimiento de expertos sobre
observaciones se sustituye por el conocimiento estadstico del
error, el conocimiento de la evolucin de la situacin
meteorolgica actual se sustituye por un modelo numrico de prediccin del tiempo, y la experiencia de
situaciones similares y se sustituye por las estadsticas.
Con los actuales recursos informticos, este procedimiento es mucho ms eficiente que dibujar
manualmente los mapas del tiempo. Una aplicacin importante de la asimilacin de datos es la
prediccin del tiempo. Prediccin numrica del tiempo necesita campos iniciales para muchas variables
en cada punto de la cuadrcula. Estos campos iniciales se obtienen con la asimilacin de datos, como
observaciones no son suficientemente densas para restringir el modelo. Por lo tanto, en cuanto al
anlisis manual, los datos de las observaciones tienen que ser combinada con otra informacin, que
comprende informacin sobre el tiempo del da anterior (y su previsin para el presente), la informacin
sobre los procesos en la atmsfera (la previsin numrica representa la fsica), as como informacin
estadstica sobre la fsica de la atmsfera y en el error de las observaciones y de la previsin. Este
proceso se llama la asimilacin de datos.

Metodologa
La asimilacin de datos es un proceso secuencial. En la prctica, un modelo numrica del tiempo se
inicializa y ejecuta un par de horas en el futuro. A continuacin, el pronstico se compara con las nuevas
observaciones en este momento, y los errores resultantes (ponderados por los errores estimados de las
observaciones y el pronstico) se utilizan para corregir el estado del modelo. Estos campos se
denominan "anlisis" y se utilizan como campos iniciales para el siguiente paso de tiempo previsto. El
procedimiento se repite cada 3-6 horas.
En describir la metodologa de la asimilacin de datos en palabras simples:
Un modelo de prediccin numrica del tiempo est en constante "empujado" hacia las observaciones

La figura muestra la propagacin hacia delante de

la asimilacin de datos. La lnea roja se describe el
estado real de cualquier variable meteorolgica
(por ejemplo, temperatura) y su evolucin en el
tiempo. Tenga en cuenta que en realidad no se
conoce el verdadero estado de las variables
atmosfricas.

Tenemos ahora una observacin con su

incertidumbre.

Adems tenemos un modelo que muestra los valores

que nos esperaba. En este primer paso, el modelo de
la incertidumbre es mayor que la incertidumbre
obervation.

En el proceso de asimilacin de
datos, se utiliza un filtro que calcula
la ms probable verdadero estado
de la variable (el anlisis) mediante
el uso de la observacin, el modelo y
las incertidumbres

El anlisis se utiliza como la condicin inicial

para la siguiente previsin. El modelo se
ejecuta mediante el anlisis, el resultado es
el nuevo modelo de fondo.

Ahora podemos comparar el estado modelo con una nueva observacin, lo que nos permite calcular un nuevo
anlisis
El nuevo anlisis es nuestra condicin inicial para el siguiente paso de previsin que se calcula mediante la ejecucin
del modelo.

El mismo proceso se repite despus de cada paso de tiempo

El objetivo y el producto del proceso son los anlisis, que estn ms cerca de la situacin real de las observaciones o
slo el modelo.

Matemticas
Aunque las matemticas de sistema de asimilacin de datos operativa es compleja, la idea detrs es
sorprendentemente simple. La asimilacin de datos puede ser entendido como un problema de
mnimos cuadrados. Usted obtendr una visin ms clara despus de trabajar a travs de las pginas
siguientes.
Recordemos la informacin necesaria para la asimilacin de datos (que es similar a la produccin de un
mapa del tiempo):
Observaciones, en la forma de un vector de longitud n (en el caso de n observaciones) denominan y.
La informacin sobre los errores en los datos, que en la asimilacin de datos tiene la forma de la matriz
de n n covarianza de los errores de observacin R.

El desarrollo del paso de tiempo anterior (por lo general un pronstico de un modelo de prediccin
numrica del tiempo) que nos fondo plazo o xb. xb tambin tiene la forma de un vector (longitud m),
que contiene todo el estado del modelo (todas las variables en todas las celdas de la cuadrcula y todos
los niveles verticales).
La informacin sobre los errores en el pronstico y su estructura de dependencia espacial, que tiene la
forma de la matriz de covarianza mxm B (matriz de covarianza de fondo).
Lo llamaremos el "anlisis" resultado o x (de nuevo un vector de longitud m). En contraste con los
Mapas de tiempo, el procedimiento de asimilacin de datos es objetiva y automatizada, pero requiere el
procesamiento de grandes cantidades de datos (millones de observaciones)
La temperatura en un tanque de agua
Queremos saber la temperatura en un tanque de agua, donde haba una capa de hielo slido antes.
Ahora, el hielo se est derritiendo y slo algunas piezas sueltas de hielo todava est nadando en el
agua.
Segn la fsica, el agua debe tener una temperatura de 0.0 C (= xb). Pero ya que puede haber
estratificacin o sustancias (por ejemplo, sal) en el agua, existe una incertidumbre con una desviacin
estndar de 0,5 C. La covarianza de error de fondo (= B) es el cuadrado de la desviacin estndar.
Este es nuestro modelo.
Con un termmetro que mide la temperatura de 0,2 C (= y). La incertidumbre de la medicin tiene un
error estndar de 0,2 C, por lo tanto, la covarianza de error de observacin (= R) es su plaza. Esta es
nuestra observacin.
En tal caso simple, la asimilacin de datos es puramente un problema de mnimos cuadrados:

Con la solucin (que es slo el promedio de la observacin y el modelo ponderado por la inversa de la
covarianza de error en los datos y el modelo):

Cul es la mejor estimacin (= x) de la temperatura real ( C) en el tanque que podemos obtener con
dicha informacin?
Hay un ejercicio similar, pero ms avanzado en la asimilacin de datos (Ejemplo decaimiento radiactivo)
en la seccin "tutelado y actividad de grupo". Bsicamente est destinado a ser resuelto bajo el apoyo
de un tutor. Sin embargo, si usted est usando este material de e-learning sin el apoyo de un profesor o
tutor, usted puede tratar de resolver este ejercicio tambin.
En contraste con el ejemplo del tanque de agua, para la asimilacin de datos en la atmsfera que
tenemos que tratar con gran cantidad de datos y nmeros diferentes de los valores de observacin y
Modelo-.
Suponiendo que todos los errores son gaussianas, la estimacin ptima para x se puede obtener de
minimizar la funcin de coste siguiente, que es esencialmente un problema de mnimos cuadrados:

Donde x es el anlisis,
xb el fondo o primera conjetura,
Y las observaciones,
R la observacin matriz de covarianza de error,
B la matriz de covarianza de error de fondo,
H el operador de observacin (imita las observaciones en el espacio modelo).

Se necesita el operador de observacin H, porque en la prctica hay un menor nmero de observaciones

que las variables en el modelo y las observaciones se distribuyen irregularmente. La nica manera
correcta para comparar y con la x es mediante el uso de una funcin H de modelo de espacio de estado
al espacio de observacin.
La solucin de la funcin se muestra ms arriba es:

Anlisis y reanalisis
En el servicio operativo, las mejoras se hacen constantemente, en relacin, por ejemplo, la fsica del
modelo, la resolucin del modelo, y los algoritmos de asimilacin. El objetivo es mejorar las previsiones
y producir los mejores campos actualmente alcanzables. Sin embargo, al mismo tiempo, esta mejora
constante conduce a inhomogeneidades en los datos y por lo tanto estos anlisis operacionales puede
no ser el mejor producto para aplicaciones climatolgicas. Por lo tanto, se llevan a cabo proyectos de
reanlisis grandes en los que el sistema de asimilacin y modelo numrico se mantienen constantes y
todos los datos disponibles para las ltimas dcadas son transformados de nuevo utilizando el mismo
sistema. Otra ventaja del nuevo anlisis es que ms datos se pueden incluir controles de calidad y se
pueden realizar antes de incluir los datos.
La siguiente lista muestra los reanlisis globales disponibles en la actualidad:

Anlisis
Producto Datos operativos
El esquema de asimilacin de datos, el modelo, y el procesamiento de datos se actualizan
continuamente
Mejor producto posible para un momento dado, pero las series temporales son no homogneos
Adecuado para las ciencias atmosfricas y meteorologa
Reanlisis
El esquema de asimilacin, el modelo, y el de procesamiento de datos quedan "congelados"
Adecuado para aplicaciones climatolgicas
Adecuado para el anlisis de las tendencias? Precaucin (ver pgina siguiente)
Que hay que utilizar para Reanlisis?
Productos de datos de reanlisis son algunos de los conjuntos de datos ms usados en ciencias de la
tierra en la actualidad. Una fraccin importante de nuestro conocimiento sobre los procesos climticos
se basa en nuevos anlisis. Hay de alta resolucin de datos de reanlisis de 3 dimensiones de cualquier
parmetro atmosfrico. No hace falta decir que este tipo de conjuntos de datos ofrecen casi un sinfn de
oportunidades para el anlisis de la atmsfera.
Por ejemplo, las condiciones atmosfricas durante eventos extremos histricos pueden ser
reconstruidas, lo que permite una mejor comprensin de los procesos potencialmente causantes de
este tipo de eventos.
El 5 de enero de 1919, se inform de una tormenta y trombas marinas en el Lago de Zurich, Suiza (vase
el cuadro abajo). El siglo Reanlisis 20a muestra las condiciones atmosfricas para ese da que favorecen
Fhn (la propia Fhn no puede ser visto en el reanlisis, ya que es un fenmenos de mesoescala). Fhn
es uno de los famosos fenmenos elicos en los Alpes, donde las masas de aire se cruzan en la cordillera
de sur a norte. Canalizados en los valles de montaa, pueden producirse rachas de muy alta velocidad.

Sin embargo, a pesar de que los datos de reanlisis parece ser la fuente de datos perfectos para casi
cualquier propsito, tiene que utilizarse con precaucin. En general, la fiabilidad de los datos disminuye
con la disminucin de observaciones. Este es el caso de regiones como los polos o ms atrs en la lnea
de tiempo.
Los conjuntos de datos de reanlisis no son adecuados para todos los propsitos. Por ejemplo, se trata
de un debate en curso en qu medida los datos de reanlisis se pueden utilizar para los anlisis de
tendencia del clima. El siguiente ejemplo (ver figura siguiente) muestra que pueden producirse grandes
diferencias en las tendencias entre un nuevo anlisis y radiosonda, que conduce a una interpretacin
errnea. En este caso, el reanlisis (ERA-40) sufre de un salto artificial de la temperatura sobre la regin
cubierta de hielo en la dcada de 1980, lo que provoca una tendencia errnea.
Reanlisis son inmensamente complejos. Evitar todos los errores es prcticamente imposible. Todos los
conjuntos de datos tienen ciertos problemas y errores, que en algunos casos pueden ser importantes,
en otros no. Por tanto, es muy importante comprobar cuidadosamente la idoneidad de los datos de
reanlisis.