Sensibilitat dels pronòstics del WRF a la parametrització de la convecció i la microfísica de núvols

Abstract

En aquest estudi s'avalua la sensibilitat dels pronòstics del model de mesoescala WRF (Weather Research and Forecasting) a diferents combinacions de parametritzacions de la convecció (concretament Kain-Fritsch, Betts-Miller-Janjic i Grell-Devenyi) i de la microfísica de núvols (WSM5 i Thompson), amb l'objectiu de determinar quina configuració proporciona els millors resultats per a la implementació operativa del model. Per portar a terme l'avaluació, s'han seleccionat una sèrie d'episodis amb precipitació sobre Catalunya, i s'ha realitzat una verificació contrastada dels camps analitzat i pronosticat de la temperatura, altura geopotencial, humitat relativa i vent. Les simulacions s'han efectuat sobre un domini de 36 km de pas de malla, centrat a la Península Ibèrica. Els resultats mostren que els pronòstics són més sensibles a l'esquema convectiu que al microfísic, i que la configuració amb la parametrització de la convecció de Kain-Fritsch i la microfísica WSM5 proporciona els resultats més satisfactoris.

This work evaluates the sensitivity of the forecasts by the WRF (Weather Research and Forecasting) mesoscale model to various combinations of its convective parameterizations (Kain-Fritsch, Betts-Miller-Janjic and Grell-Devenyi) and two microphysical schemes (WSM5 and Thompson), in order to determine the configuration that better fullfills the requirements for an operational implementation of the model. Several events with precipitation over Catalonia (NE Spain) have been selected to carry out a contrasted verification of the forecasted and analyzed fields of temperature, geopotential height, relative humidity and wind. The simulations have been run over a 36-km grid, centered at the Iberian Peninsula. The results show that forecasts are more sensitive to convective than microphysical schemes and that the configuration with the Kain-Fritsch convection scheme and the WSM5 microphysics parameterization produces the best results.