2 Porque Nowcasting 2

Federal Department of Home Affairs FDHA
Federal Office of Meteorology and Climatology MeteoSwiss
CLIMANDES
Taller de Nowcasting
Lima 21-25 de octubre 013
Porqu Nowcasting
Paolo Ambrosetti, MeteoSwiss
Resumen de contenido
Definicin e historia del Nowcasting

Porqu Nowcasting
A quien sirve el Nowcasting: procesos decisionales
Nowcasting y modelos
Porqu Nowcasting| CLIMANDES Taller de Nowcasting, Lima, 21-25 de octubre 2013

P.Ambrosetti
Atmsfera: un sistema complejo!

P.Ambrosetti
Historia de la palabra Nowcasting

En la literatura cientfica la palabra Nowcasting aparece
por primera vez en Noviembre 1976 en un articulo de
J.B.Lushine en el Monthly Weather Review sobre la
observacin del desarrollo convectivo en las imgenes de
GOES-1.
En 1982 aparece el libro Nowcasting con varios autores
(K.A.Browning editor).

P.Ambrosetti
Conocimiento del tiempo actual

Unicamente con observaciones puntuales como las
sinoptica cada 3 horas y los sondeos cada 12 horas no se
puede conocer el tiempo actual en todo logar y en un
determinado momento.
Por ejemplo: donde est lloviendo ahora en el Per?
Por eso la palabra Nowcasting o sea pronostico de
ahora o tambien pronostico inmediato esta justificada
para este tipo de conocimiento

P.Ambrosetti
Nowcasting
Los instrumentos de teledeteccin como radar y satlite
geoestacionario permiten de recibir una imagen global con
alta frecuencia y buena resolucin en el espacio de la
nubosidad y distribucin de las precipitaciones.
Anteriormente con solo las observaciones sinpticas eso
no era posible con la misma resolucin.
La alta frecuencia de observacin de radar y satlite
permite de reconocer los pequeos cambios de una
imagen a la siguiente. El lgico desarrollo es as una
extrapolacin por algunos minutos-horas. As en
Nowcasting se ha vuelto a un pronostico a muy corto
plazo.
P.Ambrosetti
Definicin de Nowcasting
Tradicionalmente (OMM) el Nowcasting se ocupa de las
primeras 2 hora, de 2-12 horas se le llama pronostico a
muy corto plazo.
En realidad en los ltimos aos estos intervalos no son tan
fijos y dependen de los fenmenos y variables
pronosticados, de la situacin meteorolgica, posicin
geogrfica, periodo del ao,
Adems tambin las tcnicas utilizadas se han
desarrollado mezclando datos observados, modelo
conceptuales y modelos numricos.

P.Ambrosetti
PREDICCIN INMEDIATA:
NOWCASTING
AHORA
2H
6H
12H
Prediccin inmediata (NWC)
Datos detallados y
rpidos
vital
Prediccin muy corto plazo
MWP (meso)
nuevas tcnicas asimilacin
Loop=>extrapolacin
Sat + Modelos conceptuales
Sat y Radar
P.Ambrosetti
local a comarcal
NOWCASTING
Nowcasting: prediccin con detalle local para periodos desde
el presente hasta algunas horas.
Para los periodos mas cortos, Nowcasting muy basado en
disponibilidad datos detallados del rea local, con poco
retraso.
Satlites y radares son claves.
En el VSRF son tiles tambien los MWP meso, cada vez
mas relevantes (nuevas tcnicas asimilacin).
Nowcasting: lo mas bsico son las tcnicas de extrapolacin
basadas en las secuencias de imgenes (historia y evolucin).
Con 15 min son posible detectar pequeos sistemas y nubes
individuales. Slo las primeras horas. Para mas all la
extrapolacin no es relevante.
Los sistemas meteorolgicos a menudo forman formas
distintivas asociables a modelos conceptuales, para los que
se pueden asumir futuras evoluciones.
P.Ambrosetti
MAS ALL DEL NOWCASTING:

Plazos de prediccin
Corto Plazo
12h-24h
Comarcal-Provincial
Medio Plazo
1-3 das
Provincial-Regional
Largo Plazo
Hasta 10 das
Regional-Nacional
Orlanski, 1975
ESCALAS METEOROLOGICAS
Planetaria (Largo plazo)
Sinptica (Corto-medio plazo)
Mesoescala (Muy corto plazo)
10
P.Ambrosetti
Microescala (Inmediata)
Herramientas de prediccin
de qu herramientas disponemos en cada escala?

P.Ambrosetti
11
CONOCIMIENTO TOTAL DEL TIEMPO
100 %
CONOCIMIENTO EN EL ANLISIS
CONOCIMIENTO DEL TIEMPO
MEZCLA (Blending)
CLIMATOLOGA
0123456
12
15
18
21

P.Ambrosetti
Tiempo (horas)
24..48.72..96.
12
Tcnicas de Nowcasting:
herramientas
Uso intensivo de los diferentes sistemas de observacin:
Estaciones automticas
Radares
Redes de descargas elctricas
Satlites
Uso de sistemas automticos de
Deteccin
Reconocimiento
Seguimiento
Uso de modelos numricos mesoescalares de alta resolucin
(como marco para el nowcasting, mas hbil en el muy corto plazo).

P.Ambrosetti
13
A quien sirve el Nowcasting:

procesos decisionales
Muchas decisiones requieren una elevada precisin (alta
resolucin en tiempo y espacio) y fiabilidad (pronostico
correcto).
Pero esos pronsticos muy detallados se necesitan
generalmente solo en reas limitada (por ejemplo cerca de
aeropuertos)
Las consecuencias de un pronostico errneo con una
mala decisin pueden tener un costo elevado (financiero
y/o humano).
Ejemplo: aterrizaje/despegue con fuerte tormenta
Hay fenmenos meteorolgicos como la conveccin
profunda donde la capacidad de pronostico es muy
limitada a minutos o pocas horas.
P.Ambrosetti
14
Modelo y Nowcasting
Los modelos son perfeccionado continuamente:
- resolucin mas detallada
- asimilacin de mas datos (sobre todo los globales)
- mejoras en la parametrizacin de los fenmenos sub-malla
Cuando se puede creer los modelos en el muy corto plazo

(Nowcasting) y cuando se necesitan otros recursos para un
pronostico util/fiable?

P.Ambrosetti
15
Modelos de mesoescala
Resoluciones espaciales de escasos Kms

Modelos, en general, no hidrostticos
Adaptados regionalmente
Gran asimilacin de datos
Sofisticadas parametrizaciones fsicas
Necesidad de gran capacidad de clculo

P.Ambrosetti
16
Modelos numricos
Los modelos hidrostticos presuponen la existencia de un equilibrio hidrosttico, es
decir, que el peso de la atmsfera, que ejerce presin hacia abajo, est en equilibrio con la
fuerza del gradiente de presin, que empuja hacia arriba.
Los procesos no hidrostticos y sus efectos adquieren importancia cuando la longitud
de una caracterstica es aproximadamente igual a su altura. Como la altura de la mayora
de los fenmenos atmosfricos est limitada por la altura de la troposfera, esto representa
un problema para las caractersticas de 10 km o menos de tamao.
Fenmenos con procesos no hidrostticos: tormentas convectivas, los frentes de
racha y otras lneas de convergencia, y las ondas de gravedad, incluidas las ondas
de montaa y la turbulencia orogrfica.
Para la prediccin numrica del tiempo, los modelos no hidrostticos incluyen

ecuaciones para los movimientos verticales que no se emplean en los modelos
hidrostticos. El resultado es que los modelos no hidrostticos pronostican en forma
directa el tiempo ocasionado por los movimientos verticales provocados por los cambios de
empuje hidrosttico y otras aceleraciones verticales. En comparacin, los modelos
hidrostticos slo pueden inferir los fenmenos meteorolgicos que resultan de dichos
movimientos verticales.

P.Ambrosetti
17
Modelos mesoscalares
Qu espaciado de malla es necesario para resolver una
caracterstica meteorolgica en particular?
Normalmente, necesitamos al menos cinco puntos de malla para definir
una caracterstica. La caracterstica meteorolgica ms pequea que se
puede representar, incluso en el mbito de un pronstico a corto plazo,
abarca entre cinco y siete puntos de malla. Esto significa que un modelo
que emplea una malla de 20 km de densidad es incapaz de pronosticar
una caracterstica de tamao inferior a los 100 km!
Adems, en terreno accidentado o montaoso, es posible que el modelo
no logre identificar una caracterstica forzada por la topografa incluso
con una densidad de malla de 5 km.

P.Ambrosetti
18
Orografa y malla de modelo
Come ejemplo
tomamos un corte a
travs de los Alpes
con 3 resoluciones
distintas.

P.Ambrosetti
19
Modelo ECMWF con malla de ca. 15 km
|
Porqu
Nowcasting| CLIMANDES Taller de Nowcasting, Lima, 21-25 de octubre 2013
rP.Ambrosetti
20
Modelo COSMO con malla de 6.6 km
|
Porqu
rP.Ambrosetti
21
Modelo COSMO con malla de 2.2 km
|
Porqu
rP.Ambrosetti
22
Orografia de los Andes en ECMWF

P.Ambrosetti
23

P.Ambrosetti
24

P.Ambrosetti
25
Pronostico cuantitativo
Los pronosticos de precipitacion son generalmente
cualitativos en forma de texto:
lluvia debil/moderada/fuerte.
Los efectos y en particular los riesgos relacionado a las
precipitaciones dependen pero de las cantidades, con
distintos umbrales en funcion de la posicion y de la
applicacion entre otras.
Por esta razon se solicita a los servicios meteorologicos
de producir pronosticos cuantitativos de precipitacion, en
particular por los tomadores de decision profesionales.

P.Ambrosetti
26
Pronostico de precipitacion: fiabilidad

En latitudes medias y alta los modelos numericos
alcanzan una buena fiabilidad, en particular cuando la
componente convectiva es baja y cuando no hay una
orografia compleja.
Un zona tropical y aun mas en montaas y zona costera la
calidad de las salidas de los modelos es sensiblemente
mas baja.
A pesar que los modelos tienen como base las mismas
observaciones los resultados pueden ser bien distinto
Come ejemplo vamos a mirar las salidas de GFS y de
ECMWF.

P.Ambrosetti
27
Precipitacion en 6 h: 06-12 UTC
Precipitacion acumulada total en 48 h
A pesar de tener la misma base de

observaciones dos modelos distintos pueden
producir pronosticos bien diferentes (en
particular de precipitacion y
humedad/nubosidad)

P.Ambrosetti
34
Conveccin somera y profunda

Los modelos a mesoescala con malla bastante fina (1-3
km) calculan explcitamente la conveccin profunda, pero
aquella somera sigue parametrizada. Esta ultima
necesitara una malla de unos 100 m!
As que estos modelos pueden producir clulas
convectivas muy fuerte, pero muchas veces en un lugar y
tiempo desplazados. Las experiencias en los Alpes nos
dan un error tpico de 20-30 km con un modelo de malla a
2.2 km!
En una orografa compleja las consecuencias hidrolgicas
pueden ser muy relevante > riesgos de huaycos!

P.Ambrosetti
35
Modelos a mesoescala llegan hoy da hasta a 1km de
malla. La resolucin horizontal efectiva de la orografa es
generalmente 4 veces mas grande (alisamiento).
No todos los modelos a mesoescala tienen asimilacin
propia y no pueden aprovechar de datos de observacin
mas detallados.
Los que asimilan observaciones alisan los gradientes
muy marcado, porque esos pueden provocar instabilidad
numrica. As parte de la informacin se pierde.
Las carreras de los modelos se calculan cada 6 horas, los
de mesoescala cada 3 horas (HRRR de la NOAA cada
hora) y necesitan un tiempo de computacin. As que
siempre estn atrasado de unas horas respecto a las
ultimas observaciones.
P.Ambrosetti
36
Fiabilidad de los modelos

Segn los trabajos terico el plazo de pronostico de un
fenmeno atmosfrico es comparable a su ciclo de vida:
eso significa que una tormenta con un ciclo de una hora
no se puede pronosticar con mas de una hora de
adelanto.
Fenmeno a escala mas grande en el tiempo (y espacio)
tienen una predictibilidad con mucho mas grande
plazo/adelanto.
Muchos de los fenmenos en la capa limite son
parametrizado y por esto meno fiable. En la altura, lejos
de la orografa los modelos han alcanzado un nivel de
fiabilidad muy elevado.
Las variables dependientes del contenido/flujo de
humedad (precipitaciones, nubosidad) son menos
predictibles de los otros (por ejemplo el viento sinoptico)
P.Ambrosetti
37
Comparacin del Per con Suiza

El Per tiene una superficie de ca. 40 veces aquella de
Suiza.
Los Alpes tienen generalmente las pendientes mas
pronunciadas de los Andes, lo que representa una
dificultad mayor para los modelos.
Por otro lado los Andes son mas elevado de los Alpes.

P.Ambrosetti
38
Suiza ~ Departamento Ayacucho

P.Ambrosetti
39

P.Ambrosetti
40

P.Ambrosetti
41
Modelos mesoscalares (efecto de malla)
Modelos mas detallados. Representan mejor la intensidad de los fenmenos
Mejores pronsticos en regiones costeras y montaosas. Disponen de mas

detalles topogrficos y SST.
P.Ambrosetti
42
Modelos mesoscalares

P.Ambrosetti
43
Modelos mesoscalares: AROME 2.5 km

P.Ambrosetti
44
Pronostico de viento y presin gana mucho

con una malla ms densa!

P.Ambrosetti
45
Modelos con malla mas elevada

Cual son las consecuencias de una malla mas detallada
sobre los pronsticos de lluvia?
En Suiza tenemos dos modelos operacionales a mesoescala
de 6.6 e 2.2 km de malla. En forma experimental y solo una
vez al da corremos tambin un modelo a 1 km.
Los modelos a 2.2 y 1 km tienen exactamente la misma
inicializacin, pero los resultados pueden ser bien diferente!

P.Ambrosetti
46
Modelo mesoescala malla 6.6 km
|
Porqu
rP.Ambrosetti
47
Modelo mesoescala malla 2.2 km
|
Porqu
rP.Ambrosetti
48
Modelo mesoescala malla 1 km
|
Porqu
rP.Ambrosetti
49
Modelo mesoescala malla 1 km
|
Porqu
rP.Ambrosetti
50
Pronostico de eventos extremos

Eventos extremos deben ser pronosticado con buen
adelanto para poder tomar las medidas necesarias.
En caso de viento con una escala sinoptica generalmente
los modelos son bastante buenos.
Gracias a los modelos por conjunto se puede estimar la
inseguridad del pronostico con unos limites
minimo/maximo por ejemplo de la precipitaciones.
Cuando la componete convectiva juega un papel
importante pero los modelos son mucho meno fiables

P.Ambrosetti
51
Buenos Aires 2-3 abril 2013
175 mm/2 horas

100 mm/2 horas
392 mm/5 horas

P.Ambrosetti
52
SERVICIO METEOROLGICO NACIONAL

INFORME DE LAS PRECIPITACIONES OCURRIDAS
EN LA PROVINCIA DE BUENOS AIRES -ABRIL 2013-

P.Ambrosetti
53
Duracin:
2 de abril al 3 de abril de 2013
Daos:
$ 300 millones en Capital
$ 6.000 millones en La Plata
Fatalidades:
10 Capital Federal 78 La Plata

P.Ambrosetti
54
Buenos Aires: Pronostico de ECMWF
Punto de malla del modelo

P.Ambrosetti
55
Pronostico del modelo ECMWF

(conjuntos)

P.Ambrosetti
56

(conjuntos)

P.Ambrosetti
57

(conjuntos)

P.Ambrosetti
58

(conjuntos)

P.Ambrosetti
59
En el caso de Buenos Aires se ve que el mejor modelo
global a nivel mundial no alcanza a pronosticar un evento
tan fuerte en su magnitud, tambin a corto plazo.
Ninguna variante de los conjuntos ha pronosticado la
cantidad de lluvia observada.
Fenmeno muy rpido como la conveccin se dejan as
pronosticar con fiabilidad y precisin solo a nivel de
Nowcasting, que aprovecha de las ultimas observaciones
sin alisamiento, pero el adelanto puede ser muy corto!!

P.Ambrosetti
60
Conclusion
Los modelos tienen dificultad en pronosticar eventos
extremos tambin a muy corto plazo, en particular en caso
de conveccin profunda estacionaria.
Tcnicas de Nowcasting permiten ganar unas pocas horas
que pueden resultar muy valiosas para los servicios de
emergencia, defensa civil, si los pronsticos llegan
rpidamente a los tomadores de decisin y ellos saben
como actuar.
Collaborative decision making
(decisiones en colaboracin)

P.Ambrosetti
61
Gracias por su atencin

Preguntas?

P.Ambrosetti
62
Por lo tanto, es importante evaluar la calidad del pronstico de gran escala que se le impone al modelo de alta
resolucin a travs de las condiciones iniciales y de frontera. Produce un buen pronstico el modelo de orden
superior? Son los detalles de mesoescala realmente aplicables a la situacin en cuestin o podran ser ms
aplicables a un escenario improbable de gran escala?
La segunda leccin ms importante para el uso de modelos de alta resolucin consiste en distinguir entre los
detalles predecibles, como el ciclo diurno sobre terreno complejo bajo condiciones de reposo, y los impredecibles,
como el lugar y la hora de formacin de las clulas convectivas. En el caso de los detalles impredecibles, el
pronstico de alta resolucin debe interpretarse como el pronstico de un evento que indica que un tipo particular
de estructura podra ocurrir a cierta distancia y en cierta cantidad de tiempo respecto del lugar y la hora
pronosticados.
La tercera leccin ms importante para el uso de modelos de alta resolucin consiste en recordar que, como la
mayora de los modelos, su habilidad de prediccin de las caractersticas del flujo y la precipitacin es mejor a
escalas de ms de 10 veces la densidad de la malla. En consecuencia, no cabe esperar una prediccin exacta de
los flujos locales en la escala de 20 km de un modelo con un espaciado de malla de 4 km, aunque el modelo puede
mostrar alguna respuesta, como la direccin del viento ascendente o descendente.
Los pronsticos de los modelos de alta resolucin suelen verificar mejor que los de los modelos de resolucin ms
baja, cuando se evalan subjetivamente y se usan mtodos apropiados, orientados a objetos. Algunos modelos, sin
embargo, se desempean mal si se evalan usando mtodos de verificacin puntuales tradicionales.
Al examinar la salida de modelos de alta resolucin, hay que considerar varios aspectos adicionales:
Si el modelo usa las condiciones iniciales de un arranque en fro interpoladas de un modelo de resolucin ms
baja, tardar algunas horas en iniciar las caractersticas y las circulaciones verticales de pequea escala. En
consecuencia, podra seguir tratando de alcanzar los desarrollos de ese momento durante varias horas ms. Es
probable que el mejor pronstico se produzca en el rango de 9 a 18 horas
Si el modelo usa las condiciones iniciales de un arranque en caliente que incorpora datos de radar recientes, esta
informacin agregada se pierde rpidamente, como resultado de lo cual se obtiene una mejora en el pronstico
primario durante las primeras horas.

P.Ambrosetti
63
Los parmetros de salida del modelo que involucran gradientes o movimiento vertical tendrn
valores mucho ms grandes que los que se ven en la salida de modelos de resolucin ms baja.
Los parmetros bsicos de salida del modelo estarn dominados por la estructura de mesoescala,
que a veces oculta la estructura sinptica presente en el pronstico.
Los sondeos del modelo alrededor de la conveccin sern notablemente diferentes que los de los
modelos con parametrizacin de la conveccin.
El diagnstico del modo convectivo puede proporcionar mucha ms informacin sobre varios tipos
de amenazas potenciales (incluidas algunas no convectivas) que las instantneas simples de los
parmetros bsicos. En combinacin con su conocimiento y experiencia, esto puede ayudarle a
aumentar el tiempo de anticipacin o la confianza en la prediccin para eventos potencialmente de
gran impacto.
Los valores mximos de reflectividad simulada difieren entre un modelo y otro debido a diferencias
en las parametrizaciones de la microfsica y en los algoritmos, incluso cuando la conveccin
pronosticada tiene la misma intensidad.
Ms an que para los modelos de ms baja resolucin, los sesgos de los pronsticos se ven
afectados por las parametrizaciones de mezcla de la capa lmite y microfsica, y por los esquemas
numricos usados en la dinmica.
Finalmente, los modelos de alta resolucin responden de modo realista a las condiciones de la
superficie subyacente, siendo muy prometedores para cuando haya datos de humedad del suelo
de alta resolucin disponibles en tiempo real para los modelos operativos.

P.Ambrosetti
64

2 Porque Nowcasting 2

Hochgeladen von

Dokumentinformationen

Originalbeschreibung:

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

2 Porque Nowcasting 2

Hochgeladen von

Copyright:

Verfügbare Formate

Federal Department of Home Affairs FDHA

Federal Office of Meteorology and Climatology MeteoSwiss

Definicin e historia del Nowcasting

Porqu Nowcasting| CLIMANDES Taller de Nowcasting, Lima, 21-25 de octubre 2013

Atmsfera: un sistema complejo!

Porqu Nowcasting| CLIMANDES Taller de Nowcasting, Lima, 21-25 de octubre 2013

Historia de la palabra Nowcasting

Porqu Nowcasting| CLIMANDES Taller de Nowcasting, Lima, 21-25 de octubre 2013

Conocimiento del tiempo actual

Porqu Nowcasting| CLIMANDES Taller de Nowcasting, Lima, 21-25 de octubre 2013

Porqu Nowcasting| CLIMANDES Taller de Nowcasting, Lima, 21-25 de octubre 2013

Prediccin inmediata (NWC)

Prediccin muy corto plazo

MAS ALL DEL NOWCASTING:

de qu herramientas disponemos en cada escala?

Porqu Nowcasting| CLIMANDES Taller de Nowcasting, Lima, 21-25 de octubre 2013

CONOCIMIENTO TOTAL DEL TIEMPO

CONOCIMIENTO DEL TIEMPO

Porqu Nowcasting| CLIMANDES Taller de Nowcasting, Lima, 21-25 de octubre 2013

Porqu Nowcasting| CLIMANDES Taller de Nowcasting, Lima, 21-25 de octubre 2013

A quien sirve el Nowcasting:

Cuando se puede creer los modelos en el muy corto plazo

Porqu Nowcasting| CLIMANDES Taller de Nowcasting, Lima, 21-25 de octubre 2013

Resoluciones espaciales de escasos Kms

Porqu Nowcasting| CLIMANDES Taller de Nowcasting, Lima, 21-25 de octubre 2013

Para la prediccin numrica del tiempo, los modelos no hidrostticos incluyen

Porqu Nowcasting| CLIMANDES Taller de Nowcasting, Lima, 21-25 de octubre 2013

Porqu Nowcasting| CLIMANDES Taller de Nowcasting, Lima, 21-25 de octubre 2013

Orografa y malla de modelo

Porqu Nowcasting| CLIMANDES Taller de Nowcasting, Lima, 21-25 de octubre 2013

Orografa y malla de modelo

Modelo ECMWF con malla de ca. 15 km

Orografa y malla de modelo

Modelo COSMO con malla de 6.6 km

Orografa y malla de modelo

Modelo COSMO con malla de 2.2 km

Orografia de los Andes en ECMWF

Porqu Nowcasting| CLIMANDES Taller de Nowcasting, Lima, 21-25 de octubre 2013

Orografia de los Andes en ECMWF

Porqu Nowcasting| CLIMANDES Taller de Nowcasting, Lima, 21-25 de octubre 2013

Orografia de los Andes en ECMWF

Porqu Nowcasting| CLIMANDES Taller de Nowcasting, Lima, 21-25 de octubre 2013

Porqu Nowcasting| CLIMANDES Taller de Nowcasting, Lima, 21-25 de octubre 2013

Pronostico de precipitacion: fiabilidad

Porqu Nowcasting| CLIMANDES Taller de Nowcasting, Lima, 21-25 de octubre 2013

Precipitacion en 6 h: 06-12 UTC

Precipitacion en 6 h: 12-18 UTC

Precipitacion en 6 h: 18-24 UTC

Precipitacion en 6 h: 24-36 UTC

Precipitacion en 6 h: 36-48 UTC

Precipitacion acumulada total en 48 h

A pesar de tener la misma base de

Porqu Nowcasting| CLIMANDES Taller de Nowcasting, Lima, 21-25 de octubre 2013

Conveccin somera y profunda

Porqu Nowcasting| CLIMANDES Taller de Nowcasting, Lima, 21-25 de octubre 2013

Fiabilidad de los modelos

Comparacin del Per con Suiza

Porqu Nowcasting| CLIMANDES Taller de Nowcasting, Lima, 21-25 de octubre 2013

Suiza ~ Departamento Ayacucho

Porqu Nowcasting| CLIMANDES Taller de Nowcasting, Lima, 21-25 de octubre 2013

Porqu Nowcasting| CLIMANDES Taller de Nowcasting, Lima, 21-25 de octubre 2013

Porqu Nowcasting| CLIMANDES Taller de Nowcasting, Lima, 21-25 de octubre 2013

Modelos mesoscalares (efecto de malla)