Predicción Climática Estacional de Precipitación Acumulada en Primavera y Verano en el Sur de Uruguay

Abstract

Recebido em 29 de Abril de 2015 -Aceito em 15 de Dezembro de 2015 ResumenSe desarrollan diferentes modelos pre-operativos de pronóstico dinámico-estadístico de precipitación estacional en el sur de Uruguay para primavera y verano. Para ello se utilizan regresiones lineales entre predicciones de variables dinámicas y observaciones de precipitación. Los pronósticos se inicializan en Agosto y Noviembre para los trimestres de Setiembre-Noviembre y Diciembre-Febrero, respectivamente. Las predicciones de las variables dinámicas son salidas de un ensamble del modelo de circulación general de la atmósfera ICTP MCGA forzado con condiciones de borde de temperatura de superficie del mar (TSM) pronosticadas por NCEP-CFSv2. Las observaciones de precipitación provienen de 10 estaciones meteorológicas ubicadas al sur del Río Negro. Los mejores índices predictores se encuentran mediante validación cruzada, utilizando ventanas de un año, con las variables dinámicas. Se concluye que el mejor índice predictor es el viento meridional en 200 hPa promediado en una región que incluye el Sudeste de Sudamérica y es tal que anomalías de componente norte están asociadas a lluvias por encima de lo normal en el sur del país. Se encuentra que para todo el sur del país los pronósticos tienen habilidad únicamente en primavera mientras que para la zona metropolitana de Montevideo los pronósticos muestran habilidad para ambas estaciones y principalmente para verano. Palabras-clave: Predicción estacional, precipitación. Seasonal Forecast of Accumulated Rainfall in Southern UruguayDuring Spring and Summer AbstractWe develop dynamical-statistical forecast models in order to predict seasonal rainfall in southern Uruguay during summer and spring. The statistical technique consists of linear regressions between dynamic variables and rainfall observations. The forecasts for September-October-November are initialized in August and the ones for December-January-February in November. The dynamic variables are ICTP-MGCAs outputs, forced with sea surface temperature, predicted by NCEP-CFSv2, as boundary conditions. The observational data is accumulated monthly, values are measured in 10 meteorological stations that are cross-correlated, using one year windows, with the dynamic variables in order to find the best predictor indexes. We conclude that the best predictor index is the meridional wind in the 200 hPa level averaged in an area that includes the Southeast of South America. Northern wind anomalies in this area are associated with positive rainfall anomalies in Southern Uruguay. We found that while forecasts for the south of the country are skillful only in spring , forecasts for the metropolitan area of Montevideo are skilfull in both seasons showing their best performance in summer.

Dynamics of extreme rainfall events in summer in southern Uruguay

“…Many studies have addressed the causes of the large interannual variability in southeastern South America (SESA), a region that includes Uruguay (e.g., Cazes‐Boezio et al , ; Barreiro and Tippmann, ; Grimm, ; Tedeschi et al , ). In particular, for southern Uruguay, Ungerovich and Barreiro () study the characteristics of accumulated rainfall in summer and spring and develop forecasts based on large‐scale circulation indices. Barreiro () investigates the effects of extratropical transient activity in rainfall in SESA focusing on Uruguay.…”

A late 1980s shift in El Niño influence on rainfall over Uruguay during austral spring

“…At the same time, in lower levels there is an increase in moisture transport from the Amazon towards SESA. The combination of upper and lower-level anomalies favours increased rainfall, being austral spring the season with the most robust signal (Grimm et al, 2000;Barreiro, 2009;Zamboni et al, 2010;Martín-G omez and Barreiro, 2015;Barreiro, 2017;Ungerovich and Barreiro, 2017). The impact of ENSO on Uruguay is larger in the northern region, that is north of approximately 32.5 S (Figure 1), which leads to a higher seasonal predictability.…”