¿Qué es la calibración de modelos?
La calibración (o post-procesamiento estadístico) es el proceso de ajustar las predicciones brutas de un modelo numérico usando relaciones estadísticas derivadas de su rendimiento histórico. Todos los modelos tienen sesgos: un modelo puede sobreestimar la temperatura en verano o subestimar la precipitación en zonas de montaña. La calibración aprende estos patrones de error y los corrige automáticamente.
Técnicas principales
Las técnicas de calibración más utilizadas son el MOS (Model Output Statistics), que establece relaciones lineales entre la salida del modelo y las observaciones en estaciones; el EMOS (Ensemble MOS), que calibra la distribución completa del ensemble ajustando media y varianza; la regresión logística, que calibra las probabilidades de eventos binarios (lluvia sí/no); y el Bayesian Model Averaging (BMA), que combina varios modelos con pesos basados en su rendimiento reciente.
Calibración del ensemble
Un problema frecuente de los ensembles sin calibrar es la subdispersión: la dispersión entre miembros suele ser menor que la incertidumbre real, lo que hace que los eventos observados caigan fuera del rango del ensemble con demasiada frecuencia. La calibración corrige esto, ensanchando la distribución cuando el ensemble históricamente ha sido demasiado estrecho. Un ensemble bien calibrado cubre la observación con la frecuencia esperada: el intervalo del 80 % debe contener la observación el 80 % de las veces.
Importancia operativa
La calibración puede mejorar la calidad de un pronóstico tanto como un avance generacional en el propio modelo. Es especialmente valiosa para variables derivadas (sensación térmica, índice UV, probabilidad de helada) y para localidades específicas donde el modelo tiene sesgos topográficos conocidos. Sin calibración, las probabilidades del modelo no son fiables.
WikiMeteo