Un relámpago: ¿nos ayudará la microfísica de nubes a predecirlos? Crédito de la imagen: Mike Lehmann, CC BY-SA 3.0, a través de Wikimedia Commons
Las últimas tres décadas fueron las más cálidas en la historia de las observaciones meteorológicas en Europa. El aumento de la temperatura va acompañado de un aumento en la frecuencia y magnitud de los fenómenos meteorológicos y climáticos extremos, que son los principales riesgos para la población y el medio ambiente asociados con el cambio climático moderno. Una clase importante de tales fenómenos incluye lluvias intensas, tornados, turbonadas y tormentas eléctricas. Dado que se espera que el clima extremo sea la «nueva norma» en nuestro clima que cambia rápidamente, el desarrollo de una capacidad de pronóstico para extremos puede terminar convirtiéndose en parte de los productos de predicción estándar que pueden ayudar a salvaguardar la infraestructura crítica y las vidas humanas.
En mi país de origen, Rusia, los fenómenos meteorológicos extremos de los últimos 10 años han provocado daños económicos de varias decenas de miles de millones de rublos (~ 1000 millones de euros a la tasa actual) y la muerte de varios cientos de personas (p. ej., fuertes lluvias e inundaciones causadas por ellos en Krymsk en 2012 y Lejano Oriente en 2013 y 2016, tornados aéreos en Blagoveshchensk en 2011, poderosas borrascas en el norte del territorio europeo de Rusia en 2010, etc.). Tomé algunas fotos de fuertes tormentas eléctricas y lluvia que ocurrieron en Moscú el 14 de junio de 2016, donde se pueden ver algunos daños en la infraestructura. (Figura 1).
Fig. 1 Daños causados por una fuerte tormenta en Moscú (14 de junio de 2016). Crédito de la imagen: Inna Gubenko.
Es bien sabido que las tormentas eléctricas son generadas por nubes cumulonimbus (Fig. 2). La predicción robusta de rayos requiere pronosticar las nubes que los producen. El principal problema para un pronóstico de alta calidad de los fenómenos meteorológicos extremos es la falta de comprensión de los mecanismos específicos que determinan la formación y la variabilidad de las nubes tormentosas. La razón es bastante simple: hay muy pocos datos de observación sobre partículas en las nubes tormentosas. Debido a que los procesos físicos en una nube no están completamente descritos, su simulación por computadora es muy incierta. A pesar de los desafíos para describir la microfísica de las nubes, la importancia y la demanda de pronóstico de fenómenos peligrosos ha motivado el desarrollo de modelos matemáticos que describen las interacciones de las partículas de las nubes que generan rayos. Ahora, digamos que hemos predicho los rayos; entonces el pronóstico debe ser verificado por las tormentas eléctricas observadas. Sin embargo, los datos de observación estándar sinópticos se muestrean solo cada tres horas, y la red de estaciones meteorológicas es extremadamente heterogénea y escasa. Estos datos son simplemente insuficientes para evaluar fenómenos locales y a corto plazo, como tormentas eléctricas, y dificultan aún más la mejora de los pronósticos.
Fig. 2 Estructura eléctrica de una nube Cumulonimbus [3].
¿Cómo se forma un rayo? Volvamos de nuevo a la estructura eléctrica de la nube Cumulonimbus (Fig. 2). Hay varios tipos de partículas de nubes: granulado, cristales de hielo y nieve. Las colisiones entre estas partículas producen la carga eléctrica necesaria para los rayos. Cuando la temperatura está por debajo de -15° C (por encima de la línea de puntos verde en la Fig. 1), el graupel se carga negativamente después de chocar con un cristal de nieve. El cristal de nieve tiene carga positiva y los vientos ascendentes lo transportan hacia la parte superior de la nube. A temperaturas entre 0 y -15° C, las polaridades se invierten[1]. Un gran volumen de carga positiva se acumula en la parte superior de la tormenta. Una capa de carga negativa se acumula en medio de la nube. Algunos volúmenes más pequeños de carga positiva se encuentran debajo de la capa de carga negativa. La carga positiva también se acumula en el suelo bajo la tormenta (es atraída allí por la gran capa de carga negativa en la nube). Cuando las fuerzas de atracción eléctrica entre estos centros de carga aumentan lo suficiente, se produce un rayo. La mayoría de los rayos permanecen dentro de la nube y viajan entre el principal centro de carga positiva cerca de la parte superior de la nube y una gran capa de carga negativa en el medio de la nube; esto es relámpago intranube (2/3 de todos los rayos). Aproximadamente 1/3 de todos los relámpagos golpean el suelo. Estas se denominan descargas de nube a tierra.[2][3] Este modelo conceptual es la base física de los modelos matemáticos de los procesos eléctricos en las nubes convectivas. Este tipo de modelos se denominan modelos de electrificación. Uno de ellos se desarrolla en el Laboratorio de Modelado de Procesos Atmosféricos en NSI de RASMoscú.
Voy a mostrar algunos resultados de un estudio de caso. Se observó un evento convectivo sobre la parte europea de Rusia (región de Smolensk, Moscú, Vladimir y Nizhny Novgorod) entre el 13.07.2016 y el 14.07.2016. El paso de una tormenta convectiva estuvo acompañado de una serie de eventos meteorológicos peligrosos: actividad intensa de rayos, lluvia, granizo, ráfagas de viento y un tornado que causó lesiones humanas, destruyó infraestructura y provocó graves pérdidas económicas.[4] Este clima se asoció con un complejo convectivo de mesoescala (MCC) que se formó sobre la frontera de Bielorrusia y la región de Smolensk en Rusia desde las 15:00 UTC del 13 de julio de 2016. Según un pasaje de datos de radar, el MCC sobre la región de Moscú comenzó a las 18:30 UTC y se movía de noroeste a este hasta las 22:00 UTC. Puede ver un ejemplo de mapas de observación en la Fig. 3 con áreas convectivas (anomalías de actividad de tormentas severas y granizo – Fig. 4) y áreas estratiformes con precipitación acumulada intensiva[5]. Después de las 00:00 UTC del 14 de julio de 2016, el MCC comenzó a disiparse en las regiones de Vladimir y Nizhniy Novgorod. Los mapas están coloreados con el tipo de peligro natural que ocurre. El objetivo para el futuro es predecir dichos mapas.
Fig. 3. Paso de un complejo convectivo de mesoescala sobre la región de Moscú, 13.07.2016. Mapas de radar DMRL-S.
Fig. 4. Áreas de intensa actividad de rayos sobre la región de Moscú (21:00 UTC, 13.07.2016). Detectores de tormentas y mapas sinópticos. Crédito de la imagen: http://www.meteoinfo.ru/news/1-2009-10-01-09-03-06/12903-14072016-. Código de colores igual que en la Fig. 4.
¿Qué tan bien predice el modelo el evento que se muestra en la Fig. 3 y la Fig. 4? Bastante bien en realidad, ¡lo cual es notable dada la complejidad e incertidumbre en la predicción de estos fenómenos! La Fig. 5 muestra mapas de pronóstico de diferencia de potencial de campo eléctrico simulado en una capa de 0-8 km (MV) obtenidos por el modelo WRF-ARW acoplado con el modelo de electrificación cumulonimbus. Si comparamos los mapas de radar (datos de observación, Fig. 3 y 4) y los mapas de campo eléctrico (datos de pronóstico, Fig. 5), podemos ver que se pueden predecir eventos meteorológicos peligrosos utilizando valores calculados de la diferencia de potencial en la atmósfera. Esta habilidad de pronóstico es considerablemente mejor que los métodos anteriores que se basaban en mapas sinópticos o índices estadísticos.[4] y apunta al poder habilitado por el modelado explícito basado en la física de estos sistemas en la nube.[6]
Fig. 5. Diferencia de potencial de campo eléctrico (MV) simulado del complejo convectivo de mesoescala. Región de Moscú, 18:30-22:00 UTC, 13.07.2016. Las áreas donde la diferencia de potencial del campo eléctrico supera los 260 MV se indican en las celdas de tormenta (color rojo). Los mapas de pronóstico son consistentes con los datos de observación (Fig. 3, 4).
De acuerdo con estos primeros pero muy prometedores resultados, este enfoque propuesto de modelado de campo eléctrico explícito es aplicable a la predicción a corto plazo de convección intensa y al seguimiento de tormentas aisladas, células convectivas y complejos convectivos de mesoescala. Los valores variables obtenidos del campo eléctrico podrían ayudar a identificar la diversidad de fenómenos meteorológicos peligrosos asociados con la convección. Esto significa que, en algún momento, podremos pronosticar tormentas severas. Es de esperar que este servicio de previsión a corto plazo esté disponible muy pronto en las aplicaciones de los teléfonos. Luego, podrá obtener una alerta de peligro natural precisa en la aplicación meteorológica de su teléfono, para que pueda protegerse a tiempo.
Editado por Eva Pfannerstill, Mengze Li y Athanasios Nenes.
Inna Gubenko es Investigador, Ph. D. en el Laboratorio de Modelado de Procesos Atmosféricos en el Instituto de Seguridad Nuclear de la Academia Rusa de Ciencias, Moscú. Se enfoca en el modelado matemático del pronóstico de peligros naturales convectivos y tormentas eléctricas en particular.
[1] -15° C es una temperatura obtenida empíricamente (en laboratorio) cuando las partículas de la nube cambian su polaridad de carga. Esta es la llamada temperatura inversa.
[2] Mansell et al. (2005) J. Geophys. Res. Atmósferas, 110, 12-20.
[3] http://www.atmo.arizona.edu/students/courselinks/fall12/atmo170a1s1/lecture_notes/nov26cmplt.html
[4] Inna Gubenko y Konstantin Rubinstein. Un método explícito de predicción de tormentas convectivas de mesoescala para la región central de Rusia. Resúmenes de la reunión anual de EMS. vol. 14, SME2017-13, 2017.
[5] http://www.meteoinfo.ru/news/1-2009-10-01-09-03-06/12903-14072016-.
[6] Previamente, se usaban dos métodos para el pronóstico de este tipo de fenómenos. El primero es el método sinóptico (análisis de mapas sinópticos). El segundo enfoque se basa en índices especializados, teniendo en cuenta únicamente la temperatura, la humedad y el viento. Ambos métodos predicen signos indirectos de nubosidad. En consecuencia, el pronóstico de los peligros causados por los cúmulos con estos métodos más antiguos es menos preciso que con el pronóstico de la diferencia de potencial de campo eléctrico.
Relacionado:
Aventuras en el modelado – Escuela de verano de modelado climático de NCAS – The Social Metwork
Ciencias Atmosféricas | ¿Qué podemos hacer para mejorar la diversidad de género en el lugar de trabajo?
