Calculate SAMCSIndex Python

Sistemas Convectivos de Mesoescala (SCM). Con los datos de NCEP Climate Forecast System CFSv2 (Saha, 2014) se calcularon los campos sinópticos de los SCM.

Índice SA-MCS para Carrasco, Uruguay

Descripción

Este proyecto implementa el cálculo del Índice SA-MCS (South American Mesoscale Convective Systems) para la estación meteorológica de Carrasco, Uruguay.

El índice SA-MCS es una herramienta diagnóstica que evalúa el potencial de desarrollo de sistemas convectivos de mesoescala mediante la combinación de varios parámetros meteorológicos clave.

Autor: @leonardojimenez1990
Fecha: Octubre 2025

---

📍 Ubicación

Carrasco, Uruguay

• Latitud: -34.83°S
• Longitud: -56.01°W
• Sistema de coordenadas: WGS84 (-180° a 180°)

---

🎯 Características del Código

Funcionalidades Principales

✅ Conversión automática de coordenadas: Transforma longitudes de 0-360° a -180-180°
✅ Interpolación espacial: Usa método de vecino más cercano (nearest neighbor) para obtener el valor en Carrasco
✅ Cálculo del índice MCS: Combina 4 componentes meteorológicas
✅ Visualización cartográfica: Genera mapas con Cartopy
✅ Exportación de resultados: Guarda mapas en formato PNG de alta resolución

---

📊 Variables Meteorológicas Utilizadas

El índice SA-MCS se calcula a partir de las siguientes variables del modelo GFS:

Variable	Nivel	Descripción	Índice GRIB
u500hPa	500 hPa	Componente U del viento	356
v500hPa	500 hPa	Componente V del viento	357
t775hPa	750 hPa	Temperatura*	430
u775hPa	750 hPa	Componente U del viento*	436
v775hPa	750 hPa	Componente V del viento*	437
w	800 hPa	Velocidad vertical	450
u1000hPa	1000 hPa	Componente U del viento	548
v1000hPa	1000 hPa	Componente V del viento	549
pwatcapa	Superficie	Agua precipitable	626
lftx4	Superficie	Índice de inestabilidad (4 capas)	709

Nota: *Se usa 750 hPa como aproximación a 775 hPa (no disponible en GFS 0.25°)

---

🧮 Fórmula del Índice SA-MCS

El índice se calcula mediante la siguiente ecuación estandarizada:

MCS = ((shear - 13.66) / 5.5) 
    + ((grad_horiz - 4.28e-5) / 5.19e-5) 
    + (-(w_800 + 0.269) / 0.286) 
    + (-(lftx + 2.142) / 2.175)

Componentes:

1. Cizalladura vertical del viento (500-1000 hPa)

   shear = sqrt(u500² + v500²) - sqrt(u1000² + v1000²)

2. Advección térmica horizontal a 750 hPa

   grad_horiz = -u·∂T/∂x - v·∂T/∂y

3. Velocidad vertical a 800 hPa

   • Movimiento ascendente favorece la convección

4. Índice de inestabilidad (4-layer lifted index)

   • Valores negativos indican inestabilidad atmosférica

---

📈 Interpretación de Resultados

Rango del Índice	Color	Interpretación
< -1.15	Blanco	Muy bajo potencial convectivo
-1.15 a -0.12	Verde	Bajo potencial convectivo
-0.12 a 1.58	Amarillo	Potencial convectivo moderado
1.58 a 2.74	Naranja	Alto potencial convectivo
> 2.74	Rojo	Muy alto potencial convectivo

Criterios de enmascaramiento:

• Se enmascaran (ocultan) valores donde pwat < 27 kg/m² Y lftx > 0 K
• Esto filtra regiones sin suficiente humedad o con atmósfera estable

---

🔧 Instalación y Requisitos

Dependencias

# Crear ambiente conda (recomendado)
conda create -n mcs_index python=3.9

# Activar ambiente
conda activate mcs_index

# Instalar dependencias
conda install -c conda-forge pygrib xarray metpy matplotlib cartopy numpy

Requisitos del sistema

• Python 3.8 o superior
• Acceso a archivos GRIB2 del modelo GFS
• Memoria RAM: mínimo 4 GB (8 GB recomendado)

---

💻 Uso

Modo Básico

python3 code/indexMCSInterCarrasco.py

Especificar archivo GRIB

Editar la línea 124 en indexMCSInterCarrasco.py:

grib_file = '/ruta/a/tu/archivo.grib2'

Transformación de Coordenadas

Conversión implementada:

# De 0-360° a -180-180°
longitudes_converted = np.where(longitudes > 180, longitudes - 360, longitudes)

Razón:

• Convención WMO (World Meteorological Organization)
• Facilita trabajo con coordenadas oeste (Sudamérica)
• Compatible con sistemas cartográficos estándar

---

📖 Referencias

Fundamento Teórico

1. Zipser, E. J., et al. (2006). Where are the most intense thunderstorms on Earth? Bulletin of the American Meteorological Society, 87(8), 1057-1072.

2. Houze, R. A. (2004). Mesoscale convective systems. Reviews of Geophysics, 42(4).

3. Brooks, H. E., et al. (2003). The spatial distribution of severe thunderstorm and tornado environments from global reanalysis data. Atmospheric Research, 67, 73-94.

Herramientas y Librerías

4. xarray: Hoyer, S., & Hamman, J. (2017). xarray: N-D labeled arrays and datasets in Python. Journal of Open Research Software, 5(1), 10.

5. MetPy: May, R. M., et al. (2020). MetPy: A Python Package for Meteorological Data. Unidata.

6. Cartopy: Met Office (2010-2015). Cartopy: a cartographic python library with a Matplotlib interface.

---