Predicción estacional de sequía meteorológica y anomalía de la actividad de incendios
- Autores: Miguel Ángel Torres Vázquez
- Directores de la Tesis: Marco Turco (dir. tes.), Juan Pedro Montávez Gómez (dir. tes.)
- Lectura: En la Universidad de Murcia ( España ) en 2023
- Idioma: español
- Número de páginas: 195
- Tribunal Calificador de la Tesis: María del Carmen Llasat Botija (presid.), Salvador Gil Guirado (secret.), Joaquín Bedia Jiménez (voc.)
- Programa de doctorado: Programa de Doctorado en Biodiversidad y Gestión Ambiental por la Universidad de Murcia
- Materias:
- Enlaces
- Tesis en acceso abierto en: DIGITUM
- Resumen
- español
Las sequías generan impactos muy significativos tanto en la sociedad como en el medioambiente. Comprender los factores que expliquen su variabilidad y, por lo tanto, permitan su predicción, ha sido y es un reto científico. Una predicción fiable de la sequía permitirá adelantar una estimación de sus consecuencias y, por consiguiente, una herramienta fundamental en la toma de decisiones. El objetivo fundamental de este trabajo se basa en el ajuste, evaluación, e implementación operativa de modelos de predicción estacional empíricos simples de la sequía e incendios. En la primera parte del trabajo se presenta un prototipo operativo de alta resolución espacial para predecir la sequía meteorológica estacional en España (4SPAIN). El sistema de predicción se basa en un método empírico conocido como Ensemble Streamflow Prediction (ESP). El modelo predice la sequía mediante el Índice de Precipitación Estandarizado (SPI) a partir de los datos de precipitación mensual. La validación del modelo nos muestra que tiene capacidad predictiva, realizando predicciones probabilistas estacionales con una anticipación de cuatro meses. No obstante, los resultados deben tomarse con cautela después de la estación seca. En segundo lugar, se plantea un modelo similar para todo el planeta usando ESP. Se analiza cuál es el papel de utilizar la incertidumbre asociada al uso de las distintas bases de precipitación incluidas en DROught Probabilistic (DROP). Así pues, ESP se aplica a cada una de las bases de datos de DROP, obteniéndose SPI (ESP). Al conjunto de modelos lo denominados 4DROP. Además, se analiza el valor añadido de incorporar predicciones de precipitación estacional dinámicas, en concreto las predicciones del modelo estacional System5 del ECMWF (SEAS5). Las predicciones de SPI se obtendrán aplicando la metodología de 4DROP, usando las observaciones como condiciones iniciales y las predicciones de SEAS5. A las propiedades del nuevo conjunto lo denominamos S5. Aunque ambos sistemas presentan una habilidad similar, el modelo S5 demuestra un mejor comportamiento en plazos de predicción más largos, especialmente en regiones tropicales. Además, es importante resaltar que la habilidad de las predicciones se incrementa significativamente al tener en cuenta el conjunto completo de las once predicciones, en contraste con las predicciones basadas en cada base de datos individual. Finalmente, se propone un modelo empírico simple basado en regresión logística que predice la anomalía del área quemada por los incendios como función de las condiciones climáticas (sequías) tanto antecedentes como concurrentes a la temporada de incendios (CLIBA). El modelo se replica en los once miembros de DROP, lo que da como resultado once predicciones probabilistas de la anomalía del área quemada. El conjunto de todas estas predicciones se identifica como CLIBA-DROP. Al igual que en 4DROP, se prueba la inclusión de SEAS5 (S5) en el sistema como condiciones concurrentes, manteniendo las observaciones para las condiciones antecedentes. Este proceso se optimiza para predicciones estacionales con un horizonte predictivo de 4 meses. El conjunto de CLIBA(S5) aplicado a las bases de datos de DROP lo denominamos CLIBA-4FIRE. El análisis de los resultados por medio de la métrica probabilista del ROC area, muestra una relación estadísticamente significativa en alrededor del 68% del área total donde hay datos del área quemada (en al menos 10 de los 20 años) cuando se considera el modelo CLIBA-DROP, es decir, con condiciones observadas. CLIBA-4FIRE, que incluye condiciones concurrentes provenientes de S5, presenta capacidad predictiva en alrededor del 60% del área. Es decir, el comportamiento de CLIBA-4FIRE presenta resultados muy prometedores. Este enfoque subraya la importancia de considerar la incertidumbre de las observaciones en la predicción estacional y permite el desarrollo de productos operativos para emitir alertas tempranas (https://matv.shinyapps.io/app_APPS/). Se ponen a disposición los códigos y datos en (https://github.com/MTAV26/thesis/).
- English
Droughts generate very significant impacts both on society and the environment. Understanding the factors that explain their variability and, therefore, allow for their prediction, has been and continues to be a scientific challenge. A reliable prediction of drought will enable an advance estimation of its consequences and, consequently, be a fundamental tool in decision-making. The main objective of this work is based on the adjustment, evaluation, and operational implementation of simple empirical seasonal prediction models for droughts and wildfires. The first part of the work presents an operational prototype with high spatial resolution to predict seasonal meteorological drought in Spain (4SPAIN). The prediction system is based on an empirical method known as Ensemble Streamflow Prediction (ESP). The model predicts drought using the Standardized Precipitation Index (SPI) from monthly precipitation data. Model validation demonstrates its predictive capability, providing probabilistic seasonal predictions with a four-month lead time. However, results should be interpreted with caution after the dry season. Secondly, a similar model is proposed for the entire planet using ESP. The role of incorporating uncertainty associated with the use of different precipitation databases included in DROught Probabilistic (DROP) is analyzed. Thus, ESP is applied to each of the DROP databases, resulting in SPI (ESP). The ensemble of models is referred to as 4DROP. Additionally, the added value of including dynamic seasonal precipitation predictions is examined, specifically the predictions from the ECMWF's Seasonal Forecasting System 5 (SEAS5). SPI predictions will be obtained by applying the 4DROP methodology, using observations as initial conditions and SEAS5 predictions. The properties of the new ensemble are referred to as S5. While both systems exhibit similar skill, the S5 model demonstrates better performance in longer prediction lead times, especially in tropical regions. Furthermore, it is important to highlight that prediction skill increases significantly when considering the complete set of eleven predictions, as opposed to predictions based on individual database sources. Finally, a simple empirical model based on logistic regression is proposed to predict the anomaly of burned area by fires as a function of climatic conditions (droughts) both preceding and concurrent to the fire season (CLIBA). The model is replicated in the eleven members of DROP, resulting in eleven probabilistic predictions of the burned area anomaly. The ensemble of all these predictions is identified as CLIBA-DROP. Similar to 4DROP, the inclusion of SEAS5 (S5) in the system as concurrent conditions is tested, while maintaining observations for preceding conditions. This process is optimized for seasonal predictions with a 4-month lead time. The ensemble of CLIBA(S5) applied to DROP databases is referred to as CLIBA-4FIRE. The analysis of results using the probabilistic ROC area metric shows a statistically significant relationship in approximately 68% of the total area with available burned area data (in at least 10 out of 20 years) when considering the CLIBA-DROP model, i.e., with observed conditions. CLIBA-4FIRE, which includes concurrent conditions from S5, exhibits predictive capability in around 60% of the area. In other words, the performance of CLIBA-4FIRE shows very promising results. This approach underscores the importance of taking into account the uncertainty of observations in seasonal prediction and enables the development of operational products for issuing early warnings (https://matv.shinyapps.io/app_APPS/). The codes and data are made available at (https://github.com/MTAV26/thesis/).
- español
